filtrage particulaire: quelques exemples
|
|
- Géraldine Martine Cloutier
- il y a 6 ans
- Total affichages :
Transcription
1 filtrage particulaire: quelques exemples 23 janvier 06
2 introduction filtrage particulaire exemples plan 1 introduction 2 filtrage particulaire modélisation filtre approximation implémentation 3 exemples exemple 1 : poursuite avec occultation exemple 2 : MNT exemple 3 : poursuite dans une séquence d images
3 introduction filtrage particulaire exemples plan 1 introduction 2 filtrage particulaire modélisation filtre approximation implémentation 3 exemples exemple 1 : poursuite avec occultation exemple 2 : MNT exemple 3 : poursuite dans une séquence d images
4 introduction filtrage particulaire exemples en pratique... des observations et c est tout! y 1, y 2, y 3... à des instants t 1 < t 2 < t 3 une idée sur le problème (et sur ce que l on recherche) suivre les évolutions d un état caché x k = X(t k ) une idée de modélisation un processus d état x k une idée de l état initial x 0 (loi initiale) une dynamique sur l état x k (loi de transition) une relation état/observation (loi de proposition)
5 introduction filtrage particulaire exemples exemple : canal sans mémoire x 0 x k 1 x k x k+1 y k 1 y k y k+1
6 introduction filtrage particulaire exemples modèle probabiliste du bruit (intrinsèque au modèle ou servant à masquer les faiblesses du modèle) couple de processus (x k ) k 0 et (y k ) k 1 estimer x k à partir de y 1:k P(x k 1 dx y 1:k 1 ) contrainte temps réel (récursif vs batch) : P(x k dx y 1:k ) y k P(x k dx y 1:k ) mise à jour modèle markovien
7 introduction filtrage particulaire exemples poursuite avec occultation 1 x obstacles position du mobile stations trajectoire du mobile x 10 4
8 introduction filtrage particulaire exemples modèle numérique de terrain altitude au sol altitude altitude du terrain niveau de la mer
9 introduction filtrage particulaire exemples suivi d un mobile dans Manhattan
10 introduction filtrage particulaire exemples modélisation filtre approximation implémentation plan 1 introduction 2 filtrage particulaire modélisation filtre approximation implémentation 3 exemples exemple 1 : poursuite avec occultation exemple 2 : MNT exemple 3 : poursuite dans une séquence d images
11 introduction filtrage particulaire exemples modélisation filtre approximation implémentation plan 1 introduction 2 filtrage particulaire modélisation filtre approximation implémentation 3 exemples exemple 1 : poursuite avec occultation exemple 2 : MNT exemple 3 : poursuite dans une séquence d images
12 introduction filtrage particulaire exemples modélisation filtre approximation implémentation (x k, y k ) un modèle de Markov caché avec hypothèse de canal sans mémoire trois objets de base loi initiale µ(dx) = P(x 0 dx) loi de transition (noyau) M k (x, dx ) = P(x k dx x k 1 = x) loi d émission Γ k (x, dy) = P(y k dy x k = x) x 0 x k 1 x k x k+1 y k 1 y k y k+1
13 introduction filtrage particulaire exemples modélisation filtre approximation implémentation fonction de vraisemblance modèle dominé Γ k (x, dy) = P(y k dy x k = x) = g k (x, y) dy quantifie l adéquation (rekative) x y k G k (x) = g k (x, y k ) exemple : bruit additif gaussien y k = h(x k ) + v k v k iid N(0, σ 2 ) alors G k (x) exp [ 1 2 σ 2 y k h(x) 2]
14 introduction filtrage particulaire exemples modélisation filtre approximation implémentation plan 1 introduction 2 filtrage particulaire modélisation filtre approximation implémentation 3 exemples exemple 1 : poursuite avec occultation exemple 2 : MNT exemple 3 : poursuite dans une séquence d images
