ModÃ¨les de Markov triplets en restauration des signaux

More documents

Recommendations

Info

CHAPITRE I. MODÈLES DE MARKOV CLASSIQUES(a)(b)Figure I.13 – (a) Estimation par filtrage de Kalman (b) estimation par lissage RTSNous pouvons remarquer que l’estimation de la trajectoirêx 1∶N par le lissage RTS(I.13).b est plus proche du signal caché que son estimation par le filtrage de Kalman(I.13).a. Bien entendu, cela est dû au fait que le lissage prend en considération toutesles observations y 1∶N pour estimer x n tandis que le filtrage prend en considérationque les observations de 1 jusqu’a n i.e y 1∶n .Considérons une CMC-BI générale, qui peut se mettre sous la forme du systèmesuivant :(E ′ )∶{ X n+1 =f(X n ,ǫ n )(I.46)Y n =g(X n ,ξ n )avec les fonctions f et g connues. Dans ce cas « non linéaire » et « non gaussien », ilest possible de proposer une extension du filtre de Kalman, qui est le filtre de Kalman« étendu » (ou « linéarisé »), qui consiste à linéariser le système en remplaçantles equations par leurs développements de Taylor. Pour tout n dans[1,..,N], ondéveloppe les equations du système (I.46) à l’ordre 1 au point X 0 n, et nous obtenonsle système sous sa forme linéarisée (I.47), en suite on peut appliquer les mêmesalgorithmes déjà présentés sur le nouveau système qui est linéaire en x.(E”)∶{ X n+1 =f(Xn,ǫ 0 n )+(X n −Xn) 0 ∂f∂x (X0 n,ǫ n )Y n =g(Xn,ξ 0 n )+(X n −Xn) 0 ∂g∂x (X0 n,ξ n )(I.47)Le filtrage particulaire, très utilisé actuellement, est une autre alternative pour traiterle système non linéaire non gaussien ci-dessus.I.4 ConclusionDans ce chapitre, nous avons tout d’abord rappelé diverses définitions classiquesde la modélisation graphique. En particulier, nous avons brièvement discuté de relationsentre les graphes orientés et les graphes non orientés. Ce type de modélisationpermet de décrire d’une manière visuelle les relations d’indépendance conditionnelleentre les variables aléatoires X n d’un processus X observé sur un réseauS={1,..,N}. En second lieu, nous avons utilisé ces modèles pour définir les modèlesde chaînes de Markov cachées, dans les deux cas des données cachées discrètes etcontinues. Dans ces deux cas nous avons détaillé des algorithmes d’inférence bayésiennepermettant de calculer la loi a posteriori p(x n ∣y 1∶N ) et p(x n+1 ∣x n ,y 1∶N ). Pour22
CHAPITRE I. MODÈLES DE MARKOV CLASSIQUESle modèle de chaîne cachée à états finis nous avons détaillé l’algorithme de Baum-Welsh; pour celui de chaîne cachée à états continus nous avons détaillé le filtrede Kalman et le lissage RTS. Nous avons donné également quelques exemples desimulation pour ces différents modèles et traitements classiques.Dans le chapitre qui suit nous présentons un autre type de modèles de Markov,dits « modèles de Markov couples », qui est une généralisation du modèle de chaînecachée classique [91,92,101].23
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 33: 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 84 and 85:
CHAPITRE IV. MODÈLE DE MARKOV TRIP
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?