Добірка наукової літератури з теми "Modèles de neurones impulsionnels"

La modélisation pluie-débit au pas de temps mensuel, a été étudiée par le biais de quatre modèles qui appartiennent à deux catégories, les modèles conceptuels (modèles à réservoirs), et les modèles basés sur les réseaux de neurones, et la logique floue Les modèles conceptuels mensuels utilisés sont les modèles de Thornthwaite et Arnell et le modèle GR2M, ainsi que deux modèles représentés par les réseaux de neurones à apprentissage supervisé et le modèle neuro-flou qui combine une méthode d'optimisation neuronale et une logique floue. Une application de ces modèles a été effectuée sur le bassin de la Cheffia (Nord-Est Algérien), et a confirmé les performances du modèle basé sur la logique floue. Par sa robustesse et son pouvoir d'extrapolation non-linéaire, ce modèle a donné d'excellents résultats, et représente donc une nouvelle approche de la modélisation pluie-débit au pas de temps mensuel.

L’autisme est une pathologie neuro-développementale touchant près de 1 enfant sur 100 dans le monde. Par les traumatismes et les conséquences sociales qu’il engendre, il constitue aujourd’hui un véritable enjeu de santé publique. Cliniquement, l’autisme se caractérise principalement par des déficits de communication et d’interactions sociales associés à des comportements répétitifs et des centres d’intérêts restreints. On parle de troubles du spectre autistique (TSA) pour rendre compte de la diversité des symptômes caractérisant cette pathologie. Fondé sur des observations réalisées chez l’homme, un modèle de l’autisme, par une exposition prénatale de rongeurs (rats et souris) au valproate de sodium, a été obtenu et validé. À partir de ce modèle, des mécanismes qui concernent aussi bien le fonctionnement des réseaux neuronaux que les propriétés des neurones permettant de rendre compte de certains TSA, ont été proposés. Ce modèle est également largement utilisé dans les études précliniques qui ont pour but de tester des thérapies potentielles contre les TSA.

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

Dans le domaine de la prévision des débits, une grande variété de méthodes sont disponibles: des modèles stochastiques et conceptuels mais aussi des approches plus novatrices telles que les réseaux de neurones artificiels, les modèles à base de règles floues, la méthode des k plus proches voisins, la régression floue et les splines de régression. Après avoir effectué une revue détaillée de ces méthodes et de leurs applications récentes, nous proposons une classification qui permet de mettre en lumière les différences mais aussi les ressemblances entre ces approches. Elles sont ensuite comparées pour les problèmes différents de la prévision à court, moyen et long terme. Les recommandations que nous effectuons varient aussi avec le niveau d'information a priori. Par exemple, lorsque l'on dispose de séries chronologiques stationnaires de longue durée, nous recommandons l'emploi de la méthode non paramétrique des k plus proches voisins pour les prévisions à court et moyen terme. Au contraire, pour la prévision à plus long terme à partir d'un nombre restreint d'observations, nous suggérons l'emploi d'un modèle conceptuel couplé à un modèle météorologique basé sur l'historique. Bien que l'emphase soit mise sur le problème de la prévision des débits, une grande partie de cette revue, principalement celle traitant des modèles empiriques, est aussi pertinente pour la prévision d'autres variables.

Cet article relate la vie, la carrière et l’œuvre scientifique de Mme Andrée Tixier-Vidal, disparue en décembre 2021. Il montre comment, après avoir développé une approche histophysiologique originale de la neuroendocrinologie et tout particulièrement de l’axe hypophyso-thyroïdien, elle a réalisé des travaux pionniers qui ont complètement renouvelé les connaissances sur les neurones hypothalamiques à thyréolibérine (TRH) qui interviennent dans la régulation des cellules à thyréostimuline (TSH), mais également de celles à prolactine (PRL). Le fil conducteur de ses recherches a été la biologie cellulaire de la sécrétion abordée par les techniques morphologiques et cytochimiques sur des modèles originaux de cultures organotypiques d’hypophyse mais aussi de cellules tumorales GH3 et enfin de neurones hypothalamiques. Le rayonnement scientifique de Mme Tixier-Vidal et de son équipe se prolonge encore à travers les multiples générations de chercheurs qui ont eu le privilège de profiter de son dynamisme intellectuel et de son enthousiasme pour la recherche en biologie.