15 introduction filtrage particulaire exemples modélisation filtre approximation implémentation loi jointe P(x 0:k dx 0:k, y 0:k dy 1:k ) = P(y 0:k dy 1:k x 0:k = x 0:k ) P(x 0:k dx 0:k ) k = P(y 0:k dy 1:k x 0:k = x 0:k ) µ(dx 0 ) M l (x l 1, dx l ) (x Markov) = = k k P(y l dy l x 0:l = x 0:l ) µ(dx 0 ) M l (x l 1, dx l ) (canal s/m) l=1 l=1 l=1 l=1 k k P(y l dy l x l = x l ) µ(dx 0 ) M l (x l 1, dx l ) = µ(dx 0 ) l=1 k [ gl (x l, y l ) M l (x l 1, dx l ) ] dy 1:k ( ) l=1 (canal s/m)
16 introduction filtrage particulaire exemples modélisation filtre approximation implémentation loi de l observation P(y 0:k dy 1:k ) = P(x 0:k dx 0:k, y 0:k dy 1:k ) dx 0 dx k = E [ k g l (x l, y l ) ] dy 1:k l=1 fonction de vraisemblance L k (y 1:k ) déf = E [ k g l (x l, y l ) ] l=1
17 introduction filtrage particulaire exemples modélisation filtre approximation implémentation loi de l état sachant l observation P(x 0:k dx 0:k, y 0:k dy 1:k ) = avec ( ) on obtient = P(x 0:k dx 0:k y 1:k = y 1:k ) P(y 1:k dy 1:k ) P(x 0:k dx 0:k y 1:k = y 1:k ) = µ(dx 0) k [ l=1 gl (x l, y l ) M l (x l 1, dx l ) ] E [ k l=1 g l(x l, y l ) ] le filtre E[ϕ(x k ) y 1:k = y 1:k ] = E[ ϕ(x k ) k l=1 g l(x l, y l ) ] E [ k l=1 g l(x l, y l ) ]
18 introduction filtrage particulaire exemples modélisation filtre approximation implémentation filtre bayésien filtre ˆη k (ϕ) déf = E[ϕ(x k ) y 1:k ] = E[ ϕ(x k ) k l=1 G l(x l ) ] E [ k l=1 G l(x l ) ] déf = ˆγ k(ϕ) ˆγ k (1) prédicteur η k (ϕ) déf = E[ϕ(x k ) y 1:k 1 ] = E[ ϕ(x k ) k 1 l=1 G l(x l ) ] E [ k 1 l=1 G l(x l ) ] déf = γ k(ϕ) γ k (1)
19 introduction filtrage particulaire exemples modélisation filtre approximation implémentation changement de notation (désolé) filtre η k (ϕ) déf = E[ϕ(x k ) y 1:k ] = E[ ϕ(x k ) k l=1 G l(x l ) ] E [ k l=1 G l(x l ) ] déf = γ k(ϕ) γ k (1) prédicteur η k (ϕ) déf = E[ϕ(x k ) y 1:k 1 ] = E[ ϕ(x k ) k 1 l=1 G l(x l ) ] E [ k 1 l=1 G l(x l ) ] déf = γ k (ϕ) γ k (1)
20 introduction filtrage particulaire exemples modélisation filtre approximation implémentation filtre optimal récursif et inutile prédiction correction η k 1 η k = η k 1 M k η k = Ψ k (η k ) où ηm k (dx ) déf = η(dx) M k (x, dx ) Ψ k (η)(dx) déf = G k η(dx) = G k(x) η(g k ) η(dx) = G k(x) η(dx) Gk (x ) η(dx )
21 introduction filtrage particulaire exemples modélisation filtre approximation implémentation plan 1 introduction 2 filtrage particulaire modélisation filtre approximation implémentation 3 exemples exemple 1 : poursuite avec occultation exemple 2 : MNT exemple 3 : poursuite dans une séquence d images
22 introduction filtrage particulaire exemples modélisation filtre approximation implémentation particules en interaction on ouvre le livre de Pierre à la bonne page et : où mutation sélection ξk 1 1:N ξk 1:N ξ 1:N k ξk i M k (ξk 1 i, dx) indépendamment en i = 1 : N ξ 1 k ξn k iid 1 N N ωk i δ ξ i (dx) où ωi k k i=1 déf = G k (ξ i k ) P N i =1 G k(ξ i k )
23 introduction filtrage particulaire exemples modélisation filtre approximation implémentation algorithme ξ 1 0 ξn 0 iid µ % particules initiales pour k = 1, 2, faire ξ i k loi(x k x k 1 = ξk 1 i ) pour i = 1 : N % mutation acquisition de y k ωk i G k(ξk i )/ N j=1 G k(ξ j k ) pour i = 1 : N % vraisemblance ξ 1 k ξn k iid N i=1 ωi k δ ξ i k % sélection rendre ξ 1:N k fin pour
24 introduction filtrage particulaire exemples modélisation filtre approximation implémentation plan 1 introduction 2 filtrage particulaire modélisation filtre approximation implémentation 3 exemples exemple 1 : poursuite avec occultation exemple 2 : MNT exemple 3 : poursuite dans une séquence d images
