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 I. MODÈLES DE MARKOV CLASSIQUES(a) (b) (c)Figure I.8 – Exemple : simulation et segm<strong>en</strong>tation d’une chaîne CMC-BI (a) Xsimulé à 2 classes{ω 1 ,ω 2 }, p i =0.5 et p(ω i ∣ω i )=0.99 (b) Y simulé avecN ω1 (0.0,1.0)etN ω2 (2.0,1.0) (c) X estimé avec les vrais paramètres (taux d’erreur 0.61%)Lors <strong>de</strong> l’implém<strong>en</strong>tation <strong>de</strong> l’algorithme <strong>de</strong> Baum-Welsh, <strong>de</strong>s problèmes d’ordr<strong>en</strong>umérique peuv<strong>en</strong>t apparaître car les α n t<strong>en</strong><strong>de</strong>nt vers 0 lorsque n est suffisamm<strong>en</strong>tgrand etβ 1 t<strong>en</strong>d égalem<strong>en</strong>t vers0lorsque la tailleN <strong>de</strong> l’échantillon t<strong>en</strong>d vers l’infini.Pour surmonter ces problèmes, <strong>de</strong>s variations <strong>de</strong> cet algorithme ont été proposées,comme l’algorithme <strong>de</strong> Baum-Welsh conditionnel [35,37].I.3 CMC à espace d’états continuDans cette section, nous nous intéressons au cas <strong>de</strong>s modèles <strong>de</strong> chaînes <strong>de</strong> <strong>Markov</strong>cachées où les données lat<strong>en</strong>tes sont réelles. La définition <strong>de</strong> la markovianité est,bi<strong>en</strong> <strong>en</strong>t<strong>en</strong>du, i<strong>de</strong>ntique à celle <strong>de</strong>s chaînes discrètes :Définition I.9 Soit X=(X n ) 1∶N un processus aléatoire, dont les marginales X nsont à valeurs dans R. X est une chaîne <strong>de</strong> <strong>Markov</strong> si et seulem<strong>en</strong>t si il admetcomme graphe d’indép<strong>en</strong>dance conditionnelle non-ori<strong>en</strong>té le graphe représ<strong>en</strong>te parla figure (I.4).Comme nous l’avons déjà m<strong>en</strong>tionné dans l’exemple (I.1), le processus X qui estun AR(1) est une chaîne <strong>de</strong> <strong>Markov</strong> à espace d’état continu. L’écriture <strong>de</strong>s processusAR(1) se généralise à l’écriture suivante∀n∈{2,..,N}, X n+1 =f(X n ,ǫ n ),(I.26)où les ǫ n sont i<strong>de</strong>ntiquem<strong>en</strong>t distribués dans le cas d’une chaîne homogène. Une telleécriture admet souv<strong>en</strong>t <strong>de</strong>s interprétations physiques <strong>en</strong> termes <strong>de</strong> la dép<strong>en</strong>dance<strong>en</strong>tre les variables cachées et le « bruit », et est <strong>de</strong> ce fait souv<strong>en</strong>t utilisée. Cep<strong>en</strong>dant,nous continuerons à utiliser les mêmes notations p(.∣x n ) pour les transitions : latransition p(.∣x n ) est alors la <strong>de</strong>nsité <strong>de</strong> la variable aléatoire f(x n ,ǫ n ). Comme dansle cas discret, la <strong>de</strong>nsité p(x) est factorisée selon :N−1p(x)=p(x 1 )∏n=1p(x n+1 ∣x n ).(I.27)La définition suivante, rappelée pour mémoire, est i<strong>de</strong>ntique à celle définissant lesCMC-BI discrètes :16