Journée Thématique GDR : Test & Tolérance OUTILS DE CAO POUR LE TEST DES CIRCUITS MIXTES. Ahcène Bounceur Paris Jussieu 5 octobre 2012
|
|
- Nadine Mongeau
- il y a 8 ans
- Total affichages :
Transcription
1 Journée Thématique GDR : Test & Tolérance OUTILS DE CAO POUR LE TEST DES CIRCUITS MIXTES Ahcène Bounceur Paris Jussieu 5 octobre 2012
2 PLAN 1. Motivations 2. Présentation des outils de la plateforme de CAO développée 3. Estimation des métriques de test analogique 1. Par les copules 2. Par la théorie des valeurs extrêmes 4. Conclusions 2
3 1 MOTIVATIONS 3
4 MOTIVATIONS 1. Équipements de test : COUTEUX 2. Temps de test : LONG Réduire le cout de test Techniques de test (DFT et BIST) Techniques de validation 4
5 2 PLATEFORME DE CAO POUR LE TEST 5
6 PLATEFORME DE CAO POUR LE TEST Cadence Base de données [1] A. Bounceur, et all. Chapter in IFIP Modélisation statistique Simulation de fautes FIDESIM Base de données Modélisation de fautes Injection de fautes Simulation de fautes Résultats Evaluation de test OPTEVAL Modélisation statistique CATLAB Génération de test OPTEGEN Vecteurs de test Evaluation de test Estimation des métriques de test Algorithmes d Optimisation C/C++/Java/ Génération de Vecteurs de test analogiques Codification et Optimisation 6
7 OPTEVAL Test Evaluation OPTEVAL 7
8 OPTEVAL Test Evaluation OPTEVAL 8
9 FIDESIM Simulation de Fautes FIDESIM Fichiers FID 9
10 FIDESIM 10
11 OPTEGEN S. Mir et All. JETTA 1996 DETECTION Filtre idéal du troisième ordre DIAGNOSTIC Simulation de fautes AC tm1 11
12 OPTEGEN [2] S. Mir, et all. JETTA GAIN 74,38% 96,88% Toutes Les performances 98,12% 100% 12
13 CATLAB Modélisation statistique CATLAB Outil permettant de générer un grand échantillon de circuits à partir d un autre échantillon généré par la simulation Monte Carlo. 13
14 3 ESTIMATION DES MÉTRIQUES DE TEST ANALOGIQUE 14
15 SIMULATION (ETAPE DE CONCEPTION) TE : Proportion des circuits défaillants parmi ceux qui passent le test = 1/4 = 0.25 YL : Proportion des circuits qui échouent au test parmi les fonctionnels = 1/4 = B Fonctionnel Fonctionnel Défaillant Fonctionnel Défaillant Fonctionnel ECHOUE PASSE TE YL ECHOUE Circuit 15
16 LES MÉTRIQUES DE TEST ð Trouver les densités de probabilité conjointe des performances et les mesures de test. T E = 1 ( P PF / Y T ) Y L = 1 ( P PF / Y ) 16
17 LES MÉTRIQUES DE TEST Le calcul direct des métriques est quasi impossible : présence d un nombre important d intégrales multiples (cas de plusieurs performances et de mesures de test), L estimation de la densité de probabilité multidimensionnelle n est pas évident, La précision est exigée en ppm (parts par millions) : Problème : spécifications larges! Nombre de circuits défaillants est quasi nul Nécessite des millions de simulations de Monte Carlo -> quasi impossible, => L estimation à base d un échantillon issu de la simulation MC est impossible 17
18 ESTIMATION DES MÉTRIQUES DE TEST [3] A. Bounceur, et all. JETTA Population initiale (population petite) Estimation de densité Génération (population large) Estimation Au niveau ppm Un échantillon initial est obtenu par simulation Monte Carlo (Cadence), Un modèle statistique est obtenu à partir de l échantillon initial par estimation de sa densité de probabilité, Ce modèle est ensuite utilisé pour générer un échantillon large (>10 6 ) de circuits, Les métriques de test seront estimées à base de cet échantillon. 18
19 MODÈLE À 2 DIMENSIONS : MODÈLE MULTINORMAL 1000 circuits (amplificateurs) Générés par Cadence 10 6 circuits générés par le modèle multinormal 19
20 3.1 ESTIMATION PAR LES COPULES 20
21 LES COPULES Une Copule est une distribution conjointe multivariée (CDF) définie dans l hypercube [0,1] n Chaque marginale d une copule est une distribution uniforme dans l intervalle [0, 1] 21