25 introduction filtrage particulaire exemples modélisation filtre approximation implémentation redistribution on tire N indices (î 1,..., î N ) parmi (1,..., N) selon la loi multinomiale (ω 1 k,..., ωn k ) î 1:N resample(ωk 1:N ) et ξk 1:N ξî1:n k rééchantillonnage multinomial O(N log(n)) u 1,..., u N iid U[0, 1] u i 1 j 7 ω ω ω î i j
26 introduction filtrage particulaire exemples modélisation filtre approximation implémentation redistribution (suite) rééchantillonnage multinomial bis O(N log(n)) u 1,, u N iid U[0, 1] ω s[1] > ω s[2] > > ω s[n] u i s[1] ω î i = s[j] s[j] ω plus rapide (moins de tests)
27 introduction filtrage particulaire exemples modélisation filtre approximation implémentation redistribution (suite) rééchantillonnage multinomial ter O(N) statistique d ordre u 1 < u 2 < < u N iid U[0, 1] ω s[1] > ω s[2] > > ω s[n] u u u u u u u s[1] s[j] ω ω î i = s[j] il faut savoir simuler des statistiques d ordre
28 introduction filtrage particulaire exemples modélisation filtre approximation implémentation redistribution (suite) le «peigne de Kitagawa» O(N) u 1 U[0, 1 N ] et ui = u 1 + i N, i = 2 : N ω s[1] > ω s[2] > > ω s[n] u u u u u u u s[1] s[j] ω ω î i s[j] mais ça ne marche pas toujours!
29 introduction filtrage particulaire exemples modélisation filtre approximation implémentation redistribution (suite) redistribution des résidus ω i i N n a d intérêt que si la plupart des particules sont sélectionnée dans la première phase déterministe
30 introduction filtrage particulaire exemples modélisation filtre approximation implémentation redistribution (suite) redistribution des résidus ω i 1/N i N n a d intérêt que si la plupart des particules sont sélectionnée dans la première phase déterministe
31 introduction filtrage particulaire exemples modélisation filtre approximation implémentation redistribution (suite) redistribution des résidus i ω 1/N i N n a d intérêt que si la plupart des particules sont sélectionnée dans la première phase déterministe
32 introduction filtrage particulaire exemples modélisation filtre approximation implémentation redistribution (suite) redistribution des résidus ω i 1/N i N n a d intérêt que si la plupart des particules sont sélectionnée dans la première phase déterministe
33 introduction filtrage particulaire exemples modélisation filtre approximation implémentation redistribution (suite) redistribution des résidus 1/N i N n a d intérêt que si la plupart des particules sont sélectionnée dans la première phase déterministe
34 introduction filtrage particulaire exemples modélisation filtre approximation implémentation redistribution (suite) redistribution des résidus 1/N i N n a d intérêt que si la plupart des particules sont sélectionnée dans la première phase déterministe
35 introduction filtrage particulaire exemples modélisation filtre approximation implémentation redistribution (suite) redistribution des résidus i ω 1/N i N n a d intérêt que si la plupart des particules sont sélectionnée dans la première phase déterministe
36 introduction filtrage particulaire exemples modélisation filtre approximation implémentation quand redistribuer? un critère ( nombre de particules efficaces ) N eff k déf = { 1 1 mauvais [1, N] N i=1 (ωi k )2 N bon
37 introduction filtrage particulaire exemples modélisation filtre approximation implémentation in fine les ingrédients modèle simuler selon loi(x 0) simuler selon M k (x, dx ) = loi(x k+1 x k = x) quelque soit x évaluer G k (x) = g k (x, y k ) pour tout x à y k fixé rééchantillonnage une routine de rééchantillonnage attention au générateur U[0, 1] extensions simuler selon M k (x, dx ) et corriger avec G k (x) d autres idées pour le rééchantillonnage adapter le nombre de particules? multimodale?
