La notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre








télécharger 65.09 Kb.
titreLa notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre
date de publication19.05.2017
taille65.09 Kb.
typeDocumentos
p.21-bal.com > droit > Documentos
1. INTRODUCTION
La notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre différents problèmes on utilise une méthode de résolution. Dans ce rapport on va donner une une approche théorique sur la méthode classique,HMM (le modèle de markov caché).
2. LA CHAINE DE MARKOV :

Une chaîne de Markov est de manière générale un processus de Markov à temps discret et à espace d'états discret. En mathématiques, un processus de Markov est un processus stochastique (Le calcul classique des probabilités) possédant la propriété de Markov de manière simplifiée, la prédiction du futur, sachant le présent, n'est pas rendue plus précise par des éléments d'information supplémentaires concernant le passé ; toute l'information utile pour la prédiction du futur est contenue dans l'état présent du processus. Les processus de Markov portent le nom de leur découvreur, Andreï Markov.
2.1 HISTORIQUE :

Les chaînes de Markov sont inventées par Andreï Markov:( 2 juin 1856 - 20 juillet 1922 était un mathématicien russe), Ses travaux sur la théorie des probabilités l'ont amené à mettre au point les chaînes de Markov qui l'ont rendu célèbre. Il a publié les premiers résultats sur les chaînes de Markov à espace d'états fini en 1906.

La théorie des modèles de Markov cachés a été développée dans les années 1960 et début 1970 par Baum, Eagon, Petrie, Soules et Weiss (Baum et Petrie, 1966; Baum et Eagon 1967; Baum et al. 1970; Baum 1972), tandis que le nom de «modèle de Markov caché» a été inventé par LP Neuwirth.
2.2 LES MODELES DE MARKOV A TEMPS DISCRETE :
2.2.1 Notions de base :

Un processus de Markov est un système à temps discret se trouvant à chaque instant dans un état pris parmi N états distincts. Les transitions entre les états se produisent entre deux instants discrets consécutifs, selon une certaine loi de probabilité. Dans le cas de chaîne de Markov du premier ordre, les probabilités de transition d’un état vers un autre ne dépendent que de l’état présent :


qt représentant l’état du système à l’instant t. Lorsque, en outre, ces probabilités sont indépendantes du temps, les paramètres du modèle se réduisent aux coefficients de transition suivants :

Lesquels obéissent aux contraintes habituelles des probabilités :



N.B : Modèle graphique = mariage entre la théorie des graphes et la théorie des probabilités (graphe d’états et probabilités de transition). Diagramme d’états d’un processus de Markov discret :




Ce processus stochastique peut être appelé modèle de Markov observable, puisque chaque état correspond à un état physique observable du système à chaque instant t. Un tel système peut se concevoir comme une situation météorologique, changeant en des instants discrets, et présentant différentes probabilités de transition d’un état du ciel à l’autre.
Exemple de Modèle de Markov discret :



Chaque séquence d’observations (constituée des temps successifs qu’il fait, comme par exemple : (Ensoleillé, Nuageux, Pluvieux, Ensoleillé, E, N, P,E, …) correspond à une suite d’états du modèle . La probabilité d’observer cette séquence ENNPEENPP... se calcule selon :


Chaîne de Markov du premier ordre :

– l’état courant ne dépend que de l’état précédent :

P(st = S | sjt-1= S , si = St-2k ,…) = P(st = Sj | st-13 = Si ) = aij

Probabilité de transition entre l’état Si et l’état Sj
Les Modèles de Markov Cachés :

Soit l’expérience suivante : une personne dispose de trois urnes, numérotées de 1 à 3. Chacune de ces urnes contient des billes de quatre couleurs différentes, en proportions diverses. A chaque instant, la personne prend une bille et en annonce la couleur, mais ne dévoile pas le numéro de l’urne dont provient la bille. La séquence d’observations est de la forme: rouge, bleu, jaune, jaune, vert, …

Exemple de Modèle de Markov Caché à temps discret.
2.4.1 PARAMETRES D’UN MODELE DE MARKOV CACHE :

Les paramètres qui déterminent complètement un modèle de Markov caché sont les suivants :

1. le nombre N d’états ;

2. le nombre M d’observations possibles, V={v}, k=1,2,…M étant l’alphabet des symboles observables ;

3. la matrice A={aij} des probabilités de transition :


Ces paramètres contrôlant le processus stochastique caché ;

