5 - Apprentissage non-supervisé d'images par hybridation génétique d'une chaîne de Markov cachée

Show simple item record

dc.contributor.author SLIMANE (M.) en_US
dc.contributor.author BROUARD (T.) en_US
dc.contributor.author VENTURINI (G.) en_US
dc.contributor.author ASSELIN DE BEAUVILLE (J.-P.) en_US
dc.date.accessioned 2005-07-22T09:47:09Z
dc.date.available 2005-07-22T09:47:09Z
dc.date.issued 1999 en_US
dc.identifier.citation Traitement du Signal [Trait. Signal], 1999, Vol. 16, N° 6, p. 461-475 en_US
dc.identifier.issn 0765-0019 en_US
dc.identifier.uri http://hdl.handle.net/2042/2127
dc.description This paper presents a learning algorithm using hidden Markov models (HMMs) and genetic algorithms (GAs) . Two standard problems to be solved with HMMs are how to determine the probabilities and the number of hidden states of the learned models . Generally, this number of states is determined either by the trial-error method that needs experimentation, or by the background knowledge available . The presented algorithm uses a GA in order to determine at the same time both the number of states and the probabilities of learned HMMs . This hybrid algorithm uses the Baum-Welch algorithm to optimise precisely the probabilities of HMMs . Several algorithms, either hybrid or not, are compared in a face recognition task . The obtained results highlight the strength of our approach for the concerned problem .
dc.description.abstract Cet article présente un algorithme d'apprentissage non supervisé par chaînes de Markov cachées (CMC) et algorithmes génétiques (AG). Deux des problèmes rencontrés lors de l'utilisation des CMC sont de déterminer les probabilités de la CMC et le nombre d'états de cette chaîne. Bien souvent, ce nombre d'états est déterminé soit par expériences successives, soit à l'aide de connaissances a priori du domaine. L'algorithme présenté ici emploie un algorithme génétique afin de déterminer le nombre d'états cachés de la CMC ainsi que les différentes probabilités qui la constituent. Cet algorithme est couplé à l'algorithme de Baum-Welch qui permet une réestimation efficace des probabilités de la CMC. Différents algorithmes, hybrides ou non, sont comparés entre eux sur une application d'apprentissage et de reconnaissance d'images représentant des visages. Les résultats montrent la supériorité de l'approche génétique pour ce type de problème. en_US
dc.format.extent 52628 bytes
dc.format.mimetype application/pdf
dc.language.iso en_US
dc.publisher GRETSI, Saint Martin d'Hères, France en_US
dc.relation.ispartofseries Traitement du Signal
dc.rights http://irevues.inist.fr/utilisation en_US
dc.source Traitement du Signal [Trait. Signal], ISSN 0765-0019, 1999, Vol. 16, N° 6, p. 461-475 en_US
dc.subject.cnrs Intelligence artificielle en_US
dc.subject.cnrs Chaîne Markov en_US
dc.subject.cnrs Algorithme génétique en_US
dc.subject.cnrs Reconnaissance image en_US
dc.subject.cnrs Traitement image en_US
dc.subject.cnrs Théorie probabilité en_US
dc.subject.cnrs Etude comparative en_US
dc.subject.cnrs Hybridation en_US
dc.subject.cnrs Modélisation en_US
dc.subject.cnrs Estimation paramètre en_US
dc.subject.cnrs Résultat expérimental en_US
dc.subject.cnrs Visage en_US
dc.subject.cnrs Nombre état en_US
dc.title 5 - Apprentissage non-supervisé d'images par hybridation génétique d'une chaîne de Markov cachée en_US
dc.title.alternative Unsupervised learning of pictures by genetic hibrydization of hidden Markov chain en_US
dc.type Article en_US
dc.contributor.affiliation Laboratoire d'Informatique- EA2101, Ecole d'Ingénieurs en Informatique pour l'Industrie, Université de Tours, 64 Avenue Jean Portalis, 37200 Tours en_US


Files in this item

PDF 005.PDF TEXTE.pdf 1.724Mb

This item appears in the following Collection(s)

Show simple item record





Advanced Search