Ce travail décrit une nouvelle approche de la prédiction de l'évolution spatio-temporelle du phosphore minéral dans les eaux de surface, particulièrement dans la baie lagunaire de Tiagba. L'originalité de cette étude réside dans l'utilisation des réseaux de neurones artificiels, précisément du perceptron multicouche, comme outil de modélisation. Deux approches de l'évolution spatio-temporelle de ce nutriment dans cette baie ont été étudiées : sa modélisation statique et sa modélisation dynamique. Ainsi, il a été utilisé deux bases de 3 966 et 4 627 données respectivement pour sa modélisation statique et sa modélisation dynamique. L'algorithme de Levenberg-Marquardt a été utilisé pour la détermination des poids de connexions lors du développement du perceptron multicouche. Il ressort, des résultats obtenus, que les modèles 5-14-1 et 6-14-2 permettent de prédire à 70,30 % et à environ 70 % respectivement les évolutions statique et dynamique du phosphore minéral dans cette baie lagunaire. Ces modèles, jugés satisfaisant peuvent servir de socle pour d'éventuelles études visant à la réhabilitation et la gestion de cet écosystème aquatique dans le cadre de son développement durable.

Depuis un an environ, les performances des modèles de prévision du temps basés sur les réseaux de neurones sont devenues suffisamment intéressantes pour que les prévisionnistes commencent à les considérer. À l'occasion du passage de la tempête Ciaràn sur l'ouest de la France, nous évaluons les qualités et les défauts de quatre d'entre eux : GraphCast (Google Deepmind), Pangu-Weather (Huawei), AIFS (Centre européen pour les prévisions météorologiques à moyen terme, CEPMMT) et FourCastNet (Nvidia). Nous montrons que, loin encore de la prévision opérationnelle, les modèles de prévision par intelligence artificielle proposent des informations très pertinentes pour anticiper les tempêtes violentes. Over the past year or so, the performance of neural network-based weather forecasting models has progressed significantly and began to attract the interest of forecasters. At the occasion of the passage of the Ciaràn storm over western France, we evaluate the strengths and shortcomings of four of them: GraphCast (Google Deepmind), Pangu-Weather (Huawei), AIFS (European Center for Medium-Range Weather Forecasts, ECMWF) and FourCastNet (NvIDIA). We show that, although far from being operational, artificial intelligence-based forecasting models are able to propose useful information to anticipate damaging storms.

La psychiatrie computationnelle est un champ émergent qui, dans le prolongement des évolutions récentes en neurosciences cognitives, cherche à comprendre les pathologies mentales par la modélisation des processus élémentaires de pensée et leurs dysfonctionnements. En explicitant l’implémentation neurobiologique des algorithmes utilisés par le cerveau humain pour choisir, percevoir, ou ressentir… D’une certaine façon, cette nouvelle approche de la physiopathologie psychiatrique a pour ambition de combler le « fossé explicatif » entre cerveau et esprit. L’approche computationnelle se base sur la confrontation entre des données neurophysiologiques (IRM, EEG, MEG, électrophysiologie) acquises à chaque niveau de description du cerveau (récepteurs, neurones, réseaux, aires corticales) et les variables cachées prédites par des modèles ajustés aux comportements humains observables. Ce point de vue permet une approche transnosographique des symptômes psychiatriques qui peuvent être reconsidérés et caractérisés en termes de traitements pathologiques de l’information. Ces principes seront illustrés pour montrer :– comment cette approche permet de mieux comprendre l’émergence des processus élémentaires de pensée à partir de réseaux neuraux distribués, à contre-pied des approches néophrénologiques ;– illustrer comment ce type d’approche permet l’étude de l’architecture neurobiologique des processus de prise de décision chez l’homme ;– montrer l’intérêt des modèles bayésiens pour comprendre l’émergence des idées délirantes dans la schizophrénie.

Les neurosciences computationnelles sont traditionnellement dominées par la conception selon laquelle les neurones codent l'information à travers leur fréquence de décharge. Récemment, les observations expérimentales de synchronisation neuronale ont motivé un renouveau du point de vue impulsionnel, selon lequel la structure temporelle des décharges est pertinente. Les modèles impulsionnels étant moins bien compris que leurs homologues fréquentiels, nous commençons par établir des résultats théoriques généraux, qui nous permettent en particulier de montrer que les modèles impulsionnels répondent de manière reproductible aux stimulations variables apériodiques. Cette propriété nous permet de construire un modèle de sélectivité à l'orientation dans le cortex visuel, le perceptron impulsionnel, qui, en détectant une propriété géométrique de l'image plutôt que l'adéquation entre l'image et un patron, permet d'obtenir avec une architecture feedforward une invariance naturelle au contraste.