22 LES COPULES Soit F une distribution multivariée à n dimensions Avec les marginales : F 1,, F n Alors, une copule C telle que : F(x 1,,x n ) = C(F 1 (x 1 ),,F n (x n )) x R n C(u 1,,u n ) = F(F 1-1 (u 1 ),,F n -1 (u n )) 22
23 PDF ET CDF F(x) 1 F(x 0 ) Distribution CDF Cumulative Density Function Densité de Probabilité Cumulée 0 + x 0 f(x) f(x 0 ) F(x 0 ) Loi PDF Probability Density Function Densité de Probabilité + x 0 23
24 MÉTHODE DE L INVERSE (1D) 1 F(x) CDF 0 f(x) PDF 24
25 MÉTHODE DE L INVERSE (2D) PDF de la Copule Gaussienne 25
26 LNA [4] J. M. Da Silva, IMSTW i 0 Mesure de test = i1i i r courant i 0 résultant de la corrélation entre le courant rms de sortie du LNA i 1 et le courant moyen rms i 2 2 r + r42 i r µm BiCMOS Technologie STMicroelectronics Spécifications Spec1 NF 1.3 db Spec2 S 11-9 db Spec3 Gain 17 db Spec4 1-dB CP dbm Spec5 IIP dbm 26
27 LE MODÈLE DU LNA Multinormale La distribution conjointe de la mesure de test et de la performance S 11 obtenue par simulation Monte Carlo est différente de la distribution multinormale. 27
28 ESTIMATION DE LA COPULE La copule empirique du LNA La copule Gaussienne Estimer une Copule Gaussienne en utilisant la matrice de corrélation des données originales 28
29 DISTRIBUTION ORIGINALE (1000 LNAS) NF S11 Gain 1dB CP IIP3 BIST NF S11 Gain 1dB CP IIP3 BIST Échantillon de 1000 circuits originaux. 29
30 DISTRIBUTION THÉORIQUE (À BASE DES COPULES) NF S11 Gain 1dB CP IIP3 BIST NF S11 Gain 1dB CP IIP3 BIST Échantillon de 1000 circuits obtenu par le modèle des copules 30
31 DISTRIBUTION THÉORIQUE (À BASE DES COPULES) [5] A. Bounceur, et all. TCAD Échantillon de 10 5 circuits obtenu par le modèle des copules 31
32 COPULE ARCHIMÉDIENNE (DE CLAYTON) La Copule de Clayton est définie comme suit : La fonction génératrice de la Copule de Clayton : ϕ ( t) = t θ 1 θ 1000 points générés à base de la copule de Clayton, où θ = 0.63 Le paramètre de dépendance : τ : Tau de Kendall u2 u1 32
33 PIXEL D UN IMAGEUR CMOS [6] L. Lizarraga, et all. VTS La partie analogique et mixte de l imageur est composée d une matrice de pixels, d un amplificateur colonne et d un convertisseur de données, Le test concerne la matrice des pixels (pixel : 4 transistors et 1 photodiode) Spec : DSNU BIST : VA [ 0.032, ] V To determine DSNU : Dark Signal Non Uniformity VA : Output Voltage Voltage Pulse 33
34 ÉCHANTILLON ORIGINAL 1000 circuits générés par la simulation Monte Carlo. VA DSNU 34
35 LA COPULE DES PIXELS La Copule empirique La Copule de Clayton n =1000 θ = 0.63 u2 u2 u1 u1 35
36 CALCUL DES MÉTRIQUES DE TEST 1000 SAMPLES GENERATED FROM THE MONTE CARLO CIRCUIT SIMULATION (GRAY) VS GENERATED FROM THE CLAYTON COPULA (BLACK) v 36
37 COURBE DES MÉTRIQUES DE TEST [7] K. Beznia, et all. IMS3TW FA = YL= FR 10xTE = 2124 ppm YL TE = YL TE Test limits (k factor) 37
38 ORDONNANCEMENT DE PERFORMANCES [8] N. Akkouche, et all. VTS Modélisation statistique -> Echantillon large N performances Algorithme Glouton Branch & Bound Algorithmes évolutionnaires (Génétiques) Ordonnancement des performances engendrant un Taux de défauts optimal 38
39 LIMITATIONS L échantillon des circuits générés par simulation Monte Carlo du circuit sous test (Cadence) contient des informations précises aux alentours de la moyenne de chaque performance ou mesure de test. Mais l information dans les extrêmes n est pas du tout précise et même pas connue, et pourtant : LES CIRCUITS DEFAILLANTS SONT DANS LES EXTREMES Le modèle ajusté à base des circuits obtenus par simulation Monte Carlo f(p) Zone des circuits extrêmes 39 p
40 3.2 ESTIMATION PAR LES VALEURS EXTRÊMES 40
41 PRINCIPE p1, p2 : performances, param1,param2 : paramètres internes du circuit. param2 p2 Circuits qui passent le test param1 p1 41
42 PRINCIPE param2 p2 u2 Circuits qui passent le test param1 u1 p1 Circuits extrêmes 42
43 PRINCIPE param2 Classificateur Statistical Blockade p2 [9] A. Singhee, et all. TCAD Circuits extrêmes u2 C Circuits qui passent le test param1 u1 p1 Circuits extrêmes 43
