Dissertations / Theses: 'Réseaux de neurones non supervisé'

1

Galtier, Mathieu. "Une approche mathématique de l'apprentissage non-supervisé dans les réseaux de neurones récurrents." Phd thesis, École Nationale Supérieure des Mines de Paris, 2011. http://pastel.archives-ouvertes.fr/pastel-00667368.

Full text

Abstract:

Dans cette thèse nous tentons de donner un sens mathématique à la proposition : le néocortex se construit un modèle de son environnement. Nous considérons que le néocortex est un réseau de neurones spikants dont la connectivité est soumise à une lente évolution appelée apprentissage. Dans le cas où le nombre de neurones est proche de l'infini, nous proposons une nouvelle méthode de champ-moyen afin de trouver une équation décrivant l'évolution du taux de décharge de populations de neurones. Nous étudions donc la dynamique de ce système moyennisé avec apprentissage. Dans le régime où l'apprentissage est beaucoup plus lent que l'activité du réseau nous pouvons utiliser des outils de moyennisation temporelle pour les systèmes lents/rapides. Dans ce cadre mathématique nous montrons que la connectivité du réseau converge toujours vers une unique valeur d'équilibre que nous pouvons calculer explicitement. Cette connectivité regroupe l'ensemble des connaissances du réseau à propos de son environnement. Nous comparons cette connectivité à l'équilibre avec les stimuli du réseau. Considérant que l'environnement est solution d'un système dynamique quelconque, il est possible de montrer que le réseau encode la totalité de l'information nécessaire à la définition de ce système dynamique. En effet nous montrons que la partie symétrique de la connectivité correspond à la variété sur laquelle est définie le système dynamique de l'environnement, alors que la partie anti-symétrique de la connectivité correspond au champ de vecteur définissant le système dynamique de l'environnement. Dans ce contexte il devient clair que le réseau agit comme un prédicteur de son environnement.

APA, Harvard, Vancouver, ISO, and other styles

2

Yin, Hao. "Étude des réseaux de neurones en mode non supervisé : application à la reconnaissance des formes." Compiègne, 1992. http://www.theses.fr/1992COMPD524.

Full text

Abstract:

Après avoir étudié différents modèles de RNA et les règles d'apprentissage en mode non supervisé, il est proposé une nouvelle règle, l'apprentissage compétitif avec un pas inverse, pour résoudre les problèmes provoqués par les données aberrantes. Il est proposé également une modification du réseau ART1 pour résoudre le problème du mauvais codage d'un prototype sur-ensemble. Après avoir constaté qu'un réseau en deux couches comme ART2 ne peut classifier correctement que les données de structure simple, nous avons développé un réseau NéoART, qui est basé sur une variante du réseau ART2 et combine l'apprentissage non-supervisé et supervisé pour améliorer les performances dans le cas où un ensemble d'apprentissage exhaustif n'est pas disponible, et une méthode de classification non supervisée, l'arbre de relation maximale, pour dépasser la limite intrinsèque des réseaux en deux couches.

APA, Harvard, Vancouver, ISO, and other styles

3

Cherif, Aymen. "Réseaux de neurones, SVM et approches locales pour la prévision de séries temporelles." Thesis, Tours, 2013. http://www.theses.fr/2013TOUR4003/document.

Full text

Abstract:

La prévision des séries temporelles est un problème qui est traité depuis de nombreuses années. On y trouve des applications dans différents domaines tels que : la finance, la médecine, le transport, etc. Dans cette thèse, on s’est intéressé aux méthodes issues de l’apprentissage artificiel : les réseaux de neurones et les SVM. On s’est également intéressé à l’intérêt des méta-méthodes pour améliorer les performances des prédicteurs, notamment l’approche locale. Dans une optique de diviser pour régner, les approches locales effectuent le clustering des données avant d’affecter les prédicteurs aux sous ensembles obtenus. Nous présentons une modification dans l’algorithme d’apprentissage des réseaux de neurones récurrents afin de les adapter à cette approche. Nous proposons également deux nouvelles techniques de clustering, la première basée sur les cartes de Kohonen et la seconde sur les arbres binaires
Time series forecasting is a widely discussed issue for many years. Researchers from various disciplines have addressed it in several application areas : finance, medical, transportation, etc. In this thesis, we focused on machine learning methods : neural networks and SVM. We have also been interested in the meta-methods to push up the predictor performances, and more specifically the local models. In a divide and conquer strategy, the local models perform a clustering over the data sets before different predictors are affected into each obtained subset. We present in this thesis a new algorithm for recurrent neural networks to use them as local predictors. We also propose two novel clustering techniques suitable for local models. The first is based on Kohonen maps, and the second is based on binary trees

APA, Harvard, Vancouver, ISO, and other styles

4

Manenti, Céline. "Découverte d'unités linguistiques à l'aide de méthodes d'apprentissage non supervisé." Thesis, Toulouse 3, 2019. http://www.theses.fr/2019TOU30074.

Full text

Abstract:

La découverte d'unités linguistiques élémentaires (phonèmes, mots) uniquement à partir d'enregistrements sonores est un problème non-résolu qui suscite un fort intérêt de la communauté du traitement automatique de la parole, comme en témoignent les nombreuses contributions récentes de l'état de l'art. Durant cette thèse, nous nous sommes concentrés sur l'utilisation de réseaux de neurones pour répondre au problème. Nous avons approché le problème en utilisant les réseaux de neurones de manière supervisée, faiblement supervisée et multilingue. Nous avons ainsi développé des outils de segmentation automatique en phonèmes et de classification phonétique fondés sur des réseaux de neurones convolutifs. L'outil de segmentation automatique a obtenu 79% de F-mesure sur le corpus de parole conversationnelle en anglais BUCKEYE. Ce résultat est similaire à un annotateur humain d'après l'accord inter-annotateurs fourni par les créateurs du corpus. De plus, il n'a pas besoin de beaucoup de données (environ une dizaine de minutes par locuteur et 5 locuteurs différents) pour être performant. De plus, il est portable à d'autres langues (notamment pour des langues peu dotées telle que le xitsonga). Le système de classification phonétique permet de fixer les différents paramètres et hyperparamètres utiles pour un scénario non supervisé. Dans le cadre non supervisé, les réseaux de neurones (Auto-Encodeurs) nous ont permis de générer de nouvelles représentations paramétriques, concentrant l'information de la trame d'entrée et ses trames voisines. Nous avons étudié leur utilité pour la compression audio à partir du signal brut, pour laquelle ils se sont montrés efficaces (faible taux de RMS, même avec une compression de 99%). Nous avons également réalisé une pré-étude novatrice sur une utilisation différente des réseaux de neurones, pour générer des vecteurs de paramètres non pas à partir des sorties des couches mais des valeurs des poids des couches. Ces paramètres visent à imiter les coefficients de prédiction linéaire (Linear Predictive Coefficients, LPC). Dans le contexte de la découverte non supervisée d'unités similaires à des phonèmes (dénommées pseudo-phones dans ce mémoire) et la génération de nouvelles représentations paramétriques phonétiquement discriminantes, nous avons couplé un réseau de neurones avec un outil de regroupement (k-means). L'alternance itérative de ces deux outils a permis la génération de paramètres phonétiquement discriminants pour un même locuteur : de faibles taux d'erreur ABx intra-locuteur de 7,3% pour l'anglais, 8,5% pour le français et 8,4% pour le mandarin ont été obtenus. Ces résultats permettent un gain absolu d'environ 4% par rapport à la baseline (paramètres classiques MFCC) et sont proches des meilleures approches actuelles (1% de plus que le vainqueur du Zero Ressource Speech Challenge 2017). Les résultats inter-locuteurs varient entre 12% et 15% suivant la langue, contre 21% à 25% pour les MFCC
The discovery of elementary linguistic units (phonemes, words) only from sound recordings is an unresolved problem that arouses a strong interest from the community of automatic speech processing, as evidenced by the many recent contributions of the state of the art. During this thesis, we focused on using neural networks to answer the problem. We approached the problem using neural networks in a supervised, poorly supervised and multilingual manner. We have developed automatic phoneme segmentation and phonetic classification tools based on convolutional neural networks. The automatic segmentation tool obtained 79% F-measure on the BUCKEYE conversational speech corpus. This result is similar to a human annotator according to the inter-annotator agreement provided by the creators of the corpus. In addition, it does not need a lot of data (about ten minutes per speaker and 5 different speakers) to be effective. In addition, it is portable to other languages (especially for poorly endowed languages such as xitsonga). The phonetic classification system makes it possible to set the various parameters and hyperparameters that are useful for an unsupervised scenario. In the unsupervised context, the neural networks (Auto-Encoders) allowed us to generate new parametric representations, concentrating the information of the input frame and its neighboring frames. We studied their utility for audio compression from the raw signal, for which they were effective (low RMS, even at 99% compression). We also carried out an innovative pre-study on a different use of neural networks, to generate vectors of parameters not from the outputs of the layers but from the values of the weights of the layers. These parameters are designed to mimic Linear Predictive Coefficients (LPC). In the context of the unsupervised discovery of phoneme-like units (called pseudo-phones in this memory) and the generation of new phonetically discriminative parametric representations, we have coupled a neural network with a clustering tool (k-means ). The iterative alternation of these two tools allowed the generation of phonetically discriminating parameters for the same speaker: low rates of intra-speaker ABx error of 7.3% for English, 8.5% for French and 8 , 4% for Mandarin were obtained. These results allow an absolute gain of about 4% compared to the baseline (conventional parameters MFCC) and are close to the best current approaches (1% more than the winner of the Zero Resource Speech Challenge 2017). The inter-speaker results vary between 12% and 15% depending on the language, compared to 21% to 25% for MFCCs

APA, Harvard, Vancouver, ISO, and other styles

5

Delsert, Stéphane. "Classification interactive non supervisée de données multidimensionnelles par réseaux de neurones à apprentissage cométitif." Lille 1, 1996. https://pepite-depot.univ-lille.fr/LIBRE/Th_Num/1996/50376-1996-214.pdf.

Full text

Abstract:

L'idée de base de la classification interactive consiste à fournir à l'opérateur humain une représentation plane des données multidimensionnelles et un ensemble d'outils lui permettant de découvrir des groupements ou classes au sein de la population étudiée. Dans ce mémoire, nous étudions l'apport des réseaux de neurones à apprentissage compétitif dans le cadre de la classification interactive non supervisée. Après avoir abordé de manière succincte les méthodes de classification statistiques et neuronales dans le chapitre 1, nous présentons de manière détaillée les réseaux de neurones à apprentissage compétitif et les améliorations apportées ces dernières années dans le chapitre 2. Le chapitre 3 est consacré à la projection plane non linéaire par la carte de kohonen. Chaque neurone de la carte est représenté sous la forme d'un pixel sur 6'écran d'un ordinateur. Le niveau de gris d'un pixel reflète la position relative du vecteur poids du neurone dans l'espace d'observation. Nous proposons dans le chapitre 4, une méthodologie intégrant différentes méthodes de projection et des outils logiciels pour aider l'analyste dans sa tache de classification. Le dernier chapitre applique la démarche adoptée sur un exemple réel tire de la biométrie des abeilles et sur des exemples artificiels non linéairement séparables

APA, Harvard, Vancouver, ISO, and other styles

6

Bernert, Marie. "Développement d'un réseau de neurones STDP pour le tri en ligne et non-supervisé de potentiels d'action." Thesis, Université Grenoble Alpes (ComUE), 2019. http://www.theses.fr/2019GREAS001.

Full text

Abstract:

La reconnaissance de motifs est une tâche cruciale pour les êtres vivants, exécutée avec efficacité par le cerveau. Les réseaux de neurones profonds artificiels reproduisent de mieux en mieux ces performances, avec des applications telles que la reconnaissance d’images ou le traitement du langage. Ils nécessitent cependant un apprentissage intensif sur de grands jeux de données et couteux en calculs. Les réseaux de neurones à impulsions, plus proches du fonctionnement du cerveau avec des neurones émettant des impulsions et des lois d’apprentissage dites STDP dépendant du temps entre deux impulsions, constituent une alternative intéressante. Ils permettent un apprentissage non supervisé et ont déjà été utilisés pour la reconnaissance visuelle ou auditive, mais les applications restent limitées par rapport à l’apprentissage profond classique. Il est d’autant plus intéressant de développer de nouvelles applications pour ces réseaux qu’ils peuvent être implémentés sur des circuits neuromorphiques connaissant aujourd’hui des développements importants, notamment avec les composants analogiques « memristifs » qui miment la plasticité synaptique. Ici, nous avons choisi de développer un réseau STDP pour un problème crucial en neuroscience: le spike-sorting. Les implants cérébraux composés de matrices de microélectrode permettent d’enregistrer l’activité individuelle de multiples neurones, prenant la forme de pics de potentiel dans le signal, appelés potentiels d’action. Une même électrode enregistre l’activité de plusieurs neurones. Le spike-sorting a pour but de détecter et trier cette activité, en utilisant le fait que la forme d’un potentiel d’action dépend du neurone qui l’a émis. Il s’agit donc d’un problème de reconnaissance de motifs non supervisée. Les méthodes classiques de spike-sorting consistent en trois étapes : la détection des potentiels d’action, l’extraction de traits caractéristiques de leurs formes, et le tri de ces caractéristiques en groupes correspondant alors aux différentes cellules neurales. Bien que les méthodes onlines existent, les méthodes les plus répandues nécessitent un traitement offline, qui n’est pas compatible avec les applications temps réelles telles que les interfaces cerveau-machine (BCI). De plus, le développement de matrices de microélectrodes toujours plus denses nécessite des méthodes automatiques et efficaces. Utiliser un réseau STDP apporte une nouvelle méthode pour répondre à ces besoins. Le réseau que nous avons conçu prend en entrée le signal de l’électrode et produit en sortie un train d’impulsions qui correspond à l’activité des cellules enregistrées. Il est organisé en différentes couches, connectées en série, chacune effectuant une étape du traitement. La première couche, constituée de neurones senseurs, convertit le signal d’entrée en train d’impulsions. Les couches suivantes apprennent les motifs générés par la couche précédente grâce aux lois STDP. Chaque couche est améliorée par l’implémentation de différents mécanismes, tels que le STDP avec ressources, l’adaptation de seuil, la plasticité déclenchée par l’inhibition, ou un modèle de neurone déchargeant par rebond. Un mécanisme d’attention permet au réseau de ne traiter que les parties du signal contenant des potentiels d’action. Ce réseau a été conçu dans un premier temps pour traiter des données mono-électrode, puis adapté pour traiter des signaux provenant d’électrodes multiples. Il a été testé d’abord sur des données simulées qui permettent de comparer la sortie du réseau à la vérité, puis sur des enregistrements réels de microélectrodes associés à des enregistrements intracellulaires donnant une vérité partielle. Les différentes versions du réseau ont été ainsi évaluées et comparées à d’autres algorithmes, donnant des résultats très satisfaisants. Suite à ces résultats simulés sur ordinateur, nous avons travaillé à une implémentation FPGA, constituant une première étape vers une implémentation embarquée neuromorphique
Pattern recognition is a fundamental task for living beings and is perform very efficiently by the brain. Artificial deep neural networks are making quick progress in reproducing these performance and have many applications such as image recognition or natural language processing. However, they require extensive training on large datasets and heavy computations. A promising alternative are spiking neural networks, which closely mimic what happens in the brain, with spiking neurons and spike-timing dependent plasticity (STDP). They are able to perform unsupervised learning and have been used for visual or auditory pattern recognition. However, for now applications using STDP networks lag far behind classical deep learning. Developing new applications for this kind of networks is all the more at stake that they could be implemented in low power neuromorphic hardware that currently undergoes important developments, in particular with analog miniaturized memristive devices able to mimic synaptic plasticity. In this work, we chose to develop an STDP neural network to perform a specific task: spike-sorting, which is a crucial problem in neuroscience. Brain implants based on microelectrode arrays are able to record the activity of individual neurons, appearing in the recorded signal as peak potential variations called action potentials. However, several neurons can be recorded by the same electrode. The goal of spike-sorting is to extract and separate the activity of different neural cells from a common extracellular recording taking advantage of the fact that the shape of an action potential on an electrode depends on the neuron it stems from. Thus spike-sorting can be seen as an unsupervised pattern recognition task where the goal is to detect and classify different waveforms. Most classical spike-sorting approaches use three separated steps: detecting all action potentials in the signal, extract features characterizing their shapes, and separating these features into clusters that should correspond to different neural cells. Though online methods exists, most widespread spike-sorting methods are offline or require an offline preprocessing step, which is not compatible with online application such as Brain-computer interfaces (BCI). Moreover, the development of always larger microelectrode arrays creates a need for fully automatic and computationally efficient algorithms. Using an STDP network brings a new approach to meet these requirements. We designed a network that take the electrode signal as an input, and output spikes that correspond to the spiking activity of the recorded neural cells. It is organized into several layers, designed to achieve different processing steps, connected in feedforward way. The first layer, composed of neurons acting as sensory neurons, convert the input signal into spike train. The following layers are able to learn patterns from the previous layer thanks to STDP rules. Each layer implement different mechanisms that improve their performance, such as resource-dependent STDP, intrinsic plasticity, plasticity triggered by inhibition, or neuron models having rebound spiking properties. An attention mechanism has been implemented to make the network sensitive only to part of the signal containing action potentials. This network was first designed to process data from a single electrode, and then adapted to process data from multiple electrodes. It has been tested on simulated data, which allowed to compare the network output to the known ground truth, and also on real extracellular recordings associated with intracellular recordings that give an incomplete ground truth. Different versions of the network were evaluated and compared to other spike-sorting algorithms, and found to give very satisfying results. Following these software simulations, we initiated an FPGA implementation of the method, which constitutes a first step toward embedded neuromorphic implementation

APA, Harvard, Vancouver, ISO, and other styles

7

Buhot, Arnaud. "Etude de propriétés d'apprentissage supervisé et non supervisé par des méthodes de Physique Statistique." Phd thesis, Université Joseph Fourier (Grenoble), 1999. http://tel.archives-ouvertes.fr/tel-00001642.

