Modélisation et diagnostic des systèmes non linéaires par Multi-ACP
|
|
- Victorien Soucy
- il y a 8 ans
- Total affichages :
Transcription
1 Modélisation et diagnostic des systèmes non linéaires par Multi-ACP Mohamed-Faouzi Harkat * Yvon Tharrault ** Gilles Mourot ** José Ragot ** * Université Badji Mokhtar Annaba Faculté des Sciences de l ingénieur, Département d électronique BP. 2, Annaba, 23, Algerie mharkat@univ-annaba.org ** Centre de Recherche en Automatique de Nancy. UMR 739 Nancy-Université, CNRS 2, avenue de la Forêt de Haye Vandoeuvre-Lès-Nancy Cedex {yvon.tharraut, gilles.mourot, jose.ragot}@ensem.inpl-nancy.fr RÉSUMÉ. Il a été montré que la combinaison d un ensemble de modèles locaux valides dans une zone de l espace de fonctionnement du système peut donner une meilleure approche pour modéliser des systèmes non linéaires. Nous présentons dans ce papier une nouvelle variante de l analyse en composantes principales non linéaires (ACPNL) pour la modélisation et le diagnostic des systèmes non linéaires. Le modèle ACPNL proposé est représenté par des multimodèles ACP linéaires. Ainsi, une extention du principe de reconstruction, utilisé habituellement dans le cas linéaire, est exploitée à la fois pour la localisation de défauts et la proposition de valeurs de remplacement pour les mesures en défauts. Un exemple de simulation est donné pour montrer les performances de l approche proposée. ABSTRACT. It has been shown that a combination of several models can provide a suitable approach to model nonlinear processes. In the present study, we developed a multiple principal component analysis (PCA) model for fault detection and identification of nonlinear systems. An extension of the reconsruction approach, used with linear PCA model, based on a Non Linear Principal Component Analysis (NLPCA) model is used for fault isolation and for outlier measurement replacement. A simulation example is given to show the performances of the proposed approach. MOTS-CLÉS : Détection de défauts, reconstruction, ACP non linéaire, multi-modèles KEYWORDS: Fault detection, reconstruction, nonlinear PCA, multi-models. 4ème Colloque Interdisciplinaire en Instrumentation, pages à 8
2 2 4ème Colloque Interdisciplinaire en Instrumentation. Introduction L analyse en composantes principales, si elle a été initialement destinée à la compression de données, est également un outil intéressant pour détecter et localiser des erreurs de mesure et des dysfonctionnements de procédés (Dunia, 996), (Gertler, 997). Cependant, l analyse en composantes principales est une méthode linéaire, alors que la plupart des systèmes physiques ont des comportements non linéaires. Ceci a motivé un certain nombre de travaux pour étendre la portée de l analyse dans un cadre non linéaire (Dong, 994), (Webb, 996) : courbes principales, réseaux de neurones auto-associatifs, analyse en composantes principales non linéaire (NLPCA), réseaux de fonctions de bases radiales (RBF). Cependant, l algorithme des courbes principales donne un modèle non paramétrique, non exploitable pour le diagnostic en temps réel. Tandis que les approches neuronales de l ACPNL posent certains problèmes tels que le problème d itialisation des poids et le problème de convergence des algorithmes d apprentissage. Ainsi, nous proposons, dans ce travail, un modèle ACP non linéaire en combinant plusieurs modèles ACP linéaires. L idée de cette approche est d appréhender le comportement non linéaire d un système par un ensemble de modèles locaux (ACP linéaires) caractérisant le fonctionnement du système dans différentes zones de fonctionnement. Dans le cas de ce modèle, en plus de l identification des modèles locaux, il faut déterminer le nombre de ces modèles ainsi que le nombre de composantes principales à retenir dans chaque modèle. Dans ce travail on ne s intéresse qu à l identification des modèles locaux et à la détermination du nombre de composantes de chaque modèle en supposant que le nombre de modèles est connu. Ainsi, le modèle non linéaire obtenu peut exploiter toutes les approches de détection et d identification de défauts utilisées habituellement dans le cas de l ACP linéaire. En particulier, nous pouvons calculer un indice de détection avec un seuil adaptatif et exploiter le principe de reconstruction, qui dans la version linéaire de l ACP essaye de reconstruire une variable en fonction de toutes les autres variables et du modèle ACP, pour l analyse de valeurs aberrantes et de défauts de fonctionnement. Cet article est organisé comme suit. La deuxième section présentera le principe de modélisation utilisant l ACP non linéaire. La section 3 décrira le principe de détection et de localisation de défaut en utilisant le modèle ACPNL obtenu. La section 4 présentera, dans le cadre de la détection de mesures aberrantes, un exemple d illustration et finalement des conclusions constitueront la dernière section. 2. Modèle ACP Non Linéaire L ACP non linéaire est une extension de l ACP linéaire. Tandis que l ACP cherche à identifier les relations linéaires entre les variables du processus, l objectif de l ACP non linéaire est d extraire à la fois les relations linéaires et non linéaires.
