Quantification Vectorielle
|
|
|
- Guillaume Favreau
- il y a 8 ans
- Total affichages :
Transcription
1 Quantification Vectorielle Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 14 Décembre 2012 M. Cagnazzo Quantification Vectorielle 1/65
2 Plan Introduction 1 Introduction QV gain-forme M. Cagnazzo Quantification Vectorielle 2/65
3 Plan Introduction 1 Introduction QV gain-forme M. Cagnazzo Quantification Vectorielle 3/65
4 Rappel : Quantification scalaire (QS) Définition Q : x R y C = { x 1, x 2,... x L } R Puissance de l erreur de quantification (cas idéal) σ 2 Q = c Xσ 2 X 2 2R c X est une constante qui dépend de la distribution de X (facteur de forme) c X = 1 dans le cas uniforme c X = 3 2 π dans le cas gaussien M. Cagnazzo Quantification Vectorielle 4/65
5 Rappel : Quantification scalaire prédictive (QP) On quantifie la différence Y entre la valeur de X et la prédiction linéaire basée sur P échantillons précédents Gain de prédiction : rapport entre la puissance de l erreur sans et avec prédiction. G P (P) = σ2 X σ 2 Y = σ 2 X [det R P ] 1/P Valeur asymptotique du gain de prédiction σx 2 G P = lim P + [det R P ] 1/P M. Cagnazzo Quantification Vectorielle 5/65
6 Quantification vectorielle (QV) Introduction La quantification est normalement utilisée sur séquences d échantillons Idée : quantifier conjointement plusieurs échantillons (un vecteur) L espace R N est donc partitionné en régions de décision À chaque région on fait correspondre un représentant (un vecteur) M. Cagnazzo Quantification Vectorielle 6/65
7 Exemple: signal corrélé Signal AR(2) M. Cagnazzo Quantification Vectorielle 7/65
8 Quantification vectorielle Introduction Généralisation de la QS à l espace R N La QS est un cas particulier de la QV Les régions de décisions sont délimité par des hyperplans orthogonaux aux axes Les représentants sont alignés parallèlement aux axes Gains potentiels de la QV Gain géométrique : forme arbitraire des régions de décision et position arbitraire des représentants Gain de corrélation : on exploite directement la corrélation du signal M. Cagnazzo Quantification Vectorielle 8/65
9 Propriétés de la VQ La VQ permet des amélioration par rapport à la SQ : on peut exploiter la corrélation entre échantillons on supprime la contrainte de cellules hypercubiques on supprime la contrainte de débits entiers M. Cagnazzo Quantification Vectorielle 9/65
10 Formalisme Introduction Définition de la quantification vectorielle : Q : x R N y C = { x 1, x 2,... x L } R Dimension de l espace : N N Taille du dictionnaire : L N Résolution (ou débit) de la QV : b = log 2 L N = R N M. Cagnazzo Quantification Vectorielle 10/65
11 Formalisme Introduction Q : x R N y C = { x 1, x 2,... x L } R Régions de décision (ou cellules) Θ i = {x : Q(x) = x i } Θ i Θ j = i Θ i = R N C est appelé dictionnaire Les éléments de C sont appelés représentants, vecteurs de sortie, ou vecteur de reproduction On considère uniquement des quantificateurs réguliers : Convexité : x 1, x 2 Θ i [λx 1 +(1 λ)x 2 Θ i ] λ [0, 1] Représentant dans la région : i {1,...,L}, x i Θ i M. Cagnazzo Quantification Vectorielle 11/65
12 Quantificateur régulier Régions convexes x i Θ i M. Cagnazzo Quantification Vectorielle 12/65
13 Quantification vectorielle VQ comme codage et décodage On peut la voir comme suite de deux opérations : Codage : Association entre x et l index i (la région Θ i ) Décodage : Association entre l index i (la région Θ i ) et le mot de code x i x E i D x i {Θ i } C = { x i } i M. Cagnazzo Quantification Vectorielle 13/65