Full text

Abstract:

L'objet de cette thèse est l'étude de diverses propriétés d'apprentissage à partir d'exemples par des méthodes de Physique Statistique, notamment, par la méthode des répliques. Des tâches supervisées, correspondant à la classification binaire de données, ainsi que des tâches non supervisées, comme l'estimation paramétrique d'une densité de probabilité, sont considérées. Dans la première partie, une approche variationnelle permet de déterminer la performance de l'apprentissage optimal d'une direction d'anisotropie, et de déduire une fonction de coût permettant d'obtenir ces performances optimales. Dans le cas de l'apprentissage supervisé d'une tâche linéairement séparable, des simulations numériques confirmant nos résultats théoriques ont permis de déterminer les effets de taille finie. Dans le cas d'une densité de probabilité constituée de deux gaussiennes, la performance de l'apprentissage optimal présente de nombreuses transitions de phases en fonction du nombre de données. Ces résultats soulèvent une controverse entre la théorie variationnelle et l'approche bayesienne de l'apprentissage optimal. Dans la deuxième partie, nous étudions deux approches différentes de l'apprentissage de tâches de classification complexes. La première approche considérée est celle des machines à exemples supports. Nous avons étudié une famille de ces machines pour laquelle les séparateurs linéaire et quadratique sont deux cas particuliers. La capacité, les valeurs typiques de la marge et du nombre d'exemples supports, sont déterminées. La deuxième approche considérée est celle d'une machine de parité apprenant avec un algorithme incrémental. Cet algorithme construit progressivement un réseau de neurones à une couche cachée. La capacité théorique obtenue pour l'algorithme considéré est proche de celle de la machine de parité.

APA, Harvard, Vancouver, ISO, and other styles

8

Schutz, Georges. "Adaptations et applications de modèles mixtes de réseaux de neurones à un processus industriel." Phd thesis, Université Henri Poincaré - Nancy I, 2006. http://tel.archives-ouvertes.fr/tel-00115770.

Full text

Abstract:

Cette étude consiste à étudier l'apport de réseaux de neurones
artificiels pour améliorer le contrôle de processus industriels
complexes, caractérisés en particulier par leur aspect temporel.
Les motivations principales pour traiter des séries temporelles
sont la réduction du volume de données, l'indexation pour la
recherche de similarités, la localisation de séquences,
l'extraction de connaissances (data mining) ou encore la
prédiction.

Le processus industriel choisi est un four à arc
électrique pour la production d'acier liquide au Luxembourg. Notre
approche est un concept de contrôle prédictif et se base sur des
méthodes d'apprentissage non-supervisé dans le but d'une
extraction de connaissances.

Notre méthode de codage se base sur
des formes primitives qui composent les signaux. Ces formes,
composant un alphabet de codage, sont extraites par une méthode
non-supervisée, les cartes auto-organisatrices de Kohonen (SOM).
Une méthode de validation des alphabets de codage accompagne
l'approche.

Un sujet important abordé durant ces recherches est
la similarité de séries temporelles. La méthode proposée est
non-supervisée et intègre la capacité de traiter des séquences de
tailles variées.

APA, Harvard, Vancouver, ISO, and other styles

9

Lefort, Mathieu. "Apprentissage spatial de corrélations multimodales par des mécanismes d'inspiration corticale." Phd thesis, Université Nancy II, 2012. http://tel.archives-ouvertes.fr/tel-00756687.

Full text

Abstract:

Cette thèse traite de la problématique de l'unification de différents flux d'informations modales qui peuvent provenir des senseurs d'un agent. Cette unification, inspirée des expériences psychologiques comme l'effet ventriloque, s'appuie sur la détection de corrélations, définies comme des motifs spatiaux qui apparaissent régulièrement dans les flux d'entrée. L'apprentissage de l'espace des corrélations du flux d'entrée échantillonne cet espace et généralise les échantillons appris. Cette thèse propose des principes fonctionnels pour le traitement multimodal de l'information qui ont aboutit à l'architecture connexionniste, générique, modulaire et cortico-inspirée SOMMA (Self-Organizing Maps for Multimodal Association). Dans ce modèle, le traitement de chaque modalité s'effectue au sein d'une carte corticale. L'unification multimodale de l'information est obtenue par la mise en relation réciproque de ces cartes. L'échantillonnage et la généralisation des corrélations reposent sur une auto-organisation contrainte des cartes. Ce modèle est caractérisé par un apprentissage progressif de ces propriétés fonctionnelles: les propriétés monomodales amorcent l'émergence des propriétés multimodales et, dans le même temps, l'apprentissage de certaines corrélations par chaque carte est un préalable à l'auto-organisation de ces cartes. Par ailleurs, l'utilisation d'une architecture connexionniste et d'un apprentissage continu et non supervisé fournit au modèle des propriétés de robustesse et d'adaptabilité qui sont généralement absentes des approches informatiques classiques.

APA, Harvard, Vancouver, ISO, and other styles

10

Germain, Mathieu. "L’estimation de distribution à l'aide d'un autoencodeur." Mémoire, Université de Sherbrooke, 2015. http://hdl.handle.net/11143/6910.

Full text

Abstract:

Ce mémoire introduit MADE, un nouveau modèle génératif spécifiquement développé pour l’estimation de distribution de probabilité pour données binaires. Ce modèle se base sur le simple autoencodeur et le modifie de telle sorte que sa sortie puisse être considérée comme des probabilités conditionnelles. Il a été testé sur une multitude d’ensembles de données et atteint des performances comparables à l’état de l’art, tout en étant plus rapide. Pour faciliter la description de ce modèle, plusieurs concepts de base de l’apprentissage automatique seront décrits ainsi que d’autres modèles d’estimation de distribution. Comme son nom l’indique, l’estimation de distribution est simplement la tâche d’estimer une distribution statistique à l’aide d’exemples tirés de cette dernière. Bien que certains considèrent ce problème comme étant le Saint Graal de l’apprentissage automatique, il a longtemps été négligé par le domaine puisqu’il était considéré trop difficile. Une raison pour laquelle cette tâche est tenue en si haute estime est qu’une fois la distribution des données connue, elle peut être utilisée pour réaliser la plupart des autres tâches de l’apprentissage automatique, de la classification en passant par la régression jusqu’à la génération. L’information est divisée en trois chapitres principaux. Le premier donne un survol des connaissances requises pour comprendre le nouveau modèle. Le deuxième présente les précurseurs qui ont tenu le titre de l’état de l’art et finalement le troisième explique en détail le modèle proposé.

APA, Harvard, Vancouver, ISO, and other styles

11

Maurel, Denis. "Contributions aux communications inter-vues pour l'apprentissage collaboratif." Electronic Thesis or Diss., Sorbonne université, 2018. http://www.theses.fr/2018SORUS489.

Full text

Abstract:

Cette thèse présente plusieurs méthodes d'optimisation et d'amélioration des communications inter-vues dans un contexte d'apprentissage collaboratif. Deux axes sont développés: Le premier concerne l'amélioration des communications pour le clustering collaboratif, un paradigme dans lequel plusieurs jeux de données, appelés vues, sont utilisés pour effectuer un premier clustering local avant de s'échanger des informations afin de parvenir à un concensus sur leurs résultats. Notre premier contribution consiste en une méthode d'apprentissage permettant à une vue de pondérer l'information fournit par les vues externes. Cette méthode se base sur la résolution d'un problème constitué du critère du clustering collaboratif auquel à été ajouté deux contraintes sur les coefficients de pondérations. Une seconde contribution consiste en la définition d'une méthode d'apprentissage incrémentale de cartes auto-adaptatrices de Kohonen, suivie de son adaptation au clustering collaboratif. Cette méthode permet entre autre la mise à jour des résultats obtenus via le clustering collaboratif en cas d'évolution dans la distribution des données pouvant survenir au cours du temps. Le second axe consiste en la définition d'un nouveau paradigme collaboratif, appelé reconstruction collaborative. Dans ce paradigme, plusieurs vues collaborent pour reconstruire des données localement manquantes. Cette méthode se base sur des réseaux de neurones permettant de faire le lien entre les données externes et les données locales. La combinaison des informations externes est assurée par une méthode de pondération permettant de privilégier les caractéristiques les mieux reconstruites par chaque vue externe
This thesis presents several methods to optimize and improve inter-views communications in a collaborative learning context: The first contribution is about the improvement of communications for Collaborative Clustering using a learning method making it possible for a view to weight the information supplied by the external views. This methods is based on the resolution of a problem made of the Collaborative Clustering criterion with two constraints of the weighting coefficients. A second contribution consists in the definition of an incremental learning method of Self-Organizing Maps, followed by its adaptation to Collaborative Clustering. This method makes it possible to adapt the results obtained using Collaborative Clustering in case of a potential evolution in data distribution through time. The second axis consists in the definition of a new paradigm, called Collaborative Reconstruction. In this paradigm, several views collaborate to reconstruct local missing data. This method is based on neural networks linking external data and local data. The combination of the external informations is guaranteed by a weighting method favoring the best reconstructed features for each external view

APA, Harvard, Vancouver, ISO, and other styles

12

Le, Lan Gaël. "Analyse en locuteurs de collections de documents multimédia." Thesis, Le Mans, 2017. http://www.theses.fr/2017LEMA1020/document.

Full text

Abstract:

La segmentation et regroupement en locuteurs (SRL) de collection cherche à répondre à la question « qui parle quand ? » dans une collection de documents multimédia. C’est un prérequis indispensable à l’indexation des contenus audiovisuels. La tâche de SRL consiste d’abord à segmenter chaque document en locuteurs, avant de les regrouper à l'échelle de la collection. Le but est de positionner des labels anonymes identifiant les locuteurs, y compris ceux apparaissant dans plusieurs documents, sans connaître à l'avance ni leur identité ni leur nombre. La difficulté posée par le regroupement en locuteurs à l'échelle d'une collection est le problème de la variabilité intra-locuteur/inter-document : selon les documents, un locuteur peut parler dans des environnements acoustiques variés (en studio, dans la rue...). Cette thèse propose deux méthodes pour pallier le problème. D'une part, une nouvelle méthode de compensation neuronale de variabilité est proposée, utilisant le paradigme de triplet-loss pour son apprentissage. D’autre part, un procédé itératif d'adaptation non supervisée au domaine est présenté, exploitant l'information, même imparfaite, que le système acquiert en traitant des données, pour améliorer ses performances sur le domaine acoustique cible. De plus, de nouvelles méthodes d'analyse en locuteurs des résultats de SRL sont étudiées, pour comprendre le fonctionnement réel des systèmes, au-delà du classique taux d'erreur de SRL (Diarization Error Rate ou DER). Les systèmes et méthodes sont évalués sur deux émissions télévisées d'une quarantaine d'épisodes, pour les architectures de SRL globale ou incrémentale, à l'aide de la modélisation locuteur à l'état de l'art
The task of speaker diarization and linking aims at answering the question "who speaks and when?" in a collection of multimedia recordings. It is an essential step to index audiovisual contents. The task of speaker diarization and linking firstly consists in segmenting each recording in terms of speakers, before linking them across the collection. Aim is, to identify each speaker with a unique anonymous label, even for speakers appearing in multiple recordings, without any knowledge of their identity or number. The challenge of the cross-recording linking is the modeling of the within-speaker/across-recording variability: depending on the recording, a same speaker can appear in multiple acoustic conditions (in a studio, in the street...). The thesis proposes two methods to overcome this issue. Firstly, a novel neural variability compensation method is proposed, using the triplet-loss paradigm for training. Secondly, an iterative unsupervised domain adaptation process is presented, in which the system exploits the information (even inaccurate) about the data it processes, to enhance its performances on the target acoustic domain. Moreover, novel ways of analyzing the results in terms of speaker are explored, to understand the actual performance of a diarization and linking system, beyond the well-known Diarization Error Rate (DER). Systems and methods are evaluated on two TV shows of about 40 episodes, using either a global, or longitudinal linking architecture, and state of the art speaker modeling (i-vector)

APA, Harvard, Vancouver, ISO, and other styles

13

Oquab, Maxime. "Convolutional neural networks : towards less supervision for visual recognition." Thesis, Paris Sciences et Lettres (ComUE), 2018. http://www.theses.fr/2018PSLEE061.

Full text

Abstract:

Les réseaux de neurones à convolution sont des algorithmes d’apprentissage flexibles qui tirent efficacement parti des importantes masses de données qui leur sont fournies pour l’entraînement. Malgré leur utilisation dans des applications industrielles dès les années 90, ces algorithmes n’ont pas été utilisés pour la reconnaissance d’image à cause de leurs faibles performances avec les images naturelles. C’est finalement grâce a l’apparition d’importantes quantités de données et de puissance de calcul que ces algorithmes ont pu révéler leur réel potentiel lors de la compétition ImageNet, menant à un changement de paradigme en reconnaissance d’image. La première contribution de cette thèse est une méthode de transfert d’apprentissage dans les réseaux à convolution pour la classification d’image. À l’aide d’une procédure de pré-entraînement, nous montrons que les représentations internes d’un réseau à convolution sont assez générales pour être utilisées sur d’autres tâches, et meilleures lorsque le pré-entraînement est réalisé avec plus de données. La deuxième contribution de cette thèse est un système faiblement supervisé pour la classification d’images, pouvant prédire la localisation des objets dans des scènes complexes, en utilisant, lors de l’entraînement, seulement l’indication de la présence ou l’absence des objets dans les images. La troisième contribution de cette thèse est une recherche de pistes de progression en apprentissage non-supervisé. Nous étudions l’algorithme récent des réseaux génératifs adversariaux et proposons l’utilisation d’un test statistique pour l’évaluation de ces modèles. Nous étudions ensuite les liens avec le problème de la causalité, et proposons un test statistique pour la découverte causale. Finalement, grâce a un lien établi récemment avec les problèmes de transport optimal, nous étudions ce que ces réseaux apprennent des données dans le cas non-supervisé
Convolutional Neural Networks are flexible learning algorithms for computer vision that scale particularly well with the amount of data that is provided for training them. Although these methods had successful applications already in the ’90s, they were not used in visual recognition pipelines because of their lesser performance on realistic natural images. It is only after the amount of data and the computational power both reached a critical point that these algorithms revealed their potential during the ImageNet challenge of 2012, leading to a paradigm shift in visual recogntion. The first contribution of this thesis is a transfer learning setup with a Convolutional Neural Network for image classification. Using a pre-training procedure, we show that image representations learned in a network generalize to other recognition tasks, and their performance scales up with the amount of data used in pre-training. The second contribution of this thesis is a weakly supervised setup for image classification that can predict the location of objects in complex cluttered scenes, based on a dataset indicating only with the presence or absence of objects in training images. The third contribution of this thesis aims at finding possible paths for progress in unsupervised learning with neural networks. We study the recent trend of Generative Adversarial Networks and propose two-sample tests for evaluating models. We investigate possible links with concepts related to causality, and propose a two-sample test method for the task of causal discovery. Finally, building on a recent connection with optimal transport, we investigate what these generative algorithms are learning from unlabeled data

APA, Harvard, Vancouver, ISO, and other styles

14

Falez, Pierre. "Improving spiking neural networks trained with spike timing dependent plasticity for image recognition." Thesis, Lille 1, 2019. http://www.theses.fr/2019LIL1I101.