3 Modélisation et diagnostic des systèmes non linéaires par Multi-ACP ACP linéaire Dans cette partie, nous allons rappeler le principe de l analyse en composantes principales. Soit x(k) = [x (k) x 2 (k)... x m (k)] T le vecteur contenant les m variables observées du système (mesures ou commandes) à l instant k. Considérons la matrice de données X = [x() x(2)... x(n)] T R N m comprenant N observations x(k)(k =,..., N) recueillies sur ce processus en fonctionnement normal. L ACP détermine une transformation optimale (vis-à-vis d un critère de variance) de la matrice de données X : T = XP et X = T P T [] avec T = [t t 2... t m ] R N m, où les t i sont les composantes principales et la matrice P = [p p 2... p m ] R m m, où les vecteurs orthogonaux p i sont les vecteurs propres correspondant aux valeurs propres λ i de la décomposition en valeurs et vecteurs propres de la matrice de covariance (ou de corrélation) Σ de X : Σ = P ΛP T avec P P T = P T P = I m [2] avec Λ = diag(λ... λ m ) une matrice diagonale où les termes diagonaux sont ordonnés dans l ordre décroissant. L équation [] s écrit alors : X = ˆT l ˆP T l + T m l P T m l = ˆX + E [3] avec : et ˆX = XĈl [4] E = X C m l [5] où l indice l représente le nombre de composantes à retenir dans modèle ACP, Ĉ l = T ˆP l ˆP l et Cm l = I m Ĉl constituent le modèle ACP du système. Les matrices ˆX et E représentent, respectivement, les variations modélisées et les variations non modélisées de X à partir de l composantes (l < m). Les l premiers vecteurs propres ˆP l R m l constituent l espace de représentation alors que les (m l) derniers vecteurs propres P m l R m m l constituent l espace résiduel Modélisation par un multi-acp La notion de multi-modèle introduit la définition de zone de fonctionnement dont les limites sont définies par la fonction de validité associée. Pour la détermination des zones d activation des différents modèles locaux on utilise des algorithmes de classification floue.
