ModÃ¨les de Markov triplets en restauration des signaux

More documents

Recommendations

Info

CHAPITRE V. CHAÎNES CONDITIONNELLEMENT LINÉAIRES À SAUTSMARKOVIENS21.510.50R0 (CCPM)−0.5−10 50 100 150 200 250 300 350 400 450 500(a”)21.510.50R1 (CCPM)−0.5−10 50 100 150 200 250 300 350 400 450 500(b”)21.510.5R2 (CCPM)0−0.5−10 50 100 150 200 250 300 350 400 450 500(c”)Figure V.5 – Segmentation non supervisée par CCLSM-GMLLes taux d’erreur de ces expériences sont résumés dans la table (V.1). Nouspouvons remarquer que les deux modèles ont la même performance que dans le cas(a), par contre dans les deux autres cas(b) et(c), le modèle CCPM à mémoirelongue est plus performant du fait que le modèle CMC ne prend pas en contre lesdonnées corrélées.116
CHAPITRE V. CHAÎNES CONDITIONNELLEMENT LINÉAIRES À SAUTSMARKOVIENSCMC-BI CCLSM-GMLy 1 1∶N0.2 0.2y 2 1∶N61.6 2.0y 3 1∶N13.6 5.1Table V.1 – Taux d’erreur de segmentations en %Finalement, nous appliquons l’algorithme de lissage pour calculer E[X n ∣y 1∶N ]selon le modèle :∀2≤n≤N, X n =F n (R n ,Y n )X n−1 +G n (R n ,Y n )V n +H n (R n ,Y n ) (V.24)avec pour tout 2≤n≤N, F n (ω 1 ,Y n )= 3×Yn10 , F n(ω 2 ,Y n )=− 3×Yn10 ,H n(ω 1 ,Y n )= 1 2 ,H n (ω 2 ,Y n )=− 1 2 et G n(R n ,Y n )= 1 2 et V n∼N(0,1).Pour chacun des trois cas (a), (b), et (c) de la figure (V.3), on procède au lissagepar la nouvelle méthode générale. Les résultats obtenus sont présentés sur lafigure (V.5), respectivement en a”, b”, et c”. Dans chaque cas on présente deux trajectoires: la vraie (X= x simulée selon (V.24)) et l’estimée (à R inconnu). L’écartentre les deux trajectoires est mesuré par l’erreur quadratique moyenne (eq) qui est,respectivement, de 0.60, 0.60, et 0.61. Nous cherchons à comparer notre méthodeavec celle utilisant la vraie trajectoire des sauts donné à la figure (V.2) Sur la figure(V.7), nous présentons ainsi les trajectoires du processus X calculées en utilisant levrai processus R et les observations y1∶N i avec les trajectoires estimées par le lissage( figure (V.6)). Pour tout i=1,2,3, la trajectoire estimée connaissant la trajectoiredes sauts se calcule simplement par :∀2≤n≤N,x i n=F n (r n ,y i n)x i n−1+H n (r n ,y i n)(V.25)Les résultats obtenus sont présentés sur la figure (V.6), respectivement en a”’,b”’, et c”’. Comme à la figure (V.7), dans chaque cas on présente deux trajectoires :la vraie (X= x simulée selon (V.24)) et l’estimée (à R connu) par (V.25). L’écartentre les deux trajectoires est mesuré par l’erreur quadratique moyenne (eq) qui est,respectivement, de 0.39, 0.27, et 0.29.Naturellement, les résultats obtenus avec la trajectoire des sauts connue donnede meilleurs résultats; cependant, la différence n’est pas très grande et visuellementles résultats sont assez proches.Rappelons que les résultats de la Figure 5.7 sont obtenus de manière "semisupervisée": la loi de(R,Y) est estimée, mais les paramètres F n , B n et G n sontconnus.117
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 and 12:
NotationsSymbolesN Nombre des obser
Page 13 and 14:
IntroductionNotre travail se situe
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 21 and 22:
Page 23 and 24:
Page 25 and 26:
Page 27 and 28:
Page 29 and 30:
Page 31 and 32:
Page 33 and 34:
Page 35:
Page 38 and 39:
CHAPITRE II. MODÈLE DE MARKOV COUP
Page 40 and 41:
Page 42 and 43:
Page 44 and 45:
Page 46 and 47:
Page 48 and 49:
Page 50 and 51:
Page 53 and 54:
Chapitre IIIEstimation des paramèt
Page 55 and 56:
CHAPITRE III. ESTIMATION DES PARAM
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
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: CHAPITRE IV. MODÈLE DE MARKOV TRIP
Page 96 and 97: •••••••CHAPITRE IV. M
Page 112 and 113: CHAPITRE V. CHAÎNES CONDITIONNELLE
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?