Cette thèse est bâtie sur le constat de l'absence d'outils génériques adaptés à la modélisation et la simulation de grands réseaux de neurones impulsionnels. Une première partie de la thèse est consacrée à la présentation des modèles existants. Dans ces modèles, les impulsions se traduisent par des discontinuités dans la dynamique des neurones. Ces discontinuités sont à la source de difficultés de modélisation et de simulation. Nous présentons dans une seconde partie une nouvelle approche, basée sur la notion de système à événements discrets, utilisant le formalisme DEVS. Elle permet de prendre en considération une large classe de modèles de neurones et autorise la construction de réseaux structurés de grande taille. Un outil de simulation utilisant un algorithme de simulation événementiel a été développé et évalué sur machines séquentielles et parallèles. Nous avons également évalué la pertinence de notre approche dans le cadre d'un projet multidisciplinaire sur l'olfaction
At present, there exists no generic modeling and simulation framework that addresses the study of large spiking neural networks. In the existing models, the impulses are generally associated with discontinuities in the otherwise continuous dynamics of the neurons. This raises modeling and practical implementation issues. We propose an novel approach based on the discrete-event system abstraction, grounded on the DEVS formalism, that can be used to represent a large class of spiking neurons and permits the modeling of large networks. A simulation engine has been developed on top of this formalism. It is based on an efficient event-driven algorithm and has been evaluated on sequential as well as parallel machines. We have tested our approach within a multi-disciplinary project on olfactory perception

Cette thèse étudie l'encodage de l'information sensorielle par les cellules relais du bulbe olfactif avec une approche associant analyse de données expérimentales et modélisation informatique. Le bulbe olfactif est principalement constitué de neurones excitateurs, dits cellules mitrales, interconnectés via des inter-neurones inhibiteurs, dits cellules granulaires.

Dans un premier temps, l'analyse de données expérimentales recueillies en condition in vitro dans des tranches de bulbe olfactif de rats révèle le caractère phasé des potentiels d'action des cellules mitrales relativement aux oscillations du potentiel de champ local. Ce phasage est largement atténué lorsque l'on bloque pharmacologiquement l'inhibition provenant des granules, mettant ainsi en évidence le rôle primordial de l'inhibition synaptique. Afin d'extraire le décours temporel de la conductance synaptique inhibitrice, nous proposons une nouvelle méthode basée sur l'ajustement d'un modèle de neurone associé à l'injection de bloqueurs synaptiques. Grâce à celle-ci, nous observons que les fluctuations de la conductance synaptique inhibitrice sont corrélées à celles mesurées sur le potentiel de champ local. Une relation entre l'inhibition reçue et la phase des potentiels d'action est également dévoilée. Un neurone aura plus de chance d'émettre en phase s'il reçoit un nombre important d'événements synaptiques inhibiteurs et si ces événements sont eux-même phasés.

Dans un deuxième temps, les résultats de cette analyse sont rassemblés au sein d'un modèle informatique de bulbe olfactif afin d'explorer les capacités de codage de l'interaction mitrale-granule. Après avoir montré que le transfert d'information des cellules mitrales semble plus résider dans leurs instants précis d'émission de potentiels d'action au cours des oscillations que dans leurs fréquences de décharges, nous étudions analytiquement l'influence du nombre d'événements synaptiques inhibiteurs reçus et de leur dispersion temporelle sur la précision de l'activité des cellules mitrales. Notre étude conclut que la robustesse du code produit par les cellules mitrales lors des oscillations du réseau est conditionnée par une forte interaction synaptique entre les cellules mitrales et les cellules granulaires. En dernier lieu, nous appliquons notre modèle de bulbe olfactif pour reconnaître des odeurs à l'aide d'une matrice de capteurs de gaz artificiels.

