18/01/2011 Problématique Estimer X ∈ Ω à partir d'informations données par les sources S1, S2,… THÉORIE DES PROBABILITÉS Informations Michèle ROMBAUT Département Images et Signal − imprécises − incertaines Modélisation imperfection Méthodes de fusion Janvier 2011 Fusion par la théorie des probabilités UMR 5216 Approche fréquentiste Théorie des probabilités (objective) Modèle probabiliste le plus ancien et le plus utilisé Modélise l'incertitude aléatoire Pas de notion directe d'imprécision Deux approches différentes : − − 2 approche objectiviste (fréquentiste) : distribution de probabilité d'une variable aléatoire approche subjective : répartition de probabilités image de l'état des connaissances étude statistique du phénomène évaluation de la fréquence d'occurrence d'un événement exemple : jet de dé Ratio de fréquence d'apparition d'une face : 1/6 Janvier 2011 Janvier 2011 Fusion par la théorie des probabilités 3 Approche subjective Fusion par la théorie des probabilités Représentation des imperfections codage de l'état des connaissances confiance dans l'apparition d'un événement exemple : 4 Paul apprend à rouler à vélo, il a beaucoup de "chances" de tomber. Janvier 2011 Représentation de l'incertitude Probabilité déterminée pour chacune des valeurs de l'espace Obtenue : − de façon statistique (fréquentiste) − par apprentissage (fréquentiste) : adaptation − par expertise (subjective) Janvier 2011 Fusion par la théorie des probabilités 5 Fusion par la théorie des probabilités 6 1 18/01/2011 Fusion d'information Représentation de l'incertitude Distribution de probabilités sur l'espace de discernement Ω P : Ω → [0,1] Propriétés : − ∀ A ∈ 2 Ω, 0 ≤ P(A) ≤ 1 − P(Ω ) =1 − ∀ A, B ∈ 2Ω, P(A∪ B) = P(A) + P(B) si A∩ B=∅ − ∀ A, B ∈ 2Ω, P(A) = P(A ∩ B) + P(A ∩B) Distribution catégorique Distribution ignorante (vide) − H a P(H) P(Hi) = 1 P(H i ) = Basée sur l'utilisation du théorème de Bayes Pas de notion de concordance ou de discordance Sources redondantes : même espace de discernement Ω 1 Ω Janvier 2011 Janvier 2011 7 Fusion par la théorie des probabilités Fusion par la théorie des probabilités Fusion d'information 8 Fusion d'information Modèle Source S Source S1 Source S2 probabilité a priori P(Hi) distribution de vraisemblance P(d/Hi)=vd(Hi) distribution de vraisemblance P(d1/Hi)=vd1(Hi) distribution de vraisemblance P(d2/Hi)=vd2(Hi) d : mesure fournie par la source Fusion : probabilité a posteriori Fusion : probabilité a posteriori P ( H i / d1, 2 ) = P( H i / d ) = vd ( H i ) P ( H i ) d j ) P( H j ) vd 1 ( H i ).vd 2 ( H i ) ∑ vd1 ( H j ).vd 2 ( H j ) H j ∈Ω ∑v (H H j ∈Ω Janvier 2011 Janvier 2011 Fusion par la théorie des probabilités 9 Fusion par la théorie des probabilités Propriétés Fusion d'information conjonctive Normalisation Doute et conflit v1 ( H1 ) = 0,5 v1 ( H 2 ) = 0,5 v12 ( H1 ) = 0,5 v2 ( H1 ) = 0,5 v12 ( H 2 ) = 0,5 v2 ( H 2 ) = 0,5 v1 ( H1 ) = 0,1 v1 ( H 2 ) = 1 v12 ( H1 ) = 0,5 v2 ( H1 ) = 1 v12 ( H 2 ) = 0,5 v2 ( H 2 ) = 0,1 Pas de notion de conflit (mesure impossible) ∑ v d 1 ( H j )vd 2 ( H j ) = 0 H j ∈Ω Modélisation similaire pour le doute et le conflit : équirépartition des vraisemblances Janvier 2011 Janvier 2011 Fusion par la théorie des probabilités 10 Fusion par la théorie des probabilités 12 11 2 18/01/2011 Sources complémentaires Exemple : jet de dé Espaces de discernement différents et indépendants − source S1 : espace Ω1 − source S2 : espace Ω2 ensemble de définition Ω={F1, F2, F3, F4, F5, F6} probabilités a priori P(F1)= P(F2)= P(F3)= P(F4)= P(F5)= P(F6) = 1/6 Nouvel espace de discernement Ω12 = Ω1×Ω2 − Source 1 : indique le nombre de point au milieu discret : couples Source 2 : indique le nombre de points sur un coté Janvier 2011 Janvier 2011 Fusion par la théorie des probabilités 13 Sources Processus de raffinement Source 1 : Ω1={0 p1, 1 p1} Source 2 : Ω2={0 p2, 1 p2, 2 p2, 3 p2} Source S2 0pt : {F1} 1pt : {F2, F3 } 2pt : {F4, F5 , F6} 3pt : {F6} Source S1 0pt : {F 2, F4, F6 } 1pt : {F 