Institut Supérieur de Gestion Tunis

Réseaux Bayésiens-Modèle de
Markov Caché

Réalisé par: Sassi Najla

najla_sassi@hotmail.fr

1
 Réseaux Bayésiens-Définition

 Outil puissant pour le raisonnement et la

décision sous incertitude;
 Description des dépendances entre les
différents composants d’un système;
 Fusion entre la théorie des probabilités et la
théorie des graphes.

2
 Réseaux Bayésiens-Avantages

 Permettre la gestion de l’ensemble des

données incomplètes;
 Rassembler et fusionner des connaissances de
diverses natures;
 Permettre une représentation graphique
explicite et compréhensible.

3
 Réseaux Bayésiens-Inconvenients
 Utilisation des variables discrètes;
 Difficulté de manipulation;
 Ignorance des évolutions du système dans le
temps. Modèle
Dynamique
Modèle
Statique

4
 Modélisation-1/2
 Une situation dynamique peut être définie par un
enchainement chronologique d’états;

 Chaque état présente la situation du monde à un instant

donné;

 Un système dynamique est décrit par les variables

suivantes:
o Xt: Ensemble de variables non observés (cachés)
décrivant l’état à l’instant t;
o Yt: Ensemble de variables observés à l’instant t
(évidences).
5
 MODÉLISATION 2/2

 Plusieurs techniques de modélisation des

systèmes dynamiques:

HMM KFM

6
 MODÈLE DE MARKOV CACHÉ-DÉFINITION

 Un quadruplet {X,π,A,B};
 X: l’ensemble des états cachés ;
 πi la probabilité que Xi soit à l'état initial ;
 Aij la probabilité de transition : propriété de
Markov A(i,j)=P(Xt=j|Xt-1=i);
 Bi(K)la probabilité d'émettre le symbole k
étant dans l'état Xi ; Bi(k) = P(Yt | Xt ).

7
 MODÈLE DE MARKOV CACHÉ-FORMALISME

Observations K
Y1 Y2 Y3 Y4 Y5 Y6 Y7

Etats internes
(cachés) X1 X2 X3 X4 X5 X6 X7

Une seule variable aléatoire

Tranche de temps

 HMM garde la même structure et les mêmes paramètres à travers le

temps.
8
 MODÈLES FILTRE DE KALMAN-DÉFINITION

 Aussi appelé système dynamique linéaire;

 Possède la même structure qu’un HMM;
 Un estimateur récursif;

 KFM est utilisé pour les variables continues.

9
 HMM & KFM- INCONVÉNIENTS

 Complexité d’échantillonnage élevée;

 Complexité d’inférence élevée;
 Modélisation limitée à une seule variable;
 Beaucoup de paramètres à apprendre.

RBD

10
RÉSEAUX BAYÉSIENS DYNAMIQUES

L’ignorance de
l’aspect La complexité
temporel du calcul
RBD
11