Les neurones impulsionnels prennent en compte une caractéristique fondamentale des neurones biologiques : la capacité d'encoder l'information sous forme d'événements discrets. Nous nous sommes intéressés à l'apport de ce type de modèles dans le cadre de la vision artificielle, dont les contraintes nous ont orienté vers le choix de modèles simples, adaptés à la rapidité de traitement requise. Nous décrivons une architecture de réseaux pour encoder et extraire des saillances utilisant la discrétisation induite par les neurones impulsionnels. La carte de saillances est obtenue à partir de la combinaison, spatiale et temporelle, de différentes cartes de modalités visuelles (contrastes, orientations et couleurs) à différentes échelles spatiales. Nous proposons une méthode de filtrage neuronal pour construire les cartes de modalité visuelle. Cette méthode réalise le filtrage de façon graduelle : plus le temps de traitement alloué à l'algorithme est important, plus le résultat est proche de celui obtenu avec un filtrage par convolution. L'architecture proposée donne en sortie les saillances triées temporellement dans l'ordre de leur importance. Nous avons placé en aval de cette architecture un autre réseau de neurones impulsionnels, s'inspirant des champs neuronaux, qui permet de sélectionner la zone la plus saillante et de maintenir une activité constante sur cette zone. Les résultats expérimentaux montrent que l'architecture proposée est capable d'extraire des saillances dans une séquence d'images, de sélectionner la saillance la plus importante et de maintenir la focalisation sur cette saillance, même dans un contexte bruité ou quand la saillance se déplace.

Les réseaux de neurones artificiels (RNA) sont devenus des techniques incontournables en vision par ordinateur, cette tendance ayant débuté lors du challenge ImageNet de 2012. Cependant, ce succès s'accompagne d'un coût humain non-négligeable pour l'étiquetage manuel des données, très important dans l'apprentissage des modèles et d'un coût énergétique élevé causé par le besoin de ressources de calcul importantes. Les réseaux de neurones impulsionnels (Spiking Neural Network, SNN) apportent des solutions à ces problématiques. C'est une classe particulière des RNAs, proche du modèle biologique, dans lequel les neurones communiquent de manière asynchrone en représentant l'information via des impulsions (spikes). L'apprentissage des SNN peu reposer sur une règle non supervisée : la STDP. Elle module les poids synaptiques en fonction des corrélations temporelles locales constatées entre les impulsions entrantes et sortantes. Différentes architectures matérielles ont été conçues dans le but d'exploiter les propriétés des SNN (asynchronie, opération éparse et locale, etc.) afin de concevoir des solutions peu énergivores, certaines divisant le coût de plusieurs ordres de grandeur. Les SNNs gagnent en popularité et il y a un intérêt croissant à les appliquer à la vision. Des travaux récents montrent que les SNNs acquièrent en maturité en étant compétitifs par rapport à l'état de l'art sur des datasets d'images "simples" tels que MNIST (chiffres manuscrits) mais pas sur des datasets plus complexes. Cependant, les SNNs peuvent potentiellement se démarquer des RNAs dans le traitement de vidéos. La première raison est que ces modèles intègrent une dimension temporelle en plus. La deuxième raison est qu'ils se prêtent bien à l'utilisation des caméras événementielles. Ce sont des capteurs bio-inspirés qui perçoivent les contrastes temporels d'une scène, autrement dit, ils sont sensibles au mouvement. Chaque pixel peut détecter une variation lumineuse (positive ou négative), ce qui déclenche un événement. Coupler ces caméras aux puces neuromorphiques permet de créer des systèmes de vision totalement asynchrones et massivement parallélisés. L'objectif de cette thèse est d'exploiter les capacités offertes par les SNNs dans le traitement vidéo. Afin d'explorer le potentiel offert par les SNNs, nous nous sommes intéressés à l'analyse du mouvement et plus particulièrement à l'estimation de la direction du mouvement. Le but est de développer un modèle capable d'apprendre incrémentalement, sans supervision et avec peu d'exemples, à extraire des caractéristiques spatio-temporelles. Nous avons donc effectué plusieurs études examinant les différents points mentionnés à l'aide de jeux de données événementielles synthétiques. Nous montrons que le réglage des paramètres des SNNs est essentiel pour que le modèle soit capable d'extraire des caractéristiques utiles. Nous montrons aussi que le modèle est capable d'apprendre de manière incrémentale en lui présentant des classes inédites sans détérioration des performances sur les classes maîtrisées. Pour finir, nous évoquerons certaines limites, notamment sur l'apprentissage des poids en suggérant la possibilité d'apprendre plutôt les délais, encore peu exploités et qui pourrait marquer davantage la rupture face aux RNAs
Artificial neural networks (ANN) have become a must-have technique in computer vision, a trend that started during the 2012 ImageNet challenge. However, this success comes with a non-negligible human cost for manual data labeling, very important in model learning, and a high energy cost caused by the need for large computational resources. Spiking Neural Networks (SNN) provide solutions to these problems. It is a particular class of ANNs, close to the biological model, in which neurons communicate asynchronously by representing information through spikes. The learning of SNNs can rely on an unsupervised rule: the STDP. It modulates the synaptic weights according to the local temporal correlations observed between the incoming and outgoing spikes. Different hardware architectures have been designed to exploit the properties of SNNs (asynchrony, sparse and local operation, etc.) in order to design low-power solutions, some of them dividing the cost by several orders of magnitude. SNNs are gaining popularity and there is growing interest in applying them to vision. Recent work shows that SNNs are maturing by being competitive with the state of the art on "simple" image datasets such as MNIST (handwritten numbers) but not on more complex datasets. However, SNNs can potentially stand out from ANNs in video processing. The first reason is that these models incorporate an additional temporal dimension. The second reason is that they lend themselves well to the use of event-driven cameras. They are bio-inspired sensors that perceive temporal contrasts in a scene, in other words, they are sensitive to motion. Each pixel can detect a light variation (positive or negative), which triggers an event. Coupling these cameras to neuromorphic chips allows the creation of totally asynchronous and massively parallelized vision systems. The objective of this thesis is to exploit the capabilities offered by SNNs in video processing. In order to explore the potential offered by SNNs, we are interested in motion analysis and more particularly in motion direction estimation. The goal is to develop a model capable of learning incrementally, without supervision and with few examples, to extract spatiotemporal features. We have therefore performed several studies examining the different points mentioned using synthetic event datasets. We show that the tuning of the SNN parameters is essential for the model to be able to extract useful features. We also show that the model is able to learn incrementally by presenting it with new classes without deteriorating the performance on the mastered classes. Finally, we discuss some limitations, especially on the weight learning, suggesting the possibility of more delay learning, which are still not very well exploited and which could mark a break with ANNs

