Filtre de Kalman pour le suivi Version alpha (powerpoint+tableau noir)
|
|
- Hervé Sergerie
- il y a 7 ans
- Total affichages :
Transcription
1 Filtre de Kalman pour le suivi Version alpha (powerpoint+tableau noir) Filtre de Kalman 1
2 Le suivi? Suivre = inférer le mouvement d'un objet à partir d'une séquence d'images. Applications : Capture du mouvement : Enregistrement des mouvements pour restitution ( avatars) ou analyse (Mouvement dancé (S. Boukir)) Reconnaissance à partir du mouvement : caractériser un objet à partir de son déplacement (lent ou rapide, rectiligne ou sinueux ) (aqu@thèque) Suivi d'objet pour l' identifier : recherche d' attributs discriminants (aqu@thèque) Surveillance : -détection d'intrusion -détection de mouvements inhabituels : prévention d'accidents dans les aéroports par identifications de motifs (séquences) répétitifs. Militaire : détection du mouvement et prédiction de la position Filtre de Kalman 2
3 Introduction Exemple 1 : Estimer la position (centre de gravité) d un objet sur une image Une 1ère méthode (détection de contour) Une 2ème méthode (seuillage) Comment tenir compte, au mieux, des 2 infos? -Les 2 sont aussi précises : -une seule fiable : la prendre seule -Entre les 2 : moyenne pondérée Comment pondérer? Filtre de Kalman 3
4 Pondération? précision poids imprécision variance précision 1/variance Choix des distributions (et des variances)? «expérience», «modèle» : Bayésien Filtre de Kalman 4
5 gain innovation Filtre de Kalman 5
6 Pondération Filtre de Kalman 6
7 Exemple 2 : Estimer la position (centre de gravité) d un objet sur une image Une seule méthode prédiction à partir d un modèle de déplacement Imprécision sur la vitesse Sans observations la variance augmente à chaque image!! Filtre de Kalman 7
8 Exemple 3 : Estimer la position (centre de gravité) d un objet sur une image Une 1ère méthode (détection de contour) Une 2ème méthode prédiction à partir d un modèle de déplacement Comment tenir compte, au mieux, des 2 infos? On prédit la position puis on corrige par l observation Filtre de Kalman 8
9 Suivre! Faire du suivi c est résoudre essentiellement 3 problèmes : Prédire : nous avons les observations aux instants (= images) 0 t-1 que peut-on prévoir à t? Associer les données (data association) : parmi toutes les observations à l instant t lesquelles nous renseignent effectivement sur l état de l' objet? (problème de distraction de l algorithme) Corriger : prise en compte simultanée de l' observation à l instant t et de la prédiction. Filtre de Kalman 9
10 Modèles espace-état Ces modèles font la distinction entre les variables : Observées ( le signal) = mesures Cachées (état interne) = états Constitués de : équations de mesure : -variables observées = variables cachées + bruit bruit d'observation (de mesure) -variables cachées = variables cachées + bruit bruit de processus (d' innovation) Hypothèses complémentaires : -les 2 équations sont linéaires -les bruits sont : -Blancs (le plus souvent gaussien) =Indépendants entre eux et avec les variables d états Filtre de Kalman 10
11 Rappels de probabilités Définition des probabilités conditionnelles : Bayes Filtre de Kalman 11
12 Bayes C'est une forme couramment utilisée en statistiques bayésiennes : Hypothèse mesure (evidence) Information contextuelle Filtre de Kalman 12
13 Bayes 2 Probabilité a posteriori Probabilité a posteriori = Constante de normalisation Car indépendante de l hypothèse Vraisemblance de l observation Filtre de Kalman 13
14 Distribution prédictive Filtre de Kalman 14
15 Quelques rappels sur les distributions normales ENTIEREMENT DETERMINEE PAR MOYENNE ET VARIANCE Quelques propriétés : Le produit de 2 distributions normales est normal Filtre de Kalman 15
16 Quelques rappels sur les distributions normales ENTIEREMENT DETERMINEE PAR MOYENNE ET VARIANCE MOYENNE = MODE = MEDIANE Filtre de Kalman 16
17 Quelques rappels sur les distributions normales Quelques propriétés : Le produit de 2 distributions normales est normal avec Filtre de Kalman 17
18 Position du problème Notations : état observations Pour chercher la meilleure approximation de l état x t, on peut : Prédire : utiliser les observations passées Lisser : utiliser les observations passées,présentes et futures filter : utiliser les observations passées et présentes Filtre de Kalman 18