4 4 4ème Colloque Interdisciplinaire en Instrumentation Algorithme de classification Fuzzy Gustafson-Kessel (FGK) L algorithme FGK est un algorithme de classification floue fondé sur l optimisation d un critère quadratique de classification où chaque classe est représentée par son centre de gravité et sa matrice de covariance (Gustafson, 979). L algorithme nécessite de connaître le nombre de classes au préalable et génère les classes par un processus itératif en minimisant une fonction objectif. Ainsi, il permet d obtenir une partition floue des données en donnant à chaque échantillon un degré d appartenance à une région donnée. L algorithme utilise l ensemble des mesures X et le nombre de classes ou de région c. Les valeurs des degrés d appartenance sont regroupées dans une matrice U = [µ ik ], avec k N, i c. où µ ik désigne le degré d appartenance de la mesure k à la classe i. L algorithme FGK fait évoluer la partition ( Matrice U ) en minimisant la fonction objectif suivante : J m (U, c) = k i µm ikd 2 ik [6] où m > est un paramètre contrôlant le degré de flou et d 2 ik est une distance qui dépend des données ainsi que de l inverse de la matrice de covariance de chaque groupe. [ d 2 ik = (x k v i ) N F i = k= µ m ik x k v i 2 N k= µ m ik (ρ i det(f i )) /n F i ] (x k v i ) T [7] où F i est la matrice de covariance du ième groupe, v i son centre et ρ i est un paramètre permettant de contrôler son volume Multi-ACP Après la phase de classification permettant de déterminer les zones linéaires, ie. matrices de covariance locales et les poids des fonctions d activarions des modèles locaux, des modèles ACP linéaires locaux sont calculés à partir des matrices de covariance locales F i. Le modèle global du système est une combinaison des modèles locaux. Ainsi, l estimation du vecteur de mesure x est lui aussi une combinaison des estimations locales et qui est donnée par l expression suivante : c ˆx(k) = µ ik Ĉ i x(k) [8] i=
5 Modélisation et diagnostic des systèmes non linéaires par Multi-ACP 5 où µ ik est le poids du ième modèle, Ĉ i est le ième modèle ACP linéaire et c est le nombre des modèles linéaires. La fonction de pondération µ i détermine le degré d activation du modèle local associé. Selon la zone où évolue le sysème, cette fonction indique la contribution plus au moins importante du modèle local (ACP linéaire) correspondant dans le modèle global (ACPNL). 3. Détection et localisation de défauts par ACPNL 3.. Détection L erreur d estimation est donnée par : e(k) = x(k) ˆx(k) [9] Ainsi, un défaut est détecté si : SP E(k) > δ 2 α [] où SP E est l erreur quadratique d estimation (SP E = e T e) et δ 2 α est le seuil de détection qui est lui aussi une combinaison des seuils locaux : δ 2 α = c µ ik δα,(i) 2 [] i= où δα,(i) 2 est le seuil théorique calculer pour le ième modèle ACP linéaire (Box, 954). Il faut noter que cette formulation permet d obtenir un seuil adaptatif en fonction du point de fonctionnement Principe de reconstrcution de variables Dans un premier temps nous allons rappeler le principe de reconstruction dans le cas linéaire. Nous allons montrer l expression du résidu en présence d un défaut d quelconque sur la j eme variable du processus à surveiller après reconstruction. Notons par x (k) le vecteur des mesures à l instant k en absence de défaut et ξ j la direction du défaut. Ainsi on peut écrire que : x(k) = x (k) + ξ j d(k) [2] Le vecteur de mesures reconstruit peut être utilisé pour définir un ensemble de résidus. Pour obtenir ces différents résidus, Dunia et al. (Dunia, 996) ont défini la matrice G j : G T j = [ ξ ξ 2... g j... ξ m ] [3]
6 6 4ème Colloque Interdisciplinaire en Instrumentation où gj T = c jj [ c T j ct +j ] et les indices j et +j désignent, respectivement, les vecteurs formés par les (j ) premiers et les (m j) derniers éléments du vecteur c j. Où c j est la jème ligne de la matrice Ĉ. G j permet de calculer le vecteur de mesures reconstruit x j en utilisant le vecteur d entrée x : x j (k) = G j x(k) = [ x (k)... z j (k)... x m (k) ] T [4] où z j (k) est la valeur reconstruite de la jème variable. Ainsi, on peut définir l erreur d estimation après reconstruction : ( ) ( ) e r (k) = I Ĉ G j x(k) = I Ĉ G j (x (k) + ξ i d(k)) [5] A partir de l expression du résidus e r (k) on peut montrer que si la variable en défaut (la ième) est la variable reconstruite (i = j), le défaut est