4. la matrice B={bj(k)}, des probabilités associées à chacune des observations possibles vk , dans chacun des états j ;



Ces paramètres contrôlant la séquence d’observations ;

5. la probabilité initiale de chacun des N états, définies par : L’ensemble des paramètres du modèle λ s’écrit alors :



L’ensemble des paramètres du modèle s’écrit alors :

2.4.2 LES TROIS PROBLEMES DE BASE :
La modélisation de processus réels par des modèles de Markov cachés nécessite la résolution des trois problèmes de base suivants :

1. Etant donné un modèle λ(A,B,p) comment calculer la probabilité p(O|λ) d’une séquence particulière d’observations O ={o1,o2,…,oT} ?
2. Etant donné un modèle λ(A,B,p) comment déterminer la séquence optimale d’états Q={q1,q2,…,qT} qui a donné naissance à la séquence d’observations

O ={o1,o2,…,oT} ?
3. Etant donnée une séquence d’observations O ={o1,o2,…,o} comment ajuster les paramètres du modèle λ(A,B,p) afin de maximiser la valeur de p(O|λ) ? Le premier problème est celui de l’évaluation, qui consiste à déterminer, pour un modèle et une séquence d’observations donnés, quelle est la probabilité que la séquence observée ait été produite par le modèle. Cette évaluation permet de mesurer la qualité avec laquelle un modèle donné représente une séquence d’observations. Elle se montre donc particulièrement utile pour choisir, parmi plusieurs modèles, celui qui correspond le mieux à cette séquence, c’est-à-dire pour effectuer de la classification. Le deuxième problème est une tentative de lever le voile recouvrant la partie cachée du modèle. Il consiste en effet en la détermination de la séquence optimale d’états qui a donné lieu à la séquence observée. Il peut avoir ou non une signification : si chaque état représente un élément physique, par exemple une lettre de l’alphabet, l’estimation de la séquence des états permettra d’identifier les lettres entrant dans la composition d’un mot. Mais une telle interprétation physique des états du modèle n’est pas toujours aussi aisée dans certaines applications. Le troisième problème est celui de l’entraînement, consistant à adapter les paramètres du modèle de façon à maximiser la probabilité de la séquence d’observations (rebaptisée alors séquence d’entraînement) pour ce modèle.
3.4.3 RESOLUTION DES TROIS PROBLEMES DE BASE :
1) L’Evaluation :

T

La première solution qui vient à l’esprit consiste à calculer, pour l’ensemble des chemins (séquences d’états) possibles, la probabilité de la séquence observée étant donnés le modèle et la séquence d’états soit :





L’algorithme Forward/Backward :
La procédure dite “ Forward - Backward ” permet toutefois de réduire de manière considérable la quantité de calcul nécessaire. L’algorithme “ Forward ” introduit une nouvelle variable, appelée variable directe, et définie comme suit :



C’est la probabilité d’une séquence d’observations partielle Ot 1

, aboutissant à l’état i au temps t, étant donné le modèle λ. Ces paramètres peuvent se calculer de manière inductive, en trois étapes :



Cette formule, démontrée ci-après, permet le calcul des variables directes d’indice t+1 à partir de celles d’indice immédiatement inférieur. Elle explicite simplement le fait que l’état S

peut être atteint à l’instant t+1 à partir de chacun des N états possibles, compte tenu de leurs probabilités respectives de transition vers cet état.



La probabilité cherchée est obtenue en sommant, sur l’ensemble des N états finaux, les probabilités de la séquence complète d’observations aboutissant à l’état Sj : toutes les séquences d’états possibles ont ainsi été prises en compte :



2) Détermination de la Suite Optimale d’Etats :
Le problème consiste à essayer de déterminer la séquence optimale d’états Q qui a donné lieu à la séquence observée O étant donné le modèle λ = (A,B,p) . La difficulté réside en la définition de la séquence “ optimale ” d’états, c’est-à-dire que plusieurs critères d’optimalité sont possibles. Par exemple, une méthode consiste à rechercher les états qui sont individuellement les plus probables, pour la séquence d’observations envisagée. Le problème revient alors à maximiser, à chaque instant, la probabilité de l’état S