38 introduction filtrage particulaire exemples ex1 ex2 ex3 plan 1 introduction 2 filtrage particulaire modélisation filtre approximation implémentation 3 exemples exemple 1 : poursuite avec occultation exemple 2 : MNT exemple 3 : poursuite dans une séquence d images
39 introduction filtrage particulaire exemples ex1 ex2 ex3 plan 1 introduction 2 filtrage particulaire modélisation filtre approximation implémentation 3 exemples exemple 1 : poursuite avec occultation exemple 2 : MNT exemple 3 : poursuite dans une séquence d images
40 introduction filtrage particulaire exemples ex1 ex2 ex3 poursuite avec occultation 1 x obstacles position du mobile 0.2 stations trajectoire du mobile x 10 4 un mobile dans le plan S stations de mesure : mesures d angle L segments : occultent le déplacement du mobile (exemple dû à Simon Maskell)
41 introduction filtrage particulaire exemples ex1 ex2 ex3 modèle ( ) ( r 1 équation d état x k = k = rk 2 initialisation x 0 N ( x 0, σ 2 0 I) r 1 k 1 r 2 k 1 ) ( ) w 1 + σ k w wk 2 équation d observation : pour chacune des stations s = 1 S si la station s ne voit pas le mobile pas de mesure si la station s voit le mobile la mesure est : yk s = h s(x k ) + σ v v k avec h s (x) = arctg ( ) r 1 r s,1 r 2 r s,2 (r s,1 r s,2 ) sont les coordonnées de la station s
42 introduction filtrage particulaire exemples ex1 ex2 ex3 filtre particulaire initialisation ξ i 0 x 0 + σ mutation ξ i k ξ i k 1 + σ w ( N (0,1) N (0,1) ( N (0,1) N (0,1) ) pour i = 1 : N ) pour i = 1 : N
43 introduction filtrage particulaire exemples ex1 ex2 ex3 filtre particulaire (suite) vraisemblance : à l instant k, on calcule la vraisemblance ω i,s k de la particule ξk i pour la station s cas 1 : la station voit le mobile particule obstacles i 01 mobile obstacles particule i 01 mobile s station s station la station voit la particule ω i,s k = la station ne voit pas la particule exp ( 1 2 σ v y s k h s(ξ i k ) 2) si s voit la particule ξ i k 0 si s ne voit pas la particule ξ i k
44 introduction filtrage particulaire exemples ex1 ex2 ex3 filtre particulaire (suite) cas 2 : la station ne voit pas le mobile particule i 01 mobile particule i 01 mobile s obstacles s obstacles station station la station voit la particule la station ne voit pas la particule ω i,s k = { 0 si s voit la particule ξ i k 1 si s ne voit pas la particule ξ i k vraisemblance de la particule ξ i k à l instant k : ω i k = S s=1 ω i,s k
45 introduction filtrage particulaire exemples ex1 ex2 ex3 plan 1 introduction 2 filtrage particulaire modélisation filtre approximation implémentation 3 exemples exemple 1 : poursuite avec occultation exemple 2 : MNT exemple 3 : poursuite dans une séquence d images
46 introduction filtrage particulaire exemples ex1 ex2 ex3 modèle numérique de terrain altitude au sol altitude altitude du terrain niveau de la mer
47 introduction filtrage particulaire exemples ex1 ex2 ex3 modélisation équation d état : modèle à cap et vitesse constants (bruit) x k = ( r 1 k r 2 k v k ck ) coordonnée en x1 coordonnée en x 2 vitesse cap = r 1 k 1 rk 1 2 v k 1 c k 1 +c t v k 1 cos(c k 1 ) v k 1 sin(c k 1 ) σ v wk 1 1 σ c wk 1 2 équation d observation : utilisation de la carte numérique y k = h(x k ) + bruit d observation où h(x k ) est l altitude du terrain à la position (r 1 k, r2 k )
48 introduction filtrage particulaire exemples ex1 ex2 ex3 suivi d un mobile dans Manhattan
49 introduction filtrage particulaire exemples ex1 ex2 ex3 modélisation équation d état : particule brownienne ( ) ( ) ( r 1 x k = k rk 1 = 1 + σ rk 2 rk 1 2 w w 1 k 1 w 2 k 1 ) équation d observation : utilisation des cartes numériques d atténuation y s k = h s(x k ) + bruit d observation où h s (x k ) est l atténuation de la station s à la positon x k