éliminé et aucun résidu n est affecté. Ainsi, on peut écrire : e r,i (k) = { si i = j si i j [6] où e r,i (k) est la ième composante du vecetur d erreur e r (k) De la même façon, nous pouvons reconstruire les différentes variables en exploitant la formule classique de reconstruction dans le cas linéaire. Dans ce cas, la reconstruction avec le modèle ACPNL est une combinaison des reconstructions locales (reconstruction obtenue par le modèle local associé). On obtient dans le cas non linéaire (multi-acp) : z j (k) = M µ ik z j,(i) (k) [7] i= où z j,(i) (k) est la reconstruction de la jème variable en utilisant le ième modèle ACP linéaire. La reconstruction dans ce cas peut être utilisée, comme dans le cas linéaire, pour la localisation de défauts. Cette méthode consiste à éliminer l influence du défaut sur l indicateur de détection lorsque la variable en défaut est reconstruite. La recontruction de la variable supposée en défaut est effectuée en se basant sur le modèle déjà calculé et les mesures des autres variables. L analyse de l indice de détection SP E avant et après reconstruction permet de localiser la variable incriminée. 4. Exemple Pour illustrer cette approche, nous allons présenter un exemple non linéaire simple. L exemple choisi est décrit par les équations suivantes :
7 Modélisation et diagnostic des systèmes non linéaires par Multi-ACP 7 x = u sin(2πu) + ε x 2 = u + ε 2 x 3 = u 3 + u + + ε 3 [8] où u [, ] est une variable aléatoire uniforme et ε i un bruit aléatoire uniformément distribué dans l intervalle [.,.]. Le multi-acp utilisé est constitué de cinq modèles locaux. La figure présente l évolution des cinq fonctions d activation des différents modèles. L estimation de la courbe de l exemple traité avec Multi-ACP, est illustrée sur la figure 2. La figure 3 présente l évolution de l indice de détection SP E en absence puis en présence d un défauts affectant la première variable x à partir de l instant 3 avec un seuil de détection adaptatif. Une fois le défaut détecté, nous cherchons à localiser la variable en défaut. Pour cela, nous appliquons la procédure de localisation basée sur le principe de reconstruction. La figure 4 présente l évolution des indices SP E, SP E 2 et SP E 3 calculés, respectivement, après reconstruction de x, x 2 et de x 3. Comme on peut le constater, l indice qui ne présente pas de dépassement de son seuil de détection est bien SP E. Ce qui indice que x est la variable incriminée. Enfin, nous proposons des valeurs de remplacement pour les mesures en défaut et la figure 5 présente l évolution de la variable x, en absence de défaut, avec défaut et après reconstrcution. Il est claire que la reconstruction est une estimation très satisfaisante de la variable en absence de défaut. Fonctions d activation des modèles locaux.5 µ µ Mesures Estimations µ 3 x µ µ x x.5 Figure. Evolution des fonctions d activation des modèles locaux Figure 2. Evolution des mesures et leurs estimations 5. Conclusion Dans ce papier nous avons présenté une nouvelle variante de l analyse en composantes principale non linéaire. Cette variante utilise le principe du multi-acp, qui est une combinaison d un ensemble de modèles ACP locaux valides dans une zone de l espace de fonctionnement du système. Les résidus sont générés pour la détection
8 8 4ème Colloque Interdisciplinaire en Instrumentation SPE en absence de défauts..5 Seuil de détection.5 SPE SPE SPE avec défauts.3.2. Seuil de détection SPE Figure 3. Evolution des SPE en absence et en présence d un défaut affectant la première variable Figure 4. Localisation de la variable en défaut par reconstruction.4.2 Mesures sans défaut Mesures avec défaut Mesures reconstruites.8 Variable x Figure 5. Reconstruction de la variable incriminée et proposition de valeurs de remplacement des mesures aberrantes de défauts avec un seuil adaptatif. En exploitant le principe de reconstruction dans le cas linéaire, nous proposons pour la première fois une expression analytique pour la recosntcruction dans le cas non linéaire. Une extention de ce même principe pour la localisation de défauts est également proposée et illustrée sur un exemple de simulation. Dans nos futurs travaux nous envisageons d étendre le principe de reconstruction pour la recherche des paramètres structurels du modèle. Remerciement Ce travail a été réalisé avec le soutien du programme TASSILI n 7 MDU 74.
