CHAPITRE IV. MODÈLE DE MARKOV TRIPLET<strong>en</strong> utilisant le fait que X et Y sont indép<strong>en</strong>dants conditionnellem<strong>en</strong>t à U nousobt<strong>en</strong>ons :p(x,u∣y)=p(u∣y)p(x∣u)(IV.82)Nous avons détaillé précé<strong>de</strong>mm<strong>en</strong>t comm<strong>en</strong>t nous pouvons approximer la loi duU∣Y dans le cas où U est CGM et comm<strong>en</strong>t nous pouvons le simuler. Supposons queU∼N N (µ,Σ=Q −1 ) alorsU∣Y∼N N (µ ∗ ,Σ ∗ =[Q ∗ ] −1 ) avec µ ∗ et Q ∗ sont obt<strong>en</strong>us parles formules (IV.72) et (IV.73). La loi p(x n ∣y) est obt<strong>en</strong>ue <strong>en</strong> intégrant par rapportà u n :p(x n ∣y)=∫ p(x n ∣u n =u)p(u n =u∣y)du(IV.83)Pour modéliser la loi du X sachant U, nous pouvons utiliser le modèle Logit. Supposonsque les X s sont à valeur dans un espace finiX=Ω={ω 1 ,..,ω K }, alors p(x s ∣u s )est donné par :p(x n =ω i ∣u n )=exp(a i u n +b i )∑ K j=1exp(a j u n +b j )(IV.84)ExempleLe champ U est un champ gaussi<strong>en</strong> <strong>Markov</strong>i<strong>en</strong> <strong>de</strong> moy<strong>en</strong>ne nulle et <strong>de</strong> matrice<strong>de</strong> covariance Σ=Q −1 avec Q=τ(I N×N +φH).H s,t =⎧⎪⎨⎪⎩h s−h s,tsi s=tsi t∈ν(s)0 sinonAvec h s,t > 0 mesure <strong>de</strong> similarité <strong>en</strong>tre le site s et le site t du réseau S, h s,t = h t,s ,et h s =∑ t∈ν(s) h s,t .Sur la figure (IV.29) on fait varier les valeurs φ=0,1,2,10 et nous pr<strong>en</strong>ons <strong>de</strong>svaleurs fixes pour h s,t = 1 <strong>de</strong> τ= 1. Nous concé<strong>de</strong>rons que le système <strong>de</strong> voisinageest celui <strong>de</strong> 4-plus proche voisin. Et pour le champ Y , pour tout n y n ∼N(0,1) et<strong>de</strong> covariance cov(u n ,y n )=0.95. Le champ X est un champ discret à <strong>de</strong>ux classesobt<strong>en</strong>us par filtre Logit a=1 et b=1. Les 4 lignes sur la figure (IV.29) repres<strong>en</strong>tantles différ<strong>en</strong>tes valeurs <strong>de</strong> φ. les colonnes sont les processus : X, U, Y et Xr la<strong>restauration</strong> <strong>de</strong> X à partir <strong>de</strong> Y <strong>en</strong> mo<strong>de</strong> supervisé.96
CHAPITRE IV. MODÈLE DE MARKOV TRIPLETX U Y XrFigure IV.29 – Simulation du champ triplet(X,U,Y) et <strong>restauration</strong> <strong>en</strong> mo<strong>de</strong>superviséPour calculer la loi p(x n ∣y 1∶N ), nous calculons <strong>en</strong> premier lieu le vecteur moy<strong>en</strong><strong>de</strong> U 1∶N conditionnellem<strong>en</strong>t à y 1∶N ainsi que l’inverse <strong>de</strong> la matrice <strong>de</strong> covariance , quisont donnés par les équations (IV.72) et (IV.73). Une fois nous avons le vecteur µ ∗ etla matrice Σ −1,∗ =Q ∗ , la loi p(u n ∣y 1∶N ) est une gaussi<strong>en</strong>ne dont la moy<strong>en</strong>ne et la variancesont respectivem<strong>en</strong>t µ ∗ n et Σ ∗ n,n. En second lieu, nous utilisons l’approximation<strong>de</strong> Laplace (voir annexe (B)) pour approcher l’intégrale sur u <strong>de</strong> p(x n ∣u n )p(u n ∣y 1∶N )qui à la forme suivante :avec M=1 et f(u) est donné par :I=∫ Rexp[Mf(u)]du,2f(u)=a i u+b i −log( ∑exp(a j u+b j ))− (u−µ∗ n) 2j=1 2πΣ ∗ n,n−log( √ 2πΣ ∗ n,n)La fonction f admet un développem<strong>en</strong>t <strong>de</strong> Taylor <strong>en</strong> u ∗ ( qui est un optimum calculéà partir <strong>de</strong>s paramètres a i ,b i ,µ ∗ n et Σ ∗ n,n ) à l’ordre 2 :f(u)≃ 1 2 f′′ (u ∗ )(u−u ∗ ) 2 +f(u ∗ )97