La modélisation stochastique utilise des modèles probabilistes tels que les Modèles de Markov Cachés pour traiter de problèmes comportant des informations incomplètes ou incertaines. Les Modèles de Markov cachés (ou HMM) sont particulièrement intéressant pour traiter de signaux quasi-stationnaires et peuvent donc être utilisés pour la détection et la prédiction de certains événements. Ainsi ces modèles sont-ils bien adaptés pour l'étude des séries temporelles ; ils permettent de travailler avec nombre de distributions de probabilités classiques. Leur coût d'implantation linéaire par rapport à la taille des données ainsi que d'autres propriétés tout aussi intéressantes font des HMM une méthode attractive dans divers champs d'application.

Bien qu'introduits à la fin des années 60 et au début des années 70, les HMM sont devenus très populaires ces dernières années. Il y a deux raisons essentielles à cet engouement : ces méthodes sont très riches sur le plan des structures mathématiques et peuvent donc former la base théorique nécessaire à leur utilisation dans un large champ d'applications ; ces modèles, quand ils sont correctement implantés, fonctionnent très bien sur le plan pratique pour des applications de grande taille.

A l'heure actuelle, notre contribution dans ce domaine peut-être résumé ainsi :

• application de techniques d'optimisation pour l'apprentissage des HMM (nous mentionnons ici notre nouvel algorithme d'apprentissage basé sur la technique du recuit simulé) ;
• création, dans l'environnement SciLab de simulation, d'une boîte à outils sur les HMM et d'autres boîtes à outils portant sur des applications utilisant les HMM (ces boîtes à outils sont distribuées gratuitement dans le cadre du projet SciLab) ;
• application des HMM aux problèmes de diagnostic dans les systèmes dynamiques industriels et dans certains systèmes biologiques.