Auswahl der wissenschaftlichen Literatur zum Thema „Réseau de neurone a valeurs complexes“

Identifier tous les processus physiques élémentaires du cycle hydrologique qui peuvent avoir lieu dans un bassin versant et attribuer à chacun d'eux une description analytique permettant la prévision conduisent à des structures complexes employant un nombre élevé de paramètres difficilement accessibles. En outre, ces processus, même simplifiés, sont généralement non linéaires. Le recours à des modèles à faible nombre de variables, capables de traiter la non-linéarité, s'avère nécessaire. C'est dans cette optique que nous proposons une méthode de modélisation de la relation pluie et débit basée sur l'utilisation de réseaux neuronaux. Les performances de ces derniers dans la modélisation non linéaire ont été déjà prouvées dans plusieurs domaines scientifiques (biologie, géologie, chimie, physique). Dans ce travail, nous utilisons l'algorithme de la rétropropagation des erreurs avec un réseau à 3 couches de neurones. La fonction de transfert appliquée est de type sigmoïde. Pour prédire le débit à un moment donné, on présente à l'entrée du réseau des valeurs de pluies et de débits observés à des instants précédents. La structure du réseau est optimisée pour obtenir une bonne capacité prévisionnelle sur des données n'ayant pas participé au calage. L'application du réseau à des données pluviométriques et débimétriques du bassin de l'oued Beth permet d'obtenir de bonnes prévisions d'un ou plusieurs pas de temps, aussi bien journalières qu'hebdomadaires. Pour les données n'ayant pas participé au calage, les coefficients de corrélation entre les valeurs observées et les valeurs estimées par les différents modèles sont élevés. Ils varient de 0.72 à 0.91 pour les coefficients de corrélation de Pearson et de 0.73 à 0.95 pour les coefficients de Spearman.

Ce travail a pour objectif d’analyser et d’évaluer l’effet de la bathymétrie sur la surface de la mer par la méthode numérique et de modéliser les données de simulations par réseau de neurone et neuro-flou. Les simulations numériques sont effectuées à l’aide du logiciel Ansys Fluent qui utilise la méthode de Volume of Fluid et le modèle de turbulence ; les données sont traitées sur Matlab. Nous avons déterminé sept simulations (M0, M1, M2, M3, M4, M5 et M6). Les résultats ont montré que la morphologie (hauteur maximale) et le comportement (position de la hauteur maximale et position de déferlement) des vagues varient en fonction de la hauteur de l’obstacle. Les modèles par intelligences artificielles, sont excellents avec des valeurs de l’ erreur quadratique moyenne faibles et les critères de Nash sont supérieurs à 90%.

La propriété associative des réseaux neurologiques artificiels et de leur capacité inhérente d’apprendre et identifier des rapports fortement non linéaires et complexes, les trouve idéalement convenus à une étendue des applications large dans le domaine du froid direct et indirect. Cet article traite les applications potentielles des réseaux neurones artificiels dans la particularité des problèmes thermiques soulevés par l’utilisation des fluides frigoporteurs diphasiques, tels que les coulis de glace (mélange de solutions binaires aqueuses et de cristaux de glace) dans les installations de distribution du froid. L’utilisation de ce type d’installation permet de diminuer, les quantités des fluides frigorigènes traditionnels, ainsi que les problèmes qu’ils engendrent, de réduire les volumes de stockage et les consommations d’électricité. La stratégie d’obtention du RN s'articule sur l'élaboration d'un programme sur MATLAB, comportant plusieurs boucles où on fait varier les algorithmes d’apprentissages, les fonctions d’activations, le nombre de couches cachées et le nombre de neurones dans chaque couche, afin de minimiser la fonction du coût sous contrainte d’une erreur relative fixée. Le modèle neuronal conçu a permis d’une part de reproduire avec une très bonne précision les données expérimentales tirées directement de littérature et d’autre part une estimation meilleure et plus précise des valeurs calculées par rapport aux modèles classiques (basé sur la formulation générale de la méthode enthalpique) des transferts thermiques dans le cas des solutions binaires dispersées sous forme d’émulsions ou de mini-émulsions subissant un changement de phase tirées directement de littérature.

