Annexe2: Interface FOX

Résumé :

Les chaînes de Markov cachées (CMC) sont des outils statistiques d'apprentissage. Elles permettent de modéliser divers sytèmes physiques probabilistes, à partir d'un ensemble d'observations, et dont le nombre d'états du système peut ne pas être connu. L'estimation des paramètres est parfois difficile à obtenir. Nous présentons ici l'algorithme de Baum-Welch qui améliore le maximum de vraisemblance en ré-estimant les différents paramètres. Cette méthode efficace, nécessite néanmoins d'être opimisée pour augmenter la précision des différentes composantes du modèle.

Mots clés :

Processus stochastiques, Chaînes de Markov, Chaînes de Markov Cachées (CMC),
Maximum de vraisemblance.

Abstract :

Hidden Markov models (HMM) is basically a Markov chain whose internal state cannot be observed directly but only through some probabilistic function. That is, the internal state of the model only determines the probability distribution lambda of the observed variable. The Baum-Welch algorithm is a method of adjusting the lambda parameters to maximize the likelihood of the training set. That's efficient, but not optimum without some improvements such as the rescaling method, which provides a larger accuracy.

Key words :

Stochastic processes, Markov Models, Hidden Markov Models (HMM),
Maximum Likelihood.