50 introduction filtrage particulaire exemples ex1 ex2 ex3 plan 1 introduction 2 filtrage particulaire modélisation filtre approximation implémentation 3 exemples exemple 1 : poursuite avec occultation exemple 2 : MNT exemple 3 : poursuite dans une séquence d images
51 introduction filtrage particulaire exemples ex1 ex2 ex3 modélisation observations : séquence d images y 1 y 2 y K, chaque image se décompose en où s S est l indice de pixel y k (s) = I rk (s) + c (bruit) N(0, 1) I rk (s) bruit r k = (r 1 k, r2 k ) R2 position (inconnue) d un mobile dans le plan
52 introduction filtrage particulaire exemples ex1 ex2 ex3 modélisation (suite) PSF (point spread function) I r (s) déf = δ2 c ( 2πσ 2 exp (s1 δ r 1 ) 2 2σ 2 (s2 δ r 2 ) 2 ) 2σ 2 1 s1 δ r 1 <3 1 s2 δ r 2 <3 où s = (s 1, s 2 ) S, r = (r 1, r 2 ) R 2, δ taille du pixel
53 introduction filtrage particulaire exemples ex1 ex2 ex3 modélisation (suite) fonction de vraisemblance P(y k dy x k = x) = g k (x, y) dy où { g k (x, y) exp 1 [ Ir (s) y(s) ] } 2 2 c (bruit) s S (on dispose d une expression plus simple à calculer)
54 introduction filtrage particulaire exemples ex1 ex2 ex3 équation d état x k = x(t k ) avec x(t) = (r 1 (t), v 1 (t), a 1 (t), r 2 (t), v 2 (t), a 2 (t)) avec r j (t) r j (t) 0 d v j (t) = v j (t) dt + 0 dw j (t) a j (t) a j (t) 1 M k (x, dx ) = P(x(t k ) dx x(t k 1 ) = x) seul (rk 1, r2 k ) est utilisé dans l observation
55 introduction filtrage particulaire exemples ex1 ex2 ex3 rao blackwellisation x k = (a k, v k, r k ) seul r k apparaît dans l observation loi(a k, v k r k ) est gaussienne technique hybride r k est traité comme particule (a k, v k ) est traité par filtre de Kalman c est plus lourd mais plus précis
56 introduction filtrage particulaire exemples ex1 ex2 ex3 fin
Chapitre 3. Algorithmes stochastiques. 3.1 Introduction
Chapitre 3 Algorithmes stochastiques 3.1 Introduction Les algorithmes stochastiques sont des techniques de simulation numériques de chaînes de Markov, visant à résoudre des problèmes d optimisation ou
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
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 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 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailModélisation intégrée des écoulements pour la gestion en temps réel d'un bassin versant anthropisé
1 TGR Modélisation intégrée des écoulements pour la gestion en temps réel d'un bassin versant anthropisé Simon Munier Institut des Sciences et Industries du Vivant et de l'environnement (AgroParisTech)
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
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 détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
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 détailQuantification 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 détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
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 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 détailCarrotAge, un logiciel pour la fouille de données agricoles
CarrotAge, un logiciel pour la fouille de données agricoles F. Le Ber (engees & loria) J.-F. Mari (loria) M. Benoît, C. Mignolet et C. Schott (inra sad) Conférence STIC et Environnement, Rouen, 19-20 juin
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailAl attention du praticien et des étudiants, nous avons développé
Chapitre 15 Applications informatiques Al attention du praticien et des étudiants, nous avons développé deux applications informatiques téléchargeables gratuitement sur le site www.digilex.ch. La première
Plus en détailDruais Cédric École Polytechnique de Montréal. Résumé
Étude de load balancing par un réseau de neurones de types HME (Hierarchical Mixture of s). Druais Cédric École Polytechnique de Montréal Résumé Cet article tente d introduire le principe de load balancing
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