L’état le plus probable à chaque instant peut dès lors être obtenu par : Le critère le plus largement utilisé en pratique consiste à maximiser, sur toutes les séquences d’états possibles, la probabilité conjointe des séquences d’états et d’observations p(Q,O| λ) La procédure utilisée pour le calcul de cet optimum, basée sur des méthodes de programmation dynamique, est connue sous le nom d’algorithme de Viterbi.
Algorithme de Viterbi :
Soit la variable suivante :


Cette variable représente la probabilité la plus élevée, jusqu’à l’instant t-1, en suivant une séquence d’états particulière. Le calcul est de nouveau effectué de manière récursive :


En général :


Il s’agit ici de déterminer, parmi les N chemins optimaux aboutissant aux N états à l’instant t-1, lequel conduit de façon optimale à l’état S

à l’instant t, compte tenu des probabilités de transition vers cet état Sj



Donc



3) L’Entraînement :

Le problème de l’entraînement consiste à adapter les paramètres (A, B, p) du modèle λ de façon à maximiser la probabilité p(O|λ) d’une séquence donnée d’observations, c’est-à-dire à déterminer les paramètres (A, B, p) qui expliquent au mieux cette séquence O. Ce problème ne possède aucune solution analytique, mais il existe une procédure itérative qui conduit à un minimum local de p(O|λ). Cette procédure est fournie par l’algorithme de Baum-Welch.


3. DOMAINES D’APPLICATION :
On général les HMM sont utilisés dans les domaines suivants :

 Intelligence Artificielle : ex Reconnaissance de Formes (Reconnaissance de caractères, de la Parole).

 Classification (apprentissage).


4. EXEMPLE DETAILLE :

Dans cet exercice on suppose qu’on a modélisé via HMM les 2 phrases suivantes :

  • Reconnaissance des formes

  • Reconnaissance digitale

Pour cela chaque mot (reconnaissance, des, formes, digitale) a été modélisé par un HMM, la quantification vectorielle a données les deux symboles suivants :



Reconnaissance :( HMM à 3 états les symboles observables «  » et  « »



Des :( HMM à 2 états les symboles « » et « »



Formes :( HMM à 2 états les symboles observables « » et « »




Digitale:( HMM à 2 états les symboles observables « » et « »



Après phase de prétraitement et segmentation d’un signal sonore, la phrase de codage a donnée les 2 mots suivants.



Question1 : Utilisez les modèles HMM afin de déduire la phrase reconnue.

On commence par quantifier les mots en symboles en utilisant les centroides obtenus lors de la phase de codage et la distance de hamming :

Mot1

DISTANCE=DISTANCE ==2

DISTANCE=DISTANCE ==12

Le minimum est la DISTANCE=2 donc le premier symbole est « x »

DISTANCE=DISTANCE ==15

DISTANCE=DISTANCE ==5

Le minimum est la DISTANCE=2 donc le premier symbole est « y »

DISTANCE=DISTANCE ==3

DISTANCE=DISTANCE ==8

Le minimum est la DISTANCE=2 donc le premier symbole est « x »

Et donc la suite des symboles quantifiés pour le mot1 est « x y x »

Mot2

En appliquant le même calcule on obtient la suite des symboles quantifiés pour le MOT2 est « y y »

On passe maintenant à la phase de reconnaissance, on utilise l’algorithme « forward » afin de déterminer quel est le modèle qui donne le plus de probabilité au mot à reconnaitre et donc déduire le mot reconnu

MOT1 : « «x y x »

MOT2 : «  y y  »

MOT1 « x y x»,λ1 :reconnaissance » :

α1 = ��.B()=.=

α2 = =*=*=

α3 = =*=*=

Et donc Pλ1 (xyx)=0+0+0.25=0.25

MOT1 « x y x», « λ2 :Des »

α1= α2= α3=

Et donc Pλ2 (xyx)=0+0=0

MOT1 « x y x», « λ3 :Formes »

α1= α2= α3=

Et donc Pλ3 (xyx)=0+0=0

MOT1 « x y x», « λ4 :Digitale »

α1= α2= α3=

Et donc Pλ4 (xyx)=0.0118+0.1302=0.142

Donc le mot reconnu pour «Mot1 » est le max des Pλn (0.25 , 0 , 0, 0.142) et qui est 0.25 donc le mot reconnu est « Reconnaissance » avec une probabilité de 0.25.