44 ESTIMATION PAR LES VALEURS EXTRÊMES On considère uniquement les circuits qui passent le test. f(p) p TE = Pr(P>s) s 44
45 ESTIMATION PAR LES VALEURS EXTRÊMES On considère uniquement les circuits qui passent le test. f(p) TE = Pr(P>s P>u) Pr(P>u) TE = Pr(P>s) u s p s p 45
46 ESTIMATION PAR LES VALEURS EXTRÊMES : CAS UNIDIMENSIONNEL [10] H. Stratigopoulos, et all. TCAD On considère uniquement les circuits qui passent le test. GPD Binomial 46
47 s2 u2 Y Simulation 1 Np Circuits qui Passent le test Généralisation : cas multivarié Calcul des seuils u1 et u2 à 97% u1 s1 X 47
48 Y Np Circuits qui Passent le test Simulation 2 Ne Circuits extrêmes obtenus par le Statistical Blockade s2 u2 TE =? u1 s1 X 48
49 Tm dans le cas des VE multidimensionnelles Si : 49
50 Y B s2 u2 TE =? u1 s1 X 50
51 Y B A B s2 u2 TE = Pr(A B) Pr(B) u1 s1 X 51
52 Y Ne Ned s2 u2 Np u1 s1 X 52
53 Y Ne Ned s2 u2 Np Nu TE = (Ned/Ne) (Nu/Np) u1 s1 X 53
54 APPLICATION POUR LE LNA [11] K. Beznia, et all. ICECS
55 4 CONCLUSIONS 55
56 CONCLUSIONS Plateforme CAO pour le test (intégrable sous Cadence), L estimation précise des métriques de test est un vrai challenge, Il faut s intéresser aux valeurs extrêmes : Estimation à base d un échantillon : Limitation : Nombre de points & Classificateur Modèle de la GPD multi-variée est très complexe, Aucun logiciel statistique n est disponible encore : Pour une dimension >3 Outils (R) : package en préparation (Auteur : Pal Rakonczai) Question : Estimation directe ou modèle? 56
57 RÉFÉRENCES 1. A. Bounceur, S. Mir, L. Rolíndez and E. Simeu. CAT platform for analogue and mixed-signal test evaluation and optimization. Chapter in IFIP International Federation for Information Processing, Vol. 249, VLSI-SoC: Research trends in VLSI and Systems on Chip. G. De Micheli, S. Mir, R. Reis (Eds.), Springer, 2007, pp S. Mir, M. Lubaszewski and B. Courtois, Fault-Based ATPG for linear analog circuits with minimal size multifrequency test sets, Journal of Electronic Testing: Theory and Applications, 9 (1996) A. Bounceur, S. Mir, E. Simeu and L. Rolíndez. Estimation of test metrics for the optimisation of analogue circuit testing. Journal of Electronic Testing: Theory and Applications, Springer Science+Business Media, 23(6), 2007, pp J. Machado da Silva, Low-power in-circuit testing of a LNA, In IEEE. International Mixed-Signals Testing Workshop, 2005, pp A. Bounceur, S. Mir and H-G. Stratigopoulos. Estimation of analog parametric test metrics using copulas. In the IEEE Trans. on Coputer Aided Design of ICS, Sep. 2011, vol. 30, no L. Lizarraga et all, Experimental Validation of a BIST Technique for CMOS Active Pixel Sensors, In 27th IEEE VLSI Test Symposium, 2009, pp K. Beznia, A. Bounceur, S. Mir, and R. Euler, "Parametric test metrics estimation using non-gaussian copulas," IEEE International Mixed-Signals, Sensors, and Systems Test Workshop, Santa Barbara, California, USA, May N. Akkouche, S. Mir and E. Simeu. Ordering of analog specification tests based on parametric defect level estimation. 28th IEEE VLSI Test Symposium, Santa Cruz, USA, April 2010, pp A. Singhee and R. A. Rutenbar, Statistical blockade: Very fast statistical simulation and modeling of rare circuit events and its application to memory design, In the IEEE Trans. on CAD of ICS, vol. 28, no. 8, 2009, pp H. Stratigopoulos. Test Metrics Model for Analog Test Development. In the IEEE Trans. on CAD of ICS, 31(7), 2012, pp Kamel Beznia, Ahcène Bounceur, Louay Abdallah, Ke Huang, Salvador Mir, Reinhardt Euler. Accurate Estimation of Analog Test Metrics With Extreme Circuits. In IEEE ICECS, Séville, 2012, (to appear) 57
58 Merci de votre attention Questions? 58
Echantillonnage 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 détailEMETTEUR ULB. Architectures & circuits. Ecole ULB GDRO ESISAR - Valence 23-27/10/2006. David MARCHALAND STMicroelectronics 26/10/2006