19 Markov Hypothèse Markovienne : L état courant ne dépend que de l état précedent L observation courante ne dépend que de l état courant C est une hypothèse très (toujours?) faite en suivi. - Peu sembler restrictive mais pas tant que ça en fait : l état courant contient l information des étapes précédentes Filtre de Kalman 19
20 Prédiction/correction On cherche l état courant sachant les observations de l instant 0 à t Bayes 2 Par hypothèse ne dépend que de Connu par hypothèse Distribution prédictive? Par hypothèse ne dépend que de Filtre de Kalman 20
21 Prédiction/correction D où le schéma très simple («récursif») et très général : t t-1 On peut propager la probabilité conditionnelle a posteriori (si on la connaît à t=0) Mais le problème n est pas simple dans le cas général : forme et paramètres (s il existe une forme paramétrique ) à déterminer Dans le cas général : méthode d échantillonnage + Monte-Carlo i.e. Condensation (filtrage particulaire) en t.i. Filtre de Kalman 21
22 Un cas particulier Comme le cas général est difficile, on fait des hypothèses : On connaît la distribution (modèle) et ses paramètres a priori à t=0 On sait comment l état interne (caché) produit l observation : C est une fonction linéaire Distributions normales + fonction linéaire => normales Distributions normales normales récursivement (produit) Filtre de Kalman 22
23 Rudolf Emil KALMAN -Né en 1930 en Hongrie -Etudiant au MIT ( ) -Thèse en 1957 (Université de Columbia) -Article fondateur pour «le» filtre 1960 Kalman, R.E. A new approach to linear ltering and prediction problems. Transactions of the ASME - Journal of Basic Engineering, 82 (Series D):35-45, Modèle espace-état -Actuellement à la retraite Filtre de Kalman 23
24 Filtre de KALMAN (discret) Estime un état à l instant! États non observés directement, Observations à l instant, Les matrices Q et R sont fixées pour l instant Filtre de Kalman 24
25 Filtre de KALMAN (discret), donc, donc Il faut en estimer la moyenne et la covariance Filtre de Kalman 25
26 Filtre de KALMAN t =0 Prédiction de la moyenne Prédiction de la covariance t t+1 Calcul du gain M.a.j. de la moyenne M.a.j. de la covariance Filtre de Kalman 26
27 Filtre de Kalman Remarques : Les matrices A,B,Q,R et P sont définies semi-positives : la forme est préférable (car toujours def. Positive) à la forme : Filtre de Kalman 27
28 Filtre de Kalman Filtre optimal récursif de traitement de données : Du point de vue des probabilités (Bayes) utilise l ensemble des informations Distributions normales : moyenne=mode=médiane C est le «meilleur» estimateur ponctuel Le même résultat peut-être obtenu en cherchant l estimateur de max. de vraisemblance (BLUE=Best Linear Unbiased Estimator) Récursif : Utilise les données à t et les résultats à t-1 stockage minimal de données Filtre de Kalman 28
29 Exemple Estimation d une constante (50 tirages) : Peu sensible R optimal Filtre de Kalman 29
30 Exemple Estimation d une constante (50 tirages) : Q doit être choisi «petit» Le filtre colle aux données Filtre de Kalman 30
31 Exemple Estimation d une constante (50 tirages) : Convergence ralentie Filtre de Kalman 31
32 Exemple Estimation d une constante (50 tirages) : Colle au données Filtre de Kalman 32
33 Evolution du gain Décroît très rapidement Indépendant des observations Filtre de Kalman 33
34 Evolution de P Décroît très rapidement Filtre de Kalman 34
35 Evolution de P Décroît très rapidement Indépendant des observations K et P peuvent être calculés hors ligne Filtre de Kalman 35
36 Exemple 2d Un objet en mouvement sur un plan 2d à vitesse constante (plus bruit) On observe seulement la position : Filtre de Kalman 36
37 Exemple 2d Ellipses=P Filtre de Kalman 37
38 Filtre de KALMAN adaptatif Équations espace-état :,, sont fixés initialement donc sont indépendants du temps Les algorithmes qui estiment ces états à chaque instant sont dits «adaptatifs» Il n existe pas d algorithme «optimal» dans le cas général Filtre de Kalman 38
39 Filtre de KALMAN adaptatif Équations espace-état : toujours fixé initialement,, Adaptatif En utilisant l innovation : Somme de gaussiennes En prenant l espérance : e.s.b Filtre de Kalman 39
40 Filtre de KALMAN adaptatif En prenant la variance : Somme v.a. indep. V(AX)=A.V(X).A T donc estimation où peut-être estimé «classiquement» Filtre de Kalman 40
