ModÃ¨les de Markov triplets en restauration des signaux

More documents

Recommendations

Info

NOTATIONSAcronymesV.AMAPMPMMLCMCCMCoupleCMTCMC-MSCMCouple-MSCSMCCMC-MLCMTMEMECIBIMLCCPMCTPMCGCGMRTSGMLCCLSMVariable Aléatoire.Maximum A Posteriori.Maximum Marginal a Posteriori.Maximum de Vraisemblance.Chaîne de Markov cachée.Chaîne de Markov couple.Chaîne de Markov triplet.Chaîne de Markov cachée M-stationnaire.Chaîne de Markov Couple M-stationnaire.Chaîne semi-markovienne cachée.Chaîne de Markov cachée à mémoire longue.Chaîne de Markov Triplet Mixte.Expectation Maximization.Estimation Conditionnelle Itérative.Bruit Indépendant.Mémoire Longue.Chaîne Couple Partiellement de Markov.Chaîne Triplet Partiellement de Markov.Champ Gaussien.Champ Gaussien-Markovien.Rauch-Tung-Striebel.Gaussien à Mémoire Longue.Chaîne conditionnellement Linéaire à Sauts Markoviens.x
IntroductionNotre travail se situe dans le domaine des traitements statistiques des signaux.Parmi ces traitements nous nous intéressons aux méthodes bayésiennes. Le problèmegénéral est celui de l’estimation du signal caché à partir du signal observé.Nous considérons que le signal observé est une réalisation y=(y n ) 1∶N d’un processusaléatoireY=(Y n ) 1∶N sur un réseauS={1,..,N} et nous cherchons à estimer la réalisationx=(xn ) 1∶N d’un processus aléatoire cachéX=(X n ) 1∶N . Nous supposerons queles variables X n prennent leurs valeurs dans un espaceX et les variables Y n prennentleurs valeurs dans un espaceY. Lorsque le signal caché est discret son estimationsera appelée « segmentation »; lorsqu’il est continu on parlera de « filtrage » ou de« lissage ».Une méthode bayésienne de segmentation ou de lissage est caractérisée par unefonction de coût, dite aussi fonction de perte, L∶X N ×X N → R. La fonction decoût L permet de mesurer la perte moyenne subie lors de l’application d’une méthodedonnée. En notant une méthode bayésienne Ŝ, la méthode (on dit souvent la"stratégie") bayésienne vérifie :E[L(Ŝ(Y),X)]=arg min E[L(S(Y),X)] (1)SLorsque l’espaceX est fini les fonctions de perte parmi les plus utilisées sont lessuivantes :◻L∶ X N ×X N → R(x 1 1∶N ,x2 1∶N ) ↦ 1−δ(x1 1∶N ,x2 1∶N ) ; (2)◻L∶ X N ×X N → R(x 1 1∶N ,x2 1∶N ) ↦ 1− N∑ 1 N n=1δ(x 1 n,x 2 n)avec δ est l’indice de Kronecker δ(a,b)=1 si a=b et 0 sinon.La fonction (2) pénalise de la manière toutes les solutions Ŝ(Y) différentes de X.La solution bayésienne correspondant à cette fonction de perte, appelée « Maximuma Posteriori » (MAP), est donnée par :(3)̂x MAP (y)=argmax p(x∣y) (4)x∈X NOn remarque que l’estimateur du MAP est équivalent à l’estimateur du maximumde vraisemblance lorsque la loi a priori est la loi uniforme.Contrairement à la fonction (2), la fonction (3) a un aspect local et elle ne pénalisepas de la même manière toutes les estimations de X. La méthode bayésienne1
Page 1: École Doctorale SMPCThèse présen
Page 6 and 7: ABSTRACTis to extend these models t
Page 9 and 10: Table des matièresRésumé . . . .
Page 11: NotationsSymbolesN Nombre des obser
Page 15 and 16: INTRODUCTIONgénéral que le modèl
Page 17 and 18: Chapitre IModèles de Markov Classi
Page 19 and 20: CHAPITRE I. MODÈLES DE MARKOV CLAS
Page 35: CHAPITRE I. MODÈLES DE MARKOV CLAS
Page 38 and 39: CHAPITRE II. MODÈLE DE MARKOV COUP
Page 53 and 54: Chapitre IIIEstimation des paramèt
Page 55 and 56: CHAPITRE III. ESTIMATION DES PARAM
Page 63 and 64:
CHAPITRE III. ESTIMATION DES PARAM
Page 65 and 66:
Page 67:
Page 70 and 71:
CHAPITRE IV. MODÈLE DE MARKOV TRIP
Page 72 and 73:
Page 74 and 75:
Page 76 and 77:
Page 78 and 79:
Page 80 and 81:
Page 82 and 83:
Page 84 and 85:
Page 86 and 87:
Page 88 and 89:
Page 90 and 91:
Page 92 and 93:
Page 94 and 95:
Page 96 and 97:
•••••••CHAPITRE IV. M
Page 98 and 99:
Page 100 and 101:
Page 102 and 103:
Page 104 and 105:
Page 106 and 107:
Page 108 and 109:
Page 110 and 111:
Page 112 and 113:
CHAPITRE V. CHAÎNES CONDITIONNELLE
Page 114 and 115:
Page 116 and 117:
Page 118 and 119:
Page 120 and 121:
Page 122 and 123:
Page 124 and 125:
Page 126 and 127:
Page 128 and 129:
Page 130 and 131:
Page 132 and 133:
Page 135:
Annexe AK-meansL’algorithme K-mea
Page 139 and 140:
Annexe CVecteurs gaussiensDéfiniti
Page 141 and 142:
Bibliographie[1] C. Andrieu, M. Dav
Page 143 and 144:
BIBLIOGRAPHIE[31] O. L. V. Costa, M
Page 145 and 146:
BIBLIOGRAPHIE[66] P. Lanchantin, J.
Page 147 and 148:
BIBLIOGRAPHIE[99] W. Pieczynski and
show all

ModÃ¨les de Markov triplets en restauration des signaux

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?