EMETTEUR ULB Architectures & circuits David MARCHALAND STMicroelectronics 26/10/2006 Ecole ULB GDRO ESISAR - Valence 23-27/10/2006 Introduction Emergence des applications de type LR-WPAN : Dispositif communicant
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 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 détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
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 détailOrdonnancement sous contraintes de Qualité de Service dans les Clouds
Ordonnancement sous contraintes de Qualité de Service dans les Clouds GUÉROUT Tom DA COSTA Georges (SEPIA) MONTEIL Thierry (SARA) 05/12/2014 1 Contexte CLOUD COMPUTING Contexte : Environnement de Cloud
Plus en détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
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 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 détailReconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Plus en détailNouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
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 détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer
Plus en détailLES MÉMOIRES FLASH : ENTRE MÉMOIRE VIVE ET MÉMOIRE DE STOCKAGE. Etienne Nowak 12 mars 2015. Etienne Nowak - 12 mars 2015 - GIS-SPADON
LES MÉMOIRES FLASH : ENTRE MÉMOIRE VIVE ET MÉMOIRE DE STOCKAGE Etienne Nowak 12 mars 2015 PRÉSENTATION ETIENNE NOWAK
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
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 détailPrésentation de la plateforme Conception de circuits intégrés
Présentation de la plateforme Conception de circuits intégrés Responsable Support Test & Mesure Sylvain Bourdel, Maître de Conférences, HDR, Université Aix-Marseille 3 Hervé Barthélemy, Professeur, Université
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 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 détailMTG FCI VISIBLE DETECTOR DETECTION CHAIN DESCRIPTION AND PRELIMINARY RESULTS
83230918-DOC-TAS-FR-003 MTG FCI VISIBLE DETECTOR DETECTION CHAIN DESCRIPTION AND PRELIMINARY RESULTS TAS: S Demiguel, T Gilbert, JL Canaud, A Artinian T Dartois ESA: M Wilson ICSO Tenerife, Canary Islands,
Plus en détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
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 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 détailMoteur DC: Comment faire varier sa vitesse?
Moteur DC: Comment faire varier sa vitesse? Zone d'utilisation Moteur à excitation shunt Influence I e Petite perturbation : e.g. augmentation vitesse À partir de P : couple moteur P'' < couple résistant
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailSensibilité (bas niveaux de lumière, hauts niveaux de lumière) Spectre de sensibilité : visible (400-700 nm) mais aussi IR, UV, RX
Les capteurs pour l imagerie en biologie i Marc Moreau Catherine Leclerc Centre de Biologie du développement UMR 5547 et GDR E n 731 Toulouse BC02 mars 2013 Les différents système d imagerie à base de
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 détailÉconométrie, causalité et analyse des politiques
Économétrie, causalité et analyse des politiques Jean-Marie Dufour Université de Montréal October 2006 This work was supported by the Canada Research Chair Program (Chair in Econometrics, Université de
Plus en détailÉlue Correspondant le 25 avril 1994, puis Membre le 30 novembre 2004 dans la section Sciences mécaniques et informatiques
Odile Macchi Élue Correspondant le 25 avril 1994, puis Membre le 30 novembre 2004 dans la section Sciences mécaniques et informatiques Odile Macchi est directeur de recherche émérite au CNRS. Formation
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 détailTP1 Initiation à la conception de circuits intégrés analogiques.
