Littérature scientifique sur le sujet « Fuzzy Chronologies »

The dissertation investigates a set of related key elements that take part in the deployment of Semantic Web systems for cultural heritage. The overview of the new directions in the development of the Web according to the perspectives of the Web 2.0 and Web 3.0 and the analysis of the current scenario of Semantic Web applications for cultural heritage and archaeology is provided, and a proposal of a new research perspective based on an interdisciplinary approach is introduced. Central in this research are the evaluation of the CIDOC CRM ISO standard and the proposal of a model and method that aim at improving the retrieval of relevant information in Semantic Web systems according to fuzzy chronological elements. A case study for the experimentation and evaluation of the research proposal as well as the development of a demo semantic portal for the case study are then introduced and the results obtained are discussed. Concluding remarks and directions for future work end the dissertation.

L'élevage de précision consiste à enregistrer des paramètres sur les animaux ou leur environnement grâce à divers capteurs. Dans cette thèse, il s'agit de suivre le comportement de vaches laitières via un système de localisation en temps réel. Les données sont collectées en une suite de valeurs à intervalle régulier, c'est ce que l'on appelle une série temporelle. Les problèmes liés à l'utilisation de capteurs sont le grand nombre de données engendré et la qualité de ces données. Le Machine Learning (ML) permet d'atténuer ce problème. Le but de cette thèse est de détecter les comportements anormaux de vaches. L'hypothèse de travail, étayée par la littérature en biologie, est que le rythme circadien d'activité d'une vache change si celle-ci passe d'un état normal à un état de maladie, stress ou encore un stade physiologique spécifique (œstrus, mise-bas) et ce, de manière très précoce. La détection d'une anomalie de comportement permettrait de prendre des décisions plus rapidement en élevage. Pour cela, il existe des outils de classification de séries temporelles ou Time Series Classification (TSC) en anglais. Le problème avec les données de comportement est que le schéma comportemental dit normal de la vache varie selon les vaches, les jours, la ferme, la saison, etc. Trouver un schéma normal commun à toutes les vaches est donc impossible. Or, la plupart des outils de TSC se basent sur l'apprentissage d'un modèle global pour définir si un comportement donné est proche de ce modèle ou non. Cette thèse s'articule autour de deux grandes contributions. La première consiste à l'élaboration d'une nouvelle méthode de TSC : FBAT. Elle se base sur les transformées de Fourier pour identifier un pattern d'activité sur 24 h et le comparer à celui d'une autre période de 24 h consécutive, afin de palier le problème de l'absence de schéma commun d'une vache normale. La deuxième contribution consiste à utiliser les étiquettes floues. En effet, autour des jours considérés comme anormaux, il est possible de définir une zone incertaine où la vache serait dans un état intermédiaire. Nous montrons que la logique floue permet d'améliorer les résultats quand les étiquettes sont incertaines et nous introduisons une variante floue de FBAT : F-FBAT
Precision livestock farming consists of recording parameters on the animals or their environment using various sensors. In this thesis, the aim is to monitor the behaviour of dairy cows via a real-time localisation system. The data are collected in a sequence of values at regular intervals, a so-called time series. The problems associated with the use of sensors are the large amount of data generated and the quality of this data. The Machine Learning (ML) helps to alleviate this problem. The aim of this thesis is to detect abnormal cow behaviour. The working hypothesis, supported by the biological literature, is that the circadian rhythm of a cow's activity changes if it goes from a normal state to a state of disease, stress or a specific physiological stage (oestrus, farrowing) at a very early stage. The detection of a behavioural anomaly would allow decisions to be taken more quickly in breeding. To do this, there are Time Series Classification (TSC) tools. The problem with behavioural data is that the so-called normal behavioural pattern of the cow varies from cow to cow, day to day, farm to farm, season to season, and so on. Finding a common normal pattern to all cows is therefore impossible. However, most TSC tools rely on learning a global model to define whether a given behaviour is close to this model or not. This thesis is structured around two major contributions. The first one is the development of a new TSC method: FBAT. It is based on Fourier transforms to identify a pattern of activity over 24 hours and compare it to another consecutive 24-hour period, in order to overcome the problem of the lack of a common pattern in a normal cow. The second contribution is the use of fuzzy labels. Indeed, around the days considered abnormal, it is possible to define an uncertain area where the cow would be in an intermediate state. We show that fuzzy logic improves results when labels are uncertain and we introduce a fuzzy variant of FBAT: F-FBAT

