55
PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance * Autres divergences *Régularisation classique * Méthodes

PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Embed Size (px)

Citation preview

Page 1: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

PROBLEMES INVERSES

DECONVOLUTION ET AUTRES

H.Lantéri

LUAN

Plan

* Généralités et difficultés des problèmes inverses

* Maximisation de la Vraisemblance

* Autres divergences

*Régularisation classique

* Méthodes

Page 2: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Les grandeurs en présence

Dans ce type de problèmes, 3 grandeurs interviennent

*La grandeur d’entrée « x »

*La grandeur de sortie

*Le modèle (traduit la transformation entrée/sortie)«H»

- S’il n’y a pas de bruit :

- Si le modèle est linéaire:

y~

)(~ xHy

Hxy ~

Page 3: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Une question de vocabulaire

• L’entrée « x » est connue, la transformation (H) est connue, on sait calculer (non bruité).

C’est le problème direct.

• On connaît « x », on connaît « y » (une version bruitée de ), on cherche à décrire « H » par un ensemble de paramètres.Parfois « x » et « H » ne sont pas clairement distincts.

C’est un « ajustement de modèle ».

• On connaît « y », on connaît « H », on cherche à retrouver « x »

C’est de la « restauration de données ».

y~

y~

Page 4: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Quelles difficultés ?

Les problèmes inverses sont en général des problèmes mal-posés au sens de Hadamard:

* La solution peut « ne pas exister »

* La solution peut « ne pas être unique »

* La solution peut « ne pas être stable » vis-à-vis des erreurs de mesure.

Si aucune de ces difficultés n’existe, le problème est « bien posé ».

Page 5: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Le problème est en général formulé dans l’espace des fonctions continues

Une étape inévitable est la discrétisation du problème.

Cette étape ne supprime pas les difficultés car la solution du problème discrétisé n’est pas stable vis-à-vis des erreurs de mesure

Dans le cas d’un modèle linéaire (Ex. convolution), on doit résoudre en « x », un problème de la forme y = Hx

Mais la matrice H est mal conditionnée (i.e. elle est proche de la singularité)

Comment se traduit ce mauvais conditionnement ?

Page 6: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Illustration du cas non-bruité: 2 inconnues

1x

2x

1x

2x

1x

2x

1 équation, infinité de solutions; on prend p.ex. celle de norme minimale ou encore celle d’entropie maximale

2 équationsSolution unique

3 équations pas de solution au sens classique du terme; on peut chercher p.ex. , en guise de solution le couple qui

minimise

21, xx2~ Hxy

Page 7: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

2221212

2121111

~

~

xhxhy

xhxhy

1x

2x

*1x

*2x

Page 8: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

1x

2x

*1x

*2x

Page 9: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

1x

2x

*1x

*2x

Page 10: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

1x

2x

*1x

*2x

Page 11: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

2x

1x

*1x

*2x

Page 12: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

22212122

21211111

~

~

xhxhy

xhxhy

1x

2x

*1x

*2x

Page 13: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

1x

2x

*1x

*2x

Page 14: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

1x

2x

*1x

*2x

Page 15: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

1x

2x

*1x

*2x

Page 16: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

1x

2x

*1x

*2x

Page 17: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

*1x

1x

2x*2x

Page 18: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

10 7 8 7

7 5 6 5

8 6 10 9

7 5 9 10

?

?

?

?

32

23

33

31

=

Un autre petit exemple simple (en apparence)

x

1

1

1

1

La solution est:

Page 19: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

On perturbe (un peu) les données, c.à.d. le second membre

32

23

33

31

0.01

-0.01

0.01

-0.01

32.01

22.99

33.01

30.99

+ =

La solution est alors 1.82 au lieu de 1

-0.36 au lieu de 1

1.35 au lieu de 1

0.79 au lieu de 1

Page 20: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Une perturbation (en valeur relative) du second membre de: 3 10-4

A pour conséquence:

Une perturbation (en valeur relative) de la solution de: 0.8

L’erreur a été amplifiée d’un facteur………. 2500……Ho là

Surprenant ??...........Non, pas vraiment

Parce que le nombre de condition de la matrice est de 3000 env.