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 détailLABO 5-6 - 7 PROJET : IMPLEMENTATION D UN MODEM ADSL SOUS MATLAB
LABO 5-6 - 7 PROJET : IMPLEMENTATION D UN MODEM ADSL SOUS MATLAB 5.1 Introduction Au cours de séances précédentes, nous avons appris à utiliser un certain nombre d'outils fondamentaux en traitement du
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 détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
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 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 détailContexte et motivations Les techniques envisagées Evolution des processus Conclusion
Vérification de logiciels par analyse statique Contexte et motivations Les techniques envisagées Evolution des processus Conclusion Contexte et motivations Specification Design architecture Revues and
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 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 détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailCours d introduction à la théorie de la détection
Olivier J.J. MICHEL Département EEA, UNSA v1.mars 06 olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS Cours d introduction à la théorie de la détection L ensemble du document s appuie très largement
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailRecherche De Coalescences Binaires Étalonnage Du Détecteur
Recherche De Coalescences Binaires Étalonnage Du Détecteur Fabrice Beauville Journées Jeunes Chercheurs 18/12/2003 Les Coalescences Binaires & VIRGO Système binaire d objets compacts (étoiles à neutrons,
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailProbabilités avancées. Florin Avram
Probabilités avancées Florin Avram 24 janvier 2014 Table des matières 1 Mise en scène discrète 3 1.1 Espace des épreuves/résultats possibles, événements, espace probabilisé, mesure de probabilités, variables
Plus en détailLatitude 49.37 N Longitude 06.13 E Altitude 376 m RÉSUMÉ MENSUEL DU TEMPS DE JANVIER 2014
RÉSUMÉ MENSUEL DU TEMPS DE JANVIER 2014 Valeurs moyennes: Valeur Jour Valeur (en C) (en C) (en C) gazon (en C) 11,4 7 13,9 1975 3,6 0,8 4,9 2007-6,3 1963-3,0 29-17,8 1979-2,8 12-24,6 1985 37,1 50,3 95,5
Plus en détailLIDAR LAUSANNE 2012. Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés
LIDAR LAUSANNE 2012 Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés LIDAR 2012, nouveaux modèles altimétriques 1 Affaire 94022 /
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailSommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique
ARC EPS Eco-microbiologie Prévisionnelle Statistique 1 Objectifs de l ARC EPS 2 Partenaires 3 Moyens 4 Problématique Microbiologique 5 Démarche et Résultats 6 Perspectives 7 Valorisation LES OBJECTIFS
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
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 détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détailVARIABLES LATENTES ET MODÉLISATION STATISTIQUE EN ASSURANCE
VARIABLES LATENTES ET MODÉLISATION STATISTIQUE EN ASSURANCE A. MONFORT CNAM et CREST-INSEE 1 1. INTRODUCTION. Les variables latentes, ou inobservables, jouent un rôle de plus en plus important dans la
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailDurée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point
03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de
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 détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
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 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 détailExamen d informatique première session 2004
Examen d informatique première session 2004 Le chiffre à côté du titre de la question indique le nombre de points sur 40. I) Lentille électrostatique à fente (14) Le problème étudié est à deux dimensions.
