Obecně je odhadování stavu dynamických systému založeno na využití bayesovské filtrace [1]. Ta má analytické řešení za předpokladu, že stavové proměnné i měření mají normální rozdělení. Toto řešení je známé jako Kalmanův filtr [2]. V praxi se ale může stát, ze stav dynamického systému obsahuje kromě spojitých i diskrétní veličiny. To znamená, ze se systém přepíná mezi určitými módy. Dost častá interpretace diskrétního stavu je tak zvané ukazovátko. To označuje aktuální mód, to je ten mód, ve kterém se systém momentálně nachází. Pokud se systém vyvíjí v čase a naší úlohou je predikovat budoucí systémové mody, je zapotřebí definovat dynamický datově závislý model vývoje diskrétního stavu systému. Taková situace například nastává při úloze, kdy pozorujeme řidiče během jízdy, snažíme se klasifikovat módy jeho jízdy a varovat ho, pokud jeho jízda začíná být nevhodná z hlediska předepsaného kriteria (bezpečnost, ekologie, ekonomie atd.).

Takový systém se nazývá hybridní a tedy vyvstává problém odhadování hybridního stavu. Dobře známá a úspěšná metoda v této oblasti je Interacting Multiple Model (IMM) filtr [3]. Dalšími metodami pro řešení tohoto problému jsou iterativní metody [4,5] a off-line algoritmy založené na Hidden Markov Models (HMM) popsaný v práci [6].

Nicméně, zmíněné metody předpokládají výhradně systém s normálním rozdělením, který se přepíná mezi diskrétními módy. Opačný případ uvažuje diskrétní stavovou proměnnou závislou na spojitých gaussovských stavech. Vývoj on-line algoritmu pro rekurzivní odhadováni stavu hybridních systému je hlavni úlohou této doktorské práce.