14 Erreur de quantification On généralise directement la définition de la QS On utilise la densité de probabilité conjointe et la norme euclidienne σq 2 = 1 x Q(x) 2 p X (x)dx N R N = 1 L x Q(x) 2 p X (x)dx N i=1 Θ i = 1 L x x i 2 p X (x)dx N Θ i i=1 M. Cagnazzo Quantification Vectorielle 14/65
15 Plan Introduction 1 Introduction QV gain-forme M. Cagnazzo Quantification Vectorielle 15/65
16 Problème : Déterminer le dictionnaire C minimisant l erreur σ 2 Q Solution : Algorithme de Lloyd généralisé (GLA) 1 Initialisation : k = 0, on choisit un certain dictionnaire C (k) = { x 0 (k), x 1 (k),..., x L (k) }, on assigne σ2 Q,(k 1) =, on choisit ǫ 2 Optimiser les cellules par rapport au dictionnaire : on obtient {Θ i (k) } 3 Optimiser le dictionnaire par rapport aux cellules : on obtient C (k+1) 4 Calculer la distorsion σ 2 Q,(k) associée à C (k), {Θ i (k) } i 5 Si σ2 Q,(k 1) σ2 Q,(k) σ 2 Q,(k 1) pas 2 < ǫ on arrête, sinon k k + 1 et on revient au M. Cagnazzo Quantification Vectorielle 16/65
17 Algorithme de Lloyd généralisé (GLA) Optimiser les cellules par rapport au dictionnaire : Θ i (k) = { x : x x i (k) x x j (k) j {1,..., L} } Règle du plus proche voisin Complexité proportionnelle à L M. Cagnazzo Quantification Vectorielle 17/65
18 Algorithme de Lloyd généralisé (GLA) Optimiser le dictionnaire par rapport aux cellules : règle du centroïd Pour simplicité de notation, D = σ 2 Q,(k) D = 1 L x x i 2 p X (x)dx = 1 N i=1 Θ N i D i = 2(x j x i,j )p x i,j X (x)dx Θ i x i,j Θ x j p = i X (x)dx p Θ i X (x)dx x i = E[x x Θ i ] L i=1 D i M. Cagnazzo Quantification Vectorielle 18/65
19 Algorithme de Lloyd généralisé (GLA) Bilan Nécessité d estimer les distributions de probabilité Complexité très élevée : algorithmes suboptimaux L algorithme ne converge qu à un optimum locale : problème de l initialisation Algorithmes de recuit simulé (très complexes, optimum globale avec une probabilité donnée, dans certaines hypothèses) M. Cagnazzo Quantification Vectorielle 19/65
20 Initialisation du GLA Algorithme Linde-Buzo-Gray (LBG) Algorithme itératif Pour L = 1, application du GLA Le résultat x 0 0 est le centroïd de la population Split de C 0 = { x 0 0 }: x 0 1 = x 1 1 x 0 0 +ǫ GLA sur le nouveau dictionnaire C 1 = { x 0 1, x 1 1 } Split de C 1 : chaque mot de code x i 1 donne lieu à x 2i 2 = x i 1 et x 2i+1 2 = x i 1 +ǫ i Itérer jusqu à obtenir le nombre L de vecteurs M. Cagnazzo Quantification Vectorielle 20/65
21 Création d un dictionnaire empirique Souvent on a pas les loi des probabilités des données Par contre on peut construire une base d apprentissage Morceaux de son, blocs de pixels pris des images,... La base d apprentissage est utilisée pour créer le dictionnaire : Plus proche voisin : les vecteurs de la base sont associés à la cellule dont le représentant est le plus proche voisin Centroïd : dans chaque cellule on recalcule le centroïd comme la moyenne des vecteurs associés M. Cagnazzo Quantification Vectorielle 21/65
22 Quantification scalaire et vectorielle M. Cagnazzo Quantification Vectorielle 22/65
23 Quantification scalaire Débit 21 bpp PSNR db TC M. Cagnazzo Quantification Vectorielle 23/65
24 Quantification scalaire Débit 18 bpp PSNR db TC M. Cagnazzo Quantification Vectorielle 24/65
25 Quantification scalaire Débit 15 bpp PSNR db TC M. Cagnazzo Quantification Vectorielle 25/65
26 Quantification scalaire Débit 12 bpp PSNR db TC M. Cagnazzo Quantification Vectorielle 26/65
27 Quantification scalaire Débit 9 bpp PSNR db TC M. Cagnazzo Quantification Vectorielle 27/65
28 Quantification vectorielle Débit 9.0 bpp PSNR TC M. Cagnazzo Quantification Vectorielle 28/65
29 Quantification scalaire Débit 6 bpp PSNR db TC M. Cagnazzo Quantification Vectorielle 29/65
