Rapport de Stage. Département GEII-1 IUT de Cachan Année Encadrant : Nicolas Gac (L2S) Ning Chu (L2S)
|
|
- Carole Lebel
- il y a 8 ans
- Total affichages :
Transcription
1 Département GEII-1 IUT de Cachan Année 2013 Rapport de Stage [Accélération sur GPU des méthodes itératives de déconvolution pour la localisation de sources acoustiques] XiangYang GAN 13/05/ /07/2013 Encadrant : Nicolas Gac (L2S) Ning Chu (L2S) Date de réception du rapport : / / à h Impression :
2 Remerciements Tout d abord, je tiens à remercier toute l équipe du groupe Problèmes Inverses du Laboratoire des Signaux et Systèmes pour leur bonne et chaleureuse ambiance. Je remercie tout particulièrement M. Nicolas GAC pour m avoir offert l opportunité de faire ce stage, encadréces travaux, m avoir aidé à m adapter rapidement au projet. J adresse également mes remerciements à Ning CHU, doctorant qui travaille sur ce projet dans le laboratoire. Son expérience m a permis d organiser au mieux mon travail et ses compétences techniques m ont permis d avancer sur ce projet tout en enrichissant mes propres connaissances. Enfin, je tiens également à remercier M. Olivier BARBIE, mon tuteur IUT, pour sa disponibilitéet conseils durant ces dix semaines de stage. Accélération des méthodes pour la localisation de source acoustiques Page 2
3 Table des matières Résumé Abstract Mots Clés Introduction La localisation de source vue comme un problème inverse Groupe du problème inverse (GPI) Localisation de source Modèle direct Résolution du problème inverse Approximation du modèle d acquisition Le calcul matriciel La convolution 2D avec noyau variants La convolution 2D avec noyau invariant La convolution 2D avec noyau séparable Résultats de l optimisation de la convolution Accélération sur GPU La puissance de calcul du GPU comparée avec celle du CPU Architecture du GPU permettant de paralléliser les calculs Programme MATLAB sur les GPUs Accélération sur GPU Résultats de la déconvoluiton Les données simulées MCM V1 sur CPU MCD V2 sur CPU MCDI V3 sur CPU MCDIS V4 sur CPU MCDIS V5 sur GPU MCRQDIS V Conclusion et Perspectives..29 Diagramme de Gantt Références bibliographiques et sitographiques...31 Accélération des méthodes pour la localisation de source acoustiques Page 3
4 Résumé Les méthodes de localisation de sources acoustiques appliquées en industrie dans le domaine de l aéroacoustique, c est-à-dire l étude de la génération de bruit d un écoulement sur une surface (avion, voiture) ne sont pas robustes aux bruits de mesure. Les méthodes développées par Ning CHU, doctorant au L2S permettent de localiser plus précisément les sources acoustiques mais au prix d un coût de calcul trop important. Mon travail est d optimiser l algorithme pour accélérer le calcul tout en conservant une bonne qualité de localisation. Pour cela, nous avons effectué une accélération algorithmique et une accélération matérielle en parallélisant les calculs sur GPU. Abstract Methods of locating acoustic sources applied industry in the field of aeroacoustics, that is the study of noise generation flow on a surface (plane, car) are not robust to measurement noise. The methods developed by Ning CHU, PhD student L2S to locate more precisely the sound sources, but at the cost of computational cost too important. My job is to optimize the algorithm to speed up the computation while maintaining a good quality of the result. For this, we performed an algorithmic acceleration and a hardware acceleration that is parallelizing calculations on GPU. Mots Clés problème inverse, aéroacoustique, algorithme itératif, accélération algorithmique, parallélisation des calculs, GPU Accélération des méthodes pour la localisation de source acoustiques Page 4
5 Introduction J ai effectué mon stage de fin du DUT au Laboratoire de Signaux et Systèmes(L2S) situésur le plateau de Saclay, dans le Groupe Problème Inverse (GPI) du 13 mai au 26 juillet Le Laboratoire de Signaux et Systèmes est une unitémixte de recherche (UMR) du CNRS, de Supélec et de l Université Paris-sud (UPS). Ce laboratoire regroupe 134 personnes qui sont chercheurs, enseignants-chercheurs ou doctorants. Le laboratoire est organiséen 4 divisions : Signal (Modélisation et analyse du signal, problème inverse) Télécom et Réseaux Système Électromagnétisme (DRE) Mon stage a pour champs d application l imagerie acoustique. C est une technique standard pour localiser et déterminer les puissances des sources aéroaoustiques avec des réseaux de microphones. Cette technique est déjàbeaucoup appliquée dans le domaine de la détection