L'intérêt des neurones impulsionnels réside en leur fonctionnement très proche de celui des neurones biologiques. Ces derniers codent leur information et leurs échanges inter-neuronaux sous forme d'impulsions calibrées et non comme le modèle de Mc Culloth et Pitts qui lui s'exprime en termes de fréquences moyennes d'émission d'impulsions. Si les modèles fréquentiels sont bien connus théoriquement du fait de leur ancienneté et de leur relative simplicité, ce n'est pas le cas des modèles impulsionnels. Le seul modèle développé actuellement est le modèle d'"Integre-and-Fire". Ce dernier avec ses variantes est aujourd'hui l'un des plus utilisés dans les simulations numériques utilisant des modèles impulsionnels. Les méthodes d'apprentissage classiques ne sont pas applicables à ce type de réseaux de neurones. De ce fait, des méthodes d'apprentissage spécifiques doivent être développées. Puisque les échanges inter-neuronaux s'effectuent sous forme d'impulsions calibrées et non sous forme de niveaux continus comme dans les neurones classiques. Dans cette thèse, nous avons présenté un système sensorimoteur constitué de réseau de neurones artificiels, utilisant un modèle biologiquement plausible de neurones impulsionnels. Nous avons proposé une méthode d'apprentissage adaptée pour ce système sensorimoteur. Cette méthode est basée sur la règle de Hebb. Il consiste à ne modifier que les poids synaptiques impliqués dans une action selon une loi apparentée à la méthode du renforcement. Avec le système sensorimoteur, nous avons simulé l'attraction du regard et le suivi de mouvement par l'apparition d'un objet contrasté par rapport au fond. Pour valider ce système sensorimoteur, nous avons présenté dans la dernière partie de cette thèse notre méthode d'apprentissage appliquée à un cas d'école : le pendule inversé.