9 Modélisation et diagnostic des systèmes non linéaires par Multi-ACP 9 6. Bibliographie [GUS 79] GUSTAFSON D. AND W. KESSEL, «Fuzzy clustering with a fuzzy covariance matrix», In Proc. IEEE CDC, San Diego, CA, USA, 979. [BOX 54] BOX G. E. P., «Some theorems on quadratic forms applied in the study of analysis of variance problems : Effect of inequality of variance in one-way classification», The Annals of Mathematical Statistics,, vol. 25, 954, p [DUN 96] DUNIA R., QIN S. J., EDGAR T. F., «Identification of faulty sensors using principal component analysis», AIChE Journal, vol. 42, n o, 996, p [GER 97] GERTLER J., MCAVOY T. J., «Principal component analysis and parity relations - A strong duality», IFAC Conference SAFEPROCESS, Hull, UK 997, p [WEB 96] WEBB A. R., «An approach to nonlinear principal component analysis using radially symmetric kernel functions», Statist. Comput., vol. 6, 996, p [WIS 96] WISE B. M. AND GALLAGHER N. B., «The process chemometrics approach to process monitoring and fault detection», Journal of Process Control vol. 6, 996, p
Principe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailClassification Automatique de messages : une approche hybride
RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailDéfinition et diffusion de signatures sémantiques dans les systèmes pair-à-pair
Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailRecherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA
RÉCITAL 2005, Dourdan, 6-10 juin 2005 Recherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA Siham Boulaknadel (1,2), Fadoua Ataa-Allah (2) (1) LINA FRE
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailREMOTE DATA ACQUISITION OF EMBEDDED SYSTEMS USING INTERNET TECHNOLOGIES: A ROLE-BASED GENERIC SYSTEM SPECIFICATION
REMOTE DATA ACQUISITION OF EMBEDDED SYSTEMS USING INTERNET TECHNOLOGIES: A ROLE-BASED GENERIC SYSTEM SPECIFICATION THÈSE N O 2388 (2001) PRÉSENTÉE AU DÉPARTEMENT D'INFORMATIQUE ÉCOLE POLYTECHNIQUE FÉDÉRALE
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailCONFERENCE PALISADE. Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design»
CONFERENCE PALISADE Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design» 1 SIGMA PLUS Logiciels, Formations et Etudes Statistiques
Plus en détailLa Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS
Rev. Energ. Ren. : Chemss 2000 39-44 La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS D.K. Mohamed, A. Midoun et F. Safia Département
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailAICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailA METHOD FOR THE DESIGN OF NEURO-FUZZY CONTROLLERS; AN APPLICATION IN ROBOT LEARNING
A METHOD FOR THE DESIGN OF NEURO-FUZZY CONTROLLERS; AN APPLICATION IN ROBOT LEARNING THÈSE No 1602 (1997) PRÉSENTÉE AU DÉPARTEMENT D'INFORMATIQUE ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE PAR Jelena GODJEVAC
Plus en détailAmélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
Plus en détailRégulation directe adaptative et prédictive sur plusieurs pas de temps pour processus à plusieurs entrées et plusieurs sorties.
Chapitre 4 Régulation directe adaptative et prédictive sur plusieurs pas de temps pour processus à plusieurs entrées et plusieurs sorties. 4.. Introduction Les régulateurs flous sont reconnus comme une
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailSTUDY OF PERFORMANCES OF ORGANIC SOLAR CELLS BY ANALYSIS OF MAIN COMPONENTS
Journal of Fundamental and Applied Sciences ISSN 1112-9867 Available online at http://www.jfas.info STUDY OF PERFORMANCES OF ORGANIC SOLAR CELLS BY ANALYSIS OF MAIN COMPONENTS M. R Merad Boudia 1, A. M.