CAO TP1 Initiation Cadence 2015 2016 IC 615 / AMS 4.1 1 TP1 Initiation à la conception de circuits intégrés analogiques. L objectif de ce document est de présenter de façon succincte les principales fonctionnalités
Plus en détailFormula Negator, Outil de négation de formule.
Formula Negator, Outil de négation de formule. Aymerick Savary 1,2, Mathieu Lassale 1,2, Jean-Louis Lanet 1 et Marc Frappier 2 1 Université de Limoges 2 Université de Sherbrooke Résumé. Cet article présente
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 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 détailFiltres passe-bas. On utilise les filtres passe-bas pour réduire l amplitude des composantes de fréquences supérieures à la celle de la coupure.
Filtres passe-bas Ce court document expose les principes des filtres passe-bas, leurs caractéristiques en fréquence et leurs principales topologies. Les éléments de contenu sont : Définition du filtre
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 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 détailModélisation de la Reconfiguration Dynamique appliquée à un décodeur LDPC Non Binaire
Modélisation de la Reconfiguration Dynamique appliquée à un décodeur LDPC Non Binaire LAURA CONDE-CANENCIA 1, JEAN-CHRISTOPHE.PREVOTET 2, YASET OLIVA 2, YVAN EUSTACHE 1 1 Université Européenne de Bretagne
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
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 détailPrincipe 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 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 détailEtude comparative de différents motifs utilisés pour le lancé de rayon
Etude comparative de différents motifs utilisés pour le lancé de rayon Alexandre Bonhomme Université de Montréal 1 Introduction Au cours des dernières années les processeurs ont vu leurs capacités de calcul
Plus en détailMémoire d Actuariat Tarification de la branche d assurance des accidents du travail Aymeric Souleau aymeric.souleau@axa.com 3 Septembre 2010 Plan 1 Introduction Les accidents du travail L assurance des
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailDe 20 000 à 4 millions. Khanh Tuong Maudoux @jetoile
De 20 000 à 4 millions Khanh Tuong Maudoux @jetoile 2 Qui suis- Khanh Tuong Maudoux Développeur Java indépendant blog : http://blog.jetoile.fr @jetoile khanh.maudoux@jetoile.fr 3 Contexte Collecteur Stockage
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
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 détailTests exacts d indépendance sérielle dans les cas de distributions continues et discrètes
Tests exacts d indépendance sérielle dans les cas de distributions continues et discrètes Jean-Marie Dufour Université de Montréal Abdeljelil Farhat Université de Montréal First version: August 2001 This
Plus en détailpythonocc: une plateforme de développement agile d applications CAO.