Full text

Abstract:

La vision par ordinateur est un domaine stratégique, du fait du nombre potentiel d'applications avec un impact important sur la société. Ce secteur a rapidement progressé au cours de ces dernières années, notamment grâce aux avancées en intelligence artificielle et plus particulièrement l'avènement de l'apprentissage profond. Cependant, ces méthodes présentent deux défauts majeurs face au cerveau biologique : ils sont extrêmement énergivores et requièrent de gigantesques bases d'apprentissage étiquetées. Les réseaux de neurones à impulsions sont des modèles alternatifs qui permettent de répondre à la problématique de la consommation énergétique. Ces modèles ont la propriété de pouvoir être implémentés de manière très efficace sur du matériel, afin de créer des architectures très basse consommation. En contrepartie, ces modèles imposent certaines contraintes, comme l'utilisation uniquement de mémoire et de calcul locaux. Cette limitation empêche l'utilisation de méthodes d'apprentissage traditionnelles, telles que la rétro-propagation du gradient. La STDP est une règle d'apprentissage, observée dans la biologie, qui peut être utilisée dans les réseaux de neurones à impulsions. Cette règle renforce les synapses où des corrélations locales entre les temps d'impulsions sont détectées, et affaiblit les autres synapses. La nature locale et non-supervisée permet à la fois de respecter les contraintes des architectures neuromorphiques, et donc d'être implémentable de manière efficace, mais permet également de répondre aux problématiques d'étiquetage des bases d'apprentissage. Cependant, les réseaux de neurones à impulsions entraînés grâce à la STDP souffrent pour le moment de performances inférieures aux méthodes d'apprentissage profond. La littérature entourant la STDP utilise très majoritairement des données simples mais le comportement de cette règle n'a été que très peu étudié sur des données plus complexes, tel que sur des bases avec une variété d'images importante.L'objectif de ce manuscrit est d'étudier le comportement des modèles impulsionnels, entraîné via la STDP, sur des tâches de classification d'images. Le but principal est d'améliorer les performances de ces modèles, tout en respectant un maximum les contraintes imposées par les architectures neuromorphiques. Une première partie des contributions proposées dans ce manuscrit s'intéresse à la simulation logicielle des réseaux de neurones impulsionnels. L'implémentation matérielle étant un processus long et coûteux, l'utilisation de simulation est une bonne alternative pour étudier plus rapidement le comportement des différents modèles. La suite des contributions s'intéresse à la mise en place de réseaux impulsionnels multi-couches. Les réseaux composés d'un empilement de couches, tel que les méthodes d'apprentissage profond, permettent de traiter des données beaucoup plus complexes. Un des chapitres s'articule autour de la problématique de perte de fréquence observée dans les réseaux de neurones à impulsions. Ce problème empêche l'empilement de plusieurs couches de neurones impulsionnels. Une autre partie des contributions se concentre sur l'étude du comportement de la STDP sur des jeux de données plus complexes, tels que les images naturelles en couleur. Plusieurs mesures sont utilisées, telle que la cohérence des filtres ou la dispersion des activations, afin de mieux comprendre les raisons de l'écart de performances entre la STDP et les méthodes plus traditionnelles. Finalement, la réalisation de réseaux multi-couches est décrite dans la dernière partie des contributions. Pour ce faire, un nouveau mécanisme d'adaptation des seuils est introduit ainsi qu'un protocole permettant l'apprentissage multi-couches. Il est notamment démontré que de tels réseaux parviennent à améliorer l'état de l'art autour de la STDP
Computer vision is a strategic field, in consequence of its great number of potential applications which could have a high impact on society. This area has quickly improved over the last decades, especially thanks to the advances of artificial intelligence and more particularly thanks to the accession of deep learning. Nevertheless, these methods present two main drawbacks in contrast with biological brains: they are extremely energy intensive and they need large labeled training sets. Spiking neural networks are alternative models offering an answer to the energy consumption issue. One attribute of these models is that they can be implemented very efficiently on hardware, in order to build ultra low-power architectures. In return, these models impose certain limitations, such as the use of only local memory and computations. It prevents the use of traditional learning methods, for example the gradient back-propagation. STDP is a learning rule, observed in biology, which can be used in spiking neural networks. This rule reinforces the synapses in which local correlations of spike timing are detected. It also weakens the other synapses. The fact that it is local and unsupervised makes it possible to abide by the constraints of neuromorphic architectures, which means it can be implemented efficiently, but it also provides a solution to the data set labeling issue. However, spiking neural networks trained with the STDP rule are affected by lower performances in comparison to those following a deep learning process. The literature about STDP still uses simple data but the behavior of this rule has seldom been used with more complex data, such as sets made of a large variety of real-world images.The aim of this manuscript is to study the behavior of these spiking models, trained through the STDP rule, on image classification tasks. The main goal is to improve the performances of these models, while respecting as much as possible the constraints of neuromorphic architectures. The first contribution focuses on the software simulations of spiking neural networks. Hardware implementation being a long and costly process, using simulation is a good alternative in order to study more quickly the behavior of different models. Then, the contributions focus on the establishment of multi-layered spiking networks; networks made of several layers, such as those in deep learning methods, allow to process more complex data. One of the chapters revolves around the matter of frequency loss seen in several spiking neural networks. This issue prevents the stacking of multiple spiking layers. The center point then switches to a study of STDP behavior on more complex data, especially colored real-world image. Multiple measurements are used, such as the coherence of filters or the sparsity of activations, to better understand the reasons for the performance gap between STDP and the more traditional methods. Lastly, the manuscript describes the making of multi-layered networks. To this end, a new threshold adaptation mechanism is introduced, along with a multi-layer training protocol. It is proven that such networks can improve the state-of-the-art for STDP

APA, Harvard, Vancouver, ISO, and other styles

15

Labonne, Maxime. "Anomaly-based network intrusion detection using machine learning." Electronic Thesis or Diss., Institut polytechnique de Paris, 2020. http://www.theses.fr/2020IPPAS011.

Full text

Abstract:

Ces dernières années, le piratage est devenu une industrie à part entière, augmentant le nombre et la diversité des cyberattaques. Les menaces qui pèsent sur les réseaux informatiques vont des logiciels malveillants aux attaques par déni de service, en passant par le phishing et l'ingénierie sociale. Un plan de cybersécurité efficace ne peut plus reposer uniquement sur des antivirus et des pare-feux pour contrer ces menaces : il doit inclure plusieurs niveaux de défense. Les systèmes de détection d'intrusion (IDS) réseaux sont un moyen complémentaire de renforcer la sécurité, avec la possibilité de surveiller les paquets de la couche 2 (liaison) à la couche 7 (application) du modèle OSI. Les techniques de détection d'intrusion sont traditionnellement divisées en deux catégories : la détection par signatures et la détection par anomalies. La plupart des IDS utilisés aujourd'hui reposent sur la détection par signatures ; ils ne peuvent cependant détecter que des attaques connues. Les IDS utilisant la détection par anomalies sont capables de détecter des attaques inconnues, mais sont malheureusement moins précis, ce qui génère un grand nombre de fausses alertes. Dans ce contexte, la création d'IDS précis par anomalies est d'un intérêt majeur pour pouvoir identifier des attaques encore inconnues.Dans cette thèse, les modèles d'apprentissage automatique sont étudiés pour créer des IDS qui peuvent être déployés dans de véritables réseaux informatiques. Tout d'abord, une méthode d'optimisation en trois étapes est proposée pour améliorer la qualité de la détection : 1/ augmentation des données pour rééquilibrer les jeux de données, 2/ optimisation des paramètres pour améliorer les performances du modèle et 3/ apprentissage ensembliste pour combiner les résultats des meilleurs modèles. Les flux détectés comme des attaques peuvent être analysés pour générer des signatures afin d'alimenter les bases de données d'IDS basées par signatures. Toutefois, cette méthode présente l'inconvénient d'exiger des jeux de données étiquetés, qui sont rarement disponibles dans des situations réelles. L'apprentissage par transfert est donc étudié afin d'entraîner des modèles d'apprentissage automatique sur de grands ensembles de données étiquetés, puis de les affiner sur le trafic normal du réseau à surveiller. Cette méthode présente également des défauts puisque les modèles apprennent à partir d'attaques déjà connues, et n'effectuent donc pas réellement de détection d'anomalies. C'est pourquoi une nouvelle solution basée sur l'apprentissage non supervisé est proposée. Elle utilise l'analyse de l'en-tête des protocoles réseau pour modéliser le comportement normal du trafic. Les anomalies détectées sont ensuite regroupées en attaques ou ignorées lorsqu'elles sont isolées. Enfin, la détection la congestion réseau est étudiée. Le taux d'utilisation de la bande passante entre les différents liens est prédit afin de corriger les problèmes avant qu'ils ne se produisent
In recent years, hacking has become an industry unto itself, increasing the number and diversity of cyber attacks. Threats on computer networks range from malware to denial of service attacks, phishing and social engineering. An effective cyber security plan can no longer rely solely on antiviruses and firewalls to counter these threats: it must include several layers of defence. Network-based Intrusion Detection Systems (IDSs) are a complementary means of enhancing security, with the ability to monitor packets from OSI layer 2 (Data link) to layer 7 (Application). Intrusion detection techniques are traditionally divided into two categories: signatured-based (or misuse) detection and anomaly detection. Most IDSs in use today rely on signature-based detection; however, they can only detect known attacks. IDSs using anomaly detection are able to detect unknown attacks, but are unfortunately less accurate, which generates a large number of false alarms. In this context, the creation of precise anomaly-based IDS is of great value in order to be able to identify attacks that are still unknown.In this thesis, machine learning models are studied to create IDSs that can be deployed in real computer networks. Firstly, a three-step optimization method is proposed to improve the quality of detection: 1/ data augmentation to rebalance the dataset, 2/ parameters optimization to improve the model performance and 3/ ensemble learning to combine the results of the best models. Flows detected as attacks can be analyzed to generate signatures to feed signature-based IDS databases. However, this method has the disadvantage of requiring labelled datasets, which are rarely available in real-life situations. Transfer learning is therefore studied in order to train machine learning models on large labeled datasets, then finetune them on benign traffic of the network to be monitored. This method also has flaws since the models learn from already known attacks, and therefore do not actually perform anomaly detection. Thus, a new solution based on unsupervised learning is proposed. It uses network protocol header analysis to model normal traffic behavior. Anomalies detected are then aggregated into attacks or ignored when isolated. Finally, the detection of network congestion is studied. The bandwidth utilization between different links is predicted in order to correct issues before they occur

APA, Harvard, Vancouver, ISO, and other styles

16

Mehr, Éloi. "Unsupervised Learning of 3D Shape Spaces for 3D Modeling." Electronic Thesis or Diss., Sorbonne université, 2019. http://www.theses.fr/2019SORUS566.

Full text

Abstract:

Bien que les données 3D soient de plus en plus populaires, en particulier avec la démocratisation des expériences de réalité virtuelle et augmentée, il reste très difficile de manipuler une forme 3D, même pour des designers ou des experts. Partant d’une base de données d’instances 3D d’une ou plusieurs catégories d’objets, nous voulons apprendre la variété des formes plausibles en vue de développer de nouveaux outils intelligents de modélisation et d’édition 3D. Cependant, cette variété est souvent bien plus complexe comparée au domaine 2D. En effet, les surfaces 3D peuvent être représentées en utilisant plusieurs plongements distincts, et peuvent aussi exhiber des alignements ou des topologies différentes. Dans cette thèse, nous étudions la variété des formes plausibles à la lumière des défis évoqués précédemment, en approfondissant trois points de vue différents. Tout d'abord, nous considérons la variété comme un espace quotient, dans le but d’apprendre la géométrie intrinsèque des formes à partir d’une base de données où les modèles 3D ne sont pas co-alignés. Ensuite, nous supposons que la variété est non connexe, ce qui aboutit à un nouveau modèle d’apprentissage profond capable d’automatiquement partitionner et apprendre les formes selon leur typologie. Enfin, nous étudions la conversion d’une entrée 3D non structurée vers une géométrie exacte, représentée comme un arbre structuré de primitives solides continues
Even though 3D data is becoming increasingly more popular, especially with the democratization of virtual and augmented experiences, it remains very difficult to manipulate a 3D shape, even for designers or experts. Given a database containing 3D instances of one or several categories of objects, we want to learn the manifold of plausible shapes in order to develop new intelligent 3D modeling and editing tools. However, this manifold is often much more complex compared to the 2D domain. Indeed, 3D surfaces can be represented using various embeddings, and may also exhibit different alignments and topologies. In this thesis we study the manifold of plausible shapes in the light of the aforementioned challenges, by deepening three different points of view. First of all, we consider the manifold as a quotient space, in order to learn the shapes’ intrinsic geometry from a dataset where the 3D models are not co-aligned. Then, we assume that the manifold is disconnected, which leads to a new deep learning model that is able to automatically cluster and learn the shapes according to their typology. Finally, we study the conversion of an unstructured 3D input to an exact geometry, represented as a structured tree of continuous solid primitives

APA, Harvard, Vancouver, ISO, and other styles

17

Hammadi, Youssef. "Réduction d'un modèle 0D instationnaire et non-linéaire de thermique habitacle pour l’optimisation énergétique des véhicules automobiles." Thesis, Université Paris sciences et lettres, 2020. http://www.theses.fr/2020UPSLM027.

Full text

Abstract:

L’utilisation de la climatisation automobile engendre physiquement une surconsommation de carburant. Pour diminuer cette surconsommation, il existe deux leviers principaux. Le premier consiste à travailler en amont sur la définition technique de l’habitacle et du système de climatisation. Le second levier consiste à optimiser les stratégies de contrôle. Dans les deux cas, il s’avère incontournable de construire des modèles de thermique habitacle précis et rapides à évaluer. Ce qui fait l’objet de cette thèse CIFRE du Groupe Renault. Dans un premier temps, une méthodologie de réduction de modèles est exploitée pour passer d’un modèle éléments finis 3D à un modèle 0D. Ce modèle 0D est basé sur des bilans de masse et d’énergie sur les différentes parois et zones d’air de la cabine. Il prend la forme d’un système d’équations algébro-différentielles non-linéaire qui peut être transcrit en Bond Graph. De plus, le modèle 0D exploite un couplage faible entre la thermique et la mécanique des fluides issue des calculs CFD (aéraulique et aérodynamique externe). Dans un deuxième temps, on applique une méthode d’apprentissage automatique aux données générées par le modèle 0D en vue de construire un modèle 0D réduit. Un plan d’expériences est considéré à cette étape. Du fait de la non-linéarité des échanges thermiques, nous avons développé une approche qui s’inspire des méthodes Gappy POD et EIM. La base réduite utilisée est une base multiphysique qui tient compte de plusieurs contributions (températures, enthalpies, flux thermiques et humidités). Le modèle réduit obtenu est un modèle hybride qui couple quelques équations physiques d’origine à un réseau de neurones artificiel. La méthodologie de réduction a été déployée sur des véhicules Renault. Les modèles réduits ont été intégrés dans la plateforme GREEN de synthèse énergétique qui modélise différentes thermiques (moteur, transmission, circuit de refroidissement, batterie, HVAC, boucle froide, sous-capot) en vue de faire des études de gestion thermique qui revêtent une importance particulière pour les véhicules électriques et hybrides. Les modèles réduits ont été validés sur plusieurs scénarios (boucle de régulation pour le confort thermique, cycle d’homologation, couplage HVAC) et ont permis d’obtenir des gains CPU allant jusqu’à 99% avec des erreurs moyennes de 0,5°C sur les températures et 0,6% sur les humidités relatives
The use of automotive air conditioning leads to a fuel overconsumption. To reduce this overconsumption, we can either work upstream on the technical definitions of the cabin and the HVAC system or optimize control strategies. In both cases, it is essential to build a cabin thermal model that well balances accuracy and complexity. This is the topic of this PhD thesis driven by Renault Group. First, a model reduction methodology is used to build a 0D model starting from a 3D finite element cabin thermal model. This 0D model is based on mass and energy balances on the different cabin walls and air zones. It consists of a nonlinear differential algebraic equations system which can be reinterpreted as a Bond Graph. In addition, the 0D model is based on a weak coupling between the thermal equations and the fluid mechanics ones resulting from CFD calculations (internal airflow and external aerodynamics). Secondly, we apply a machine learning method to the data generated by the 0D model in order to build a reduced 0D model. A design of experiment is considered at this stage. Due to the nonlinearity of the heat exchanges, we have developed an approach which is inspired by the Gappy POD and EIM methods. We use a multiphysics reduced basis that takes several contributions into account (temperatures, enthalpies, heat fluxes and humidities). The resulting reduced model is a hybrid model that couples some of the original physical equations to an artificial neural network. The reduction methodology has been validated on Renault vehicles. The reduced order models have been integrated into a vehicle system-level energetic simulation platform (GREEN) which models different thermics (engine, transmission, cooling system, battery, HVAC, refrigerant circuit, underhood) in order to perform thermal management studies which are of particular importance for electric and hybrid vehicles. The reduced order models have been validated on several scenarios (temperature control for thermal comfort, driving cycles, HVAC coupling) and have achieved CPU gains of up to 99% with average errors of 0.5 °C on temperatures and 0.6% on relative humidities

APA, Harvard, Vancouver, ISO, and other styles

18

Al, Chami Zahi. "Estimation de la qualité des données multimedia en temps réel." Thesis, Pau, 2021. http://www.theses.fr/2021PAUU3066.

