Modèles de Markov triplets en restauration des signaux
Modèles de Markov triplets en restauration des signaux
Modèles de Markov triplets en restauration des signaux
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
CHAPITRE V. CHAÎNES CONDITIONNELLEMENT LINÉAIRES À SAUTSMARKOVIENS<strong>de</strong> faciliter les comparaisons, supposons que le système est gaussi<strong>en</strong>. Cela s’écrit <strong>de</strong>la façon suivante :R 1∶N est une chaîne <strong>de</strong> <strong>Markov</strong>;(V.16)X n = F n (R n )X n−1 +V n (R n ); (V.17)Y n = G n (R n )X n +W n (R n ), (V.18)où V 1∶N et W 1∶N sont <strong>de</strong>ux vecteurs gaussi<strong>en</strong>s, et X 1 ,V 1 ,...,V N ,W 1 ,...,W N sont indép<strong>en</strong>dantset dép<strong>en</strong><strong>de</strong>nt <strong>de</strong> R n . Pour tout 1≤n≤N, F n et G n dép<strong>en</strong><strong>de</strong>nt égalem<strong>en</strong>t<strong>de</strong> R n .Considérons le problème <strong>de</strong> filtrage optimal (au s<strong>en</strong>s <strong>de</strong> l’erreur quadratiquemoy<strong>en</strong>ne), qui est <strong>de</strong> calculer E[X n+1 ∣y 1∶n+1 ] et V[X n+1 ∣y 1∶n+1 ]. Nous avons :E[X n+1 ∣y 1∶n+1 ]=∑r n+1p(r n+1 ∣y 1∶n+1 )E[X n+1 ∣r n+1 ,y 1∶n+1 ](V.19)on cherche alors une relation <strong>de</strong> récurr<strong>en</strong>ce <strong>en</strong>tre p(r n+1 ∣y 1∶n+1 ) et p(r n ∣y 1∶n ). Nousavons :p(r n+1 ∣y 1∶n+1 )=∑p(r n+1 ,r n ∣y 1∶n+1 )= ∑ r np(r n+1 ,y n+1 ∣r n ,y 1∶n )p(r n ∣y 1∶n )r np(y n+1 ∣y 1∶n )(V.20)et pour le calcul <strong>de</strong> p(x n+1 ∣r n+1 ,y 1∶n+1 ) nous avons les relations suivantes :p(x n+1 ∣r n+1 ,y 1∶n )=∫ Rp(x n+1 ∣x n ,r n+1 )p(x n ∣r n+1 ,y 1∶n )dx n(V.21)p(x n+1 ∣r n+1 ,y 1∶n+1 )= p(x n+1∣r n+1 ,y 1∶n )p(y n+1 ∣x n+1 ,r n+1 )p(y n+1 ∣r n+1 ,y 1∶n )(V.22)On résout alors le problème classiquem<strong>en</strong>t « à sauts fixés »; <strong>en</strong> effet, dans le casoù R 1∶N est connu, <strong>de</strong>s versions du filtre <strong>de</strong> Kalman sont applicables à ce modèlepour calculer les quantités, E[X n ∣r n ,y 1∶n ] dans le cas du filtrage [18, 43, 44, 46] etE[X n ∣r n ,y 1∶N ] dans le cas du lissage [18,47]. Cep<strong>en</strong>dant, lorsque R 1∶N ne sont pasobservés, ces quantités ne sont pas calculables directem<strong>en</strong>t et doiv<strong>en</strong>t être approchées[1,31,40]. Les difficultés sont dues au fait que les distributions p(r n ∣y 1∶n ),p(y n+1 ∣y 1∶n ),et p(y n+1 ∣r n+1 ,y 1∶n ) ne sont pas calculables avec une complexité linéaire <strong>en</strong> N. Parcontre, si le couple(R 1∶N ,Y 1∶N ) est une chaîne <strong>de</strong> <strong>Markov</strong> classique ou une chaînepartiellem<strong>en</strong>t <strong>de</strong> <strong>Markov</strong> ces calculs sont possibles. Dans la suite, nous prés<strong>en</strong>tons<strong>de</strong>ux modèles à saut <strong>Markov</strong>i<strong>en</strong> dans le premier nous supposons que le couple estune chaîne <strong>de</strong> <strong>Markov</strong> et le <strong>de</strong>uxième qu’elle est partiellem<strong>en</strong>t <strong>de</strong> <strong>Markov</strong>.V.3.2 Modèle conditionnellem<strong>en</strong>t linéaire à sauts markovi<strong>en</strong>s(CCLSM)L’idée <strong>de</strong> ce modèle est <strong>de</strong> modifier les hypothèses (V.16) et (V.18) par le faitque le couple(R 1∶N ,Y 1∶N ) est une chaîne <strong>de</strong> <strong>Markov</strong>. De manière générale, danstous les modèles classiques la loi du triplet(X,R,Y) est définie par la loi (markovi<strong>en</strong>ne)<strong>de</strong>(X,R) et les lois <strong>de</strong> Y conditionnelles à(X,R). Le couple(R,Y) n’estalors pas nécessairem<strong>en</strong>t markovi<strong>en</strong>, ce qui implique les difficultés m<strong>en</strong>tionnées dans106