| contributor |
Laboratoire d'Informatique- EA2101, Ecole d'Ingénieurs en Informatique pour l'Industrie, Université de Tours, 64 Avenue Jean Portalis, 37200 Tours
|
| creator |
SLIMANE (M.)
|
| BROUARD (T.)
|
| VENTURINI (G.)
|
| ASSELIN DE BEAUVILLE (J.-P.)
|
| date |
2005-07-22T09:47:09Z
|
| 2005-07-22T09:47:09Z
|
| 1999
|
| |
| 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 .
|
| 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.
|
| format |
52628 bytes
|
| application/pdf
|
| identifier |
Traitement du Signal [Trait. Signal], 1999, Vol. 16, N° 6, p. 461-475
|
| 0765-0019 |
| language |
en_US
|
| publisher |
GRETSI, Saint Martin d'Hères, France
|
| rights |
http://irevues.inist.fr/IMG/pdf/Licence.pdf
|
| source |
Traitement du Signal [Trait. Signal], ISSN 0765-0019, 1999, Vol. 16, N° 6, p. 461-475
|
| subject |
Intelligence artificielle
|
| Chaîne Markov
|
| Algorithme génétique
|
| Reconnaissance image
|
| Traitement image
|
| Théorie probabilité
|
| Etude comparative
|
| Hybridation
|
| Modélisation
|
| Estimation paramètre
|
| Résultat expérimental
|
| Visage
|
| Nombre état
|
| title |
5 - Apprentissage non-supervisé d'images par hybridation génétique d'une chaîne de Markov cachée
|
| Unsupervised learning of pictures by genetic hibrydization of hidden Markov chain
|
| type |
Article
|