Full text

Abstract:

Au cours de la dernière décennie, les fournisseurs de données ont généré et diffusé une grande quantité de données, notamment des images, des vidéos, de l'audio, etc. Dans cette thèse, nous nous concentrerons sur le traitement des images puisqu'elles sont les plus communément partagées entre les utilisateurs sur l'inter-réseau mondial. En particulier, le traitement des images contenant des visages a reçu une grande attention en raison de ses nombreuses applications, telles que les applications de divertissement et de médias sociaux. Cependant, plusieurs défis pourraient survenir au cours de la phase de traitement et de transmission : d'une part, le nombre énorme d'images partagées et produites à un rythme rapide nécessite un temps de traitement et de livraison considérable; d’autre part, les images sont soumises à un très grand nombre de distorsions lors du traitement, de la transmission ou de la combinaison de nombreux facteurs qui pourraient endommager le contenu des images. Deux contributions principales sont développées. Tout d'abord, nous présentons un framework d'évaluation de la qualité d'image ayant une référence complète en temps réel, capable de : 1) préserver le contenu des images en s'assurant que certaines informations visuelles utiles peuvent toujours être extraites de l'image résultante, et 2) fournir un moyen de traiter les images en temps réel afin de faire face à l'énorme quantité d'images reçues à un rythme rapide. Le framework décrit ici est limité au traitement des images qui ont accès à leur image de référence (connu sous le nom référence complète). Dans notre second chapitre, nous présentons un framework d'évaluation de la qualité d'image sans référence en temps réel. Il a les capacités suivantes : a) évaluer l'image déformée sans avoir recours à son image originale, b) préserver les informations visuelles les plus utiles dans les images avant de les publier, et c) traiter les images en temps réel, bien que les modèles d'évaluation de la qualité des images sans référence sont considérés très complexes. Notre framework offre plusieurs avantages par rapport aux approches existantes, en particulier : i. il localise la distorsion dans une image afin d'évaluer directement les parties déformées au lieu de traiter l'image entière, ii. il a un compromis acceptable entre la précision de la prédiction de qualité et le temps d’exécution, et iii. il pourrait être utilisé dans plusieurs applications, en particulier celles qui fonctionnent en temps réel. L'architecture de chaque framework est présentée dans les chapitres tout en détaillant les modules et composants du framework. Ensuite, un certain nombre de simulations sont faites pour montrer l'efficacité de nos approches pour résoudre nos défis par rapport aux approches existantes
Over the past decade, data providers have been generating and streaming a large amount of data, including images, videos, audio, etc. In this thesis, we will be focusing on processing images since they are the most commonly shared between the users on the global inter-network. In particular, treating images containing faces has received great attention due to its numerous applications, such as entertainment and social media apps. However, several challenges could arise during the processing and transmission phase: firstly, the enormous number of images shared and produced at a rapid pace requires a significant amount of time to be processed and delivered; secondly, images are subject to a wide range of distortions during the processing, transmission, or combination of many factors that could damage the images’content. Two main contributions are developed. First, we introduce a Full-Reference Image Quality Assessment Framework in Real-Time, capable of:1) preserving the images’content by ensuring that some useful visual information can still be extracted from the output, and 2) providing a way to process the images in real-time in order to cope with the huge amount of images that are being received at a rapid pace. The framework described here is limited to processing those images that have access to their reference version (a.k.a Full-Reference). Secondly, we present a No-Reference Image Quality Assessment Framework in Real-Time. It has the following abilities: a) assessing the distorted image without having its distortion-free image, b) preserving the most useful visual information in the images before publishing, and c) processing the images in real-time, even though the No-Reference image quality assessment models are considered very complex. Our framework offers several advantages over the existing approaches, in particular: i. it locates the distortion in an image in order to directly assess the distorted parts instead of processing the whole image, ii. it has an acceptable trade-off between quality prediction accuracy and execution latency, andiii. it could be used in several applications, especially these that work in real-time. The architecture of each framework is presented in the chapters while detailing the modules and components of the framework. Then, a number of simulations are made to show the effectiveness of our approaches to solve our challenges in relation to the existing approaches

APA, Harvard, Vancouver, ISO, and other styles

19

Wynen, Daan. "Une représentation archétypale de style artistique : résumer et manipuler des stylesartistiques d'une façon interprétable." Thesis, Université Grenoble Alpes, 2020. http://www.theses.fr/2020GRALM066.

Full text

Abstract:

Dans cette thèse, nous étudions les représentations utilisées pour décrire et manipuler le style artistique d'œuvres d'art. Dans la littérature sur le transfert de style, différentes représentations ont été proposées, mais ces dernières années, les représentations de style artistique qui constituent le paradigme dominant en vision par ordinateur ont été celles apprises par des réseaux de neurones profonds et qui sont entraînés avec des images naturelles. Nous nous appuyons sur ces représentations avec le double objectif de résumer les styles artistiques présents dans de grandes collections d’œuvres d’art numérisées, ainsi que la manipulation des styles d’images naturelles ou artistiques.Pour cela, nous proposons une représentation concise et intuitive basée sur l’analyse archétypale, une méthode d’apprentissage classique non supervisée avec des propriétés qui la rendent particulièrement adaptée à cette tâche. Nousmontrons comment cette représentation archétypale du style peut être utilisée pour découvrir et décrire, de manière interprétable, quels styles sont présents dans une grande collection. Cela permet d’explorer les styles présents dansune collection sous différents angles ; différentes manières de visualiser les résultats d’analyse permettent de poser différentes questions. Ceux-ci peuvent concerner un style qui a été identifié dans la collection des œuvres d’art, sur le style d’une œuvre d’art particulière, ou plus largement sur la relation entre les styles identifiés.Nous appliquons notre analyse à une collection d’œuvres d’art issues de WikiArt, un effort de collecte en ligne d’arts visuels poursuivi par des bénévoles. Cet ensemble de données comprend également des métadonnées telles que l’identité des artistes, le genre et le style des œuvres d’art. Nous utilisons ces métadonnées pour une analyse plus approfondie de la représentation de style archétypale le long des lignes biographiques des artistes. et avec une analyse des relations au sein de groupes d’artistes
In this thesis we study the representations used to describe and manipulate artistic style of visual arts.In the neural style transfer literature and related strains of research, different representations have been proposed, but in recent years the by far dominant representations of artistic style in the computer vision community have been those learned by deep neural networks, trained on natural images.We build on these representations with the dual goal of summarizing the artistic styles present in large collections of digitized artworks, as well as manipulating the styles of images both natural and artistic.To this end, we propose a concise and intuitive representation based on archetypal analysis, a classic unsupervised learning method with properties that make it especially suitable for the task. We demonstrate how this archetypal representation of style can be used to discover and describe, in an interpretable way, which styles are present in a large collection.This enables the exploration of styles present in a collection from different angles; different ways of visualizing the information allow for different questions to be asked.These can be about a style that was identified across artworks, about the style of a particular artwork, or more broadly about how the styles that were identified relate to one another.We apply our analysis to a collection of artworks obtained from WikiArt, an online collection effort of visual arts driven by volunteers. This dataset also includes metadata such as artist identies, genre, and style of the artworks. We use this metadata for further analysis of the archetypal style representation along biographic lines of artists and with an eye on the relationships within groups of artists

APA, Harvard, Vancouver, ISO, and other styles

20

Peltier, Marie-Agnès. "Un système adaptatif de diagnostic d'évolution basé sur la reconnaissance des formes floues : application au diagnostic du comportement d'un conducteur automobile." Compiègne, 1993. http://www.theses.fr/1993COMPD634.

Full text

Abstract:

L'objet de la thèse est le développement d'un algorithme de détection d'évolution des caractéristiques d'un système dynamique sur lequel on ne dispose d'aucune connaissance a priori. Le diagnostic d'évolution doit s'adapter à la spécificité du système et à son environnement. Pour cela, on considère l'état initial du système comme un état de référence, à partir duquel tout écart est interprété comme une évolution vers un état inconnu. Chaque état ainsi détecté fait l'objet d'un apprentissage. Pour mettre en œuvre cette idée, nous proposons dans ce mémoire une méthode adaptative de diagnostic d'évolution basée sur la reconnaissance des formes floues. Elle repose sur une modélisation des états du système à l'aide d'ensembles flous. L'approximation des fonctions d'appartenance associées est réalisée à l'aide de réseaux de neurones à fonction d'activation gaussienne. La constitution des ensembles d'apprentissage des états détectés s'effectue selon des critères combinés de proximité dans l'espace et le temps. La notion de "plus proche voisin dans le temps" est introduite. Cette méthode a été appliquée à la surveillance du comportement du conducteur d'un véhicule automobile. L'instrumentation d'un véhicule expérimental et la définition d'un protocole de mesures ont conduit au recueil, sur route réelle, de données pertinentes pour la description de l'activité de conduite. Ces données ont été utilisees pour valider l'algorithme proposé, d'abord pour la détection d'évolution du comportement de conduite, puis dans le cadre plus spécifique de la détection d'hypovigilance. Les résultats obtenus confirment l'intérêt de la méthode proposée.

APA, Harvard, Vancouver, ISO, and other styles

21

Belharbi, Soufiane. "Neural networks regularization through representation learning." Thesis, Normandie, 2018. http://www.theses.fr/2018NORMIR10/document.

Full text

Abstract:

Les modèles de réseaux de neurones et en particulier les modèles profonds sont aujourd'hui l'un des modèles à l'état de l'art en apprentissage automatique et ses applications. Les réseaux de neurones profonds récents possèdent de nombreuses couches cachées ce qui augmente significativement le nombre total de paramètres. L'apprentissage de ce genre de modèles nécessite donc un grand nombre d'exemples étiquetés, qui ne sont pas toujours disponibles en pratique. Le sur-apprentissage est un des problèmes fondamentaux des réseaux de neurones, qui se produit lorsque le modèle apprend par coeur les données d'apprentissage, menant à des difficultés à généraliser sur de nouvelles données. Le problème du sur-apprentissage des réseaux de neurones est le thème principal abordé dans cette thèse. Dans la littérature, plusieurs solutions ont été proposées pour remédier à ce problème, tels que l'augmentation de données, l'arrêt prématuré de l'apprentissage ("early stopping"), ou encore des techniques plus spécifiques aux réseaux de neurones comme le "dropout" ou la "batch normalization". Dans cette thèse, nous abordons le sur-apprentissage des réseaux de neurones profonds sous l'angle de l'apprentissage de représentations, en considérant l'apprentissage avec peu de données. Pour aboutir à cet objectif, nous avons proposé trois différentes contributions. La première contribution, présentée dans le chapitre 2, concerne les problèmes à sorties structurées dans lesquels les variables de sortie sont à grande dimension et sont généralement liées par des relations structurelles. Notre proposition vise à exploiter ces relations structurelles en les apprenant de manière non-supervisée avec des autoencodeurs. Nous avons validé notre approche sur un problème de régression multiple appliquée à la détection de points d'intérêt dans des images de visages. Notre approche a montré une accélération de l'apprentissage des réseaux et une amélioration de leur généralisation. La deuxième contribution, présentée dans le chapitre 3, exploite la connaissance a priori sur les représentations à l'intérieur des couches cachées dans le cadre d'une tâche de classification. Cet à priori est basé sur la simple idée que les exemples d'une même classe doivent avoir la même représentation interne. Nous avons formalisé cet à priori sous la forme d'une pénalité que nous avons rajoutée à la fonction de perte. Des expérimentations empiriques sur la base MNIST et ses variantes ont montré des améliorations dans la généralisation des réseaux de neurones, particulièrement dans le cas où peu de données d'apprentissage sont utilisées. Notre troisième et dernière contribution, présentée dans le chapitre 4, montre l'intérêt du transfert d'apprentissage ("transfer learning") dans des applications dans lesquelles peu de données d'apprentissage sont disponibles. L'idée principale consiste à pré-apprendre les filtres d'un réseau à convolution sur une tâche source avec une grande base de données (ImageNet par exemple), pour les insérer par la suite dans un nouveau réseau sur la tâche cible. Dans le cadre d'une collaboration avec le centre de lutte contre le cancer "Henri Becquerel de Rouen", nous avons construit un système automatique basé sur ce type de transfert d'apprentissage pour une application médicale où l'on dispose d’un faible jeu de données étiquetées. Dans cette application, la tâche consiste à localiser la troisième vertèbre lombaire dans un examen de type scanner. L’utilisation du transfert d’apprentissage ainsi que de prétraitements et de post traitements adaptés a permis d’obtenir des bons résultats, autorisant la mise en oeuvre du modèle en routine clinique
Neural network models and deep models are one of the leading and state of the art models in machine learning. They have been applied in many different domains. Most successful deep neural models are the ones with many layers which highly increases their number of parameters. Training such models requires a large number of training samples which is not always available. One of the fundamental issues in neural networks is overfitting which is the issue tackled in this thesis. Such problem often occurs when the training of large models is performed using few training samples. Many approaches have been proposed to prevent the network from overfitting and improve its generalization performance such as data augmentation, early stopping, parameters sharing, unsupervised learning, dropout, batch normalization, etc. In this thesis, we tackle the neural network overfitting issue from a representation learning perspective by considering the situation where few training samples are available which is the case of many real world applications. We propose three contributions. The first one presented in chapter 2 is dedicated to dealing with structured output problems to perform multivariate regression when the output variable y contains structural dependencies between its components. Our proposal aims mainly at exploiting these dependencies by learning them in an unsupervised way. Validated on a facial landmark detection problem, learning the structure of the output data has shown to improve the network generalization and speedup its training. The second contribution described in chapter 3 deals with the classification task where we propose to exploit prior knowledge about the internal representation of the hidden layers in neural networks. This prior is based on the idea that samples within the same class should have the same internal representation. We formulate this prior as a penalty that we add to the training cost to be minimized. Empirical experiments over MNIST and its variants showed an improvement of the network generalization when using only few training samples. Our last contribution presented in chapter 4 showed the interest of transfer learning in applications where only few samples are available. The idea consists in re-using the filters of pre-trained convolutional networks that have been trained on large datasets such as ImageNet. Such pre-trained filters are plugged into a new convolutional network with new dense layers. Then, the whole network is trained over a new task. In this contribution, we provide an automatic system based on such learning scheme with an application to medical domain. In this application, the task consists in localizing the third lumbar vertebra in a 3D CT scan. A pre-processing of the 3D CT scan to obtain a 2D representation and a post-processing to refine the decision are included in the proposed system. This work has been done in collaboration with the clinic "Rouen Henri Becquerel Center" who provided us with data

APA, Harvard, Vancouver, ISO, and other styles

22

Khacef, Lyes. "Exploration du calcul bio-inspiré avec des architectures neuromorphiques auto-organisées." Thesis, Université Côte d'Azur, 2020. http://www.theses.fr/2020COAZ4085.