30 Quantification vectorielle Débit 6.0 bpp PSNR TC M. Cagnazzo Quantification Vectorielle 30/65
31 Quantification vectorielle Débit 4.5 bpp PSNR TC M. Cagnazzo Quantification Vectorielle 31/65
32 Quantification scalaire Débit 3 bpp PSNR db TC M. Cagnazzo Quantification Vectorielle 32/65
33 Quantification vectorielle Débit 3.0 bpp PSNR TC M. Cagnazzo Quantification Vectorielle 33/65
34 Quantification vectorielle Débit 1.5 bpp PSNR TC M. Cagnazzo Quantification Vectorielle 34/65
35 Exemples de dictionnaires N = 4, L {4, 16, 64} M. Cagnazzo Quantification Vectorielle 35/65
36 Plan Introduction 1 Introduction QV gain-forme M. Cagnazzo Quantification Vectorielle 36/65
37 du quantificateur optimal Généralisation de la formule de Bennet (scalaire) [ ] 3 σq 2 = 1 12 R p1/3 X (x)dx 2 2b au cas vectoriel en N dimensions : Cas gaussien: σ 2 Q σ 2 Q (N) = α(n) [ (N) = α(n) R N p N N+2 R N X ( exp(x T Rx) (2π) N/2 det R ] N+2 (x)d x N 2 2b ) N N+2 dx N+2 N 2 2b M. Cagnazzo Quantification Vectorielle 37/65
38 du quantificateur optimal Cas gaussien σ 2 Q (N) = α(n) On montre que R N ( N + 2 = α(n)2π N = c(n)(det R) 1 N 2 2b ( exp(x T Rx) (2π) N/2 det R ) N+2 2 ) N N+2 dx (det R) 1 N 2 2b N+2 N 2 2b c(1) = 3 π > c(n) > c( ) = 1 2 M. Cagnazzo Quantification Vectorielle 38/65
39 du quantificateur optimal Cas gaussien Gain de la QV = EQM de la QS / EQM de la QV Gain géométrique : c(1) c(n) σ 2 Q (N) = c(n)(det R) 1 N 2 2b G v (N) = σ2 Q (1) c(1) σx 2 σq 2 = (N) c(n) (detr) 1 N Gain de corrélation : σ 2 X (detr) 1 N M. Cagnazzo Quantification Vectorielle 39/65
40 du quantificateur optimal Gain géométrique Le rapport c(1)/c(n) est toujours supérieur à 1 Ce terme est décroissant avec N Cela montre que la QV est préférable à la QS même pour une source sans mémoire Tout de même, le gain géométrique maximum est limité par : c(1) 3 lim N + c(n) = c(1) = 2 π c(1) 10 log 10 lim N + c(n) = 4.35dB M. Cagnazzo Quantification Vectorielle 40/65
41 du quantificateur optimal Interprétation du gain géométrique Le gain géométrique est lié à la meilleure capacité de la QV de couvrir R N par rapport à la QS Idéalement, il faudrait avoir des cellules délimitées par des hypersfères : avec la QV on s y approche La QS est contrainte à utiliser des cellules hypercubiques Les 2 N sommets d un hypercube ont une distance de N L 2 du centre ; le centre d une hyperface a distance L 2 Donc à l augmenter de N, l hypercube a de plus en plus des points très éloignée du centre : la cellule est de moins en moins une hypersfère M. Cagnazzo Quantification Vectorielle 41/65
42 du quantificateur optimal Gain de corrélation Le gain de corrélation a la même expression que dans le cas de quantification scalaire prédictive : G p = σ 2 X (det R) 1/N Les 2 approches exploitent donc la même propriéte : La corrélation entre les échantillons du signal Mais la QV a un marge de gain supérieur grâce au gain géométrique M. Cagnazzo Quantification Vectorielle 42/65
43 du quantificateur optimal Limites théoriques de l approche QV Pour un signal stationnaire, dès que N devient suffisamment grand, G v > G p À l augmenter de N, les performances de la QV se stabilisent La technique ultime de codage? Toute technique de compression peut se voir comme une QV Toute technique peut être améliorée par le GLA? M. Cagnazzo Quantification Vectorielle 43/65
44 Plan Introduction QV gain-forme 1 Introduction QV gain-forme M. Cagnazzo Quantification Vectorielle 44/65
