Mesures de pertinence par les critères du " maximum de vraisemblance " de " BIC " et " AIC" appliqués à l'évaluation des paramètres stochastiques de Modèles de Markov Cachés

Bernard Roblès (1) , Manuel Avila (1) , Florent Duculty (1) , Pascal Vrignat (1) , Stéphane Begot (1) , Frédéric Kratz (1)

1 PRISME - Laboratoire Pluridisciplinaire de Recherche en Ingénierie des Systèmes, Mécanique et Energétique

Les modèles de Markov cachés ou HMM sont largement utilisés dans les domaines de la reconnaissance des formes, de la parole ainsi que dans la modélisation de processus complexes. Nous proposons dans cette étude d'évaluer la pertinence des paramètres de modèles de Markov cachés de façon objective sans connaissance a priori. Dans un premier temps, nous faisons un état de l'art sur les critères de sélection de modèles les plus utilisés dans la littérature. Nous présentons ensuite deux critères permettant d'évaluer la pertinence d'événements stochastiques issus de modèles de Markov cachés. Nous étayons notre étude en nous appuyant sur l'exemple concret d'un processus industriel. Nous évaluons alors les paramètres de sortie des différents modèles testés sur ce processus, pour finalement s'orienter vers le modèle le plus pertinent.

Mots clés: BIC; modèles de Markov cachés; sélection de modèles; caractérisation; pertinence; maximum de vraisemblance; BIC.

Domaines: Automatique

Bernard Roblès, Manuel Avila, Florent Duculty, Pascal Vrignat, Stéphane Begot, et al.. Mesures de pertinence par les critères du " maximum de vraisemblance " de " BIC " et " AIC" appliqués à l'évaluation des paramètres stochastiques de Modèles de Markov Cachés. JNRIUT, Jun 2012, Tours, France. pp.1-12. ⟨hal-00706762⟩