Academic literature on the topic 'Estimation de séparation'

À l’instar des cours d’eau de la rive du Sud de la Méditerranée, l’oued Inaouène est soumis aux épisodes exceptionnels de pluies qui engendrent des crues plus ou moins dévastatrices. La séparation des crues des hautes eaux ordinaires est loin d’être évidente pour un régime méditerranéen en raison de la difficulté de tracer un seuillage pour des débits extrêmement variant dans le temps et dans l’espace. Le recours aux méthodes statistiques probabilistes a permis de pallier ce problème et d’estimer en conséquence les crues d’Inaouène pour différentes périodes de retour. La méthode statistique de GUMBEL a donné de meilleures estimations des crues fréquentes et habituelles, alors que la méthode GRADEX a bien permis de prédire les crues de fréquence rare à très rare dont l’effet est inestimable pour l’environnement et l'économie. Like the rivers on the southern Mediterranean shore, the Oued Inaouène experiences exceptional rainfall episodes that lead to more or less devastating floods. Distinguishing between flood peaks and regular high-water levels is far from straightforward for a Mediterranean regime due to the challenge of establishing thresholds for flow rates that vary significantly in time and space. Using probabilistic statistical methods has helped overcome this issue, enabling the estimation of Inaouène's floods for different return periods. The statistical method of Gumbel provided better estimates for frequent and common floods, while the GRADEX method accurately predicted rare to very rare floods, which have immeasurable effects on the environment and the economy.

Les données hyperspectrales se caractérisent par une importante dimension spectrale qui atteint quelques centaines de bandes étroites et contigües. Le volume occupé par ces images est non négligeable et fait que des taches usuelles telles que : le stockage, le traitement et l'analyse soient alourdies. Pour pallier ce problème et garantir une meilleure exploitation de ces données, nous proposons par le présent article, une méthode de réduction qui vise à créer un espace de représentation de dimension moindre, informatif et libéré des redondances tout en préservant la signification physique des bandes.Vu le pouvoir de séparation de l'analyse en composantes indépendantes «ACI», reconnu dans le cas des données multidimensionnelles à grand volume, nous l'exploitons pour extraire un ensemble de composantes statistiquement indépendantes obtenues par la minimisation de la gaussiannité. Différents degrés d'importance sont affectés aux bandes spectrales, permettant leur classement. Finalement, nous appliquons une sélection à l'ensemble des bandes classées et nous retenons les plus informatives afin de construire l'espace de représentation spectral réduit. Pour nos tests, nous avons appliqué l'ACI en considérant d'une part, une orthogonalisation à déflation (poursuite de projections, composantes ordonnées) et d'autre part, une orthogonalisation symétrique (estimation globale, composantes désordonnées). On suggère pour le cas symétrique, d'ajuster les données originales à un bruit additif afin d'obtenir des composantes indépendantes ordonnées (suivant le rapport signal à bruit). Les résultats recueillis montrent que la méthode proposée assure la réduction du cube hyperspectral avec d'acceptables rapports dimension-représentativité.

Malgré l’enjeu majeur de santé publique qu’elles représentent, les maltraitances infantiles, et particulièrement les négligences, restent sous-estimées en psychiatrie, tant dans leur prévalence que leur impact sur la santé. De plus, le phénomène de maltraitance reste habituellement associé à un fort déterminisme socio-culturel et est très peu évalué dans les catégories sociales aisées. Cette étude mesure la prévalence et l’impact sur l’état médical des facteurs d’adversité précoce - maltraitances (abus et négligences) et événements de vie (divorce, séparations précoces, antécédents familiaux de maladie psychiatrique) - dans une population d’adolescents hospitalisés en psychiatrie et issus de milieux aisés, afin d’en évaluer l’ampleur et l’impact. Les résultats montrent l’ampleur et le cumul des facteurs d’adversité, incluant des fréquences élevées de maltraitances (64.8%), d’événements de vie difficile (dont 29.7% de séparations précoces et 36.4% de troubles psychiatriques familiaux). Ils soutiennent ainsi l’idée d’une sous-estimation importante de ces phénomènes en population générale et en psychiatrie, et ce, notamment dans les catégories sociales aisées. Les maltraitances sont associées à la gravité médicale (niveau de fonctionnement global, nombre et durée d’hospitalisation). Les abus sont particulièrement corrélés au nombre d’hospitalisations, alors que les négligences semblent également impacter leur durée et le niveau de gravité médicale de l’adolescent. Cette étude invite à une évaluation systématique des phénomènes d’adversité en pédopsychiatrie, quel que soit le contexte environnemental du patient, et à renforcer les prises en charge familiales ainsi que la prévention des abus et négligences.