41 Filtre de KALMAN adaptatif où Remarques : - le filtre n est plus optimal - Q est parfois fixé à une valeur faible puis décroissante->0 Attention : on place alors toute la confiance dans la prédiction - si on utilise ces estimateurs il faut stocker la séquence complète on peut les mettre à jour itérativement : schéma itératif sur la moyenne et la variance - il existe de nombreuses variantes qui estime TOUS les paramètres : Q,R mais aussi A et B problèmes de stabilité? Filtre de Kalman 41
42 Zone de recherche Kalman utilise un modèle et des observations. Problème : En traitement d image comment trouver l objet? Le filtre de Kalman ne dit rien sur la façon d obtenir les mesures mais il peut nous guider..? t t+1 Classiquement fait en 2 étapes : -préselection (gating) des objets = zone de recherche -choix de l objet le plus probable = Probabilistic Data Association (PDA) Filtre de Kalman 42
43 Association de données On utilise les innovations Distance de Mahalanobis entre une prédiction et une observation On défini la zone de recherche par la distance à la prédiction Filtre de Kalman 43
44 Association de données Il faut fixer un seuil sur d 2 = somme de n carré de v.a. normales Chi2 à n d.d.l. Région critique : risque (ex: 5%,10%) d 0 2 On rejette une observation si d 2 est «trop grand». Filtre de Kalman 44
45 Association de données En résumé : la zone de recherche est définie par une distance (de Mahalanobis) maximale (cf. chi2) autour de la prédiction Réduction du temps de calcul Zone ellipsoïdale prédiction Distance max. Filtre de Kalman 45
46 Filtre de KALMAN étendu Filtre de Kalman optimal dans le cas linéaire Gaussien: - bruits gaussiens + fonctions, linéaires. - Dans le cas où les fonctions de mesures et d états ne sont plus linéaire il ne peut pas s appliquer (pas de formulation matricielle pour A,B) Utiliser une approximation de Taylor pour les fonctions autour de la moyenne (prédite ou corrigée) Filtre de Kalman 46
47 Linéarisation Séries de Taylor - en 1D : au premier ordre - en nd : Jacobien de f Filtre de Kalman 47
48 Linéarisation avec Jacobien Exemple : Filtre de Kalman 48
49 Filtre de KALMAN étendu Estime un état à l instant, Observations à l instant,! f et g sont des fonctions non linéaires dérivables Filtre de Kalman 49
50 Linéarisation avec h Esperance nulle D où l équation linéaire A Idem pour g Filtre de Kalman 50
51 Filtre de KALMAN étendu t =0 Prédiction de la moyenne Prédiction de la covariance t t+1 Calcul du gain M.a.j. de la moyenne M.a.j. de la covariance Filtre de Kalman 51
Quantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailAlgèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS
1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailIntelligence artificielle et les défis en robotique mobile et autonome
Intelligence artificielle et les défis en robotique mobile et autonome Éric Beaudry http://planiart.usherbrooke.ca/~eric/ Étudiant au doctorat en informatique Laboratoires Planiart et Laborius 13 février
Plus en détailComparatif entre Matrox RT.X2 et Adobe Premiere Pro CS3 (logiciel seul)
Comparatif entre et Adobe Premiere Pro CS3 (logiciel seul) offre la puissance de montage en temps réel et les outils de productivité supplémentaires dont vous avez besoin pour tirer pleinement parti d'adobe
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
Plus en détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en détailNouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailUtilisation du logiciel ImageJ gratuit
Utilisation du logiciel ImageJ gratuit on peut récupérer sur le lien suivant : http://rsbweb.nih.gov/ij/ à partir duquel ce résumé très bref (!!) a été élaboré Lancer ImageJ Vous avez une fenêtre qui s'ouvre
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailCours d algorithmique pour la classe de 2nde
Cours d algorithmique pour la classe de 2nde F.Gaudon 10 août 2009 Table des matières 1 Avant la programmation 2 1.1 Qu est ce qu un algorithme?................................. 2 1.2 Qu est ce qu un langage
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailL'intelligence en mouvement. Caméras AUTODOME 7000 avec fonction de suivi intelligent
L'intelligence en mouvement Caméras AUTODOME 7000 avec fonction de suivi intelligent 2 Bosch AUTODOME 7000 Les caméras IP et HD AUTODOME 7000 combinent une intelligence avancée, une flexibilité de diffusion
Plus en détailAnalyse de la bande passante
Analyse de la bande passante 1 Objectif... 1 2 Rappels techniques... 2 2.1 Définition de la bande passante... 2 2.2 Flux ascendants et descandants... 2 2.3 Architecture... 2 2.4 Bande passante et volumétrie...