de bruits pour le confort aéroacoustique dans les industries automobile et aéronautique. Au cours de ce rapport, nous exposerons tout d abord la manière de présenter le problème de localisation de sources acoustiques comme un problème inverse. C est-à-dire que la distribution des sources est inférée àpartir des mesures acoustiques. Puis nous présenterons une approximation du modèle d acquisition par les microphones faisant appel à un opérateur très utile en traitement du signal : la convolution 2D. Ensuite, afin d accélérer encore les traitements nous paralléliserons le calcul sur les centaines de cœurs des processeurs GPUs. Enfin nous regarderons les résultats que nous obtenons par la méthode proposée. Accélération des méthodes pour la localisation de source acoustiques Page 5
6 1. La localisation de source vue comme un problème inverse Le but de cette partie est de présenter le principe de la localisation de source et la construction du modèle direct, c est-à-dire la modélisation de l acquisition par les microphones. Nous verrons dans une première partie le contexte du projet. Puis nous parlerons de la modélisation d acquisition par un modèle direct. Enfin nous analyserons la méthode pour résoudre ce problème inverse Groupe du problème inverse (GPI) Le GPI est un groupe de recherche de la division Signaux. C est une équipe de 6 permanents et de 7 doctorants. Le travail du GPI est de déterminer les causes d un phénomène à partir des mesures expérimentales de ses effets. Dans notre cas, c est de localiser les sources acoustiques sur la surface de la voiture àpartir des mesures par des capteurs comme microphones dans une soufflerie. Ning Chu effectue sa thèse «Approche bayesienne robuste et super-résolution en imagerie acoustique»au GPI depuis Localisation de source (a) soufflerie Figure 1. Étude en soufflerie (b) imagerie acoustique Le principe de l étude de la soufflerie est de modéliser les conditions rencontrées par une voiture se déplaçant dans l air. Cette expérience réalise un changement relatif, la voiture est fixe et l air en mouvement. C est équivalent pour étudier l effet d un écoulement sur la surface d une voiture en mouvement. La figure ci-dessus à gauche représente l expérience de la soufflerie. Autour de la voiture, il y a des capteurs qui permettent de mesurer la puissance de bruit. Notre objectif est de trouver plus précisément les positions de bruit àpartir de la première mesure comme cela est effectuépar la méthode standard de «Beamforming»[1] comme illustrésur la figure àdroite. Accélération des méthodes pour la localisation de source acoustiques Page 6
7 1.3. Modèle direct Ce modèle de la soufflerie comporte quatre parties : le plan de la puissance de source, le plan de mesure du signal mesure de la puissance. (Array), la propagation acoustique de la puissance, et le plan de Les microphones sur le plan de mesure du signal (Array) mesure directement la pression acoustique du signal qui se propage. Elle contient une information sur l amplitude et la phase de la source du signal. Avec la mesure du signal, il est difficile de retrouver l original du signal car elle contient trois informations inconnues. Or nous souhaitons uniquement connaître l amplitude des sources acoustiques c est pourquoi nous chercherons à obtenir la puissance des sources acoustiques àpartir de la mesure de la puissance. Voici le modèle direct adoptéet représentésur la figure suivante : (a) Source de la puissance (b) C (c) Beamforming Figure 2. Modèle direct de la soufflerie Le modèle direct est la matrice, qui àpartir du vecteur de la puissance des sources acoustiques permet d obtenir les vecteurs des mesures de la puissance : avec la matrice de propagation acoustique de la puissance. Accélération des méthodes pour la localisation de source acoustiques Page 7
8 Dans nos études, nous connaissons les mesures et la matrice de propagation acoustique, et il nous faut déterminer la source réelle. Pour cela, il suffirait de réaliser une simple inversion de la matrice : avec l inverse de la matrice. Mais dans notre cas, on trouve que la matrice est difficilement inversible car elle a une taille très grande et mal conditionnée [2], donc on ne peut pas résoudre directement ce problème inverse Résolution du problème inverse En 2006, Brooks et al [1] ont proposé une approche par déconvolution DAMAS pour résoudre ce problème inverse dans le domaine de l aéroacoustique. Les méthodes de déconvolution [2] ont l avantage d avoir été largement étudiées et sont un exemple de résolution du problème