Page 21: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 22: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 23: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 24: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 25: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 26: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 27: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 28: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 29: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 30: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 31: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 32: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 33: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 34: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *
Page 35: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Modèle Physique

Effetinstrumental

Modèle simulé

Processus expérimental

Processus Physique

Effetinstrumental

Bruit

L’effet instrumental est connu, le bruit n’est pas nécessairement additif.

Pour trouver les paramètres inconnus du modèle physique, on compare yi et m{x)}i , pour tout « i »

Spectre simuléNon – bruité

{m(x)}i

Spectre bruité

yi

Paramètres inconnus

Page 36: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

On doit disposer d’une fonction (scalaire) permettant de chiffrer l’écart entre 2 champs de données « pi » et « qi »: D(p,q)

D(p,q) doit être positive si p différent de q

D(p,p)=0

D(p,q) doit être convexe en « p » et en « q »

On parle alors de « Divergence »

Si, en plus, D(p,q) respecte l’inégalité triangulaire, c’est une distance, mais pour notre usage, ce n’est pas indispensable.

),(),( ii

i qpDqpD

Ce sera donc une fonction d’écart entre mesures et modèle:

))(,())(,( ii

i xmyDxmyD

Page 37: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Solution correspondant au Maximum de Vraisemblance:

Dans ce cas, on fait intervenir les propriétés statistiques du bruit de mesure, c’est-à-dire qu’on connaît l’expression de p(y/x), et on cherche la valeur de « x » qui correspond au Maximum de p(y/x); dans chaque pixel, la mesure bruitée « yi » est reliée au modèle « {m(x)}i » qui est la moyenne du processus.

De plus,

)/(min)/( xypLogxypMax

i i

ii xmyxypLogxJ

2

2

1

)(

2

1)/()(

*Bruit Gaussien additif, indépendant entre les pixels

Remarquons que J(x) est définie pour tout « x », ce ne sera pas toujours le cas

)/()/( ii

i xyPxyP

Page 38: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Cas d’une insuffisance statistique - Bruit de POISSON - indépendant entre les pixels

ii i

yi xm

y

xmxyp

i

)(exp!

)()/(

ii

iii

i xm

yLogyyxmxJ

)()()(1

Du point de vue de la solution, minimiser J(x) est équivalent à minimiser:

iiii

i xmLogyyLogxmxJ )()!()()(1

C’est une I-Divergence de Csiszär adaptée à des champs de données qui ne sont pas des lois de probabilités.

J(x) bien que convexe, n’est plus quadratique, il reste donc à chercher « x », mais alors là, il faut le faire avec prudence car J(x) n’est pas définie pour tout « x ».

Page 39: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Les 2 « fonctions objectifs » qui apparaissent dans la maximisation de la vraisemblance sont des distances ou des divergences;

Il en existe beaucoup d’autres; elles sont toutes fondées sur les propriétés de fonctions convexes f(u).

i

i

iif q

pfqqpC ),(

q

qpqp

22 ),(

1)( 2 uufEx: s’appuie sur

Divergences de Csiszär:

convexe

éventuellement

)(uf

0)1( f

0)1(' f

Page 40: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

iiiiif qpfqfpfqpJ

qpfqfpf

))1(()()1()(),(

0))1(()()1()(

Symétrique, convexe sous certaines conditions pour « f »

Divergences de Jensen: fondées sur l’inégalité de Jensen pour les fonctions convexes

On doit avoir 0 < α <1; le cas classique est α = 1/2

Page 41: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

iiiiiif qfqpqfpfqpB

qfqpqfpf

)()()()(),(

0)()()()(

'

'

Divergences de Bregman: fondées sur l’inégalité

Toujours convexe par rapport à « p » (le 1° argument), mais pas nécessairement par rapport à « q » (le 2° argument)

Ex: l’écart quadratique moyen basé sur f(u) = u2

Page 42: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Cette classification est artificielle, en effet, une divergence de Jensen ou de Bregman peut être aussi une divergence de Csiszär.

L’important est de se rendre compte qu’il y a beaucoup de façons de chiffrer l’écart entre deux champs de données.