Plus en détailCréative Cloud - Perfectionnement
Créative Cloud - Perfectionnement Objectif : Permettre aux participants de voir et de comprendre les bases et les nouveautés des différents logiciels. Durée : à définir par rapport aux besoins Dans la
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailSécurité par compression! ReSIST 2010. Gilles RICHARD IRIT www.irit.fr/bite www.bite.ac.uk
Sécurité par compression! ReSIST 2010 Gilles RICHARD IRIT www.irit.fr/bite www.bite.ac.uk Introduction Sécurité.. intrusion réseau, attaques (DoS,DDoS etc.) virus, etc... spams code injection (SQL,XSS,CSRF,...)
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailP.L.U. Plan Local d'urbanisme PRESCRIPTION D'ISOLEMENT ACOUSTIQUE AU VOISINAGE DES INFRASTRUCTURES TERRESTRES DOCUMENT OPPOSABLE
Commune du Département de l'oise P.L.U Plan Local d'urbanisme PRESCRIPTION D'ISOLEMENT ACOUSTIQUE AU VOISINAGE DES INFRASTRUCTURES TERRESTRES DOCUMENT OPPOSABLE Document Établi le 20 septembre 2013 Le
Plus en détailCommande Prédictive. J. P. Corriou. LSGC-ENSIC-CNRS, Nancy. e-mail : corriou@ensic.inpl-nancy.fr
Commande Prédictive J P Corriou LSGC-ENSIC-CNRS, Nancy e-mail : corriou@ensicinpl-nancyfr Ý Consigne Trajectoire de référence Ý Ö Réponse Ý Horizon de prédiction À Ô ¹ Ù ¹ Temps Entrée Ù Horizon de commande
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailIntroduction aux systèmes temps réel. Iulian Ober IRIT ober@iut-blagnac.fr
Introduction aux systèmes temps réel Iulian Ober IRIT ober@iut-blagnac.fr Définition Systèmes dont la correction ne dépend pas seulement des valeurs des résultats produits mais également des délais dans
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailÉtude sur les taux de revalorisation des contrats individuels d assurance vie au titre de 2013 n 26 mai 2014
n 26 mai 2014 Étude sur les taux de revalorisation des contrats individuels d assurance vie au titre de 2013 Sommaire 1.INTRODUCTION 4 2.LE MARCHÉ DE L ASSURANCE VIE INDIVIDUELLE 6 2.1.La bancassurance
Plus en détailPRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.. Donner les erreurs en position, en vitesse et en accélération d un système de transfert F BO = N(p) D(p) (transfert en boucle ouverte) bouclé par retour
Plus en détailPrésentation BAI -CITC
Présentation BAI -CITC Expertise reconnue dans des niches technologiques Technologies embarquées Technologies sans contact Technologies d identification et d authentification Sécurité des objets connectés
Plus en détailESIEA PARIS 2011-2012
ESIEA PARIS 2011-2012 Examen MAT 5201 DATA MINING Mardi 08 Novembre 2011 Première Partie : 15 minutes (7 points) Enseignant responsable : Frédéric Bertrand Remarque importante : les questions de ce questionnaire
Plus en détailCyber-base du Pays Martégal. Atelier «Découverte de l ordinateur»
Atelier «Découverte de l ordinateur» A. Un micro-ordinateur classique est composé des éléments suivants : - de l'unité centrale (UC) qui contient les composants essentiels d un ordinateur : le microprocesseur
Plus en détailAspects théoriques et algorithmiques du calcul réparti L agglomération
Aspects théoriques et algorithmiques du calcul réparti L agglomération Patrick CIARLET Enseignant-Chercheur UMA patrick.ciarlet@ensta-paristech.fr Françoise LAMOUR franc.lamour@gmail.com Aspects théoriques
Plus en détailWeb Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.
Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs
Plus en détail3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes
PLAN CYCLE DE VIE D'UN LOGICIEL EXPRESSION DES BESOINS SPÉCIFICATIONS DU LOGICIEL CONCEPTION DU LOGICIEL LA PROGRAMMATION TESTS ET MISE AU POINT DOCUMENTATION CONCLUSION C.Crochepeyre Génie Logiciel Diapason
Plus en détail= constante et cette constante est a.