inverse. Nous présentons ici les méthodes les plus standards, basées sur le critère du moindre carréet une régularisation quadratique La méthode des Moindres Carrés (MC) Dans un premier temps, nous faisons une méthode simple sans régularisation qui vise à minimiser le terme d attache aux données : = ArgMin {J ( ) = } (1) avec le résultat de reconstruction, la source àestimer. Dans cette expression, la solution correspond au qui minimise le coût de la fonction J( ) dans un calcul itératif. Pour trouver ce, on le fait par la descente de gradient, dont les expressions sont données ci-dessous : (2) = -2 ( y ) = C (3) (4) avec la matrice transposée de, la mesure estimée, la source estimée future, la source estimée actuelle, le pas de descente. Accélération des méthodes pour la localisation de source acoustiques Page 8
9 La méthode des Moindres Carrés avec Régularisation Quadratique (MCRQ) La méthode avec régularisation consiste à ajouter un terme de régularisation au critère à minimiser : = ArgMin {J ( ) = + } (5) avec le paramètre de régularisation, le noyau de la dérivée partielle. Noyau D : Le terme de régularisation permet de pénaliser les variations fortes de la reconstruction dues aux bruits lors de l estimation de. On veut en plus d être proche des données avoir une solution de dérivée petite. Le gradient du critère avec régularisation : = -2 ( y ) + (6) Le calcul itératif en détail A chaque itération de l algorithme, la source estimée future va se rapprocher selon le gradient de J( ) vers la source réelle. Ce procédé est répété des milliers de fois jusqu à converger vers le minimum global de la fonction quadratique J( ) et donc une source estimée la plus proche de la source originale. L illustration est donnée ci-dessous : Figure 3. Descente de gradient Accélération des méthodes pour la localisation de source acoustiques Page 9
10 Ainsi nous allons maintenant regarder comment calculer la source estimée future àchaque itération. La figure 4 ci-dessous est le schéma de principe de la boucle itérative de déconvolution par descente de gradient : Correction y y n Erreur de mesure c t x n 1 x n x n : la source estimée actuelle x n 1 : la source estimée future y : la mesure réelle y n : la mesure estimée C : la matrice de la propagation acoustique C t : la matrice transposée de C Figure 4. Boucle itérative de déconvolution Au début de l algorithme, nous faisons la multiplication matricielle entre la source estimée et la matrice. On obtient ainsi la mesure estimée. Puis, on calcule la différence entre la mesure estimée et la vraie mesure, le résultat correspond à l erreur de mesure. On fait ensuite encore une fois multiplication matricielle entre cette différence et la transposée de la matrice. Le résultat de cette multiplication représente en fait la correction de l estimation. On va apporter cette correction à l estimation de source actuelle pour la prochaine itération de l algorithme. A la fin, on recommence par la première étape avec la nouvelle source estimée. De cette façon, après quelques milliers d itérations que l on peut arriver à obtenir un résultat qui converge vers la source réelle. Un programme de déconvolution itérative est présentéen Annexe 1. Accélération des méthodes pour la localisation de source acoustiques Page 10
11 Evidement plus le nombre d itération exécuté est grand dans ce programme, meilleur est la qualité de reconstruction. En contrepartie, le temps de traitement serait plus important. C est pourquoi nous devons chercher àaccélérer cet algorithme : par accélération algorithmique dans le Chapitre 2 et par accélération matricielle en parallélisant les calculs sur GPU dans le Chapitre Approximation du modèle d acquisition Comme je l ai déjà dit, la méthode itérative de déconvolution représente un grand nombre d opérations de l opérateur C. Le temps de calcul est bien trop important en pratique si l on espère traiter les mesures rapidement. L objectif de cette partie est de proposer des optimisations purement algorithmiques pour accélérer le calcul matriciel. Nous présenterons le coût de calcul pour chacune des itérations de l algorithme pour une source de taille. La taille de la matrice est donc Le calcul matriciel Je vous rappelle que les calculs de déconvolution sont déjàmontrés dans la Chapitre 1.4.1, les équations 2, 3 et 4. (2) = -2 ( y ) = C (3) (4) Nous constatons qu il s agit de deux calculs matriciels pour une itération, donc le nombre d opérateur est proportionnel à, on note La convolution 2D avec noyaux variants Pour effectuer des optimisations, nous allons tout d abord transformer la multiplication matricielle en une convolution 2D. Grâce àla structure de la matrice, nous pouvons faire cette approximation comme l a proposé Brooks et al [1]. En effet, matrice a en première approximation une architecture Symmetric Toeplitz Block Toeplitz (STBT) comme l a rappelé Ning Chu dans sa thèse [2]. Grace àcette architecture, nous pouvons considérer que cette multiplication matricielle est une convolution 2D entre l image d origine et plusieurs noyaux variantes construits par chaque ligne de la matrice comme l équation ci-dessous : =[C Accélération des méthodes pour la localisation de source acoustiques Page 11