Mais alors, laquelle choisir ? Arguments ???

Ex de réponse: On prend la même que les autres (comme ça on ne risque rien)…………………………Prudent ou timide

On choisit la plus jolie………………………..Esthète

On pense que tout ça conduira au même résultat et on prend la plus simple à calculer…. Pas idiot du tout

On essaie de s’appuyer sur les principes de la théorie de l’information…….....Raisonnable mais pas simple

Page 43: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

REGULARISATION EXPLICITE

---------------- Vraisemblance

---------- Probabilité « a posteriori »

-------------- Probabilité « a priori »

-------------- Constante de normalisation

)/( xyP)/( yxP

)(xP)(yP

Théorème de Bayes)(

)()/()/(

yP

xPxyPyxP

Point de vue Bayesien

Elle permet de restreindre l’espace des solutions à une classe particulière

Page 44: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

La classe des solutions acceptables est décrite par l’expression de P(x).

)/( yxp

Après quoi, il faudra maximiser en « x », la loi « a posteriori », ou bien minimiser l’opposé de son Log,

Point de vue énergétique : )()(),( 21 xJxJxJ

)()/()/( xpLogxypLogyxpLog

Terme d’attache aux données # Vraisemblance

Pénalité # loi “a priori “

Facteur de régularisation; traduit le poids relatif de J1 par rapport à J2

)(2 xJ

)(1 xJ

P(x) permet d’introduire toutes les informations connues sur la solution, i.e. toutes celles qui n’apparaissent pas dans la vraisemblance

Page 45: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Dans ce dernier contexte, dans le terme J2(x) on doit dire « ce qu’on ne veut pas », puis, « μ » permettra de dire « jusqu’à quel point on n’en veut pas ».

2

2 )( pxxJ ici, p = Cte, c’est la solution « a priori », ou solution par défaut

2

2 )()( xxJ s22

2 )( AxxxxJ

* Méthode de Tikhonov: on ne veut pas de solution instable, ce qui fait dire « on veut des solutions douces »

Ex: Dans le cas de la restauration d’image (déconvolution, tomographie), et de façon générale dans toutes les situations ou l’inconnue est une fonction possédant des propriétés connues de douceur

Le terme de pénalité peut s’écrire:

Page 46: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Dans ce dernier cas, Δx correspond à la convolution de « x » par le masque Laplacien , Ax est la solution par défaut, c’est une version de la solution lissée par le masque MA

0410

41141

0410

L

0410

41041

0410

AM

L’important est de comprendre qu’il y a toujours une « solution a priori » et que J2 chiffre un écart entre la solution « x » et la solution « a priori ».

Ici, cet écart est exprimé par une norme Euclidienne, mais il y a d’autres possibilités, à la fois:

dans la façon d’exprimer cet écart

dans la solution « a priori » elle-même, bien sûr.

Page 47: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

*Une autre possibilité : la divergence de Kullback (entropie croisée)

iii

i

ii xp

p

xLogxxJ )(2

Ici, la solution « a priori » est à nouveau une constante : p (différente de 0, sinon…), mais on peut aussi bien utiliser le « Ax » vu précédemment, ou tout autre « a priori » qui aurait la même signification (une version lissée de « x »).

Sans mésestimer l’importance de cet aspect du problème, on peut penser que le point le plus important est sans doute dans la formalisation du « prior »

Il est bien clair, que toutes les divergences envisagées précédemment peuvent être utilisées.

Il s’agit de chiffrer un écart entre la solution proposée et une solution « a priori ».

Page 48: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

En ce qui concerne le facteur de régularisation « μ »

Dans le cas de la reconstruction d’image, les différentes méthodes proposées pour déterminer « μ », par exemple la validation croisée « ordinaire » ou la validation croisée généralisée, conduisent à des valeurs trop fortes, la solution est trop lisse.

En général, on procède par essais successifs…….