On fait la méme chose avec le Mot2 « y y »

Et donc Pλ1 (yy)=0+0=0

Et donc Pλ2 (yy)=0+0=0

Et donc Pλ3 (yy)=0+1=1

Et donc Pλ4 (yy)=0.104+0.126=0.23

Donc le mot reconnu pour «Mot2 » est le max des Pλn (0 , 0 , 1, 0.23) et qui est 1 donc le mot reconnu est « Formes » avec une probabilité de 1

On déduit que la phrase reconnue est « reconnaissance formes » en utilisant les modèle HMM présentés qui correspond à une phrase syntaxiquement fausse

 Afin d’affiner la reconnaissance on peut utiliser un ou plusieurs HMM qui modélisent les phrase à reconnaitre ou le langage utilisé, comme on peut envisager l’utilisation d’autre modèles.

Cependant il est plus courant d’utiliser l’algorithme de viterbi qui donne la probabilité du meilleur chemin au lieu de l’algorithme forward (qui donne la somme des probabilités de tous les chemins possibles).

MOT1 « x y x»,λ1 :reconnaissance » :

α1 = ��.B()=.= Ψ0=

α2 = =*

=*= Ψ1=(les indices des valeurs maximales)

α3 = =*

=*= Ψ2=

Et donc Pλ1 (xyx)=0.25 et Ψ3=3(indice du max)

La suite d’état la plus probable qui a généré cette séquence est q3=Ψ3=3

q2=Ψ2(q3)=2 q1=Ψ2(q2)=1

donc la suite d’états est q1 q2 q3= 1- 2- 3

donc la phrase est  « reconnaissance des formes »
5. CONCLUSION :

Les applications de HMM prouvent que cet outil reste est Efficace, Performant et Un outil Puissant pour la modélisation.


Bibliographie


[Chr 2009]-Apprentissage et reconnaissance, Professeur : Christian Gagné, Univ-LAVAL, 2009.
[Mar 2008]-Hidden Markov Models, Martin Sewell, Department of Computer Science University College London, August 2008.
[Phi 2001]-Modèles Graphiques HMM & RB Temporels, Philippe.Leray, 2001.

[Gos2000]- Classification et Reconnaissance Statistique de Formes, Notes de Cours, Faculté Polytechnique de Mons - B. Gosselin, 2000.

[Rab1986]- (Rabiner, 1986) L. R. Rabiner, “An introduction to Hidden Markov Models“, IEEE ASSP Magazine, pp :4-16, Jan. 1986.
[Rab1989]- (Rabiner, 1989) L. R. Rabiner, “A Tutorial on Hidden Markov Models and selected applications in speech recognition“, Proceedings of IEEE, Vol. 77, N°2, pp:257-286, Feb. 1989.
 







similaire:

La notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre iconMais que la répartition de cette somme n’était pas conforme à la...

La notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre iconActivité 1 : tentative d’optimisation du vol d’une fusee a eau ( etape 1 )
«réaction *», dans la direction opposée, c’est à dire vers le C’est le même principe qu’utilise toutes les fusées ( Ariane, Soyouz,...

La notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre iconL'optimisation combinatoire occupe une place très importante en recherche

La notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre iconRésumé Le projet est la continuation du projet présenté en 2010 qui...

La notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre iconQU'Est-ce que le droit communautaire ?
«la chaise vide». Sur une proposition de réforme de la pac, la France va bloquer le fonctionnement des institutions politiques pendant...

La notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre iconAdresse Personnelle
«Approches et démarches pour l’Optimisation en Mécanique non Linéaire». Préparé au sein du Laboratoire d’Instrumentation et des Systèmes...

La notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre iconRésumé Cette communication s’intéresse aux implications concrètes...
«chaînes globales de valeurs (…) nous relient les uns aux autres» déclarait Pascal Lamy, le Directeur général de l’Organisation Mondiale...

La notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre iconEmmanuel Kant
«ce qui constitue que la condition qui seule peut faire que quelque chose est une fin en soi, cela n’a pas seulement une valeur relative,...

La notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre iconL’agressivité Notion biologique
«départ» est la peur. Donc pour résoudre l’agressivité, IL faut écouter la colère pour la faire baisser et rassurer pour diminuer...

La notion de l’optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d’une fonction objectif. Cette optimisation permet de résoudre iconSynthèse additive
«la télévision à la loupe» qui permet d’afficher une mire. IL est possible d'utiliser une loupe ou la fonction «loupe» du logiciel....








Tous droits réservés. Copyright © 2016
contacts
p.21-bal.com