Un certain nombre de données indiquent que le stress environnemental représente un déterminant important de mauvaise santé mentale et que de nombreuses situations sociales, en particulier l’adversité sociale, la migration, l’urbanicité, l’appartenance à un groupe minoritaire ou la consommation de cannabis, augmentent le risque de schizophrénie. L’adversité sociale demeure néanmoins un concept hétérogène et désigne un certain nombre d’expériences négatives comme les abus sexuels, les violences physiques et psychologiques, les négligence physiques, affectives et éducatives, les séparations, la perte d’un ou des deux parents, les pressions sociales et psychologiques ou les intimidations, etc. Ces expériences constituent des situations fréquentes, certaines estimations suggérant qu’environ 1/3 de la population mondiale serait touchée.L’adversité dans l’enfance et les traumatismes augmentent sensiblement le risque de psychose avec un OR estimé à 2,8, quelle que soit la nature de l’exposition. D’autres variables comme l’âge de l’exposition ou la répétition des évènements négatifs pourraient être plus fortement associées au risque de psychose que le type même d’exposition. Il a été également prédit que l’abus sexuel dans l’enfance serait spécifiquement associée à des hallucinations auditives à l’âge adulte, et que la perturbation des relations d’attachement précoces et les formes chroniques de victimisation seraient spécifiquement associées à des idées paranoïaques.La recherche sur les mécanismes neuronaux impliqués tend à démontrer la sensibilité du cerveau au stress social. Ces résultats soutiennent l’hypothèse que les expériences négatives précoces modifient la capacité du cerveau à réguler le stress social mais il est peu probable que le mécanisme de la défaite sociale soit le seul impliqué. Les sentiments de discrimination perçue, la stigmatisation intériorisée, l’exclusion, le sentiment négatif d’appartenance ethnique, constituent également de puissants stresseurs sociaux.La recherche devrait également s’intéresser aux stades de développement lors de l’exposition à un traumatisme et les mécanismes reliant le type d’adversité et une éventuelle spécificité des symptômes. De nouvelles approches, allant des études sur les animaux aux tentatives de modélisation, ainsi que les méthodes d’évaluation de l’environnement, contribueront à la compréhension de la complexité étiologique de la schizophrénie. Nous voyons là tout l’intérêt du développement des approches interdisciplinaires à travers le champ des neurosciences sociales.

Le problème de la séparation aveugle de sources (SAS) consiste à retrouver des signaux non observés à partir de mélanges inconnus de ceux-ci, où on ne dispose pas, ou très peu, d'informations sur les signaux source et/ou le système de mélange. Dans cette thèse, nous présentons des algorithmes pour séparer des mélanges linéaires instantanés et convolutifs de sources avec composantes indépendantes/dépendantes. Le principe des algorithmes proposés est de minimiser des critères de séparation, bien définis, basés sur les densités de copules, en utilisant des algorithmes de type descente du gradient.Nous montrons que les méthodes proposées peuvent séparer des mélanges de sources avec composantes dépendantes, où le modèle de copule est inconnu
The problem of Blind Source Separation (BSS) consists in retrieving unobserved mixed signals from unknown mixtures of them, where there is no, or very limited, information about the source signals and/or the mixing system. In this thesis, we present algorithms in order to separate instantaneous and convolutive mixtures. The principle of these algorithms is to minimize, appropriate separation criteria based on copula densities, using descent gradient type algorithms. These methods can magnificently separate instantaneous and convolutive mixtures of possibly dependent source components even when the copula model is unknown