Page 49: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

METHODES

Utilisables seulement

- Si la « fonction objectif » est convexe vis à vis des paramètres inconnus

- Si on sait calculer le gradient de la « fonction objectif »

- Si on sait prendre en compte le problème des contraintes

- Ici, on a une « méthode simple » (une stratégie) pour proposer des « candidates » solutions

Toutes les méthodes sont fondées sur le même schéma:

1 - on propose des « candidates » solutions convenablement contraintes

2 - on teste leur qualité en évaluant la fonction objectif

I - Méthodes de descente (ce sont des méthodes locales)

Page 50: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

II – Méthodes par essais successifs Ex: Recuit simulé, algorithmes génétiques

Ce sont des méthodes globales, elles sont toujours utilisables, mais particulièrement adaptées si:

- La fonction objectif est :

* Non convexe

*Non différentiable

*Non continue

- Le problème est compliqué ou impossible à résoudre analytiquement

Simples à mettre en œuvre

En général coûteuses en temps calcul car elles exigent pour chaque solution proposée, une simulation et une évaluation de la « fonction de coût »

Page 51: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Recuit simulé (Simulated annealing) (Métropolis)

1 - Déterminer (selon une procédure connue ), un paramètre qui joue le rôle de température initiale T0

2 - Choisir aléatoirement un vecteur initial des paramètres inconnus, soit Ei la fonction de coût correspondante

3 - Perturber d’une « petite quantité » l’un des paramètres et calculer la fonction de coût correspondante, soit Ef

-Si Ef < Ei, on accepte la nouvelle configuration

-Si Ef > Ei Calculer……………………………..

Comparer Z à un nombre aléatoire R tiré uniformément sur (0,1), - Si Z > R …………Accepter la perturbation

- Si Z < R …………Rester dans l’état antérieur

T

EEExpZ if

4 - Répéter ces opérations pour que toutes les composantes du vecteur d’inconnues soient perturbées un grand nombre de fois

Page 52: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

5 - L’examen de la courbe d’évolution du « coût » au cours des perturbations permet de stopper le processus de perturbation lorsque le coût atteint une valeur à peu près constante (Seuil).

Alors, retenir le vecteur solution atteint et la valeur de la fc. de coût; ils seront utilisés comme point de départ du prochain cycle

6 - Diminuer la température, d’une quantité faible, selon une loi de décroissance fixée (plusieurs variantes)

7 - Recommencer le processus de perturbations pour cette nouvelle température.

8 - Arrêter tout lorsqu’une nouvelle diminution de température ne permet pas de faire évoluer notablement la fonction de coût

Dans cette méthode, on ne fait évoluer qu’un seul vecteur solution

Accepter des solutions qui ne diminuent pas la fc. de coût permet de sortir des minima locaux

Page 53: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Méthodes génétiques (Ex: Differential Evolution)

I – INITIALISATION: On construit une « population initiale »

C’est un ensemble d’individus, i.e. de « vecteurs » contenant les paramètres inconnus

II – MUTATION: On se donne une règle qui permet, pour chaque « individu », de créer un vecteur « donneur » à partir des individus

III – RECOMBINAISON:

Pour chaque « individu » et chaque « donneur » (1 pour 1),

on choisit (suivant une règle),

quels paramètres d’un « individu » sont à remplacer par leurs homologues du « donneur ».

Le résultat de ces opérations est un « vecteur d’essai »

IV – SELECTION : Décision (selon une règle) de remplacement d’un « individu » par le « vecteur d’essai » correspondant

Page 54: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

La sélection étant terminée, on a obtenu la génération suivante, et on recommence…..

Question: Quand doit-on s’arrêter ?

Réponse:

1 – On s’est fixé un nombre Max. de générations ????

2 – On se fixe une règle portant sur les valeurs de la fonction de coût des individus d’une génération

3 - …………..

Il n’y a pas de démonstration de la convergence de ces méthodes.

Elles sont comparées les unes aux autres sur un « banc test » de fonctions dont la solution est connue.

Beaucoup de variantes qui diffèrent sur des points de détail de chacune des règles

Page 55: PROBLEMES INVERSES DECONVOLUTION ET AUTRES H.Lantéri LUAN Plan * Généralités et difficultés des problèmes inverses * Maximisation de la Vraisemblance *

Voilà, c’est fini

Mais, ……..

tout peut (doit) se discuter