Full text

Abstract:

La plasticité corticale du cerveau est l'une des principales caractéristiques qui nous permettent d'apprendre et de nous adapter à notre environnement. En effet, le cortex cérébral a la capacité de s'auto-organiser grâce à deux formes de plasticité : la plasticité structurelle qui crée ou coupe les connexions synaptiques entre les neurones, et la plasticité synaptique qui modifie la force des connexions synaptiques. Ces mécanismes sont très probablement à la base d'une caractéristique extrêmement intéressante du développement du cerveau humain : l'association multimodale. Malgré la diversité des modalités sensorielles, comme la vue, le son et le toucher, le cerveau arrive aux mêmes concepts. De plus, les observations biologiques montrent qu'une modalité peut activer la représentation interne d'une autre modalité lorsque les deux sont corrélées. Pour modéliser un tel comportement, Edelman et Damasio ont proposé respectivement la réentrance et la zone de convergence/divergence où les communications neurales bidirectionnelles peuvent conduire à la fois à la fusion multimodale (convergence) et à l'activation intermodale (divergence). Néanmoins, ces cadres théoriques ne fournissent pas de modèle de calcul au niveau des neurones.L'objectif de cette thèse est d'abord d'explorer les fondements de l'auto-organisat-ion inspirée par le cerveau en termes (1) d'apprentissage multimodal non supervisé, (2) de calcul massivement parallèle, distribué et local, et (3) de traitement efficace sur le plan énergétique. Sur la base de ces lignes directrices et d'une étude des modèles neuronaux de la littérature, nous choisissons la carte auto-organisée (SOM) proposée par Kohonen comme composant principal de notre système. Nous introduisons la grille itérative, une architecture entièrement distribuée avec une connectivité locale entre les neurones matériels qui permet un calcul cellulaire dans le SOM, et donc un système qui passe à l'échelle en termes de temps de traitement et de connectivité.Ensuite, nous évaluons la performance du SOM dans le problème de l'apprentissage non supervisé post-étiqueté : aucun label n'est disponible pendant l'entrainement, puis très peu de labels sont disponibles pour étiqueter les neurones du SOM. Nous proposons et comparons différentes méthodes d'étiquetage afin de minimiser le nombre d'étiquettes tout en conservant la meilleure précision. Nous comparons nos performances à une approche différente utilisant des réseaux neuronaux à spike (SNN).Ensuite, nous proposons d'améliorer les performances du SOM en utilisant des caractéristiques extraites au lieu de données brutes. Nous menons une étude comparative sur la classification du SOM avec extraction non-supervisée de caractéristiques à partir de la base de données MNIST en utilisant deux approches différentes : une approche d'apprentissage machine avec des auto-encodeurs convolutionnels et une approche bio-inspirée avec des SNN.Pour prouver la capacité du SOM à classifier des données plus complexes, nous utilisons l'apprentissage par transfert dvec la base de données mini-ImageNet.Enfin, nous passons au mécanisme d'association multimodale. Nous construisons le modèle bio-inspiré ReSOM basé sur les principes de réentrance en utilisant les SOMs et l'apprentissage Hebbien. Nous proposons et comparons différentes méthodes de calcul pour l'apprentissage et l'inférence multimodale non supervisée, puis nous quantifions le gain des mécanismes de convergence et de divergence sur trois bases de données multimodales. Le mécanisme de divergence est utilisé pour étiqueter une modalité à partir de l'autre, tandis que le mécanisme de convergence est utilisé pour améliorer la classification globale du système. Nous comparons nos résultats avec des SNNs, puis nous montrons le gain de la plasticité dite matérielle induite par notre modèle, où la topologie du système n'est pas fixée par l'utilisateur mais apprise au fil de l'expérience du système par l'auto-organisation
The brain's cortical plasticity is one of the main features that enable our capability to learn and adapt in our environment. Indeed, the cerebral cortex has the ability to self-organize itself through two distinct forms of plasticity: the structural plasticity that creates (sprouting) or cuts (pruning) synaptic connections between neurons, and the synaptic plasticity that modifies the synaptic connections strength. These mechanisms are very likely at the basis of an extremely interesting characteristic of the human brain development: the multimodal association. In spite of the diversity of the sensory modalities, like sight, sound and touch, the brain arrives at the same concepts. Moreover, biological observations show that one modality can activate the internal representation of another modality when both are correlated. To model such a behavior, Edelman and Damasio proposed respectively the Reentry and the Convergence Divergence Zone frameworks where bi-directional neural communications can lead to both multimodal fusion (convergence) and inter-modal activation (divergence). Nevertheless, these theoretical frameworks do not provide a computational model at the neuron level.The objective of this thesis is first to explore the foundations of brain-inspired self-organization in terms of (1) multimodal unsupervised learning, (2) massively parallel, distributed and local computing, and (3) extremely energy-efficient processing. Based on these guidelines and a review of the neural models in the literature, we choose the Self-Organizing Map (SOM) proposed by Kohonen as the main component of our system. We introduce the Iterative Grid, a fully distributed architecture with local connectivity amongst hardware neurons which enables cellular computing in the SOM, and thus a scalable system is terms of processing time and connectivity complexity.Then, we assess the performance of the SOM in the problem of post-labeled unsupervised learning: no label is available during training, then very few labels are available for naming the SOM neurons. We propose and compare different labeling methods so that we minimize the number of labels while keeping the best accuracy. We compare our performance to a different approach using Spiking Neural Networks (SNNs) with Spike Timing Dependant Plasticity (STDP) learning.Next, we propose to improve the SOM performance by using extracted features instead of raw data. We conduct a comparative study on the SOM classification accuracy with unsupervised feature extraction from the MNIST dataset using two different approaches: a machine learning approach with Sparse Convolutional Auto-Encoders using gradient-based learning, and a neuroscience approach with SNNs using STDP learning.To prove the SOM ability to handle more complex datasets, we use transfer learning in the mini-ImageNet few shot classification benchmark to exploit a Wide Residual Network backbone trained on a base dataset as a feature extractor, then we use the SOM to classify the obtained features from the target dataset.Finally, we move into the multimodal association mechanism. We build the Reentrant SOM (ReSOM), a brain-inspired neural system based on the Reentry principles using SOMs and Hebbian-like learning. We propose and compare different computational methods for multimodal unsupervised learning and inference, then quantify the gain of both convergence and divergence mechanisms on three multimodal datasets. The divergence mechanism is used to label one modality based on the other, while the convergence mechanism is used to improve the overall accuracy of the system. We compare our results to SNNs with STDP learning and different fusion strategies, then we show the gain of the so-called hardware plasticity induced by our model, where the system's topology is not fixed by the user but learned along the system's experience through self-organization

APA, Harvard, Vancouver, ISO, and other styles

23

Kassab, Randa. "Analyse des propriétés stationnaires et des propriétés émergentes dans les flux d'informations changeant au cours du temps." Phd thesis, Université Henri Poincaré - Nancy I, 2009. http://tel.archives-ouvertes.fr/tel-00402644.

Full text

Abstract:

De nombreuses applications génèrent et reçoivent des données sous la forme de flux continu, illimité, et très rapide. Cela pose naturellement des problèmes de stockage, de traitement et d'analyse de données qui commencent juste à être abordés dans le domaine des flux de données. Il s'agit, d'une part, de pouvoir traiter de tels flux à la volée sans devoir mémoriser la totalité des données et, d'autre part, de pouvoir traiter de manière simultanée et concurrente l'analyse des régularités inhérentes au flux de données et celle des nouveautés, exceptions, ou changements survenant dans ce même flux au cours du temps.

L'apport de ce travail de thèse réside principalement dans le développement d'un modèle d'apprentissage - nommé ILoNDF - fondé sur le principe de la détection de nouveauté. L'apprentissage de ce modèle est, contrairement à sa version de départ, guidé non seulement par la nouveauté qu'apporte une donnée d'entrée mais également par la donnée elle-même. De ce fait, le modèle ILoNDF peut acquérir constamment de nouvelles connaissances relatives aux fréquences d'occurrence des données et de leurs variables, ce qui le rend moins sensible au bruit. De plus, doté d'un fonctionnement en ligne sans répétition d'apprentissage, ce modèle répond aux exigences les plus fortes liées au traitement des flux de données.

Dans un premier temps, notre travail se focalise sur l'étude du comportement du modèle ILoNDF dans le cadre général de la classification à partir d'une seule classe en partant de l'exploitation des données fortement multidimensionnelles et bruitées. Ce type d'étude nous a permis de mettre en évidence les capacités d'apprentissage pures du modèle ILoNDF vis-à-vis de l'ensemble des méthodes proposées jusqu'à présent. Dans un deuxième temps, nous nous intéressons plus particulièrement à l'adaptation fine du modèle au cadre précis du filtrage d'informations. Notre objectif est de mettre en place une stratégie de filtrage orientée-utilisateur plutôt qu'orientée-système, et ceci notamment en suivant deux types de directions. La première direction concerne la modélisation utilisateur à l'aide du modèle ILoNDF. Cette modélisation fournit une nouvelle manière de regarder le profil utilisateur en termes de critères de spécificité, d'exhaustivité et de contradiction. Ceci permet, entre autres, d'optimiser le seuil de filtrage en tenant compte de l'importance que pourrait donner l'utilisateur à la précision et au rappel. La seconde direction, complémentaire de la première, concerne le raffinement des fonctionnalités du modèle ILoNDF en le dotant d'une capacité à s'adapter à la dérive du besoin de l'utilisateur au cours du temps. Enfin, nous nous attachons à la généralisation de notre travail antérieur au cas où les données arrivant en flux peuvent être réparties en classes multiples.

APA, Harvard, Vancouver, ISO, and other styles

24

Thomas, Philippe. "Contribution à l'identification de systèmes non linéaires par réseaux de neurones." Nancy 1, 1997. http://docnum.univ-lorraine.fr/public/SCD_T_1997_0030_THOMAS.pdf.

Full text

Abstract:

Cette thèse est consacrée à l'identification de systèmes dynamiques non-linéaires SISO et MISO à l'aide de réseaux de neurones multicouches non-récurrents. Dans un premier temps, une présentation succincte de l'ensemble des méthodes d'identification non-linéaire est effectuée. Nous poursuivons notre étude par un bref historique des réseaux de neurones ainsi que par une présentation des divers modèles neuronaux existants. Une fois posé le cadre de ce travail, nous définissons plus particulièrement l'architecture générale du réseau de neurone retenu, puis nous présentons les algorithmes permettant d'adapter cette architecture générale à un cas précis. Ces choix concernent notamment le vecteur de régression et le nombre de neurones utilisés dans la couche cachée. Notre étude des réseaux de neurones s'effectuant dans le domaine précis de l'identification de systèmes, les liens importants existant entre la modélisation neuronale et les modèles non-linéaires classiques sont démontrés. Les divers critères de validation de modèles non-linéaires utilisables pour les réseaux neuronaux sont alors présentés. Le reste de ce travail est consacré aux diverses difficultés rencontrées lors de l'identification par réseau de neurones. La première difficulté se présente des l'initialisation des poids du réseau. En effet, un mauvais choix des poids initiaux peut conduire à l'obtention d'un minimum local très éloigné du minimum global, à la saturation des neurones de la couche cachée, à une convergence lente. Afin de résoudre ce problème, divers algorithmes ont été proposés et comparés sur divers exemples. Les problèmes de lenteur de convergence, ou même de divergence, peuvent également être dus a l'algorithme d'apprentissage utilisé. Nous proposerons alors un nouvel algorithme permettant de s'affranchir de cette seconde difficulté. Ce nouvel algorithme sera alors comparé à l'algorithme plus classique rpe sur un exemple de simulation. Nous finirons notre étude en nous intéressant au troisième problème qui est posé par la présence de valeurs aberrantes dans les données d'identification. En effet, cette présence de valeurs aberrantes risque de conduire à des biais sur les paramètres. Nous proposons alors divers critères d'apprentissage qui sont robustes aux valeurs aberrantes. Ces critères sont comparés sur des exemples de simulation et des données industrielles réelles
This thesis deals with the idenlificalion of dynamical non-linear ISO and MlSO systems with multilayer feedforward neural networks. Firstly, a short presentation of the non-linear identification methods is proposed and the neural network are reviewed. Secondly, the general architecture of the neural network used is more precisely defined. Some methods are presented to adapt this architecture to a particular case. These methods give the regressors and the number of neurons in the hidden layer. The relationships between neural identification and the most classical non-Iinear models are then shown. The validation criteria of non-linear models usable for the neural identification are presented. Three difficulties encountered in neural identification are investigated in the sequel. The first one is due to the initialisation of the parameters of the network. A bad choice of these initial parameters can lead to local minima very far from of the global minimum, to saturation of the hidden neurons, or to slow convergence. Two new algorithms are proposed to solve this problem and compared with others on three different examples. The slow convergence can be the result of the learning algorithm used. One algorithm is proposed to deal with this second difficulty. This algorithm is compared with the more classical RPE algorithm. This study is ends with the third studied problem which is posed by the presence of outliers in the identification data set. Lndeed, outliers can produce biases on estimated parameters. Three robust criteria are then proposed and are compared with the classical quadratic criterion on a simulation example and on a real industrial data set

APA, Harvard, Vancouver, ISO, and other styles

25

Hosseini, Shahram. "Contribution à la régression non linéaire par les réseaux de neurones." Grenoble INPG, 2000. http://www.theses.fr/2000INPG0071.

Full text

Abstract:

La propriete d'approximation universelle de reseaux de neurones en fait des outils performants pour la regression non lineaire. Neanmoins, la complexite optimale de reseau pour un probleme donne est a priori inconnue. Les approches constructives ont ete proposees pour resoudre ce probleme. Dans la premiere partie de ce travail, nous proposons un nouvel algorithme gelant qui construit le reseau principal en ajoutant les petits reseaux, dits accessoires, de taille variable. Chaque reseau accessoire est construit et entraine par un algorithme non gelant afin d'approximer le residu de l'estimation du reseau principal. Quand les reseaux de neurones sont utilises pour la regression non lineaire, on suppose generalement que la sortie est perturbee par le bruit i. I. D. Et la methode de moindres carrees ordinaires (mco) est souvent utilisee pour estimer les poids du reseau. Cependant, dans de nombreux cas pratiques, le bruit est correle ou non stationnaire. Dans la deuxieme partie de cette these, nous considerons deux cas courants de bruit autoregressif spatio-temporel et de bruit temporellement independant de variance non constante. Dans le cadre de l'estimation du maximum de vraisemblance, les fonctions de cout appropriees dont l'optimisation permet d'obtenir les estimateurs de meilleure qualite par rapport a l'estimateur mco ont ete calculees. Meme si l'approche peut etre utilisee dans les reseaux de taille fixe, elle est encore plus interessante lorsqu'elle est servie dans une procedure constructive. En effet, elle nous permet de blanchir le residu de l'estimation qui peut etre ensuite utilise pour controler la procedure de construction. Les methodes ont ete validees sur les donnees artificielles et reelles et les resultats obtenus sont commentes, compares entre eux et confrontes a ceux obtenus par les methodes classiques.

APA, Harvard, Vancouver, ISO, and other styles

26

Thiaw, Lamine. "Identification de systèmes dynamiques non linéaires par réseaux de neurones et multimodèles." Phd thesis, Université Paris XII Val de Marne, 2008. http://tel.archives-ouvertes.fr/tel-00399469.

Full text

Abstract:

Cette étude traite de l'identification de système dynamique non-linéaire. Une architecture multimodèle capable de surmonter certaines difficultés de l'architecture neuronale de type MLP a été étudiée. L'approche multimodèle consiste à représenter un système complexe par un ensemble de modèles de structures simples à validité limitée dans des zones bien définies. A la place de la structure affine des modèles locaux généralement utilisée, cette étude propose une structure polynômiale plus générale, capable de mieux appréhender les non-linéarités locales, réduisant ainsi le nombre de modèles locaux. L'estimation paramétrique d'une telle architecture multimodèle peut se faire suivant une optimisation linéaire, moins coûteuse en temps de calcul que l'estimation paramétrique utilisée dans une architecture neuronale. L'implantation des multimodèles récurrents, avec un algorithme d'estimation paramétrique plus souple que l'algorithme de rétro-propagation du gradient à travers à travers le temps utilisé pour le MLP récurrent a également été effectuée. Cette architecture multimodèle permet de représenter plus facilement des modèles non-linéaires bouclés tels que les modèles NARMAX et NOE. La détermination du nombre de modèles locaux dans une architecture multimodèle nécessite la décomposition (le partitionnement) de l'espace de fonctionnement du système en plusieurs sous-espaces où sont définies les modèles locaux. Des modes de partitionnement du système en plusieurs sous-espaces où sont définies les modèles locaux. Des modes de partitionnement flou (basé sur les algorithmes de "fuzzy-c-means", de "Gustafson et Kessel" et du "substractive clustering") ont été présentés. L'utilisation de telles méthodes nécessite l'implantation d'une architecture multimodèle où les modèles locaux peuvent être de structures différentes : polynômiales de degrés différents, neuronale ou polynômiale et neuronale. Une architecture multimodèle hétérogène répondant à ses exigences a été proposée, des algorithmes d'identification structurelles et paramétriques ont été présentés. Une étude comparative entre les architectures MLP et multimodèle a été menée. Le principal atout de l'architecture mudltimodèle par rapport à l'architecture neuronale de type MLP est la simplicité de l'estimation paramétrique. Par ailleurs, l'utilisation dans une architecture multimodèle d'un mode de partitionnement basé sur la classification floue permet de déterminer facilement le nombre de modèles locaux, alors que la détermination du nombre de neurones cachés pour une architecture MLP reste une tâche difficile.