Le problème de la restauration est rencontré dans domaines très variés notamment en traitement de signal et de l'image. Il correspond à la récupération des données originales à partir de données observées. Dans le cas de données multidimensionnelles, la résolution de ce problème peut se faire par différentes approches selon la nature des données, l'opérateur de transformation et la présence ou non de bruit. Dans ce travail, nous avons traité ce problème, d'une part, dans le cas des données discrètes en présence de bruit. Dans ce cas, le problème de restauration est analogue à celui de la segmentation. Nous avons alors exploité les modélisations dites chaînes de Markov couples et triplets qui généralisent les chaînes de Markov cachées. L'intérêt de ces modèles réside en la possibilité de généraliser la méthode de calcul de la probabilité à posteriori, ce qui permet une segmentation bayésienne. Nous avons considéré ces méthodes pour des observations bi-dimensionnelles et nous avons appliqué les algorithmes pour une séparation sur des documents issus de manuscrits scannés dans lesquels les textes des deux faces d'une feuille se mélangeaient. D'autre part, nous avons attaqué le problème de la restauration dans un contexte de séparation aveugle de sources. Une méthode classique en séparation aveugle de sources, connue sous l'appellation "Analyse en Composantes Indépendantes" (ACI), nécessite l'hypothèse d'indépendance statistique des sources. Dans des situations réelles, cette hypothèse n'est pas toujours vérifiée. Par conséquent, nous avons étudié une extension du modèle ACI dans le cas où les sources peuvent être statistiquement dépendantes. Pour ce faire, nous avons introduit un processus latent qui gouverne la dépendance et/ou l'indépendance des sources. Le modèle que nous proposons combine un modèle de mélange linéaire instantané tel que celui donné par ACI et un modèle probabiliste sur les sources avec variables cachées. Dans ce cadre, nous montrons comment la technique d'Estimation Conditionnelle Itérative permet d'affaiblir l'hypothèse usuelle d'indépendance en une hypothèse d'indépendance conditionnelle
The restoration problem is usually encountered in various domains and in particular in signal and image processing. It consists in retrieving original data from a set of observed ones. For multidimensional data, the problem can be solved using different approaches depending on the data structure, the transformation system and the noise. In this work, we have first tackled the problem in the case of discrete data and noisy model. In this context, the problem is similar to a segmentation problem. We have exploited Pairwise and Triplet Markov chain models, which generalize Hidden Markov chain models. The interest of these models consist in the possibility to generalize the computation procedure of the posterior probability, allowing one to perform bayesian segmentation. We have considered these methods for two-dimensional signals and we have applied the algorithms to retrieve of old hand-written document which have been scanned and are subject to show through effect. In the second part of this work, we have considered the restoration problem as a blind source separation problem. The well-known "Independent Component Analysis" (ICA) method requires the assumption that the sources be statistically independent. In practice, this condition is not always verified. Consequently, we have studied an extension of the ICA model in the case where the sources are not necessarily independent. We have introduced a latent process which controls the dependence and/or independence of the sources. The model that we propose combines a linear instantaneous mixing model similar to the one of ICA model and a probabilistic model on the sources with hidden variables. In this context, we show how the usual independence assumption can be weakened using the technique of Iterative Conditional Estimation to a conditional independence assumption