1, F3, F5 } 14 Fusion par la théorie des probabilités Espace de discernement Ω = {F1, F2, F3, F4, F5, F6} avec − F1= (1 p1 , 0 p2) − F2= (0 p1 , 1 p2) − F3= (1 p1 , 1 p2) − … Janvier 2011 Sans signification : (0 p1 ,0 p2) ; (1 p1, 3 p2) Janvier 2011 Fusion par la théorie des probabilités 15 Processus de raffinement Fusion par la théorie des probabilités 16 Fusion modèle – mesure Probabilité conditionnelle 0 p2 0 p1 ∅ 1 p1 p(point/face) = vpoint(face) Probabilité a priori F1 1 p2 F2 F3 2 p2 F4 3 p2 F6 F5 ∅ 0 point 1 point F1 p(0 p 1/F 1) = 0 p(1 p 1 /F 1 ) = 1 F2 p(0 p 1/F 2) = 1 p(1 p 1 /F 2 ) = 0 F3 p(0 p 1/F 3) = 0 p(1 p 1 /F 3 ) = 1 p(F3)= 1/6 F4 p(0 p 1/F 4) = 1 p(1 p 1 /F 4 ) = 0 p(F4)= 1/6 F5 p(0 p 1/F 5) = 0 p(1 p 1 /F 5 ) = 1 F6 p(0 p 1/F 6) = 1 p(1 p 1 /F 6 ) = 0 p(face) p(F1)= 1/6 p(F2)= 1/6 p(F5)= 1/6 p(F6)= 1/6 Janvier 2011 Janvier 2011 Fusion par la théorie des probabilités Fusion par la théorie des probabilités 18 17 3 18/01/2011 Fusion modèle-mesure Fusion mesure-mesure Source 1 : 1 point Source 1 : 1 point F3 F5 1 point ∑ p(1 point / Fi ). p( Fi ) = 3 / 6 F1 p(1 p1/F1) = 1 F1 p(1 p2/F1) = 0 Fi F2 p(1 p1/F2) = 0 F2 p(1 p2/F2) = 1 F3 p(1 p1/F3) = 1 F3 p(1 p2/F3) = 1 p(F 1 /1 p 1 ) = p(1 p 1 /F 1 ). p(F 1 ) . 2 = 1/3 F4 p(1 p1/F4) = 0 F4 p(1 p2/F4) = 0 p(F 3 /1 p 1 ) = p(1 p 1 /F 3 ). p(F 3 ) . 2 = 1/3 F5 p(1 p1/F5) = 1 F5 p(1 p2/F5) = 0 p(F 5 /1 p 1 ) = p(1 p 1 /F 5 ). p(F 5 ) . 2 = 1/3 F6 p(1 p1/F6) = 0 F6 p(1 p2/F6) = 0 1 point F1 Source 2 : 1 point 1 point p((1point,1point)/F3) = v(1point,1point)(F3) = 1 Janvier 2011 Janvier 2011 19 Fusion par la théorie des probabilités Vraisemblance conditionnelle Mesure x dans l'espace continu Hypothèse Hi ∈ Ω 20 Fusion par la théorie des probabilités Vraisemblance conditionnelle Densité de probabilité p(x/Hi) Distribution Gaussienne : moyenne µi, variance σi2 Modèle de représentation − statistique : apprentissage supervisé − subjective : modélisation d'une connaissance experte p(x/Hi) σ? µι Janvier 2011 Janvier 2011 Fusion par la théorie des probabilités Fusion par la théorie des probabilités 22 21 Fusion modèles –mesure Fusion d'information Mesure d Distribution de vraisemblance : Modèle Source S densités de probabilité a priori p(Hi) densités de vraisemblance p(d/Hi)=vd(Hi) ∀ Hi ∈ Ω , vd (Hi ) = p (d /Hi) Fusion : densité de probabilité a posteriori p(d/Hi) Hi-1 Hi d P( H i / d ) = vd ( H i ) P ( H i ) ∑ vd ( H j ) P( H j ) H j ∈Ω Ω Janvier 2011 Janvier 2011 Fusion par la théorie des probabilités 23 Fusion par la théorie des probabilités 24 4 18/01/2011 Extension au cas continu Vraisemblance conditionnelle b P([ a, b] / d ) = ∫ p( x / d ) dx Espace de définition : espace de discernement Ω a Probabilité que X ∈ [a,b], si la mesure est d. Hypothèse : connaissance statistique sur la mesure d Densité de probabilité p(x/d) Distribution Gaussienne : moyenne d, variance σ2 Représentation de l'imprécision : définition d'une densité de probabilité − Distribution de probabilité gaussienne − Moyenne d, − Précision de la source σ p(x/d) σ Janvier 2011 Janvier 2011 Fusion par la théorie des probabilités Fusion par la théorie des probabilités 26 25 Fusion d'information Résultat en 1D Source S1 Source S2 distribution de vraisemblance P(d1/x)=vd1(x) distribution de vraisemblance P(d2/x)=vd2(x) σ < σ1 σ < σ2 σ1 Fusion : densité de probabilité a posteriori σ2 vd 1 ( x).vd 2 ( x) p ( x / d1, 2 ) = ∫v d1 ( y ) vd 2 ( y ) y∈Ω Janvier 2011 Janvier 2011 Fusion par la théorie des probabilités Exemple en 1D Estimation de x (état réel) Mesures d1 , d2 Précisions σ1 , σ2 Gaussienne résultante : d1 σ1 + Moyenne X= − Précision 1 = 1 σ d2 28 Conclusion − Fusion par la théorie des probabilités 27 Incertitude modélisée par une probabilité Pas de notion directe d'imprécision : chaque élément de Ω est possible. Confusion entre doute et conflit de sources σ2 σ1 + σ 2 1 1 σ1 + σ 2 1 Janvier 2011 Janvier 2011 Fusion par la théorie des probabilités 29 Fusion par la théorie des probabilités 30 5