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailPRÉCIS DE SIMULATION
PRÉCIS DE SIMULATION P. Del Moral Centre INRIA Bordeaux Sud-Ouest & Institut de Mathématiques de Bordeaux Université Bordeaux I, 351, cours de la Libération 33405 Talence, France Table des matières 1
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailAnalyse et Commande des Systèmes Non Linéaires
Analyse et Commande des Systèmes Non Linéaires J. Lévine Centre Automatique et Systèmes école des Mines de Paris 35 rue Saint Honoré 77305 Fontainebleau Cedex E-mail : Jean.Levine@ensmp.fr Mars 2004 2
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 détail2008/03. La concentration des portefeuilles : perspective générale et illustration
2008/03 La concentration des portefeuilles : perspective générale et illustration Olivier Le Courtois Professeur de finance et d assurance UPR Economie, Finance et Gestion EMLYON Christian Walter Actuaire
Plus en détailMARTINGALES POUR LA FINANCE
MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
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 détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
Plus en détailLISACode. Un simulateur opérationnel pour LISA. Antoine PETITEAU LISAFrance - le 16 mai 2006
LISACode Un simulateur opérationnel pour LISA Antoine PETITEAU LISAFrance - le 16 mai 2006 Plan Rappel sur LISACode. Validation du simulateur. Possibilités du simulateur. Résultats obtenus. Bruit de confusion.
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailJulien MATHEVET Alexandre BOISSY GSID 4. Rapport RE09. Load Balancing et migration
Julien MATHEVET Alexandre BOISSY GSID 4 Rapport Load Balancing et migration Printemps 2001 SOMMAIRE INTRODUCTION... 3 SYNTHESE CONCERNANT LE LOAD BALANCING ET LA MIGRATION... 4 POURQUOI FAIRE DU LOAD BALANCING?...
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailCalibration de Modèles et Couverture de Produits Dérivés
Calibration de Modèles et Couverture de Produits Dérivés Peter TANKOV Université Paris VII tankov@math.jussieu.fr Edition 28, dernière m.à.j. le 1 mars 28 La dernière version de ce document est disponible
Plus en détailOscillations libres des systèmes à deux degrés de liberté
Chapitre 4 Oscillations libres des systèmes à deux degrés de liberté 4.1 Introduction Les systèmes qui nécessitent deux coordonnées indépendantes pour spécifier leurs positions sont appelés systèmes à
Plus en détailChaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
Plus en détail7 ingrédients pour personnaliser l expérience client et booster votre chiffre d affaires en seulement 5 semaines
7 ingrédients pour personnaliser l expérience client et booster votre chiffre d affaires en seulement 5 semaines 24 S e p t e m b r e 2014 @Emarsys_France #ECP14 23 > 25 SEPTEMBRE 2014 I PARIS I PORTE
Plus en détailChapitre I La fonction transmission
Chapitre I La fonction transmission 1. Terminologies 1.1 Mode guidé / non guidé Le signal est le vecteur de l information à transmettre. La transmission s effectue entre un émetteur et un récepteur reliés
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailFranck VAUTIER, Jean-Pierre TOUMAZET, Erwan ROUSSEL, Marlène FAURE, Mohamed ABADI, Marta FLOREZ, Bertrand DOUSTEYSSIER
Utilisation d images dérivées d un jeu de données LIDAR pour la détection automatisée de vestiges archéologiques (programme de recherche méthodologique LiDARCHEO) Franck VAUTIER, Jean-Pierre TOUMAZET,
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailChafa Azzedine - Faculté de Physique U.S.T.H.B 1
Chafa Azzedine - Faculté de Physique U.S.T.H.B 1 Définition: La cinématique est une branche de la mécanique qui étudie les mouements des corps dans l espace en fonction du temps indépendamment des causes
Plus en détailModélisation couplée des processus de surface et souterrains pour prédire la distribution spatiale de l'évapotranspiration.
Contacts : jean-martial.cohard@ujf-grenoble.fr AMA Fall Meeting 2013 Toulouse, 22-24 janvier Modélisation couplée des processus de surface et souterrains pour prédire la distribution spatiale de l'évapotranspiration.
Plus en détail