Académique Documents
Professionnel Documents
Culture Documents
PLAN :
Introduction
Dfinition
Modle de Markov
Exemples
Algorithme de Viterbi
Conclusion
I. Introduction :
Dans ltat actuel des connaissances,
les modles des Markov cachs
(HMM) sont les outils de modlisation
les plus utiliss en matire de
reconnaissance de la parole. Leur
application dbouche sur
dexcellents rsultats quand ils sont
bien appliqus .
I.1 Dfinition :
Un processus de Markov est un systme temps
discret se trouvant chaque instant dans un tat pris
parmi N tats distincts. Les transitions entre les tats
se produisent entre deux instants discrets
conscutifs, selon une certaine loi de probabilit. La
probabilit de chaque tat ne dpend que de ltat
qui le prcde immdiatement.
Dans le domaine de la reconnaissance de la parole
comme dans tout autre problme de reconnaissance,
on sintresse plus particulirement la squence
dtats qui a donn une squence dobservations.
Modle de Markov(1)
Etat au temps (t + 1) ne dpend que de
ltat au temps (t)
Probabilits de transitions
Modle de Markov(2)
Matrice de transitions,
Exemple :
Exemple(2)
Exemple(3)
Exemple(4)
Je veux estimer la probabilit davoir
cette semaine !!!! Lobservation
suivant :
Sun-sun-sun-rain-rain-sun-cloudy-sun
?
La squence observ :
{3,3,3,1,1,3,2,3}
La probabilit dobserver cette
squence :
Exemple(5)
Algorithme de Viterbi
recherche le meilleur chemin au sens
probabiliste, ayant gnr la suite
d'observations :
ArgMax w1,,wm P(w1,,wm | y1,,yn)
Conclusion :
La reconnaissance vocale est assimile la
reconnaissance des formes, dans notre cas, des formes
acoustiques.
Loutil statistique permettant la reconnaissance vocale
par excellence est le Modle de Markov Cach
Les Modle de Markov Cach sont des modles
riches en proprits et fonds sur des bases
mathmatiques solides.
::
Merci de votre
attention