Durant ces trois années de doctorat, financées par le projet ANR MHANN (MemristiveHardware Analog Neural Network), nous nous sommes intéressés au développement d’une nouvelle architecture de calculateur à l’aide de réseaux de neurones. Les réseaux de neurones artificiels sont particulièrement bien adaptés à la reconnaissance d’images et peuvent être utilisés en complément des processeurs séquentiels. En 2008, une nouvelle technologie de composant a vu le jour : le memristor. Classé comme étant le quatrième élément passif, il est possible de modifier sa résistance en fonction de la densité de courant qui le traverse et de garder en mémoire ces changements. Grâce à leurs propriétés, les composants memristifs sont des candidats idéaux pour jouer le rôle des synapses au sein des réseaux de neurones artificiels. En effectuant des mesures sur la technologie des memristors ferroélectriques de l’UMjCNRS/Thalès de l’équipe de Julie Grollier, nous avons pu démontrer qu’il était possible d’obtenir un apprentissage de type STDP (Spike Timing Dependant Plasticity) classiquement utilisé avec les réseaux de neurones impulsionnels. Cette forme d’apprentissage, inspirée de la biologie, impose une variation des poids synaptiques en fonction des évènements neuronaux. En s’appuyant sur les mesures réalisées sur ces memristors et sur des simulations provenant d’un programme élaboré avec nos partenaires de l’INRIA Saclay, nous avons conçu successivement deux puces en silicium pour deux technologies de memristors ferroélectriques. La première technologie (BTO), moins performante, a été mise de côté au profit d’une seconde technologie (BFO). La seconde puce a été élaborée avec les retours d’expérience de la première puce. Elle contient deux couches d’un réseau de neurones impulsionnels dédié à l’apprentissage d’images de 81 pixels. En la connectant à un boitier contenant un crossbar de memristors, nous pourrons réaliser un démonstrateur d’un réseau de neurones hybride réalisé avec des synapses memristives ferroélectriques
Supported financially by ANR MHANN project, this work proposes an architecture ofspiking neural network in order to recognize pictures, where traditional processing units are inefficient regarding this. In 2008, a new passive electrical component had been discovered : the memristor. Its resistance can be adjusted by applying a potential between its terminals. Behaving intrinsically as artificial synapses, memristives devices can be used inside artificial neural networks.We measure the variation in resistance of a ferroelectric memristor (obtained from UMjCNRS/Thalès) similar to the biological law STDP (Spike Timing Dependant Plasticity) used with spiking neurons. With our measurements on the memristor and our network simulation (aided by INRIASaclay) we designed successively two versions of the IC. The second IC design is driven by specifications of the first IC with additional functionalists. The second IC contains two layers of a spiking neural network dedicated to learn a picture of 81 pixels. A demonstrator of hybrid neural networks will be achieved by integrating a chip of memristive crossbar interfaced with thesecond IC

La sonie, intensité subjective d'un son est un paramètre psychoacoustique primordial dans l'évaluation de la gêne et dans les études sur la qualité sonore. Il existe à l'heure actuelle des modèles qui estiment bien la sonie de sons stationnaires, tels ceux de Zwicker (1958) et de Moore et coll. (1997). D'autres modèles (Zwicker et Fastl (1999) et Glasberg et Moore (2002)) existent pour calculer la sonie en fonction du temps mais présentent certaines limites pour donner la sonie globale de sons non stationnaires et en particulier de sons impulsionnels. Le but de ce travail de thèse est d'étudier la sonie de sons impulsionnels afin de pouvoir en proposer un estimateur pour éviter de mettre en œuvre des tests psychoacoustiques longs et onéreux, seul moyen aujourd'hui de connaître précisément la sonie de tels sons. L'originalité de ce travail a été de s'intéresser à des sons impulsionnels possédant une attaque rapide, pas de palier et une décroissance de forme exponentielle. Le choix de ces sons est basé sur l'observation de sons naturels que nous avons pu recenser dans notre environnement sonore. Un premier algorithme (ESI) a été proposé pour calculer la sonie à partir de caractéristiques physiques du signal telles que l'énergie et le temps de descente. Nous avons déterminé les lignes isosoniques, les fonctions de sonie et l'intégration temporelle de sons impulsionnels pour, non seulement déterminer les relations entre la sonie et les paramètres physiques du signal (fréquence, niveau et durée), mais aussi tester les modèles et en déterminer les domaines d'application. Les résultats de nos recherches étant en partie dédiés au domaine industriel et à la métrologie, nous nous sommes principalement intéressés au niveau d'isosonie, exprimé en phones. En effet, cette unité est plus pratique car elle est plus proche du niveau de pression, exprimé en dB SPL ou en dB(A), utilisé plus fréquemment. Nous avons donc déterminé la méthode de mesure du niveau d'isosonie la mieux adaptée à nos types de sons. Ainsi, la méthode d'ajustement a été retenue parmi quatre autres méthodes, pour sa fiabilité, sa stabilité et sa rapidité. Toutes ces données ont contribuées à déterminer des domaines d'application et des limites des modèles de sonie déjà proposés et de notre nouvel estimateur ainsi qu'à proposer un nouvel indice (Nimp), calculé à partir du modèle de Zwicker et Fastl (1999), pour donner une première approximation du niveau d'isosonie de sons impulsionnels.