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailModélisation géostatistique des débits le long des cours d eau.
Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
Plus en détailCURRICULUM VITAE. Informations Personnelles
CURRICULUM VITAE Informations Personnelles NOM: BOURAS PRENOM : Zine-Eddine STRUCTURE DE RATTACHEMENT: Département de Mathématiques et d Informatique Ecole Préparatoire aux Sciences et Techniques Annaba
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailReprésentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailForthcoming Database
DISS.ETH NO. 15802 Forthcoming Database A Framework Approach for Data Visualization Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZURICH for the degree of Doctor of
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailApplication de l AMDEC à un satellite en phase active
Application de l AMDEC à un satellite en phase active Myriam Noureddine* Mohamed Amine Messaoudi** Département d Informatique, Faculté des Sciences, Université des Sciences et de la Technologie d Oran
Plus en détailContrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre.
Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre. Isabelle Bombard, Bruno da Silva, Pascal Dufour *, Pierre Laurent, Joseph Lieto. Laboratoire d Automatique
Plus en détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
Plus en détailDétection et suivi d'objets dans une séquence d'images par contours actifs
Détection et suivi d'objets dans une séquence d'images par contours actifs A. Fekir (1), N. Benamrane (2) et A. Taleb-Ahmed (3) (1) Département d informatique, Université de Mustapha Stambouli, BP 763,
Plus en détailMonitoring elderly People by Means of Cameras
Nuadu project Technologies for Personal Hearth Seminar, June 4th, 2009 Monitoring elderly People by Means of Cameras Laurent LUCAT Laboratory of Embedded Vision Systems CEA LIST, Saclay, France 1 Summary
Plus en détailThéorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Plus en détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailPrédiction et Big data
Prédiction et Big data Mitra Fouladirad Institut Charles Delaunay - UMR CNRS 6281 Université de Technologie de Troyes 29 avril 2015 1 1 Sujet Motivation Le pronostic ou la prédiction du comportement futur
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailPréparée au Laboratoire d'analyse et d'architecture des Systèmes du CNRS. Spécialité : Systèmes Automatiques. Par CLAUDIA VICTORIA ISAZA NARVAEZ
Année 2007 THÈSE Préparée au Laboratoire d'analyse et d'architecture des Systèmes du CNRS En vue de l'obtention du titre de Docteur de l'université de Toulouse, délivré par l Institut National des Sciences
Plus en détailRevision of hen1317-5: Technical improvements
Revision of hen1317-5: Technical improvements Luca Felappi Franz M. Müller Project Leader Road Safety Consultant AC&CS-CRM Group GDTech S.A., Liège Science Park, rue des Chasseurs-Ardennais, 7, B-4031
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailCommande Prédictive. J. P. Corriou. LSGC-ENSIC-CNRS, Nancy. e-mail : corriou@ensic.inpl-nancy.fr
Commande Prédictive J P Corriou LSGC-ENSIC-CNRS, Nancy e-mail : corriou@ensicinpl-nancyfr Ý Consigne Trajectoire de référence Ý Ö Réponse Ý Horizon de prédiction À Ô ¹ Ù ¹ Temps Entrée Ù Horizon de commande
Plus en détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
Plus en détailLA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
Plus en détailCHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle
CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailUne méthode d apprentissage pour la composition de services web
Une méthode d apprentissage pour la composition de services web Soufiene Lajmi * Chirine Ghedira ** Khaled Ghedira * * Laboratoire SOIE (ENSI) University of Manouba, Manouba 2010, Tunisia Soufiene.lajmi@ensi.rnu.tn,
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailConception systematique d'algorithmes de detection de pannes dans les systemes dynamiques Michele Basseville, Irisa/Cnrs, Campus de Beaulieu, 35042 Rennes Cedex, bassevilleirisa.fr. 1 Publications. Exemples
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en détail