La séparation de sources aveugle dans le cas sous-déterminé est un problème mal posé pour lequel on suppose que les sources sont indépendantes et parcimonieuses dans le domaine temps-fréquence. La séparation se fait alors en deux étapes : une étape d'estimation des paramètres du mélange, suivi d'une étape d'estimation des sources. Les hypothèses faites sur les sources ne sont cependant pas valides sur l'ensemble des points temps-fréquence, si bien que les approches qui traitent naïvement de l'ensemble des points de manière identiques et indépendantes, sont peu robustes pour estimer les paramètres du mélange et les sources. L'objet de cette thèse est d'exploiter la distribution locale du mélange dans les voisinages de chaque point temps-fréquence, afin de : - Détecter les régions temps-fréquence où une seule source est active et d'estimer la direction de la source dominante dans ces régions ; - Estimer la distribution des sources en chaque point temps-fréquence à l'aide de la connaissance sur les paramètres du mélange. L'approche locale que nous proposons est étayée par un algorithme de clustering appelé DEMIX, qui estime de façon robuste les paramètres du mélange dans les cas instantanés et anéchoïques. D'autre part, l'estimation locale de la distribution des sources peut être utilisée pour apprendre des MMG spectraux qui jusqu'à présent nécessitaient une étape d'apprentissage à partir d'exemples. Nous montrons que cette approche améliore l'estimation des sources de plusieurs dB en SDR
Blind source separation in the underdetermined case is an ill-posed problem where it is usually assumed that sources are independent and sparse in the time-frequency domain. Separation is then done in two steps : the estimation of the mixture parameters, followed by the estimation of the sources. The assumptions made about the sources are not valid for all the time-frequency points, so that the approaches which naively address all the points identically and independently, are little robust in estimating the mixture parameters and the sources. In this thesis we exploit the local distribution of the mixture in the neighborhood of each time-frequency point, to : - Detect the time-frequency regions where only one source is active and to estimate the direction of the dominant source in these regions; - Estimate the distribution of the sources in each time-frequency point using the knowledge on the mixture parameters. The proposed local approach is supported by a clustering algorithm called DEMIX, which robustly estimates the mixture parameters in the instantaneous and anechoic cases. On the other hand, the local spatial distribution of the sources can be used to learn Spectral-GMM which until now required a learning step with source examples. We show that this approach improve the source estimation performance of some dB in SDR

La séparation de sources aveugle dans le cas sous-déterminé est un problème mal posé pour lequel on suppose que les sources sont indépendantes et parcimonieuses dans le domaine temps-fréquence. La séparation se fait alors en deux étapes : une étape d'estimation des paramètres du mélange, suivi d'une étape d'estimation des sources. Les hypothèses faites sur les sources ne sont cependant pas valides sur l'ensemble des points temps-fréquence, si bien que les approches qui traitent naïvement de l'ensemble des points de manière identiques et indépendantes, sont peu robustes pour estimer les paramètres du mélange et les sources. L'objet de cette thèse est d'exploiter la distribution locale du mélange dans les voisinages de chaque point temps-fréquence, afin de : - Détecter les régions temps-fréquence où une seule source est active et d'estimer la direction de la source dominante dans ces régions ; - Estimer la distribution des sources en chaque point temps-fréquence à l'aide de la connaissance sur les paramètres du mélange. L'approche locale que nous proposons est étayée par un algorithme de clustering appelé DEMIX, qui estime de façon robuste les paramètres du mélange dans les cas instantanés et anéchoïques. D'autre part, l'estimation locale de la distribution des sources peut être utilisée pour apprendre des MMG spectraux qui jusqu'à présent nécessitaient une étape d'apprentissage à partir d'exemples. Nous montrons que cette approche améliore l'estimation des sources de plusieurs dB en SDR.

Dans cette étude, nous nous intéressons à la séparation des ondes sismiques, traitement principal conditionnant toute interprétation physique des données. En première partie, les méthodes de séparation non paramétriques (Matrice spectrale, Transformée de Karhunen-Loève et Filtrage FK) sont étudiées. La limitation de ces méthodes nous a conduit à utiliser l'approche paramétrique. Cette approche fait apparaître une modélisation qui permet de tenir compte des divers types d'ondes sismiques. La séparation paramétrique des ondes utilise l'estimateur du maximum de vraisemblance. Elle est réalisée en estimant les différents paramètres (lenteur apparente, amplitude, forme de l'onde, phase et angle d'incidence) caractérisant chaque onde. Les différentes méthodes d'estimation ainsi que les limites et les performances de la séparation paramétrique sont étudiées en deuxième partie. Les résultats de cette étude sont appliqués, en dernière partie, au traitement des signaux sismiques de puits issus d'une expérimentation ainsi qu'à des ondes dispersives de sismique de, surface.

