Algorithmes évolutionnaires dans les systèmes de parole

Republique Algerienne Democratique et Populaire
Ministere de l^'Enseignement Superieur et de la Recherche Scientifique

Universite Abderrahmane Mira de Bejaia
Faculte des Sciences Exactes
Departement d^'Informatique

Mémoire de Master Recherche

Informatique
^SpécialitéRéseaux et Systèmes Distribués

Th`eme

Algorithmes Evolutionnaires

dans les Systèmes de Parole

Présenté par : Mohamed Oulmahdi

Devant le jury composé de :

Mme	Rabiha Zeblah	Présidente	Université de Béjaia
M.	Abdennour Mekhmoukhe	Examinateur	Université de Béjaia
Mlle	Soraya Tighidet	Examinatrice	Université de Béjaia
Mlle	Zahira Benkhellat	Encadreur	Université de Béjaia

A mes parents

et à toute personne qui m'est chère.

Merci à tous ceux qui ont contribué de près ou de loin à la réalisation de ce travail.

Résumé

La nature variable du signal de la parole fait que son traitement, dans ses différents niveaux, soit une tâche très difficile. Etant donné qu'il n'existe pas de méthodes exactes pour traiter cette variabilité, les systèmes de parole ont toujours recours à des méthodes d'approximation. Dans ce travail, nous avons étudié les possibilités d'application d'une famille de ces méthodes d'approximation connue sous le nom d'Algorithmes évolutionnaires. Ce sont des méthodes qui reposent sur le principe d'évolution et de sélection naturelles. Nous avons réalisé une étude comparative entre deux méthodes particulières de cette famille : les stratégies d'évolution et la programmation génétique après avoir proposé des possibilités de mise en oeuvre dans les systèmes de parole pour chacune d'elle.

A l'issue de cette étude, nous avons constaté que la puissance de chaque méthode se situe dans la catégorie des problèmes à laquelle elle a initialement été conçue. Les stratégies d'évolution offrent des possibilités importantes en optimisation, et peuvent être appliquées efficacement dans la phase de reconnaissance. La programmation génétique quant à elle, peut améliorer la qualité d'apprentissage et des traitements linguistiques, vu ses performances en matière de développement automatique des programmes.

Abstarct

The variable nature of the speech signal makes that its treatment, in its different levels, is a very difficult task. Since exact methods don't exist to treat this variability, the speech systems always have resort to approximation methods. In this work, we studied the possibilities of application of a family of these approximation methods known as evolutionary algorithms. These are the methods that rest on the principle of natural evolution and selection. We realized a comparative survey enters two particular methods of this family : the evolution strategies and the genetic programming after having proposed possibilities of implementation in the speech systems for each of her.

At the end of this survey, we noted that the power of every method is located in the category of the problems to which it has been initially conceived. The evolution strategies offer important possibilities in optimization, and can be applied efficiently in the phase of recognition. The genetic programming as for her, can improve the quality of learning and linguistics treatments, seen its performances concerning automatic development of programs.

Résumé i

Abstract ii

Table des matières iii

Table des figures v

Introduction 1

1 Signal et Traitement de la parole 3

1.1 Généralités sur les signaux 3

1.2 Le signal vocal 4

1.2.1 Caractéristiques déterminantes 4

1.2.2 Informations véhiculées par la parole 5

1.2.3 Niveaux de complexité 6

1.3 Traitement de la parole 7

1.4 Niveaux de traitement 8

1.4.1 Niveau acoustique 8

1.4.2 Niveau phonétique 9

1.4.3 Niveau phonologique et morphologique 10

1.4.4 Niveaux syntaxique, sémantique et pragmatique 11

1.5 Processus de traitement 11

1.5.1 Prétraitement 12

1.5.2 Extraction des paramètres 13

1.5.3 Représentation du signal de la parole 14

1.6 Modèles de reconnaissance 15

1.6.1 Modèles markoviens 15

1.6.2 Modèles de classification 16

1.6.3 Modèles à comparaison dynamique 16

1.6.4 Autres modèles 18

1.7 Apprentissage 19

		Table des matières
2	1.8 Traitements linguistiques de haut niveau 1.9 Conclusion Algorithmes évolutionnaires		20 22 23
	2.1	Principes d'inspiration	23
	2.2	Cycle de base d'un algorithme évolutionnaire	24
	2.3	Principales familles	24
		2.3.1 Algorithmes génétiques	24
		2.3.2 Programmation génétique	26
		2.3.3 Stratégies d'évolution	26
		2.3.4 Programmation évolutionnaire	26
	2.4	Population et représentation des individus	27
	2.5	Evaluation et Sélection	29
		2.5.1 Sélection par roulette	29
		2.5.2 Sélection par rang	30
		2.5.3 Sélection steady-state	30
		2.5.4 Sélection par tournoi	30
		2.5.5 Elitisme	30
		2.5.6 Sélection de seuil	31
	2.6	Reproduction	31
		2.6.1 Création et duplication	31
		2.6.2 Mutation	31
		2.6.3 Recombinaison	32
	2.7	Application dans les systèmes de parole	32
	2.8	Avantages et inconvénients	34
	2.9	Conclusion	35
3	Stratégies d'évolution et Programmation génétique		36
	3.1	Stratégies d'évolution	36
		3.1.1 Populations dans les SE	36
		3.1.2 Evolution différentielle	37
		3.1.3 Sélection	37
		3.1.4 Mutation	37
		3.1.5 Recombinaison	38
		3.1.6 Auto adaptation	39
		3.1.7 Mise en oeuvre dans les systèmes de parole	40
	3.2	Programmation génétique	41
		3.2.1 Population	41
		3.2.2 Evaluation et sélection	42

3.2.3 Reproduction 43

3.2.4 Programmation génétique linéaire 46

3.2.5 Approches basées sur les graphes 47

3.2.6 Mise en oeuvre dans les systèmes de parole 47

3.3 Conclusion 48

4 Analyse comparative 49

4.1 Objectifs 49

4.2 Spécificité 50

4.3 Exploitation et exploration 53

4.4 Représentation des individus 55

4.5 Opérateurs de reproduction 57

4.6 Récapitulatif 58

4.7 Conclusion 59

Conclusion et Perspectives 60

Bibliographie 62