pythonocc: une plateforme de développement agile d applications CAO. PyConFR 2009 Cité des Sciences et de l Industrie, Paris Thomas Paviot*, Jelle Feringa* *pythonocc project: tpaviot@gmail.com; jelleferinga@gmail.com
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 détailLABO 5 ET 6 TRAITEMENT DE SIGNAL SOUS SIMULINK
LABO 5 ET 6 TRAITEMENT DE SIGNAL SOUS SIMULINK 5.1 Introduction Simulink est l'extension graphique de MATLAB permettant, d une part de représenter les fonctions mathématiques et les systèmes sous forme
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 détailUNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES. Éric TÉROUANNE 1
33 Math. Inf. Sci. hum., (33 e année, n 130, 1995, pp.33-42) UNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES Éric TÉROUANNE 1 RÉSUMÉ Le stéréogramme de liaison est
Plus en détailun nouvel œil pour l analyse de mouvement
un nouvel œil pour l analyse de mouvement L entreprise EyeNetics La S.A.R.L. EyeNetics a pour objectif de simplifier l utilisation des systèmes d analyse de mouvement. Dans cette optique nous avons conçu
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailReprésentation et analyse des systèmes linéaires
ISAE-NK/Première année présentation et analyse des systèmes linéaires Petite classe No Compléments sur le lieu des racines. Condition sur les points de rencontre et d éclatement Les points de rencontre,(les
Plus en détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailMéthodologie du calcul de la VaR de marché : revue de l approche basée sur des simulations historiques
Méthodologie du calcul de la VaR de marché : revue de l approche basée sur des simulations historiques Asshvin Gajadharsingh Mesure et analyse quantitative du risque Caisse de dépôt et placement du Québec
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 détailRecherche De Coalescences Binaires Étalonnage Du Détecteur
Recherche De Coalescences Binaires Étalonnage Du Détecteur Fabrice Beauville Journées Jeunes Chercheurs 18/12/2003 Les Coalescences Binaires & VIRGO Système binaire d objets compacts (étoiles à neutrons,
Plus en détailBusiness Process Management
Alain Darmon Responsable Avant-Vente BPM, IBM 1 er mars 2011 Business Process Management Améliorez l agilité de l entreprise avec la gestion des processus métier Les processus sont partout! Ouverture de
Plus en détailSystème de sécurité de périmètre INTREPID
TM Système de sécurité de périmètre INTREPID La nouvelle génération de systèmes de sécurité de périmètre MicroPoint Cable combine la technologie brevetée de Southwest Microwave, la puissance d un micro
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
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 détailMAP 553 Apprentissage statistique
MAP 553 Apprentissage statistique Université Paris Sud et Ecole Polytechnique http://www.cmap.polytechnique.fr/~giraud/map553/map553.html PC1 1/39 Apprentissage? 2/39 Apprentissage? L apprentissage au
Plus en détailModélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr
Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Le concept de Mesure Virtuelle mesure virtuelle résultat d un modèle visant
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailMaster of Science in Engineering www.hes-so.ch/mse
Présentation du MSE Fouad.Rahali@heig-vd.ch Master of Science in Engineering www.hes-so.ch/mse 1 Bachelors et Masters HES professionnalisant + de responsabilités Master HES-SO Bachelor HES-SO Compétences
Plus en détailEP 2 339 758 A1 (19) (11) EP 2 339 758 A1 (12) DEMANDE DE BREVET EUROPEEN. (43) Date de publication: 29.06.2011 Bulletin 2011/26
(19) (12) DEMANDE DE BREVET EUROPEEN (11) EP 2 339 758 A1 (43) Date de publication: 29.06.2011 Bulletin 2011/26 (21) Numéro de dépôt: 09179459.4 (51) Int Cl.: H04B 1/69 (2011.01) H03K 5/08 (2006.01) H03K
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
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 détailCatalogue de formation
Enregistré sous le numéro : 11 91 012 9991 auprès du Commissaire de la République de la Région Ile de France et du Département de Paris, CADLM propose un ensemble de formation dont les programmes sont
Plus en détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailFig.1. Structure d un AGQ
Evolution d Automate Cellulaire par Algorithme Génétique Quantique Zakaria Laboudi 1 - Salim Chikhi 2 Equipe SCAL, Laboratoire MISC Université Mentouri de Constantine. E - Mail : 1 laboudizak@yahoo.fr;
Plus en détailRencontres Recherche Industrie IRIT - 26 Septembre 2007- Michel Kamel
Le processus de gestion de sécurité de l information dans les Organisations Virtuelles Michel KAMEL Rencontres Recherche Industrie IRIT - 26 Septembre 2007- Michel Kamel 1 Problématique Environnement collaboratif
Plus en détailEtude des convertisseurs statiques continu-continu à résonance, modélisation dynamique
Etude des convertisseurs statiques continucontinu à résonance, modélisation dynamique J.P. Ferrieux, J. Perard, E. Olivier To cite this version: J.P. Ferrieux, J. Perard, E. Olivier. Etude des convertisseurs
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailProgramme New BI. Décember 2014. Thierry Milhé, Directeur des Systèmes d Information Sagem Défense Sécurité (groupe Safran)
Programme New Décember 201 Thierry Milhé, Directeur des Systèmes d Information Sagem Défense Sécurité (groupe Safran) 1. Présentation du programme New 2. Le projet et la technologie 3. Résultats. Questions
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE
UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détail