La sonie, intensité subjective d'un son est un paramètre psychoacoustique primordial dans l'évaluation de la gêne et dans les études sur la qualité sonore. Il existe à l'heure actuelle des modèles qui estiment bien la sonie de sons stationnaires, tels ceux de Zwicker (1958) et de Moore et coll. (1997). D'autres modèles (Zwicker et Fastl (1999) et Glasberg et Moore (2002)) existent pour calculer la sonie en fonction du temps mais présentent certaines limites pour donner la sonie globale de sons non stationnaires et en particulier de sons impulsionnels. Le but de ce travail de thèse est d'étudier la sonie de sons impulsionnels afin de pouvoir en proposer un estimateur pour éviter de mettre en œuvre des tests psychoacoustiques longs et onéreux, seul moyen aujourd'hui de connaître précisément la sonie de tels sons. L'originalité de ce travail a été de s'intéresser à des sons impulsionnels possédant une attaque rapide, pas de palier et une décroissance de forme exponentielle. Le choix de ces sons est basé sur l'observation de sons naturels que nous avons pu recenser dans notre environnement sonore. Un premier algorithme (ESI) a été proposé pour calculer la sonie à partir de caractéristiques physiques du signal telles que l'énergie et le temps de descente. Nous avons déterminé les lignes isosoniques, les fonctions de sonie et l'intégration temporelle de sons impulsionnels pour, non seulement déterminer les relations entre la sonie et les paramètres physiques du signal (fréquence, niveau et durée), mais aussi tester les modèles et en déterminer les domaines d'application. Les résultats de nos recherches étant en partie dédiés au domaine industriel et à la métrologie, nous nous sommes principalement intéressés au niveau d'isosonie, exprimé en phones. En effet, cette unité est plus pratique car elle est plus proche du niveau de pression, exprimé en dB SPL ou en dB(A), utilisé plus fréquemment. Nous avons donc déterminé la méthode de mesure du niveau d'isosonie la mieux adaptée à nos types de sons. Ainsi, la méthode d'ajustement a été retenue parmi quatre autres méthodes, pour sa fiabilité, sa stabilité et sa rapidité. Toutes ces données ont contribuées à déterminer des domaines d'application et des limites des modèles de sonie déjà proposés et de notre nouvel estimateur ainsi qu'à proposer un nouvel indice (Nimp), calculé à partir du modèle de Zwicker et Fastl (1999), pour donner une première approximation du niveau d'isosonie de sons impulsionnels.

Ce chapitre traite des méthodes d’analyse de séries chronologiques denses en télédétection. Il présente les principales exigences en termes de prétraitements des données, puis un aperçu des quatre principaux axes en détection de changement basée sur l'analyse de séries chronologiques denses : carte de classification, classification de trajectoire, frontières statistiques et approches d'ensemble. Il fournit aussi les détails sur deux des algorithmes les plus largement utilisés dans ce contexte d’analyse. Il aborde également la question de l'apprentissage profond pour la télédétection, en détaillant trois types d'architectures de réseau adaptées à l'analyse de séries chronologiques d'images satellitaires : les réseaux de neurones récurrents, les réseaux de neurones convolutifs et les modèles hybrides combinant ces deux derniers modèles de réseau.

Dans ce chapitre, nous nous intéressons aux techniques de l’intelligence artificielle (IA) qui ont été les plus utilisées dans les trois dernières années dans la radio cognitive (RC). Nous nous intéressons à des métaheuristiques qui n’étaient pas discutées dans les précédents travaux, comme l’algorithme des lucioles, la recherche coucou, l’algorithme de recherche gravitationnel et l’optimisation par essaim de particules. Nous présentons également les travaux récents liés à l’application des autres techniques d’IA dans la RC, à savoir les algorithmes génétiques, les algorithmes de colonies d’abeilles, la logique floue, la théorie des jeux, les réseaux de neurones, les modèles de Markov, les machines à vecteurs de support, le raisonnement à partir de cas, les arbres de décision, les réseaux bayésiens, les systèmes multi-agents et l’apprentissage par renforcement.