L'objet de cette thèse est l'étude du problème d'estimation de fréquences fondamentales multiples, pour des mélanges de parole et de musique dont le nombre de sources est inconnu. Dans le cadre de la parole, nous proposons une méthode itérative qui estime successivement les fréquences fondamentales. La nature «voisée/non-voisée» des mélanges est caractérisée par un modèle du type "sommes de sinusoïdes harmoniques + bruit autorégressif". L'estimation consiste à maximiser un terme de Vraisemblance pénalisée qui permet également d'estimer le nombre de sources. Dans le cadre musical, nous proposons trois nouvelles méthodes qui estiment simultanément les fréquences fondamentales. Basées sur une classification des pics spectraux du mélange, elles diffèrent par leur technique de classification. Toutes permettent d'estimer le nombre de sources. Elles permettent également de prendre en compte les recouvrements spectraux entre notes et sont ainsi applicables au traitement d'accords musicaux.

Le problème de la restauration est rencontré dans domaines très variés notamment en traitement de signal et de l'image. Il correspond à la récupération des données originales à partir de données observées. Dans le cas de données multidimensionnelles, la résolution de ce problème peut se faire par différentes approches selon la nature des données, l'opérateur de transformation et la présence ou non de bruit. Dans ce travail, nous avons traité ce problème, d'une part, dans le cas des données discrètes en présence de bruit. Dans ce cas, le problème de restauration est analogue à celui de la segmentation. Nous avons alors exploité les modélisations dites chaînes de Markov couples et triplets qui généralisent les chaînes de Markov cachées. L'intérêt de ces modèles réside en la possibilité de généraliser la méthode de calcul de la probabilité à posteriori, ce qui permet une segmentation bayésienne. Nous avons considéré ces méthodes pour des observations bi-dimensionnelles et nous avons appliqué les algorithmes pour une séparation sur des documents issus de manuscrits scannés dans lesquels les textes des deux faces d'une feuille se mélangeaient. D'autre part, nous avons attaqué le problème de la restauration dans un contexte de séparation aveugle de sources. Une méthode classique en séparation aveugle de sources, connue sous l'appellation "Analyse en Composantes Indépendantes" (ACI), nécessite l'hypothèse d'indépendance statistique des sources. Dans des situations réelles, cette hypothèse n'est pas toujours vérifiée. Par conséquent, nous avons étudié une extension du modèle ACI dans le cas où les sources peuvent être statistiquement dépendantes. Pour ce faire, nous avons introduit un processus latent qui gouverne la dépendance et/ou l'indépendance des sources. Le modèle que nous proposons combine un modèle de mélange linéaire instantané tel que celui donné par ACI et un modèle probabiliste sur les sources avec variables cachées. Dans ce cadre, nous montrons comment la technique d'Estimation Conditionnelle Itérative permet d'affaiblir l'hypothèse usuelle d'indépendance en une hypothèse d'indépendance conditionnelle