APA, Harvard, Vancouver, ISO, and other styles

27

Guerry, Joris. "Reconnaissance visuelle robuste par réseaux de neurones dans des scénarios d'exploration robotique. Détecte-moi si tu peux !" Thesis, Université Paris-Saclay (ComUE), 2017. http://www.theses.fr/2017SACLX080/document.

Full text

Abstract:

L'objectif principal ce travail de thèse est la reconnaissance visuelle pour un robot mobile dans des conditions difficiles. En particulier nous nous intéressons aux réseaux de neurones qui présentent aujourd'hui les meilleures performances en vision par ordinateur. Nous avons étudié le principe de sélection de méthodes pour la classification d'images 2D en utilisant un réseau de neurones sélecteur pour choisir le meilleur classifieur disponible étant donnée la situation observée. Cette stratégie fonctionne lorsque les données peuvent être facilement partitionnées vis-à-vis des classifieurs disponibles, ce qui est le cas quand des modalités complémentaires sont utilisées. Nous avons donc utilisé des données RGB-D (2.5D) en particulier appliquées à la détection de personnes. Nous proposons une combinaison de réseaux de neurones détecteurs indépendants propres à chaque modalité (couleur & carte de profondeur) basés sur une même architecture (le Faster RCNN). Nous partageons des résultats intermédiaires des détecteurs pour leur permettre de se compléter et d'améliorer la performance globale en situation difficile (perte de luminosité ou bruit d'acquisition de la carte de profondeur). Nous établissons un nouvel état de l'art dans le domaine et proposons un jeu de données plus complexe et plus riche à la communauté (ONERA.ROOM). Enfin, nous avons fait usage de l'information 3D contenue dans les images RGB-D au travers d'une méthode multi-vue. Nous avons défini une stratégie de génération de vues virtuelles 2D cohérentes avec la structure 3D. Pour une tâche de segmentation sémantique, cette approche permet d'augmenter artificiellement les données d'entraînement pour chaque image RGB-D et d'accumuler différentes prédictions lors du test. Nous obtenons de nouveaux résultats de référence sur les jeux de données SUNRGBD et NYUDv2. Ces travaux de thèse nous ont permis d'aborder de façon originale des données robotiques 2D, 2.5D et 3D avec des réseaux de neurones. Que ce soit pour la classification, la détection et la segmentation sémantique, nous avons non seulement validé nos approches sur des jeux de données difficiles, mais également amené l'état de l'art à un nouveau niveau de performance
The main objective of this thesis is visual recognition for a mobile robot in difficult conditions. We are particularly interested in neural networks which present today the best performances in computer vision. We studied the concept of method selection for the classification of 2D images by using a neural network selector to choose the best available classifier given the observed situation. This strategy works when data can be easily partitioned with respect to available classifiers, which is the case when complementary modalities are used. We have therefore used RGB-D data (2.5D) in particular applied to people detection. We propose a combination of independent neural network detectors specific to each modality (color & depth map) based on the same architecture (Faster RCNN). We share intermediate results of the detectors to allow them to complement and improve overall performance in difficult situations (luminosity loss or acquisition noise of the depth map). We are establishing new state of the art scores in the field and propose a more complex and richer data set to the community (ONERA.ROOM). Finally, we made use of the 3D information contained in the RGB-D images through a multi-view method. We have defined a strategy for generating 2D virtual views that are consistent with the 3D structure. For a semantic segmentation task, this approach artificially increases the training data for each RGB-D image and accumulates different predictions during the test. We obtain new reference results on the SUNRGBD and NYUDv2 datasets. All these works allowed us to handle in an original way 2D, 2.5D and 3D robotic data with neural networks. Whether for classification, detection and semantic segmentation, we not only validated our approaches on difficult data sets, but also brought the state of the art to a new level of performance

APA, Harvard, Vancouver, ISO, and other styles

28

Artigue, Guillaume. "Prévision des crues éclair par réseaux de neurones : généralisation aux bassins non jaugés." Thesis, Montpellier 2, 2012. http://www.theses.fr/2012MON20188/document.

Full text

Abstract:

Dans les régions méditerranéennes françaises, des épisodes pluvieux diluviens se produisent régulièrement et provoquent des crues très rapides et volumineuses que l'on appelle crues éclair. Elles font fréquemment de nombreuses victimes et peuvent, sur un seul évènement, coûter plus d'un milliard d'euros. Face à cette problématique, les pouvoirs publics mettent en place des parades parmi lesquelles la prévision hydrologique tient une place essentielle.C'est dans ce contexte que le projet BVNE (Bassin Versant Numérique Expérimental) a été initié par le SCHAPI (Service Central d'Hydrométéorologie et d'Appui à la Prévision des Inondations) dans le but d'améliorer la prévision des crues rapides. Ces travaux s'inscrivent dans le cadre de ce projet et ont trois objectifs principaux : réaliser des prévisions sur des bassins capables de ces réactions qu'ils soient correctement jaugés, mal jaugés ou non jaugés.La zone d'étude choisie, le massif des Cévennes, concentre la majorité de ces épisodes hydrométéorologiques intenses en France. Ce mémoire la présente en détails, mettant en avant ses caractéristiques les plus influentes sur l'hydrologie de surface. Au regard de la complexité de la relation entre pluie et débit dans les bassins concernés et de la difficulté éprouvée par les modèles à base physique à fournir des informations précises en mode prédictif sans prévision de pluie, l'utilisation de l'apprentissage statistique par réseaux de neurones s'est imposée dans la recherche d'une solution opérationnelle.C'est ainsi que des modèles à réseaux de neurones ont été synthétisés et appliqués à un bassin de la zone cévenole, dans des contextes bien et mal jaugés. Les bons résultats obtenus ont été le point de départ de la généralisation à 15 bassins de la zone d'étude. A cette fin, une méthode de généralisation est développée à partir du modèle élaboré sur le bassin jaugé et de corrections estimées en fonction des caractéristiques physiques des bassins. Les résultats de l'application de cette méthode sont de bonne qualité et ouvrent la porte à de nombreux axes de recherche pour l'avenir, tout en démontrant encore que l'utilisation de l'apprentissage statistique pour l'hydrologie peut constituer une solution pertinente
In the French Mediterranean regions, heavy rainfall episodes regularly occur and induce very rapid and voluminous floods called flash floods. They frequently cause fatalities and can cost more than one billion euros during only one event. In order to cope with this issue, the public authorities' implemented countermeasures in which hydrological forecasting plays an essential role.In this contexte, the French Flood Forecasting Service (called SCHAPI for Service Central d'Hydrométéorologie et d'Appui à la Prévision des Inondations) initiated the BVNE (Digital Experimental Basin, for Bassin Versant Numérique Expérimental) project in order to enhance flash flood forecasts. The present work is a part of this project and aim at three main purposes: providing flash flood forecasts on well-gauged basins, poorly gauged basins and ungauged basins.The study area chosen, the Cévennes range, concentrates the major part of these intense hydrometeorological events in France. This dissertation presents it precisely, highlighting its most hydrological-influent characteristics.With regard to the complexity of the rainfall-discharge relation in the focused basins and the difficulty experienced by the physically based models to provide precise information in forecast mode without rainfall forecasts, the use of neural networks statistical learning imposed itself in the research of operational solutions.Thus, the neural networks models were designed and applied to a basin of the Cévennes range, in the well-gauged and poorly gauged contexts. The good results obtained have been the start point of a generalization to 15 basins of the study area.For this purpose, a generalization method was developed from the model created on the gauged basin and from corrections estimated as a function of basin characteristics.The results of this method application are of good quality and open the door to numerous pats of inquiry for the future, while demonstrating again that the use of statistical learning for hydrology can be a relevant solution

APA, Harvard, Vancouver, ISO, and other styles

29

Theilliol, Didier. "Identification de systèmes siso linéaires et non linéaires par réseaux de neurones multicouches." Nancy 1, 1993. http://www.theses.fr/1993NAN10261.

Full text

Abstract:

Cette thèse décrit l'application de techniques connexionnistes à l'identification de systèmes siso non linéaires. L'établissement de modèles de comportement des systèmes linéaires et non linéaires en vue de leur conduite est un domaine incontournable en automatique. Les systèmes linéaires ne représentent le plus souvent qu'une approximation sur un domaine réduit de systèmes intrinsèquement non linéaires. Nous nous intéressons, ainsi, à l'identification de systèmes non linéaires en privilégiant un domaine de recherche: les réseaux de neurones multicouches. Les capacités d'approximation de systèmes non linéaires constituent l'atout majeur des réseaux de neurones. Nous transposons les techniques élaborées pour les systèmes linéaires dans le domaine de l'automatique aux systèmes non linéaires en faisant appel aux réseaux de neurones multicouches, afin de construire des modèles neuronaux. A travers différentes études, réalisées pour des systèmes linéaires et non linéaires, nous montrons qu'un lien étroit existe entre les méthodes classiques d'identification des modèles paramétriques discrets et les méthodes neuronales tant au niveau des techniques d'estimation des paramètres qu'au niveau de l'identification structurelle. A partir de différents algorithmes d'estimation, nous élaborons une démarche d'identification qui permet de déterminer la structure du modèle neuronal, c'est-à-dire d'évaluer le retard pur, d'estimer les ordres du système et d'optimiser le nombre de neurones dans la couche cachée

APA, Harvard, Vancouver, ISO, and other styles

30

Lehalle, Charles-Albert. "Contrôle non linéaire et Réseaux de neurones formels : les Perceptrons Affines Par morceaux." Paris 6, 2005. https://tel.archives-ouvertes.fr/tel-00009592.

Full text

APA, Harvard, Vancouver, ISO, and other styles

31

Jouini, Mohamed Soufiane. "Caractérisation des réservoirs basée sur des textures des images scanners de carottes." Thesis, Bordeaux 1, 2009. http://www.theses.fr/2009BOR13769/document.

Full text

Abstract:

Les carottes, extraites lors des forages de puits de pétrole, font partie des éléments les plus importants dans la chaîne de caractérisation de réservoir. L’acquisition de celles-ci à travers un scanner médical permet d’étudier de façon plus fine les variations des types de dépôts. Le but de cette thèse est d’établir les liens entre les imageries scanners 3D de carottes, et les différentes propriétés pétrophysiques et géologiques. Pour cela la phase de modélisation des images, et plus particulièrement des textures, est très importante et doit fournir des descripteurs extraits qui présentent un assez haut degrés de confiance. Une des solutions envisagée pour la recherche de descripteurs a été l’étude des méthodes paramétriques permettant de valider l’analyse faite sur les textures par un processus de synthèse. Bien que ceci ne représente pas une preuve pour un lien bijectif entre textures et paramètres, cela garantit cependant au moins une confiance en ces éléments. Dans cette thèse nous présentons des méthodes et algorithmes développés pour atteindre les objectifs suivants : 1. Mettre en évidence les zones d’homogénéités sur les zones carottées. Cela se fait de façon automatique à travers de la classification et de l’apprentissage basés sur les paramètres texturaux extraits. 2. Établir les liens existants entre images scanners et les propriétés pétrophysiques de la roche. Ceci se fait par prédiction de propriétés pétrophysiques basées sur l’apprentissage des textures et des calibrations grâce aux données réelles.
Cores extracted, during wells drilling, are essential data for reservoirs characterization. A medical scanner is used for their acquisition. This feature provide high resolution images improving the capacity of interpretation. The main goal of the thesis is to establish links between these images and petrophysical data. Then parametric texture modelling can be used to achieve this goal and should provide reliable set of descriptors. A possible solution is to focus on parametric methods allowing synthesis. Even though, this method is not a proven mathematically, it provides high confidence on set of descriptors and allows interpretation into synthetic textures. In this thesis methods and algorithms were developed to achieve the following goals : 1. Segment main representative texture zones on cores. This is achieved automatically through learning and classifying textures based on parametric model. 2. Find links between scanner images and petrophysical parameters. This is achieved though calibrating and predicting petrophysical data with images (Supervised Learning Process)

APA, Harvard, Vancouver, ISO, and other styles

32

Jouffroy, Guillaume. "Contrôle oscillatoire par réseau de neurones récurrents." Paris 8, 2008. http://www.theses.fr/2008PA082918.

Full text

Abstract:

Dans le domaine du contrôle, la plupart des applications nécessitent une commande continue non-périodique. Ce travail se focalise au contraire sur les contrôleurs à base de réseaux de neurones récurrents (RNR) générant une commande oscillatoire entretenue. L'objectif de ce travail est d'étudier les méthodes d'optimisation stochastiques continues permettant de déterminer les paramètres d'un réseau pour qu'il produise un comportement oscillatoire périodique. Nous dressons tout d'abord un bilan des connaissances sur les oscillateurs biologiques. Nous décrirons ensuite des outils mathématiques qui permettent de garantir la stabilité des oscillateurs. Le potentiel des RNR, particulièrement appliqués aux systèmes dynamiques, n'étant encore que très peu exploité, nous proposerons pour chaque méthode, une formalisation générale matricielle détaillée et préciserons la complexité des algorithmes. Nous validerons chacune de ces méthodes à l'aide d'un simple oscillateur, en démontrant analytiquement la stabilité du système résultant, et en montrant dans quelle mesure il est robuste face aux perturbations de ses paramètres. Nous comparerons les différentes méthodes sur ces critères ainsi que sur la vitesse de convergence. Nous terminerons cette thèse par une illustration, dans laquelle nous réaliserons toutes les étapes de la construction d'un contrôleurs oscillatoire neuronal, pour commander l'axe de direction d'un véhicule original. Ceci nous permettra de discuter de la viabilité des réseaux de neurones récurrents dans le domaine de contrôle oscillatoire, et de soulever des questions intéressantes
In the control field, most of the applications need a non-oscillatory continuous control. This work focuses instead on controllers with recurrent neural networks (RNN) which generate a periodic oscillatory control. The purpose of the present work is to study stochastic optimisation methods which can be used to discover the parameters of a network so that it generates a cyclic input. First we take a look at the knowledge about biological oscillators. Tthen we describe the mathematical tools to be able to guarantee the stability oscillators. The potential of RNN, especially applied to dynamical systems being still poorly used, we propose for each method, a general detailed matrix formalization and we precise the computational complexity of the methods. We validate each method using a simple example of oscillator, and we demonstrate analytically the stability of the resulting oscillator, but also how it is robust to parameters perturbations. We then compare these different methods with these criteria and the speed of convergence. We finish this thesis with an illustration, where we take all the steps of the construction of an oscillatory neural controller, to control the axis of direction of a particular vehicle. This will let us discuss how realistic is the use of recurrent neural networks in the field of control, and propose interesting questions

APA, Harvard, Vancouver, ISO, and other styles

33

Lehalle, Charles-Albert. "Le contrôle non linéaire par réseaux de neurones formels: les perceptrons affines par morceaux." Phd thesis, Université Pierre et Marie Curie - Paris VI, 2005. http://tel.archives-ouvertes.fr/tel-00009592.

Full text

Abstract:

Le but de ce travail est d'exposer de nouveaux résultats concernant l'utilisation d'une classe particulière de réseaux de neurones formels (les Perceptrons Affines Par morceaux: PAP) dans le cadre du contrôle optimal en boucle fermée. Les résultats principaux obtenus sont: plusieurs propriétés des PAP, concernant la nature des fonctions qu'ils peuvent émuler, un théorème constructif de représentation des fonctions continues affines par morceaux, qui permet de construire explicitement un PAP à partir d'une collection de fonctions affines, une série d'heuristiques pour l'apprentissage des paramètres d'un perceptron dans une boucle fermée et dans un cadre de contrôle optimal, des résultats théoriques concernant la stabilité de PAP utilisés comme contrôleurs. La dernière partie est consacrée des applications de ces résultats à la construction automatique de contrôleurs de la combustion de moteurs de voiture, qui ont donné lieu au dépot de deux brevets par Renault.

APA, Harvard, Vancouver, ISO, and other styles

34

Mazel, Johan. "Détection non supervisée d'anomalies dans les réseaux de communication." Phd thesis, INSA de Toulouse, 2011. http://tel.archives-ouvertes.fr/tel-00667654.

