| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Author
| |
| alternative label
| - Contribution to hidden Markov models, metaheuristics for training, new models and dissimilarity visualization
|
| dc:subject
| - Thèses et écrits académiques
- Optimisation mathématique
- Markov, Processus de
- Heuristique
- Permutations (mathématiques)
|
| preferred label
| - Contributions aux modèles de Markov cachés, métaheuristiques d'apprentissage, nouveaux modèles et visualisation de dissimilarité
|
| Language
| |
| Subject
| |
| dc:title
| - Contributions aux modèles de Markov cachés, métaheuristiques d'apprentissage, nouveaux modèles et visualisation de dissimilarité
|
| Degree granting institution
| |
| note
| - In this PhD thesis, we present many contributions aimed at the improvement on the utilization of hidden Markov Models (HMMs) in artificial intelligence systems. We considered three main objectives : improving HMM training, experimenting a new HMM and visualizing interaction among HMMs. In the first part, we propose, evaluate and compare many new adaptations of classic biomimetic metaheuristics (genetic algorithms, API artificial ants algorithm, particle swarm optimization) applied to the problem of HMMs training. In the second part, we propose a new kind of HMM which we named symbols substitution hidden Markov models (SSHMMs). A SSHMM allows an expert to incorporate \textit {a priori} knowledge in the training and the recognition tasks. First experiments with such models show that SSHMMs are of great interests at least for images learning and recognition. In the third part, we propose a new visualization technique to tackle dissimilarity. This technique, which we named the pseudo-euclidean scatterplots matrix (PESM), allows a better understanding of interaction between HMMs. This PESM is built from techniques which we named indefinite kernel principal component analysis (IKPCA). Finally, our research concludes with the description of the HMMTK software library developed along this work. The library integrates parallelization mechanisms and algorithms developed during the thesis.
- Dans ce travail de thèse, nous présentons plusieurs contributions visant à améliorer l'utilisation des modèles de Markov cachés (MMC) dans les systèmes d'intelligence artificielle. Nous nous sommes concentrés sur trois objectifs : l'amélioration de l'apprentissage de MMC, l'expérimentation d'un nouveau type de MMC et la visualisation de dissimilarité pour mieux comprendre les interactions entre MMC. Dans la première partie, nous proposons, évaluons et comparons plusieurs nouvelles applications de métaheuristiques iomimétiques classiques (les algorithmes génétiques, l'algorithme de fourmis artificielles API et l'optimisation par essaim particulaire) au problème de l'apprentissage de MMC. Dans la deuxième partie, nous proposons un nouveau type de modèle de Markov caché, appelé modèle Markov caché à substitutions de symboles (MMCSS). Un MMCSS permet d'incorporer des connaissances \textit{a priori} dans le processus d'apprentissage et de reconnaissance. Les premières expérimentations de ces modèles sur des images démontrent leur intérêt. Dans la troisième partie, nous proposons une nouvelle méthode de représentation de dissimilarité appelée matrice de \textit scatterplots} pseudo-euclidienne (MSPE), permettant de mieux comprendre les interactions entre des MMC. Cette MSPE est construite à partir d'une technique que nous nommons analyse en composantes principales à noyau indéfini (ACPNI). Nous terminons par la résentation de la bibliothèque HMMTK, développée au cours de ce travail. Cette dernière intègre des mécanismes de parallélisation et les algorithmes développés au cours de la thèse.
|
| dc:type
| |
| http://iflastandar...bd/elements/P1001
| |
| rdaw:P10219
| |
| has content type
| |
| is primary topic
of | |
| is rdam:P30135
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
