ModÃ¨les de Markov triplets en restauration des signaux

More documents

Recommendations

Info

CHAPITRE I. MODÈLES DE MARKOV CLASSIQUESmodèle a des avantages par rapport à l’autre, comme mentionné par Lauritzen [75].Les modèles graphiques orientés acycliques ont un grand intérêt pour modéliser lesrelations asymétriques ou dites « relations de causalité ». Les modèles graphiquesnon-orientés ont un grand intérêt pour modéliser les relations symétriques d’interactionentre les variables aléatoires. Les deux ensembles des modèles graphiquesorientés et non-orientés ne sont pas égaux : Smyth et al. [113] donnent un exemplede modèle graphique orienté acycliques qui n’admet pas de modèle graphique nonorientééquivalent (un graphe orienté → G=(S, → E) et un graphe on orientéG=(S,E)sont dits « équivalents » en terme d’indépendance conditionnelle si et seulementsi pour tous sous-ensemblesB,C etD disjoints deux à deux non-vides deS,C sépareBetDdans → G ⇔C sépareBetD dansG ). Il donne également un exemplede graphe non-orienté qui n’admet pas de modèle graphique orienté acyclique équivalent.I.1.3 Factorisation d’une loi selon un grapheIl n’est pas toujours possible de définir un graphe d’indépendance conditionnellepour un processus X. Smyth et al. [113] donnent des exemples de lois de probabilitéqui n’admettent une représentation graphique ni par modèle orienté ni par modèlenon-orienté. Réciproquement, il est parfois possible d’associer plusieurs lois à ungraphe d’indépendance conditionnelle.Soit X=(X n ) 1∶N un processus aléatoire. Les X n sont à valeurs dans un espaceX,et ils sont indexés par un ensemble fini des sommetsS d’un graphe d’indépendanceconditionnelleG. La densité de la loi de X se factorise selon le grapheG par rapportà la mesure de référence ν X =⊗n∈Sν Xn , si elle s’écrit :p(x)=∏p c (x c )c∈C(I.8)oùC est l’ensemble des cliques du grapheG.∀c∈C, p c est une fonction deX ∣c∣ dansR + .Le développement de la loi d’un processus selon son graphe d’indépendanceconditionnelle permet d’aborder des problèmes d’estimation et de segmentation danscertains modèles à données incomplètes. Dans toute la suite, nous utilisons des modèlesgraphiques non-orientés « minimaux », dans lesquels deux points s et t ne sontpas reliés par une arête si et seulement si les deux variables aléatoires associées X s etX t sont indépendantes conditionnellement aux autres. Le graphe minimal prend encompte de l’indépendance conditionnelle « par paires » pour l’ensemble des variablesconsidérées [88].I.2 Chaîne de Markov cachéeDans cette section, nous traitons un modèle de Markov caché parmi les plussimples, qui est la chaîne de Markov cachée (CMC). Nous distinguons deux cas :celui où le processus caché X est un processus discret et celui où c’est un processusréel continu.10
CHAPITRE I. MODÈLES DE MARKOV CLASSIQUESLes chaînes de Markov cachées sont des modèles graphiques comportant desdonnées observées et des données latentes. On notey=(y n ) 1∶N les données observées,qui sont issues de la réalisation d’un processus Y =(Y n ) 1∶N sur un réseau monodimensionnelS,et x=(x n ) 1∶N les données latentes, qui sont issues de la réalisationd’un processus X=(X n ) 1∶N .En premier lieu, nous étudions le cas des chaînes mono-dimensionnelles à espaced’état discret : les X n sont à valeurs dans le même espace discretX={ω 1 ,..,ω k }.En second lieu, nous étudions le cas où les X n sont à valeurs dans R.I.2.1 CMC à espace d’état discretDéfinition I.7 Soit X=(X n ) 1∶N un processus aléatoire, avec les X n à valeurs dansun espace discretX ={ω 1 ,..,ω k }. On dit que X est une chaîne de Markov si etseulement si il admet comme graphe d’indépendance conditionnelle non-orienté, legraphe où chaque site n admet son prédécesseur n−1 (si n>0) et son successeurn+1 (si n
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: 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 67: CHAPITRE III. ESTIMATION DES PARAM
Page 70 and 71: CHAPITRE IV. MODÈLE DE MARKOV TRIP
Page 72 and 73:
CHAPITRE IV. MODÈLE DE MARKOV TRIP
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

Create successful ePaper yourself

Delete template?

Save as template?