Contribution à l'apprentissage de Modèles de Markov Cachés pour l'estimation de l'état de santé de systèmes industriels
Abstract
Nous proposons dans cet article une approche d'identification du niveau de dégradation d'un système industriel. Pour cela, nous utilisons des Modèles de Markov Cachés (MMCs) comme outil de pronostic. Dans cette étude, nous nous sommes focalisés sur la mise en compétition de plusieurs modèles. Une nouvelle stratégie d'apprentissage a été développée. Cette dernière consiste à apprendre le « contraire » des séquences (ou formes) que nous cherchons à identifier. Par la suite, nous cherchons le non-modèle qui ressemble le moins à la séquence à identifier.
Fichier principal
6B - Contribution à l’apprentissage de Modèles de Markov Cachés pour l’estimation de l’état de santé de systèmes industriels.pdf (857.51 Ko)
Télécharger le fichier
Origin : Publisher files allowed on an open archive