45 Utilisation du quantificateur Conception du dictionnaire QV gain-forme Choix des paramètres : débit, taille du dictionnaire, dimension b = log 2 L N L = 2 bn Le débit b est lié à la qualité ciblée et aux contraintes de mémoire (stockage) et de largeur de bande (transmission) La dimension N influence les performances : pour atteindre les meilleures performances N doit être la valeur maximum telle que x(n) et x(n+n) soient encore corrélés La complexité croît exponentiellement avec N La taille L du dictionnaire croît exponentiellement avec b et N M. Cagnazzo Quantification Vectorielle 45/65
46 Utilisation du quantificateur Processus de quantification QV gain-forme On dispose d un dictionnaire de taille L et dimension N On regroupe N échantillons du signal d entrée dans un vecteur x de dimension N N échantillons consécutif d un son N pixels d un image (typiquement un bloc rectangulaire, pour exploiter la redondance horizontale et verticale) Quantification : on cherche dans le dictionnaire le meilleur représentant de x Règle du plus proche voisin L calcules de distance, chacun avec complexité O(N) Au total O(N2 bn ) M. Cagnazzo Quantification Vectorielle 46/65
47 Utilisation du quantificateur Décodage QV gain-forme Le quantificateur envoie le numéro du vecteur dans le dictionnaire Le décodeur récupère le représentant dans le dictionnaire Processus très asymétrique : codeur complexe, décodeur simple M. Cagnazzo Quantification Vectorielle 47/65
48 Utilisation du quantificateur Exemple : codage de la voix QV gain-forme Contraintes Bande passante 8 kbps Fréquence d échantillonnage : 8 khz Capacité de calcul : C = 1 Gflops = 10 9 opérations par seconde Trouvez N et L M. Cagnazzo Quantification Vectorielle 48/65
49 Utilisation du quantificateur Exemple : codage de la voix QV gain-forme Résolution = Bits/s divisé par échantillons/s b = 8kb/s 8kS/s = 1b/S Opérations par vecteur : NL = N2 N Opérations par échantillon : 2 N Opérations par seconde : 2 N f E Contrainte : 2 N f E < C 2 N [Op/S] 8000[S/s] < 10 9 [Op/s] 10 9 N < log = 6 log = N = 16 L = M. Cagnazzo Quantification Vectorielle 49/65
50 Utilisation du quantificateur Exemple : codage de la voix QV gain-forme N = 16 est insuffisant Le signal de voix est trop complexe pour être représenté sur 2 16 vecteurs La fenêtre d analyse a une durée trop courte : T = N/f E = 16/8000 = 2ms La corrélation inter-fenêtre reste importante : on atteint pas le gain maximum de la QV M. Cagnazzo Quantification Vectorielle 50/65
51 Utilisation du quantificateur Exemple : codage de la voix QV gain-forme Il faut augmenter N (et L) sans augmenter la complexité de l encodeur Cela est possible au détriment des performances débit/distorsion en imposant une structure au dictionnaire La structure permet de effectuer l encodage sans calcul des L distances, mais en exploitant la structure M. Cagnazzo Quantification Vectorielle 51/65
52 QV gain-forme Quantification vectorielle arborescente Technique pour trouver le plus proche voisin La recherche est organisée en niveaux, à chaque niveau on élimine la moitié des candidats (arbre binaire) A chaque étape, on compare le vecteur en entrée avec 2 représentants des 2 moitiés du dictionnaire En suite considère seulement la moitié choisie du dictionnaire et on itère jusqu à réduire le dictionnaire à un seul vecteur Complexité : de O(2 bn ) à O(bN) très proches du cas full search M. Cagnazzo Quantification Vectorielle 52/65
53 QV gain-forme Quantification vectorielle par produit cartésien On décompose un vecteur de taille N en k sous-vecteurs L i-ème vecteur a taille N i, en sorte que k i=1 N i = N Complexité : 2 bn i Exemple : N = 10, b = 1, C = 2 10 = 1024 N 1 = 5, N 2 = 5, C = = 64 On perd la possibilité d exploiter les dépendances statistiques qui existent entre le k parties du vecteurs Si on arrive à décomposer le vecteur en sorte d éliminer ces dépendances on peut utiliser ce type de QV M. Cagnazzo Quantification Vectorielle 53/65