Full text

Abstract:

La détection d'anomalies est une tâche critique de l'administration des réseaux. L'apparition continue de nouvelles anomalies et la nature changeante du trafic réseau compliquent de fait la détection d'anomalies. Les méthodes existantes de détection d'anomalies s'appuient sur une connaissance préalable du trafic : soit via des signatures créées à partir d'anomalies connues, soit via un profil de normalité. Ces deux approches sont limitées : la première ne peut détecter les nouvelles anomalies et la seconde requiert une constante mise à jour de son profil de normalité. Ces deux aspects limitent de façon importante l'efficacité des méthodes de détection existantes. Nous présentons une approche non-supervisée qui permet de détecter et caractériser les anomalies réseaux de façon autonome. Notre approche utilise des techniques de partitionnement afin d'identifier les flux anormaux. Nous proposons également plusieurs techniques qui permettent de traiter les anomalies extraites pour faciliter la tâche des opérateurs. Nous évaluons les performances de notre système sur des traces de trafic réel issues de la base de trace MAWI. Les résultats obtenus mettent en évidence la possibilité de mettre en place des systèmes de détection d'anomalies autonomes et fonctionnant sans connaissance préalable.

APA, Harvard, Vancouver, ISO, and other styles

35

Bensetti, Mohamed. "Etude et modélisation de capteurs destinés au contrôle non destructif par courants de Foucault : mise en oeuvre de méthodes d'inversion." Paris 11, 2004. http://www.theses.fr/2004PA112291.

Full text

Abstract:

Ce traval de these aborde des problematiques liees au controle non destructif (cnd) par courants de foucault, il est decompose en trois grandes parties. La premiere a ete consacree a lamise en Œuvre de methodes d'inversion pour l'estimation des parametres physiques et geometriques de cibles. Pour ce fait, nous nous sommes interesses aux modeles inverses a base de reseaux de neurones. Dans ce contexte deux applications ont ete etudiees. Les micro-bobines sont dediees a plusieurs appucations telles que radio frequence (rf), resonance magnetique nucleaire (rmn), controle non destructif (cnd). Selon l'application, ces micro-bobines peuvent ëtre utilisees en haute frequence (hf). Effectivement, la reponse en hf est differente de celle en bf a cause des effets de peau et de proximite qui influent sur les parametres electriques de la micro-bobine. La resistance et l'inductance dependent de la frequence et la capacite de parasite ne peut etre negligee. La seconde partie est consacree a la mise en Œuvre d'une methode original en combinant entre une analyse magnetodynamique et une analyse electrostatique pour la determination des parametres electriques du schema equivalent. Le dernier aspect aborde a ete consacre a l'elaboration d'une approche hybride assosiant la methode des elements finis et la methode des integrales de frontieres (mif) pour calculer la reponse du capteur en presence de fissures. Deux types de validations ont ete realises dans ce travail, une comparaison des resultats obtenus par la methode des elments finis avec des resultats fournis par le cea (logiciel civa) et une validation de la methode hybride en utilisant un dispositif de mesure au laboratoire
This thesis work approaches the problematic related ones to the non destructif testing (ndt) by eddy current, it's divided into three great parts. The first parts is consecrated to implement of the inverse model for the estimate of the physical and geometrical paramters of the tested spicemen. For this fact, we were interested in the inverse models based by neural networks. In this context two application were studied. The micro-coil are dedicated for different applications : radio frequency (rf), nuclear magnetic resonance (nmr), non destructive testing (ndt). . . Depending on the applications, these micro-coils can be used in high frequency. Acctually, the response of the micro-coil at high frequency is significanly different from their low frequency response because of the skin and proximity effects have an influence on the electrical parameters of the micro-coils. The resistance and the inductance of the winding depend on the frequency. The parasitic capacitance of the winding cannot neglected. In the second part of this work, an original method combining by 3d magnetodynamic alalysis and electrostatic analysis is presented to determine the elements of an electric equivalent circuit. The last aspect studied was devoted to developpement of an hybrid approch associating the finite element method (fem) and the boundary integral method (bim) to calculate the response of the coil in the presence of the cracks. Two types of validations were carried out in this work, a comparison of the results obtained by fem with results provided by the cea ( software civa) and a validation of the hybrid method by measurement results

APA, Harvard, Vancouver, ISO, and other styles

36

Ebadzadeh, Mohamad Mehdi. "Modélisation des voies réflexes et cérébelleuses, permettant le calcul des fonctions inverses : application à la commande d'un actionneur à deux muscles pneumatiques." Paris, ENST, 2004. http://www.theses.fr/2004ENST0046.

Full text

Abstract:

La commande et le contrôle des mouvements des membres par les voies cérébelleuses et réflexes sont modélisés au moyen d'un circuit dont la structure est déduite de contraintes fonctionnelles. I) L'une des contraintes est que les mouvements rapides des membres doivent être précis, quoiqu'ils ne puissent pas être commandés en boucle fermée au moyen des signaux sensoriels. Les voies qui traitent les ordres moteurs doivent donc contenir des fonctions inverses approximées des fonctions biomécaniques du membre et des muscles. Or le calcul d'une fonction inverse approximée peut être effectué au moyen de boucles de rétroaction parallèles, dont la structure est comparable à l'anatomie des voies cérébelleuses. L'une des boucles contient un réseau de neurones capable de prévoir les conséquences motrices des ordres moteurs, qui peut être modélisé par un réseau de neurones artificiels dont la connectivité est semblable à celle du Cortex Cérébelleux. De tels réseaux apprennent les fonctions biomécaniques directes des membres et des muscles lors d'un apprentissage, qui est supervisé par des signaux professeurs calculés à partir des erreurs motrices. Des règles de gradient classiques, déduites par un calcul différentiel, reproduisent la dépression à long terme (LTD) qui a lieu dans I'arborisation dendritique des cellules de Purkinje. Après chaque mouvement, un signal professeur codant l'erreur est envoyé aux sites d'apprentissage, ce qui est comparable à l'envoi des signaux issus de l'Olive Inférieure, via les fibres grimpantes, aux sites d'apprentissage du Cervelet. 2) Une autre contrainte est que les réflexes ne doivent pas s'opposer aux mouvements volontaires, mais doivent être à chaque instant prêts à s'opposer à des perturbations. Pour satisaire à cette contrainte, des copies efférentes des ordres moteurs sont classiquement envoyées aux interneurones des réflexes, où elles annulent les conséquences sensorimotrices des mouvements volontaires. Après apprentissage, le modèle peut commander précisément les mouvements angulaires d'une tringle mobile, qui tourne par un de ses bouts autour d'un axe vertical. Le mouvement est causé par deux muscles artificiels antagonistes, des muscles pneumatiques de McKibben. Des réflexes comparables aux réflexes myotatique et tendineux, et des réactions stabilisantes comparables aux réactions sensorimotrices cérébelleuses, réduisent efficacement les effets des perturbationsexternes. La raideur de l'articulation est déterminée par ces boucles de rétroaction, comme dans le "modèle lambda" de point d'équilibre. La caractéristique fondamentale de ce modèle de commande des mouvements est que sa structure et son fionctionnement sont déduits de contraintes mathématiques et physiques, et sont comparables à l'anatomie et à la fonction des voies cérébelleuses et réflexes.

APA, Harvard, Vancouver, ISO, and other styles

37

Mazel, Johan. "Unsupervised network anomaly detection." Thesis, Toulouse, INSA, 2011. http://www.theses.fr/2011ISAT0024/document.

Full text

Abstract:

La détection d'anomalies est une tâche critique de l'administration des réseaux. L'apparition continue de nouvelles anomalies et la nature changeante du trafic réseau compliquent de fait la détection d'anomalies. Les méthodes existantes de détection d'anomalies s'appuient sur une connaissance préalable du trafic : soit via des signatures créées à partir d'anomalies connues, soit via un profil de normalité. Ces deux approches sont limitées : la première ne peut détecter les nouvelles anomalies et la seconde requiert une constante mise à jour de son profil de normalité. Ces deux aspects limitent de façon importante l'efficacité des méthodes de détection existantes.Nous présentons une approche non-supervisée qui permet de détecter et caractériser les anomalies réseaux de façon autonome. Notre approche utilise des techniques de partitionnement afin d'identifier les flux anormaux. Nous proposons également plusieurs techniques qui permettent de traiter les anomalies extraites pour faciliter la tâche des opérateurs. Nous évaluons les performances de notre système sur des traces de trafic réel issues de la base de trace MAWI. Les résultats obtenus mettent en évidence la possibilité de mettre en place des systèmes de détection d'anomalies autonomes et fonctionnant sans connaissance préalable
Anomaly detection has become a vital component of any network in today’s Internet. Ranging from non-malicious unexpected events such as flash-crowds and failures, to network attacks such as denials-of-service and network scans, network traffic anomalies can have serious detrimental effects on the performance and integrity of the network. The continuous arising of new anomalies and attacks create a continuous challenge to cope with events that put the network integrity at risk. Moreover, the inner polymorphic nature of traffic caused, among other things, by a highly changing protocol landscape, complicates anomaly detection system's task. In fact, most network anomaly detection systems proposed so far employ knowledge-dependent techniques, using either misuse detection signature-based detection methods or anomaly detection relying on supervised-learning techniques. However, both approaches present major limitations: the former fails to detect and characterize unknown anomalies (letting the network unprotected for long periods) and the latter requires training over labeled normal traffic, which is a difficult and expensive stage that need to be updated on a regular basis to follow network traffic evolution. Such limitations impose a serious bottleneck to the previously presented problem.We introduce an unsupervised approach to detect and characterize network anomalies, without relying on signatures, statistical training, or labeled traffic, which represents a significant step towards the autonomy of networks. Unsupervised detection is accomplished by means of robust data-clustering techniques, combining Sub-Space clustering with Evidence Accumulation or Inter-Clustering Results Association, to blindly identify anomalies in traffic flows. Correlating the results of several unsupervised detections is also performed to improve detection robustness. The correlation results are further used along other anomaly characteristics to build an anomaly hierarchy in terms of dangerousness. Characterization is then achieved by building efficient filtering rules to describe a detected anomaly. The detection and characterization performances and sensitivities to parameters are evaluated over a substantial subset of the MAWI repository which contains real network traffic traces.Our work shows that unsupervised learning techniques allow anomaly detection systems to isolate anomalous traffic without any previous knowledge. We think that this contribution constitutes a great step towards autonomous network anomaly detection.This PhD thesis has been funded through the ECODE project by the European Commission under the Framework Programme 7. The goal of this project is to develop, implement, and validate experimentally a cognitive routing system that meet the challenges experienced by the Internet in terms of manageability and security, availability and accountability, as well as routing system scalability and quality. The concerned use case inside the ECODE project is network anomaly

APA, Harvard, Vancouver, ISO, and other styles

38

Forgez, Christophe. "Méthodologie de modélisation et de commande par réseaux de neurones pour des dispositifs électrotechniques non linéaires." Lille 1, 1998. https://pepite-depot.univ-lille.fr/LIBRE/Th_Num/1998/50376-1998-309.pdf.

Full text

Abstract:

Le domaine de l'electrotechnique recele differents types de phenomenes non lineaires de par la construction et la constitution des machines ou leurs alimentations. Bon nombre de methodes capables de les traiter existent, mais souffrent de ne pas apporter de solutions universelles tant en modelisation qu'en commande les travaux rassembles dans ce memoire proposent un formalisme de modelisation et de commande de systemes electrotechniques en utilisant les reseaux artificiels de neurones. Nous nous sommes efforces d'appliquer les proprietes d'apprentissage des reseaux neuronaux a differents phenomenes rencontres en genie electrique, notamment en electromecanique et electromagnetisme, tout en evoquant leurs avantages et leurs limites. L'apprentissage permet de modeliser des caracteristiques lineaires, non lineaires ou discontinues, a partir d'echantillons de celles-ci, en utilisant des methodes d'optimisation non lineaires dont la plupart souffrent d'un cout exorbitant en temps de calculs. Pour pallier cet inconvenient majeur nous avons propose une methode dite d'initialisation basee sur une regression non lineaire. Celle ci permet entre autre d'optimiser la structure mathematique du reseau neuronal en fonction de la caracteristique a apprendre ce qui permet de reduire considerablement les temps d'apprentissage et d'augmenter la qualite de modelisation. Cette technique demontree et formalisee a ete mise en pratique sur differentes applications. Nous l'avons tout d'abord testee sur la modelisation d'inductances saturables ce qui a permis de soulever les problemes lies au cout et a la qualite des modeles. Au vue des bonnes performances, nous l'avons appliquee sur la modelisation de cycles majeurs d'hysteresis, puis sur des couples de charges mecaniques.

APA, Harvard, Vancouver, ISO, and other styles

39

Tertois, Sylvain. "Réduction des effets des non-linéarités dans une modulation multiporteuse à l'aire de réseaux de neurones." Phd thesis, Université Rennes 1, 2003. http://tel.archives-ouvertes.fr/tel-00004015.

Full text

Abstract:

Ce mémoire présente les travaux effectués au sein de l'équipe ETSN de Supélec, campus de Rennes, sur la réduction des effets des non linéarités dans une modulation OFDM, à l'aide de réseaux de neurones.
Tout d'abord, le mémoire commence par une introduction aux communications numériques et en particulier à la modulation OFDM. Aujourd'hui, plusieurs standards reposent sur cette technique de transmission, en particulier en raison de la simplicité de l'égalisation du canal, et donc la possibilité de transmettre avec plus d'efficacité des données sur des canaux multitrajets. Cependant le signal OFDM temporel est particulièrement sensible aux non-linéarités présentes dans l'amplificateur d'émission et diverses techniques sont étudiées pour diminuer ces effets.
Ensuite, les réseaux de neurones sont présentés, ainsi que leur utilisation dans le domaine de l'approximation de fonctions. Après avoir décrit les deux modèles de réseaux de neurones les plus courants, les réseaux d'ordre supérieur, tels que le RPN, sont introduits. Les techniques d'apprentissage de ces différentes architectures de réseaux de neurones sont également décrites.
Dans les différents correcteurs étudiés dans cette thèse, le réseau de neurones est placé dans le récepteur, après l'égalisation de canal. Son objectif est de corriger le signal reçu afin de compenser les effets des non-linéarités. Dans un premier temps le réseau de neurones est placé dans le domaine fréquentiel. Dans un système OFDM à 4 porteuses avec une modulation MAQ16, un amplificateur de type SSPA, un recul de 0 dB et pour un taux d'erreur binaire de 10-2, le correcteur avec un réseau RPN apporte un gain de 1,5 dB de rapport signal sur bruit. Cependant des difficultés apparaissent durant la phase d'apprentissage du réseau de neurones avec un nombre de porteuses supérieur.
Pour palier ce défaut, les réseaux de neurones décrits précédemment sont simplifiés en étant placés dans le domaine temporel. Ce système est plus proche des solutions déjà proposées pour la compensation des non-linéarités dans une modulation monoporteuse, avec toutefois des différences au niveau de l'égalisation du canal et de la nature de la fonction que doit accomplir le réseau de neurones. Un correcteur basé sur un réseau RPN a montré de très bonnes performances, même en augmentant le nombre de porteuses. Un gain de 8 dB a été mesuré pour un taux d'erreur binaire de 10-2 dans un système OFDM à 48 porteuses, une modulation MAQ16 et un amplificateur de type SSPA avec un recul de 0 dB. Le système présenté permet donc dans ces conditions de diviser la puissance de l'amplificateur, et donc sa consommation d'énergie, par un facteur supérieur à 4 tout en conservant la même qualité de transmission.
Le correcteur à RPN dans le domaine temporel est ensuite simulé sur un canal multitrajet, afin de vérifier que la compensation reste efficace dans le cas d'un canal sévère. Enfin les deux approches proposées (fréquentielle et temporelle) sont comparées, au niveau des performances obtenues et de la puissance de calcul nécessaire dans le récepteur. Une comparaison avec une autre approche proposée dans la littérature est également présentée. Le correcteur temporel basé sur un RPN est bien moins complexe que le système cité, au détriment d'une légère dégradation des performances.
Ce mémoire se conclut par quelques perspectives de recherche pouvant prolonger les travaux accomplis durant cette thèse.

APA, Harvard, Vancouver, ISO, and other styles

40

Zhang, Jiantong. "Estimation non paramétrique par réseaux de neurones pour des processus et estimation de paramètres de position." Paris 6, 2000. http://www.theses.fr/2000PA066485.