La contamination croissante des eaux souterraines par les fertilisations agricoles nécessite une gestion efficace de ces ressources impliquant l'utilisation combinée d'outils informatiques et de suivis de terrain. Le modèle AgriFlux a été développé afin de combler une lacune existant entre les modèles de recherche très complexes et les modèles de gestion peu flexibles. AgriFlux est un modèle de type mécaniste-stochastique, c'est-à-dire utilisant une représentation conceptuelle des mécanismes combinée à une prise en compte de la variabilité des paramètres et processus. Il permet l'évaluation de la contamination potentielle des eaux souter- raines par les fertilisants agricoles. Les modules HydriFlux (bilan hydrique) et NitriFlux (cycle de l'azote) sont actuellement disponibles. Une application du modèle est présentée dans l'optique de la gestion environnementale d'un système agricole. Le site expérimental étudié est localisé près de la ville de Québec (Canada). Il s'agit d'un limon sableux sous culture de maïs sucré (Zea Mays, L.) et recevant des fertilisations inorganiques selon les doses recommandées. Un échantillonnage de l'eau interstitielle a été réalisé sur un réseau de lysimètres avec tension durant deux saisons végétatives ainsi qu'un échantillonnage du sol durant un été. Le contenu en nitrates est déterminé dans les deux cas. Les concentrations en nitrates dans les eaux interstitielles simulées à l'aide d'AgriFlux représentent relativement bien les concentrations mesurées. Les différences observées peuvent être expliquées en partie par les conditions de grande sécheresse ayant prévalu durant la période d'étude. Les contenus en nitrates mesurés dans le sol sont moins bien représentés par le modèle. En début de saison, les variations rapides des contenus en nitrates observées au champ ne sont pas reproduites par le modèle alors que les valeurs de fin de saison sont mieux obtenues par le modèle. Malgré ces différences, la concordance au niveau des ordres de grandeur des concentrations dans l'eau obtenues du modèle et des mesures de terrain confirme l'intérêt d'un tel outil pour la gestion environnementale des contaminations agricoles des eaux souterraines.

Des systèmes complexes (Morin) et interconnectés mondialement génèrent des signes alarmants qui nous interpellent cruellement. Ils se déclinent dans de multiples crises systémiques :financière, économique, écologique (anthropocène),sociale, culturelle, démographique, migratoire, politique & de la démocratie... Celles-ci ouvrent une période "d'incertitude et d'indécision". Pour Morin, ce concept de crise "renvoie à une double béance : béance dans la réalité sociale elle-même où apparaît la crise, béance dans notre savoir...". Il plaide dès lors "Pour une Crisologie". La grande transition (Narberhaus) peut-elle offrir une alternative ? Elle se fonde sur une série de prémisses fortes ; un développement véritablement durable avec pour finalité le développement Humain (équité sociale) en utilisant l'économie comme moyen (économie sociale & solidaire), tout en protégeant les écosystèmes naturels. Elle est aussi porteuse d'une valeur d'équité intergénérationnelle : "dans quel état devons-nous laisser la planète à nos enfants ?" Nous allons opérer une lecture complexe de ce "système de représentation" selon différentes écoles (complémentaires, concurrentes et antagonistes)Wallerstein nous signale une situation structurellement chaotique aux évolutions imprévisibles ; est-ce le chant du cygne de notre système historique? Au cœur de ces multiples incertitudes, s'ouvre la possibilité d'un passage vers une "formation sociale supérieure" qui alimente la thèse de la transition ; paradigme d'une trans-formation systémique, structurelle & organisationnelle de longue durée.Rob Hopkins initie en 2006 à Totnes au Royaume-Uni, le réseau des "villes en transition" ("initiatives de Transition"); mouvement social qui rassemble des groupes animant dans leur commune un processus de transition, lequel implique la communauté et vise à assurer la résilience (capacité à encaisser les crises économiques et/ou écologiques) face au double défi que représentent le pic pétrolier et le dérèglement climatique. Depuis, le mouvement est devenu international et compte un grand nombre d'initiatives officielles. L'approche "multi-niveaux" (Geels-Stassart-Boulanger) offre un cadre théorique du changement systémique et permet d'étudier le rôle qu'y jouent les citoyens, les organisations de la Société civile (SMARTCSOs), les institutions économiques, culturelles & politiques. Leurs influences réciproques se construisent lors d'un processus cyclique et itératif (co-apprentissage & coévolution à 3 niveaux différenciés & intégrés) ; micro (niches), méso (régimes), macro (paysage). Le principe de "récursion organisationnelle" est activé : multiacteurs, multi-niveaux, transinstitutionnel & multiphases (Morin-Tremblay).Le changement est possible quand il y a une convergence entre les processus de changement à ces trois niveaux sur le court terme, moyen terme puis long terme, ( transformation ou reconfiguration). Les crises, chocs et pressions ouvrent des fenêtres d'opportunités vers ce changement de paradigme : transition & Sustainable Development Goals (SDGs), alors associé à un mouvement de gouvernance polycentrique de la transition (Cassiers, Mertens), plus participatif. Un changement des "systèmes de représentations" & des valeurs dans l'ensemble de la population permettant de se diffuser beaucoup plus rapidement dans de vastes réseaux d'influence.

Le traitement des signaux radars et des images SAR nécessite généralement des représentations et des opérations à valeurs complexes, telles que les transformées de Fourier et d'ondelettes, les filtres de Wiener et les filtres adaptés, etc. Cependant, la grande majorité des architectures d'apprentissage profond sont actuellement basées sur des opérations à valeurs réelles, ce qui limite leur capacité d'apprentissage à partir de données complexes. Malgré l'émergence des réseaux de neurones à valeurs complexes (CVNN), leur application au radar et à l'imagerie SAR manque encore d'études sur leur pertinence et leur efficacité. Et la comparaison avec un réseau de neurones à valeurs réelles (RVNN) équivalent est généralement biaisée.Dans cette thèse, nous proposons d'étudier les mérites des CVNNs pour classifier des données complexes. Nous montrons que les CVNNs atteignent de meilleures performances que leur equivalent réel pour classifier des vecteurs à données gaussiennes non circulaires. Nous définissons également un critère d'équivalence entre les CVNNs et les RVNNs, entièrement connectés ou convolutifs, en termes du nombre de paramètres entraînables, tout en leur conservant une architecture similaire. Nous comparons ainsi statistiquement les performances de perceptrons multicouches (MLPs), de réseaux convolutifs (CNNs) et entièrement convolutifs (FCNNs) utilisés pour la segmentation d'images SAR polarimétriques. Le partitionnement des images SAR et l'équilibrage des classes sont étudiés afin d'éviter des biais d'apprentissage. En parallèle, nous avons également proposé une librairie open-source pour faciliter l'implémentation des CVNNs et la comparaison avec des réseaux équivalents réels
Radar signal and SAR image processing generally require complex-valued representations and operations, e.g., Fourier, wavelet transforms, Wiener, matched filters, etc. However, the vast majority of architectures for deep learning are currently based on real-valued operations, which restrict their ability to learn from complex-valued features. Despite the emergence of Complex-Valued Neural Networks (CVNNs), their application on radar and SAR still lacks study on their relevance and efficiency. And the comparison against an equivalent Real-Valued Neural Network (RVNN) is usually biased.In this thesis, we propose to investigate the merits of CVNNs for classifying complex-valued data. We show that CVNNs achieve better performance than their real-valued counterpart for classifying non-circular Gaussian data. We also define a criterion of equivalence between feed-forward fully connected and convolutional CVNNs and RVNNs in terms of trainable parameters while keeping a similar architecture. We statistically compare the performance of equivalent Multi-Layer Perceptrons (MLPs), Convolutional Neural Networks (CNNs), and Fully Convolutional Neural Networks (FCNNs) for polarimetric SAR image segmentation. SAR image splitting and balancing classes are also studied to avoid learning biases. In parallel, we also proposed an open-source toolbox to facilitate the implementation of CVNNs and the comparison with real-equivalent networks