54 QV gain-forme Quantification vectorielle multi-étage On procède par approximations successives On réalise une première quantification En suite on quantifie l erreur de quantification On continue iterativement M. Cagnazzo Quantification Vectorielle 54/65
55 QV gain-forme Quantification vectorielle par transformée La transformée permet de concentrer l information d un bloc de données en peu de coefficients Cela permettrait de réduire la dimension N, car on a réduit la corrélation des données M. Cagnazzo Quantification Vectorielle 55/65
56 QV gain-forme Quantification vectorielle algébrique Le dictionnaire n est plus construit avec GLA Il est indépendant des statistiques de la source L espace R N est reparti en manière régulière On parle de VQ sur réseaux Avantage : grande réduction de la complexité, pas besoin de mémoriser le dictionnaire (structure géométrique) Désavantage : perte de performance débit/distorsion M. Cagnazzo Quantification Vectorielle 56/65
57 QV gain-forme Quantification vectorielle gain-forme Type de QV largement utilisé en codage audio Permet de gérer l évolution de la puissance au cours du temps On peut la voir comme un cas particulier de QV par produit cartésien Le vecteur est décomposé en gain et forme, et les deux sont quantifié séparément M. Cagnazzo Quantification Vectorielle 57/65
58 QV gain-forme Quantification vectorielle gain-forme Règle du plus proche voisin On utilise deux dictionnaires Dictionnaire des formes (normés) : C S = { x 1, x 2,..., x 1} L Dictionnaire des gains : C G = { ĝ 1, ĝ 1,...,ĝ L } 2 x Règle du plus proche voisin g j i ĝ Inspection dans une table x C S C G C G C S M. Cagnazzo Quantification Vectorielle 58/65
59 QV gain-forme Quantification vectorielle gain-forme Règle du plus proche voisin x x k g j x j x j M. Cagnazzo Quantification Vectorielle 59/65
60 QV gain-forme Quantification vectorielle gain-forme Règle du plus proche voisin On recherche d abord la forme la plus proche de x Il est possible de faire cela sans calculer le gain x g j x j, x j = 0 g j = x, x j x j 2 x g j x j 2 = x 2 + g 2 j x j 2 2g j x, x j = x 2 x, x j 2 j = arg max j x, x j 2 x j 2 = arg max cosφ j j = arg max j x j x, x j 2 x j 2 M. Cagnazzo Quantification Vectorielle 60/65
61 QV gain-forme Quantification vectorielle gain-forme Application du GLA au cas GS-VQ Dictionnaire des formes : C S = Vecteurs normés { } x 1, x 2,..., x L 1 Base d apprentissage : M vecteurs x(m) avec i {1,..., M} GLA : Plus proche voisin et centroïd La règle du plus proche voisin, comme l on vient de voir, permet de repartir les vecteurs de la base en cellules Sans perte de généralité, la j-ème cellule est Θ j = {x(m)} m {1,...,M(j)} M. Cagnazzo Quantification Vectorielle 61/65
62 QV gain-forme Quantification vectorielle gain-forme Application du GLA au cas GS-VQ Pour optimiser le j-ème représentant, nous cherchons le vecteur x j qui minimise l erreur par rapport à la cellule Θ j, sous contrainte de norme unitaire arg min x j σ 2 Q (j) s.c. x j 2 = 1 σq 2 (j) = 1 M(j) x(m) g j x j 2 M(j) m=1 x(m) g j x j 2 = x(m) 2 x(m), x j 2 x j 2 = x(m) 2 x(m), x j 2 M. Cagnazzo Quantification Vectorielle 62/65
63 QV gain-forme Quantification vectorielle gain-forme Application du GLA au cas GS-VQ Le problème devient arg max Q = M(j) x(m), x j 2 s.c. x j 2 = 1 x j m=1 On appelle Γ la matrice de covariance empirique On trouve : Γ = M(j) M(j) m=1 x(m) T x(m) ( x j ) T Γ x j = ( x j ) T x(m) T x(m) x j = Q m=1 M. Cagnazzo Quantification Vectorielle 63/65