Full text

Abstract:

Cette these se compose de deux parties : les quatre premiers chapitres sont consacres au probleme de l'estimation non parametrique par reseaux de neurones pour des processus stochastiques. La deuxieme partie de cette these est le cinquieme chapitre ou nous etudions l'estimation du parametre de position. Dans les deuxieme et troisieme chapitres, nous etudions les problemes de l'estimation de la regression et de l'estimation des quantiles conditionnels pour des processus et -melangeants par reseaux de neurones. Nous utilisons une technique de couplage et etablissons d'abord deux inegalites exponentielles pour la -melangeance et l'-melangeance. A partir de ces inegalites, nous parvenons a borner le risque integre de l'estimateur par un indice de resolubilite. Nous donnons enfin les vitesses quadratiques moyennes integrees. Dans le quatrieme chapitre, nous nous interessons au probleme d'estimation par sieve dans le cas special de reseaux de neurone. Nous etablissons des vitesses de convergence des estimateurs pour des processus strictement stationnaires et fortement melangeants dans ce cas. Un resultat surprenant est que nous obtenons presque la meme vitesse que dans le cas i. I. D. Sous des conditions assez faibles de regularite. Le cinquieme chapitre se compose de trois sections. La premiere section s'interesse a l'estimation du parametre de position de la loi normale et d'une loi a symetrie spherique et matrice de covariance inconnue. La deuxieme section est consacree a l'estimation de la moyenne de loi gaussienne avec la covariance inconnue sous de classes de fonctions de cout. Dans la troisieme section, nous considerons le probleme de l'estimation du parametre de position des lois a symetrie spherique pour toute une classe de fonction de cout. Dans les trois sections, nous proposons des estimateurs qui dominent l'estimateur usuel.

APA, Harvard, Vancouver, ISO, and other styles

41

Djouani, Karim. "Contribution à la commande dynamique des navires. Commande optimale non-linéaire et réseaux de neurones artificiels." Paris 12, 1994. http://www.theses.fr/1994PA120043.

Full text

Abstract:

Durant ces dernieres annees, une certaine approche a ete adoptee pour l'etude de la commande des systemes mecaniques non lineaires. Vu la complexite de ce type de systemes, le probleme de commande est divise en deux sous problemes. Le premier concerne la phase de planification de trajectoires (pt) et le second la phase de suivi de trajectoires (st) avec rejets de pertubations. Dans notre cas d'application nous avons considere le cas du pilotage automatique des navires. Dans un premier lieu un modele de la dynamique des navires a ete mis au point en introduisant les effect de perturbations, a savoir vent, houle, maree et courant. La modelisation de la dynamique des navires etant basee sur des techniques semi-experimentales, une methode d'identification globale des parametres hydrodynamiques du navire a ete adoptee. Le probleme de pt pour navires (potran) est formule en termes de commande optimale fortement non lineaire et non convexe sous des contraintes intrinseques et extrinseques du systeme. L'algorithme d'uzawa base sur le lagrangien augmente discret de cohen et zhu a ete adopte pour la resolution du probleme. Dans la derniere partie de la these nous avons mis au point un controleur original en reseaux de neurones artificiels pour l'accostage des grands navires (petroliers). L'apport majeur de cette partie reside dans l'utilisation des reseaux de neurones multi-couches pour l'apprentissage d'une technique de commande optimale non-lineaire

APA, Harvard, Vancouver, ISO, and other styles

42

Tertois, Sylvain. "Réduction des effets de non-linéarités dans une modulation multiporteuse à l'aide de réseaux de neurones." Rennes 1, 2003. https://tel.archives-ouvertes.fr/tel-00004015.

Full text

Abstract:

Le mémoire commence par une introduction aux communications numériques et en particulier à la modulation OFDM. Un défaut majeur de cette technique est que le signal OFDM temporel est particulièrement sensible aux non-linéarités. Les réseaux de neurones classiques et d'ordre supérieur sont ensuite présentés. Le réseau de neurones est tout d'abord placé dans le domaine fréquentiel. Son objectif est de corriger le signal reçu afin de compenser les effets des non-linéarités. Le taux d'erreur binaire est réduit dans un système simple, mais des difficultés apparaissent durant la phase d'apprentissage avec des systèmes plus complexes. Le réseau de neurones est ensuite simplifié en étant placé dans le domaine temporel. Un correcteur ainsi modifié a montré de très bonnes performances, même avec un grand nombre de porteuses, et différents modèles de non linéarités. Des éléments concernant la mise en oeuvre et la comparaison des différentes approches sont présentés dans le dernier chapitre.

APA, Harvard, Vancouver, ISO, and other styles

43

Harkouss, Youssef. "Application de réseaux de neurones à la modélisation de composants et de dispositifs microondes non linéaires." Limoges, 1998. http://www.theses.fr/1998LIMO0040.

Full text

Abstract:

Le developpement d'une nouvelle approche de la modelisation de composants et de dispositifs microondes non lineaires basee sur une representation par reseau neuronal constitue le theme essentiel de cette these. L'objectif de ce travail consiste d'une part a creer un outil efficace et rapide pour construire des modeles neuronaux performants et d'autre part a montrer a travers des applications pratiques la performance et la precision d'une telle representation comportementale. Nous avons envisage deux types de modeles neuronaux. Le premier est base sur un perceptron multicouche mlp entraine par la retro-propagation du gradient gbp. La structure multicouche du mlp et la nature aleatoire de la technique d'initialisation de ce mlp font que l'ensemble de processus de construction de ce type de modele s'avere couteux en temps. Le second modele repose sur un reseau d'ondelettes wnn initialise par la methode de selection de regresseurs et entraine par la methode quasi-newtonienne bfgs (broyden-fletcher-goldfarb-shanno). La combinaison de la methode de selection de regresseurs avec bfgs represente un outil efficace et rapide pour construire des modeles neuronaux performants. L'approche neuronale basee soit sur un mlp, soit sur un reseau d'ondelettes wnn, offre de bon resultats en terme de precision, d'efficacite et de fiabilite du modele.

APA, Harvard, Vancouver, ISO, and other styles

44

Graux, François. "Méthodologie de modélisation boîte noire de circuits hyperfréquences non linéaires par réseaux de neurones : applications au radar." Lille 1, 2001. https://pepite-depot.univ-lille.fr/RESTREINT/Th_Num/2001/50376-2001-47.pdf.

Full text

Abstract:

L'objectif de ce travail consiste à mettre au point une méthodologie de modélisation boîte noire non linéaire pour circuits hyperfréquences. Cette méthodologie est générique et peut s'appliquer à plusieurs fonctions radar. Pour cela nous avons d'abord étudié les différents modes d'analyses non linéaires d'un logiciel du commerce : MDS de Hewlett Packard. Aussi nous avons décrit les impératifs de notre modèle pour son utilisation optimal. Ensuite nous avons développé un logiciel de modélisation par l'intermédiaire d'un réseau de neurones nous permettant de gérer un grand nombre de variables. Enfin, une modélisation commencant d'abord par une bonne caractérisation, nous avons développé un banc de caractérisation load pull / source pull passif non linéaire associé à une acquisition temporelle. L'ensemble de la procédure nous a permis de mettre au point une méthode viable, encourageante pour de nouvelles possibilités de modélisations non linéaires

APA, Harvard, Vancouver, ISO, and other styles

45

Jemeï, Samir. "Modélisation d'une Pile à Combustible de type PEM par Réseaux de Neurones." Phd thesis, Université de Franche-Comté, 2004. http://tel.archives-ouvertes.fr/tel-00777611.

Full text

Abstract:

Ce travail apporte une contribution à la modélisation des piles à combustible de type PEM. La modélisation fait ici appel aux réseaux artificiels de neurones et est appliquée à deux piles à combustible de puissances différentes. La première partie de ce mémoire rappelle les verrous technologiques liés à l'intégration des piles à combustibles dans un véhicule. Puis l'auteur s'interroge sur la nécessité de modéliser une pile à combustible avant de se pencher sur les différentes méthodes de modélisation existante. La réalisation d'un modèle neuronal décrivant le comportement statique d'une pile à combustible de type PEM est la première étape de cette étude. La deuxième partie décrit la démarche qui a permis de réaliser ce modèle. Elle se décompose en trois points essentiels : 1) choix d'une topologie adaptée, 2) choix d'essais expérimentaux pour établir une séquence d'apprentissage représentative du système et choix des entrées/sorties du modèle, 3) étude de différentes techniques d'apprentissage menant à une modélisation satisfaisante. Afin d'obtenir un modèle complet, le comportement dynamique de la pile doit être décrit. L'élaboration du modèle dynamique à l'aide de réseaux de neurones bouclés est exposée dans la troisième partie. Pour conclure ce mémoire, une méthode originale basée sur l'analyse de Fourier permet d'obtenir une boîte noire multi-modèle permettant de coupler les modèles dynamiques et statiques pour prédire l'évolution temporelle de la tension de la pile à combustible selon des sollicitations de courant à fréquence variable. Enfin, une étude de sensibilité paramétrique est réalisée.

APA, Harvard, Vancouver, ISO, and other styles

46

Mba, Megner Bruno. "Étude de l'application des réseaux de neurones à la reconstitution des signaux pour un système dynamique non linéaire." Thèse, Université du Québec à Trois-Rivières, 1998. http://depot-e.uqtr.ca/3561/1/000654592.pdf.

Full text

APA, Harvard, Vancouver, ISO, and other styles

47

Agnaou, Youssef Joseph. "Analyse statistique de données de croissance humaine : estimation et ajustement paramétriques, non paramétriques, et par réseaux de neurones." Bordeaux 1, 2001. http://www.theses.fr/2001BOR12404.

Full text

Abstract:

L'étude des courbes de croissance est abordée, du point de vue statistique par différentes méthodes paramétriques et non-paramétriques. Le travail présenté compare, sur deux familles de données réelles (individuelles et longitudinales) concernant la croissance humaine, les méthodes paramétriques classiques, certains estimateurs à noyau, et l'utilisation de réseaux neuronaux, méthode assez peu utilisée dans ce contexte. Une large annexe présente les bases de cette méthode.

APA, Harvard, Vancouver, ISO, and other styles

48

Cazé, Romain. "Le rôle des sommations non-linéaires dendritiques dans la puissance computationnelle du neurone." Paris 7, 2012. http://www.theses.fr/2012PA077238.

Full text

Abstract:

La majorité des modèles computationnels de neurones sont basés sur l'hypothèse d'une sommation linéaire des potentiels postsynaptique excitateurs (PPSEs). Mais la somme de multiples PPSEs peut être supérieure leur somme arithmétique ce phénomène est communément appelé potentiel d'action dendritique (PED). L'implication de PED dans la fonction du neurone reste encore débattu, notamment lorsque ces PED ne déclenchent pas de potentiel d'action somatique. De plus, la somme de multiples PPSEs peut aussi être inférieure à leur somme arithmétique, ces saturations sont souvent présentées comme un problème. Ce travail de thèse contredit ces deux opinions, il montre que les saturations dendritiques autant que les PED peuvent positivement influencer la fonction du neurone. Nous utilisons un modèle binaire de neurone et montrons qu'une seule non-linéarité dendritique suffit pour calculer des fonctions linéairement non-séparables. Ces fonctions sont inaccessibles pour les modèles de neurones ne tenant pas compte des sommations non-linéaire. Nous montrons que des modèles biophysique réalistes de neurones sont capables d'implémenter ces fonctions. Contrairement aux modèles binaires, ils ne présupposent pas l'existence de compartiments totalement indépendants. Pourtant ces modèles sont eux aussi capables de calculs linéairement non-separable. Ces résultats jettent un éclairage nouveau sur les réseaux de neurones, suggérant que la mémoire pourrait être stockée dans l'arbre dendritique des neurones
Seminal computational models of the neuron assume that excitatory post-synaptic inputs (EPSPs) sum linearly in dendrites. Nevertheless, the sum of multiple EPSPs can be larger than their arithmetic sum, a superlinear summation. The so-called dendritic spike. An impact of dendritic spikes on computation remains a malter of debate. Moreover, the sum of multiple of EPSPs can also be smaller than their arithmetic sum these saturations are sometime presented as a glitch which should be corrected by dendritic spikes. L provide here arguments against these daims, I show that dendritic saturations as well as dendritic spikes, even when they cannot directly make the neuron fire, enhance single neuron computation. I use a binary neuron models to demonstrate that a single dendritic non-linearity, either spiking or saturating, combined with somatic non-linearity, enables a neuron linearly non-separable functions. I coin these functions as spatial functions because the neuron's output depends more on the labeling of the active inputs than on their number. Secondly, we show that realistic biophysical models of the neuron are capable of computing spatial functions. Within these models the dendritic and somatic non-linearity are tightly coupled. We use this biophysical model to predict that some neurons will be more likely to fire when inputs are scattered over their dendritic tree than when they are clustered, we predict that such a neuron is capable of computing spatial functions. These results suggest a new perspective on neural networks, suggesting for instance that memory can be stored in the neurons themselves

APA, Harvard, Vancouver, ISO, and other styles

49

Benoît-Marand, François. "Modélisation et identification des systèmes non linéaires par réseaux de neurones à temps continu : application à la modélisation des interfaces de diffusion non linéaires." Poitiers, 2007. http://www.theses.fr/2007POIT2274.

Full text

Abstract:

Ce mémoire présente un nouveau modèle pour l'identification des systèmes non linéaires : les réseaux de neurones à temps continu (RNTC). Ces structures emploient des réseaux de neurones formels pour approcher les lois non linéaires qui gouvernent le système mais, contrairement aux modèles neuronaux présentés dans la littérature, notre modèle traite le problème à temps continu. De ce fait, nous montrons alors, au travers de différentes applications, que le modèle permet d'identifier correctement des processus non linéaires variés. De plus, partant du réseau de neurone identifié, il est possible, dans une certaine mesure, de revenir aux valeurs caractéristiques du système en utilisant une étape de réduction de modèle. Enfin, nous indiquons comment adapter le modèle des réseaux de neurones à temps continu au cas des systèmes non entiers et considérons le problème de l'identification des interfaces de diffusion non linéaires. En introduisant un nouvel opérateur d'intégration fractionnaire, et en l'intégrant au modèle par réseau de neurones à temps continu, nous montrons comment approcher le comportement temporel de ces systèmes bien particuliers
This thesis presents a new model for the identification of nonlinear systems : continuous time neural networks (RNTC). These structures employ networks of formal neurons to approach the nonlinear laws that control the system but, contrary to the neural networks models presented in the literature, our model deals the problem in continuous time. Whatever, through various applications, we show that the model allows us to identify various nonlinear processes with a high accuracy. Moreover, in using a model reduction stage, it is possible to revert, from the neural network model, to the characteristic values of the system. Finally, we indicate how to adapt the continuous time neural network model to the case of fractionnal systems and we consider the problem of identification of diffusive nonlinear interfaces. By introducing a new operator of fractional integration, and by integrating it into the continuous time neural network model, we show how to approach the temporal behavior of these particular systems

APA, Harvard, Vancouver, ISO, and other styles

50

Abdulkader, Hasan. "Applications de réseaux de neurones à des chaînes de transmission numérique par satellite-gradient naturel." Toulouse, INPT, 2003. http://www.theses.fr/2003INPT009H.

Full text

Abstract:

Dans cette thèse nous traitons le problème de la non linéarité introduite par l'amplificateur de puissance embarqué à bord de satellites régénératifs. Afin de résoudre les problèmes de non linéarités (non linéarité de l'amplitude et non linéarité de la phase), nous utilisons la méthode de linéarisation par la prédistorsion de l'amplificateur à bord du satellite. La prédistorsion consiste à linéariser la non linéarité d'amplitude et d'annuler le déphasage non linéaire. Pour que la prédistortion soit adaptative, nous proposons de modéliser l'amplificateur pour ensuite inverser le modèle acquis. Les deux applications (identification et prédistortion) sont faites à base de réseaux de neurones multicouches. Afin d'améliorer la convergence des réseaux de neurones, nous avons opté pour l'algorithme du gradient naturel basé sur l'étude de la géométrie de la variété des réseaux de neurones. Le premier chapitre fait un état d'art de la transmission numérique via satellites et discute des effets négatifs de l'amplification non linéaire. On y discute aussi les méthodes et les outils de traitement non linéaire tels que les réseaux de neurones et les séries de Volterra. Le deuxième chapitre fait une introduction à la géométrie différentielle afin de présenter l'algorithme du gradient naturel comme étant l'algorithme qui tient compte de la géométrie de la variété Riemanienne. Nous appliquons cet algorithme à l'apprentissage des réseaux de neurones déterministes. L'étude de la variété des fonctions a montré qu'elle est Riemanienne et que sa matrice métrique est la matrice de l'information de Fisher [. . . ]

APA, Harvard, Vancouver, ISO, and other styles

Dissertations / Theses on the topic 'Réseaux de neurones non supervisé'

Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles