Reconnaissance supervisée et non supervisée de lois à partir d'échantillons finis
Abstract
Dans cet article, nous abordons le problème de la reconnaissance de lois de probabilité à partir d'échantillons variant de 100 à 10 000 ou plus. Le contexte applicatif porte sur la modélisation de canaux radio-mobile en situation de visibilité ou de non-visibilité directe entre émetteur et récepteur. Ce problème est crucial pour améliorer les communications numériques. Dans la communauté des transmissions numériques, il est courant d'utiliser la distance de Kolmogorov-Smirnov. Plus rarement, une méthode à noyau est considérée avant le test comparatif. Nous proposons d'utiliser les critères d'information (IC), d'une part pour approcher les lois de probabilité par un histogramme, et d'autre part pour sélectionner le meilleur modèle de loi. Nous étudions les cas supervisé et non supervisé et comparons les méthodes dans ces situations réalistes. Les résultats montrent l'intérêt d'utiliser les méthodes exploitant les IC.