L’émergence récente de grands réseaux, surtout réseaux sociaux en ligne (OSN), a révélé la difficulté de crawler le réseau complet et a déclenché le développement de nouvelles techniques distribuées. Dans cette thèse, nous concevons et analysons des algorithmes basés sur les marches aléatoires et la diffusion pour l'échantillonnage, l'estimation et l'inférence des fonctions des réseaux. La thèse commence par le problème classique de trouver les valeurs propres dominants et leurs vecteurs propres de matrices de graphe symétriques, comme la matrice Laplacienne de graphes non orientés. En utilisant le fait que le spectre est associé à une équation de type différentiel Schrödinger, nous développons des techniques évolutives à l’aide de la diffusion sur le graphe. Ensuite, nous considérons l’échantillonnage des fonctions de réseau (comme somme et moyenne) en utilisant les marches aléatoires sur le graphe. Afin d'éviter le temps «burn-in» de marche aléatoire, avec l'idée de régénération à un nœud fixe, nous développons un estimateur de la fonction de somme qui est non asymptotiquement non-biaisé et dérivons une approximation à la postérieure Bayésienne. La dernière partie de la thèse étudie l'application de la théorie des valeurs extrêmes pour faire une inférence sur les événements extrêmes à partir des échantillons stationnaires des différentes marches aléatoires pour l’échantillonnage de réseau
The recent emergence of large networks, mainly due to the rise of online social networks, brought out the difficulty to gather a complete picture of a network and it prompted the development of new distributed techniques. In this thesis, we design and analyze algorithms based on random walks and diffusion for sampling, estimation and inference of the network functions, and for approximating the spectrum of graph matrices. The thesis starts with the classical problem of finding the dominant eigenvalues and the eigenvectors of symmetric graph matrices like Laplacian of undirected graphs. Using the fact that the eigenspectrum is associated with a Schrödinger-type differential equation, we develop scalable techniques with diffusion over the graph and with gossiping algorithms. They are also adaptable to a simple algorithm based on quantum computing. Next, we consider sampling and estimation of network functions (sum and average) using random walks on graph. In order to avoid the burn-in time of random walks, with the idea of regeneration at its revisits to a fixed node, we develop an estimator for the aggregate function which is non-asymptotically unbiased and derive an approximation to its Bayesian posterior. An estimator based on reinforcement learning is also developed making use of regeneration. The final part of the thesis deals with the use of extreme value theory to make inference from the stationary samples of the random walks. Extremal events such as first hitting time of a large degree node, order statistics and mean cluster size are well captured in the parameter “extremal index”. We theoretically study and estimate extremal index of different random walk sampling techniques

L'industrie 4.0 est un changement important et un défi de taille pour chaque segment industriel. La recherche utilise d'abord l'analyse de la littérature pour trier la littérature et énumérer la direction du développement et l'état d'application de différents domaines, ce qui se consacre à montrer un rôle de premier plan pour la théorie et la pratique de l'industrie 4.0. La recherche explore ensuite la tendance principale de l'offre à plusieurs niveaux dans l'industrie 4.0 en combinant l'apprentissage automatique et les méthodes traditionnelles. Ensuite, la recherche examine la relation entre l'investissement et l'emploi dans l'industrie 4.0 pour examiner la dépendance interrégionale de l'industrie 4.0 afin de présenter un regroupement raisonnable basé sur différents critères et de faire des suggestions et une analyse de la chaîne d'approvisionnement mondiale pour les entreprises et les organisations.De plus, notre système d'analyse jette un coup d'oeil sur la macroéconomie. La combinaison du traitement du langage naturel dans l'apprentissage automatique pour classer les sujets de recherche et de la revue de la littérature traditionnelle pour enquêter sur la chaîne d'approvisionnement à plusieurs niveaux améliore considérablement l'objectivité de l'étude et jette une base solide pour des recherches ultérieures. L'utilisation de réseaux et d'économétrie complexes pour analyser la chaîne d'approvisionnement mondiale et les problèmes macroéconomiques enrichit la méthodologie de recherche au niveau macro et politique. Cette recherche fournit des analyses et des références aux chercheurs, aux décideurs et aux entreprises pour leur prise de décision stratégique
Industry 4.0 is a significant shift and a tremendous challenge for every industrial segment, especially for the manufacturing industry that gave birth to the new industrial revolution. The research first uses literature analysis to sort out the literature, and focuses on the use of “core literature extension method” to enumerate the development direction and application status of different fields, which devotes to showing a leading role for theory and practice of industry 4.0. The research then explores the main trend of multi-tier supply in Industry 4.0 by combining machine learning and traditional methods. Next, the research investigates the relationship of industry 4.0 investment and employment to look into the inter-regional dependence of industry 4.0 so as to present a reasonable clustering based on different criteria and make suggestions and analysis of the global supply chain for enterprises and organizations. Furthermore, our analysis system takes a glance at the macroeconomy. The combination of natural language processing in machine learning to classify research topics and traditional literature review to investigate the multi-tier supply chain significantly improves the study's objectivity and lays a solid foundation for further research. Using complex networks and econometrics to analyze the global supply chain and macroeconomic issues enriches the research methodology at the macro and policy level. This research provides analysis and references to researchers, decision-makers, and companies for their strategic decision-making