Les travaux de cette thèse sont consacrés aux différents problèmes de traitement des Signaux à Phase Polynomiale dans des environnements fortement dégradés, que se soit par de fort niveaux de bruit ou par la présence de bruit impulsif, bruit que nous avons modélisé en ayant recourt à des lois alpha-stables. La robustesse au bruit est un sujet classique de traitement du signal et si de nombreux algorithmes sont capables de fonctionner avec de forts niveaux de bruits gaussiens, la présence de bruit impulsif a souvent pour conséquence une forte dégradation des performances voir une impossibilité d'utilisation. Récemment, plusieurs algorithmes ont été proposés pour prendre en compte la présence de bruit impulsif avec toutefois une contrainte: ces algorithmes voient généralement leurs performances se dégrader lorsqu'ils sont utilisés avec du bruit gaussien, et en conséquence nécessitent une sélection préalable de l'algorithme adapté en fonction de l'usage. L'un des points abordé dans cette thèse a donc été la réalisation d'algorithmes robustes à la nature du bruit en ce sens que leurs performances sont similaires, que le bruit additif soit gaussien ou alpha-stable. Le deuxième point abordé a été la réalisation d'algorithmes rapides, une capacité difficile à cumuler à la robustesse
The research works of this thesis deal with the processings of polynomial phase signals in heavily corrupted environnements, whatsoever noise with high levels or impulse noise, noise modelled by the use of alpha-stable laws. Noise robustness is a common task in signal processing and if several algorithms are able to work with high gaussian noise level, the presence of impulse noise often leads to a great loss in performances or makes algorithms unable to work. Recently, some algorithms have been built in order to support impulse noise environnements but with one limit: the achievable results decrease with gaussian noise situations and thus needs as a first step to select the good method versus the kind of the noise. So one of the key points of this thesis was building algorithms who were robust to the kind of the noise which means that they have similar performances with gaussian noise or alpha-stable noise. The second key point was building fast algorithms, something difficult to add to robustness

Les premières recherches en détection, localisation et séparation de signaux remontent au début du 20ème siècle. Ces recherches sont d’actualité encore aujourd’hui, notamment du fait de la croissance rapide des systèmes de communications constatée ces deux dernières décennies. Par ailleurs, la littérature du domaine consacre très peu d’études relatives à certains contextes jugés difficiles dont certains sont traités dans cette thèse. Ce travail porte sur la localisation de signaux par détection des temps d’arrivée ou estimation des directions d’arrivée et sur la séparation de sources dépendantes ou à module constant. L’idée principale est de tirer profit de certaines informations a priori disponibles sur les signaux sources telles que la parcimonie, la cyclostationarité, la non-circularité, le module constant, la structure autoregressive et les séquences pilote dans un contexte coopératif. Une première partie détaille trois contributions : (i) un nouveau détecteur pour l’estimation des temps d’arrivée basé sur la minimisation de la probabilité d’erreur ; (ii) une estimation améliorée de la puissance du bruit, basée sur les statistiques d’ordre ; (iii) une quantification de la précision et de la résolution de l’estimation des directions d’arrivée au regard de certains a priori considérés sur les sources. Une deuxième partie est consacrée à la séparation de sources exploitant différentes informations sur celles-ci : (i) la séparation de signaux de communication à module constant ; (ii) la séparation de sources dépendantes connaissant la nature de la dépendance et (iii) la séparation de sources autorégressives dépendantes connaissant la structure autorégressive
Signal detection, localization, and separation problems date back to the beginning of the twentieth century. Nowadays, this subject is still a hot topic receiving more and more attention, notably with the rapid growth of wireless communication systems that arose in the last two decades and it turns out that many challenging aspects remain poorly addressed by the available literature relative to this subject. This thesis deals with signal detection, localization using temporal or directional measurements, and separation of dependent source signals. The main objective is to make use of some available priors about the source signals such as sparsity, cyclo-stationarity, non-circularity, constant modulus, autoregressive structure or training sequences in a cooperative framework. The first part is devoted to the analysis of (i) signal’s time-of-arrival estimation using a new minimum error rate based detector, (ii) noise power estimation using an improved order-statistics estimator and (iii) side information impact on direction-of-arrival estimation accuracy and resolution. In the second part, the source separation problem is investigated at the light of different priors about the original sources. Three kinds of prior have been considered : (i) separation of constant modulus communication signals, (ii) separation of dependent source signals knowing their dependency structure and (iii) separation of dependent autoregressive sources knowing their autoregressive structure