Les données manquantes constituent un challenge commun en reconnaissance de forme et traitement de signal. Une grande partie des techniques actuelles de ces domaines ne gère pas l'absence de données et devient inutilisable face à des jeux incomplets. L'absence de données conduit aussi à une perte d'information, des difficultés à interpréter correctement le reste des données présentes et des résultats biaisés notamment avec de larges sous-séquences absentes. Ainsi, ce travail de thèse se focalise sur la complétion de larges séquences manquantes dans les séries monovariées puis multivariées peu ou faiblement corrélées. Un premier axe de travail a été une recherche d'une requête similaire à la fenêtre englobant (avant/après) le trou. Cette approche est basée sur une comparaison de signaux à partir d'un algorithme d'extraction de caractéristiques géométriques (formes) et d'une mesure d'appariement élastique (DTW - Dynamic Time Warping). Un package R CRAN a été développé, DTWBI pour la complétion de série monovariée et DTWUMI pour des séries multidimensionnelles dont les signaux sont non ou faiblement corrélés. Ces deux approches ont été comparées aux approches classiques et récentes de la littérature et ont montré leur faculté de respecter la forme et la dynamique du signal. Concernant les signaux peu ou pas corrélés, un package DTWUMI a aussi été développé. Le second axe a été de construire une similarité floue capable de prender en compte les incertitudes de formes et d'amplitude du signal. Le système FSMUMI proposé est basé sur une combinaison floue de similarités classiques et un ensemble de règles floues. Ces approches ont été appliquées à des données marines et météorologiques dans plusieurs contextes : classification supervisée de cytogrammes phytoplanctoniques, segmentation non supervisée en états environnementaux d'un jeu de 19 capteurs issus d'une station marine MAREL CARNOT en France et la prédiction météorologique de données collectées au Vietnam
Missing data are a prevalent problem in many domains of pattern recognition and signal processing. Most of the existing techniques in the literature suffer from one major drawback, which is their inability to process incomplete datasets. Missing data produce a loss of information and thus yield inaccurate data interpretation, biased results or unreliable analysis, especially for large missing sub-sequence(s). So, this thesis focuses on dealing with large consecutive missing values in univariate and low/un-correlated multivariate time series. We begin by investigating an imputation method to overcome these issues in univariate time series. This approach is based on the combination of shape-feature extraction algorithm and Dynamic Time Warping method. A new R-package, namely DTWBI, is then developed. In the following work, the DTWBI approach is extended to complete large successive missing data in low/un-correlated multivariate time series (called DTWUMI) and a DTWUMI R-package is also established. The key of these two proposed methods is that using the elastic matching to retrieving similar values in the series before and/or after the missing values. This optimizes as much as possible the dynamics and shape of knowledge data, and while applying the shape-feature extraction algorithm allows to reduce the computing time. Successively, we introduce a new method for filling large successive missing values in low/un-correlated multivariate time series, namely FSMUMI, which enables to manage a high level of uncertainty. In this way, we propose to use a novel fuzzy grades of basic similarity measures and fuzzy logic rules. Finally, we employ the DTWBI to (i) complete the MAREL Carnot dataset and then we perform a detection of rare/extreme events in this database (ii) forecast various meteorological univariate time series collected in Vietnam

La Tension dans un Service d’Urgences (SU) est un déséquilibre entre le flux de charge des soins et la capacité de prise en charge sur une durée suffisante pouvant entrainer des conséquences néfastes au bon fonctionnement. Elle se reflète par la surcharge des locaux, l’allongement des délais de traitement et d’attente. Ce qui provoque à la fois l’insatisfaction des patients et l’anxiété du personnel. Cette thèse s’inscrit dans le cadre du projet HOST financé par le programme ANR-TECSAN-2011 afin d’élaborer un Système d'Aide à la Gestion de la Tension (SAGeT) assurant trois objectifs:1. L’évaluation multicritère grâce à une panoplie d’indicateurs agrégés par la logique floue afin de résoudre la subjectivité du ressentie humain de la tension. Chaque scénario d’évaluation déclenche des règles de décision spécifiques ciblant ainsi des points de défaillance à surveiller.2. L’anticipation de la demande sur différents horizons temporels : l’application des méthodes SARIMA et SARIMAX est justifiée par la saisonnalité des chroniques de visites et l’influence de certains paramètres externes (épidémies, vacances, météo). De plus, la qualité de l’information venant de l’historique a été améliorée par une recomposition d’historique basée sur la vraisemblance journalière.3. L’amélioration de la gestion des flux et le pilotage de l’activité puisque l’utilisation de SAGeT comme un tableau de bord offre une vue macro sur l’ensemble de l’activité (lits occupés, patients en attente, durées de passages prévisionnelles et allongements excessifs). Les simulations traitent des vrais scénarios de tension observés entre 2011 et 2013 dans le SU Pédiatriques Jeanne de Flandre du CHRU-Lille
He strain in an Emergency Department (ED) is an imbalance between the total demand load of healthcare treatment and resources ability to support it during a convenient horizon, which may results negative consequences on the smooth running of the activity. It is reflected by overcrowding, longer treatment and waiting times which causes both patients dissatisfaction and anxiety of personnel. This thesis is part of the HOST project funded by the ANR-TECSAN-2011 program to develop a Management Support System of Strain (MSSS) ensuring three objectives:1. Multi-criteria evaluation through a variety of indicators aggregated by fuzzy logic to solve the subjectivity of the human feeling of strain. Each evaluation scenario involves specific decision rules targeting to supervise failure points.2. Demand forecasting through several time horizons: applying SARIMA and SARIMAX methods is justified by the time series seasonality of visits and the influence of some external parameters (epidemics, holidays, weather). In addition, the quality of the historical information has been improved by a history rebuilding based on the daily likelihood.3. Improving flow management and activity monitoring since the use of MSSS as a dashboard provides a macro view of the whole activity (beds occupied, waiting, estimated length of stay, excessive elongation).The simulations address real strain scenarios observed between 2011 and 2013 in the Pediatric ED Jeanne de Flandre of the Regional University Hospital of Lille (France)