64 QV gain-forme Quantification vectorielle gain-forme Application du GLA au cas GS-VQ Le problème devient arg max x j ( x j ) T Γ x j s.c. x j 2 = 1 On utilise la méthode des multiplicateurs de Lagrange On doit minimiser : J = ( x j ) T Γ x j λ[( x j ) T x j 1] On a J x j = 0 Γ x j = λ( x j ) M. Cagnazzo Quantification Vectorielle 64/65
65 QV gain-forme Quantification vectorielle gain-forme Application du GLA au cas GS-VQ Donc x j est un vecteur propre de Γ, et λ est la valeur propre correspondante Si on multiplie Γ x j = λ( x j ) par ( x j ) T on trouve: ( x j ) T Γ x j = λ( x j ) T x j Q = λ Donc le problème d optimisation est résolu en prenant le vecteur propre qui correspond à la plus grande valeur propre de la matrice de autocovariance empirique M. Cagnazzo Quantification Vectorielle 65/65
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
Compression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette
Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où
Souad 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
Projet 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,
Codage hiérarchique et multirésolution (JPEG 2000) Codage Vidéo. Représentation de la couleur. Codage canal et codes correcteurs d erreur
Codage hiérarchique et multirésolution (JPEG 000) Codage Vidéo Représentation de la couleur Codage canal et codes correcteurs d erreur Format vectoriel (SVG - Scalable Vector Graphics) Organisation de
1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Intérêt 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,
Programmes 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
Optimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Chaine 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
I. 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
La classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
ISO/CEI 11172-3 NORME INTERNATIONALE
NORME INTERNATIONALE ISO/CEI 11172-3 Première édition 1993-08-01 Technologies de l information - Codage de l image animée et du son associé pour les supports de stockage numérique jusqu à environ Ii5 Mbit/s
3 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
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Optimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Capacité 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
Limitations 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
Programmation 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
Expérience 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
Echantillonnage 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
Correction du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Transmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
TD : Codage des images
TD : Codage des images Les navigateurs Web (Netscape, IE, Mozilla ) prennent en charge les contenus textuels (au format HTML) ainsi que les images fixes (GIF, JPG, PNG) ou animée (GIF animée). Comment
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Simulation 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
Interception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
Corrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Chap17 - CORRECTİON DES EXERCİCES
Chap17 - CORRECTİON DES EXERCİCES n 3 p528 Le signal a est numérique : il n y a que deux valeurs possibles pour la tension. Le signal b n est pas numérique : il y a alternance entre des signaux divers
Cours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Baccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Fonctions 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
Chapitre 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
Programmation 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.
Introduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Le concept cellulaire
Le concept cellulaire X. Lagrange Télécom Bretagne 21 Mars 2014 X. Lagrange (Télécom Bretagne) Le concept cellulaire 21/03/14 1 / 57 Introduction : Objectif du cours Soit un opérateur qui dispose d une
La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Soutenance 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
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Chp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Arbres 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
Livrable 2.1 Rapport d analyse et de restructuration de code monothread des modules P, T, Q et F de l encodage MPEG-4 AVC
Groupe des Ecoles des Télécommunications Institut National des Télécommunications Département ARTEMIS Advanced Research & TEchniques for Multidimensional Imaging Systems Livrable 2.1 Rapport d analyse
Chapitre 18 : Transmettre et stocker de l information
Chapitre 18 : Transmettre et stocker de l information Connaissances et compétences : - Identifier les éléments d une chaîne de transmission d informations. - Recueillir et exploiter des informations concernant
Introduction 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?
Master 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
Comme chaque ligne de cache a 1024 bits. Le nombre de lignes de cache contenu dans chaque ensemble est:
Travaux Pratiques 3. IFT 1002/IFT 1005. Structure Interne des Ordinateurs. Département d'informatique et de génie logiciel. Université Laval. Hiver 2012. Prof : Bui Minh Duc. Tous les exercices sont indépendants.
www.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Université de La Rochelle. Réseaux TD n 6
Réseaux TD n 6 Rappels : Théorème de Nyquist (ligne non bruitée) : Dmax = 2H log 2 V Théorème de Shannon (ligne bruitée) : C = H log 2 (1+ S/B) Relation entre débit binaire et rapidité de modulation :
Numérisation du signal
Chapitre 12 Sciences Physiques - BTS Numérisation du signal 1 Analogique - Numérique. 1.1 Définitions. Signal analogique : un signal analogique s a (t)est un signal continu dont la valeur varie en fonction
Apprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Codage vidéo par block matching adaptatif
Traitement et analyse d'images(39) Codage vidéo par block matching adaptatif Abdelhamid Djeffal Département d informatique Université Mohamed Khider BISKRA, ALGERIE Abdelhamid_Djeffal@yahoo.fr Zine Eddine
UE 503 L3 MIAGE. Initiation Réseau et Programmation Web La couche physique. A. Belaïd
UE 503 L3 MIAGE Initiation Réseau et Programmation Web La couche physique A. Belaïd abelaid@loria.fr http://www.loria.fr/~abelaid/ Année Universitaire 2011/2012 2 Le Modèle OSI La couche physique ou le
3. 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
Transmission de données. A) Principaux éléments intervenant dans la transmission
Page 1 / 7 A) Principaux éléments intervenant dans la transmission A.1 Equipement voisins Ordinateur ou terminal Ordinateur ou terminal Canal de transmission ETTD ETTD ETTD : Equipement Terminal de Traitement
Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Mesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Enregistrement et transformation du son. S. Natkin Novembre 2001
Enregistrement et transformation du son S. Natkin Novembre 2001 1 Éléments d acoustique 2 Dynamique de la puissance sonore 3 Acoustique géométrique: effets de diffusion et de diffraction des ondes sonores
Introduction 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
Cours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
aux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Systèmes 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
Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
TP: Représentation des signaux binaires. 1 Simulation d un message binaire - Codage en ligne
Objectifs : Ce TP est relatif aux différentes méthodes de codage d une information binaire, et à la transmission en bande de base de cette information. Les grandes lignes de ce TP sont l étude des méthodes
Cours 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) =
3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Un schéma de compression avec pertes efficace pour les images médicales volumiques
