Modèles de Markov triplets en restauration des signaux
Modèles de Markov triplets en restauration des signaux
Modèles de Markov triplets en restauration des signaux
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
CHAPITRE III. ESTIMATION DES PARAMÈTRESLe troisième terme <strong>de</strong> l’équation (III.31) donne :µ q+1i= ∑N n=1γ n (i,θ q )y n∑ N n=1γ n (i,θ q )(III.36)i= ∑N n=1γ n (i,θ q )(y n −µ q+1i)(y n −µ q+1∑ N n=1γ n (i,θ q )σ q+1i) T(III.37)Les paramètres d’une CMC-BI sont égalem<strong>en</strong>t estimables par l’algorithme ICE.En effet, soit X une chaîne cachée stationnaire (p(x n+1 ,x n ) ne dép<strong>en</strong>d pas <strong>de</strong> n)les estimateurs <strong>de</strong>s paramètres <strong>de</strong> la loi <strong>de</strong> X sont calculables à chaque itération <strong>de</strong>l’algorithme ICE. En utilisant l’algorithme <strong>de</strong> Baum-Welsh et sachant la valeur couranteθq <strong>de</strong>θ et les observationsy 1∶N nous pouvons calculer les quantitésϕ n (i,j,θ q ) etγ n (i,θ q ). Si nous choisissonŝπ i (x,y) comme estimateur pour π i à partir <strong>de</strong>s donnéescomplètes :̂π i (x,y)= ∑N n=11(x n =ω i ),Nalors l’estimation <strong>de</strong> π i à l’itération q+1 est donné par son espérance conditionnelleaux observations. Elle est ici calculable et nous avons :π q+1i= E θ q[̂π i (x,y)∣Y=y]= 1 NN∑n=1γ n (i,θ q )(III.38)Le calcul <strong>de</strong>s transitionsa i,j fait interv<strong>en</strong>ir les probabilitésc i,j =p(x n+1 =ω i ,x n =ω j ),a i,j =p(x n+1 ∣x n )= p(x n+1,x n )p(x n )= c i,jp(x n ) .L’ estimateur empirique <strong>de</strong>s probabilités c i,j sachant les observations complètes(x 1∶N ,y 1∶N ) est :ĉ i,j = ∑N−1 n=1 1(x n+1 =ω i ,x n+1 =ω j ). (III.39)N−1L’espérance conditionnelle aux observations <strong>de</strong> cet estimateur <strong>de</strong> c i,j est à nouveaucalculable; <strong>en</strong> effet, à l’itération q+1 elle est donnée par :c q+1i,j= E θ q[ĉ i,j (x,y)∣Y=y]=N−11N−1∑n=1ϕ n (i,j,θ q )(III.40)Finalem<strong>en</strong>t, nous obt<strong>en</strong>ons les coeffici<strong>en</strong>ts <strong>de</strong> la matrice <strong>de</strong> transition a q+1i,jpar :a q+1i,j= ∑N−1∑ N−1n=1 ϕ n (i,j,θ q )n=1 γ n (i,θ q ) . (III.41)Il est intéressant <strong>de</strong> noter que nous obt<strong>en</strong>ons, par une démarche différ<strong>en</strong>te, uneformule i<strong>de</strong>ntique à celle donnée par l’algorithme EM. Le <strong>de</strong>uxième sous <strong>en</strong>semble<strong>de</strong>s paramètres sont les paramètres <strong>de</strong> la loi <strong>de</strong>Y n sachant X n . Les estimateurs <strong>de</strong> cesparamètres à partir <strong>de</strong>s données complètes, rappelés ci-<strong>de</strong>ssous, sont les mêmes queceux utilisés dans le cas indép<strong>en</strong>dant dans la sous-section précé<strong>de</strong>nte. Comme dansle cas indép<strong>en</strong>dant, le calcul <strong>de</strong> l’espérance conditionnelle <strong>de</strong> ces estimateurs n’est50