Le problème Lorsqu on sait que f(x 1 ) = y 1 et que f(x 2 ) = y 2, comment trouver l expression de f(x 1 )? On sait qu une fonction affine a une expression de la forme f(x) = ax + b, le problème est donc
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailL'astrophotographie au Cercle
L'astrophotographie au Cercle Introduction générale à l'astrophotographie Le matériel Les différents domaines: imagerie sur trépied, du ciel profond... Réaliser des images sur trépied Réaliser des images
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailArtemiS 12 HEAD Data Portal 2.0 HEAD Recorder 2.0.400
Nouvelles fonctionnalités et applications ArtemiS 12 HEAD Data Portal 2.0 HEAD Recorder 2.0.400 Présentation des résultats Avec ArtemiS 12 vous disposez maintenant de nouvelles possibilités de représentation
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détail1/5. piazza invest 1
1/5 piazza invest 1 TYPE D'ASSURANCE VIE Piazza invest est un produit d assurance-vie de la branche 23, émis par AXA Belgium et lié à différents fonds d'investissement internes d AXA Belgium (voir annexes).
Plus en détailWWW.ELCON.SE Multichronomètre SA10 Présentation générale
WWW.ELCON.SE Multichronomètre SA10 Présentation générale Le SA10 est un appareil portable destiné au test des disjoncteurs moyenne tension et haute tension. Quoiqu il soit conçu pour fonctionner couplé
Plus en détailLe Contrat à Durée Déterminée d Insertion (CDDI)
Le Contrat à Durée Déterminée d Insertion (CDDI) 1 Définition du CDDI un contrat de travail à durée déterminée dont le motif de recours est spécifique : favoriser le recrutement de certaines catégories
Plus en détailSauvegarde collaborative entre pairs Ludovic Courtès LAAS-CNRS
Sauvegarde collaborative entre pairs 1 Sauvegarde collaborative entre pairs Ludovic Courtès LAAS-CNRS Sauvegarde collaborative entre pairs 2 Introduction Pourquoi pair à pair? Utilisation de ressources
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailContrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre.
Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre. Isabelle Bombard, Bruno da Silva, Pascal Dufour *, Pierre Laurent, Joseph Lieto. Laboratoire d Automatique
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailAnalyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains
Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains Andrés Felipe SERNA MORALES Directrice de thèse: Beatriz MARCOTEGUI ITURMENDI serna@cmm.ensmp.fr MINES ParisTech, Mathématiques
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailRecherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel
Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailInstitut Informatique de gestion. Communication en situation de crise
Institut Informatique de gestion Communication en situation de crise 1 Contexte Je ne suis pas un professionnel de la communication Méthode empirique, basée sur l(es) expérience(s) Je suis actif dans un
Plus en détailTraitement d un AVI avec Iris
Traitement d un AVI avec Iris 1. Définir le répertoire de travail Fichier > Réglages (Ctrl + R) Et on définit le chemin du répertoire de travail. C est là que les images vont être stockées. 2. Convertir
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailFICHE UE Licence/Master Sciences, Technologies, Santé Mention Informatique
NOM DE L'UE : Algorithmique et programmation C++ LICENCE INFORMATIQUE Non Alt Alt S1 S2 S3 S4 S5 S6 Parcours : IL (Ingénierie Logicielle) SRI (Systèmes et Réseaux Informatiques) MASTER INFORMATIQUE Non
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailLes algorithmes de fouille de données
Février 2005 Les algorithmes de fouille de données DATAMINING Techniques appliquées à la vente, aux services client, interdictions. Cycle C Informatique Remerciements Je remercie les personnes, les universités
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailPROGRAMME DES FORMATIONS 2015
PROGRAMME DES FORMATIONS 2015 Le programme des formations 2015 comprend : La formation «LAKE-PLM», très complète et très appréciée, enrichie par l arrivée des nouveaux amplis Lab.Gruppen Serie D et PLM+.
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailMachines virtuelles Cours 1 : Introduction
Machines virtuelles Cours 1 : Introduction Pierre Letouzey 1 pierre.letouzey@inria.fr PPS - Université Denis Diderot Paris 7 janvier 2012 1. Merci à Y. Régis-Gianas pour les transparents Qu est-ce qu une
Plus en détailTypes d ordres particuliers
Le Canada compte de nombreux marchés financiers et CitiGroup Global Markets Canada Inc. (CGMCI) souhaite informer ses clients de la façon dont elle gère leurs ordres. Sachez que sauf instructions contraires
Plus en détailRobotique Mobile. David Filliat
Robotique Mobile David Filliat Avril 2012 David FILLIAT École Nationale Supérieure de Techniques Avancées ParisTech Robotique Mobile 2 Cette création est mise à disposition selon le Contrat Paternité-Pas
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détail