Un schéma de compression avec pertes efficace pour les images médicales volumiques Yann GAUDEAU 1 Jean-Marie MOUREAUX 1 CRAN CNRS (UMR 7039) Nancy-University, Faculté des Sciences et Techniques, BP 239,
L 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
Chapitre 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
de 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
TABLE 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
LES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
IFT3245. 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
Théorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
J AUVRAY Systèmes Electroniques TRANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE
RANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE Un message numérique est une suite de nombres que l on considérera dans un premier temps comme indépendants.ils sont codés le plus souvent
Théorie 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
1 Introduction et modèle mathématique
Optimisation parallèle et mathématiques financières Optimisation parallèle et mathématiques financières Pierre Spiteri 1 IRIT ENSEEIHT, UMR CNRS 5505 2 rue Charles Camichel, B.P. 7122 F-31 071 Toulouse,
Technique de codage des formes d'ondes
Technique de codage des formes d'ondes Contenu Introduction Conditions préalables Conditions requises Composants utilisés Conventions Modulation par impulsions et codage Filtrage Échantillon Numérisez
LES DIFFÉRENTS FORMATS AUDIO NUMÉRIQUES
LES DIFFÉRENTS FORMATS AUDIO NUMÉRIQUES Compétences mises en jeu durant l'activité : Compétences générales : S'impliquer, être autonome. Compétence(s) spécifique(s) : Reconnaître des signaux de nature
Apprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus 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
Utilisation 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
Programmation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Rappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Correction du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
PHYSIQUE 2 - Épreuve écrite
PHYSIQUE - Épreuve écrite WARIN André I. Remarques générales Le sujet de physique de la session 010 comprenait une partie A sur l optique et une partie B sur l électromagnétisme. - La partie A, à caractère
Table des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
INTRODUCTION 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
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Projet 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
Approche par marquage pour l évaluation de la qualité d image dans les applications multimédias
UNIVERSITÉ DU QUÉBEC EN OUTAOUAIS Département d informatique et d ingénierie Approche par marquage pour l évaluation de la qualité d image dans les applications multimédias MÉMOIRE (INF6021) pour l obtention
LES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION
LES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION LES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION ) Caractéristiques techniques des supports. L infrastructure d un réseau, la qualité de service offerte,
Cours de Mécanique du point matériel
Cours de Mécanique du point matériel SMPC1 Module 1 : Mécanique 1 Session : Automne 2014 Prof. M. EL BAZ Cours de Mécanique du Point matériel Chapitre 1 : Complément Mathématique SMPC1 Chapitre 1: Rappels
I. TRANSMISSION DE DONNEES
TD I. TRANSMISSION DE DONNEES 1. QU'EST-CE QU'UN CANAL DE TRANSMISSION? 1.1 Rappels Une ligne de transmission est une liaison entre les deux machines. On désigne généralement par le terme émetteur la machine
Continuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Théorie des probabilités
Théorie des probabilités LAVOISIER, 2008 LAVOISIER 11, rue Lavoisier 75008 Paris www.hermes-science.com www.lavoisier.fr ISBN 978-2-7462-1720-1 ISSN 1952 2401 Le Code de la propriété intellectuelle n'autorisant,
La couche physique de l ADSL (voie descendante)
La couche physique de l ADSL (voie descendante) Philippe Ciblat École Nationale Supérieure des Télécommunications, Paris, France Problématique qq kilomètres CENTRAL câble de 0,4mm Objectifs initiaux :
Modèles 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
Principe 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