12 avec i : numéro de lignes de la matrice, : ième élément dans la mesure de la puissance En conséquence, nous transformons une multiplication entre deux vecteurs en plusieurs convolutions 2D entre deux images 2D. Les équations théoriques en détail sont données par Ning Chu, dans son article «An invariant convolution model and its Variational Bayesian Approximation approach via Students-t priors for aeroacoustic imaging in non-stationary noises» oùil décrit pourquoi et comment nous pouvons faire cette approximation. Grâce à cette transformation, nous avons obtenu cette fois O ( * ), avec représente la taille de l image, représente la taille du noyau. Cela permet ainsi d accélérer le calcul d une multiplication matricielle d un facteur. Malheureusement, cet algorithme n est pas pratique pour le réaliser sur MATLAB. En effet, MATLAB propose de faire les convolutions 2D entière même si nous avons besoin uniquement d une seule coordonné de l élément Pour éviter cela, il faudrait que nous réécrivions le programme de convolution fournie par MATLAB, c est pourquoi nous avons fait une approximation supplémentaire avec un seul et même noyau invariant pour toutes les mesures La convolution 2D avec un noyau invariant Pour accélérer le calcul de déconvolution en ne faisant qu une seule convolution entière, nous devons choisir un noyau invariant au lieu d utiliser tous les lignes de la matrice. Encore une fois, grâce àla propriétéstbt de la matrice, le noyau àla ligne du milieu comporte la majorité de valeurs importantes pour la convolution, donc nous choisissons le noyau correspondant à la ligne du milieu de la matrice comme le noyau invariant. Cette transformation est aussi proposée dans le même article de Ning Chu [2]. L équation est donnée ci-dessous : avec i = numéro de lignes de la matrice Dans cette équation, les résultats des convolutions de la source x avec les différents noyaux variants est approximée par la convolution de la source avec un noyau invariant correspondant àla ligne du milieu de la matrice. Avec cet algorithme, nous obtenons le même nombre d opération que celui calculéavec les noyaux variants O ( ² * même facteur d accélération 2 ²), ainsi le. L intérêt de cette transformation est de simplifier l algorithme au niveau du programme et de lancer sous MATLAB une seule convolution 2D qui donne directement tous les résultats. Cette fois, nous pouvons tester les programmes sur les données en simulations sur le logiciel MATLAB ou tout autre logiciel ayant une libraire avec une convolution 2D accélérée sur GPU. Accélération des méthodes pour la localisation de source acoustiques Page 12
13 2.4. La convolution 2D avec noyau séparable La troisième technique pour accélérer le calcul de convolution est de séparer le noyau en deux vecteurs, l un horizontal, l autre vertical. Le résultat de la convolution de ces deux vecteurs redonne le noyau original. Cela nous permet encore une fois de diminuer le nombre de l opération, et donc les temps de traitement. La définition mathématique pour un noyau séparable est donnée ci-dessous : h[r,c] = vert[r] * horz[c] Pour un noyau h de taille (r,c), nous pouvons le séparer en deux vecteurs, vert de taille r, et horz de taille c. La convolution complète de vert et horz est équal au noyau h.sur la Figure 6, ce principe est représenté par le filtre 3x3 de Sobel : 2 2 = * 2 Figure 5. Séparation d un filtre de Sobel Cependant tous les noyaux que nous employons ne sont pas séparables, comme les noyaux concernés ont une structure symétrique, donc il est possible de faire l approximation selon la séparabilité du noyau. L expression mathématique de la séparabilité et le programme en détail pour séparer un noyau sont donnés ci-dessous : avec *. * * %%% Separable convolution kernel %%% function [h1,h2,separability]=separable_con_ker(h) [u,s,v] = svd(h); s = diag(s); separability=s(1)/(sum(s)-s(1)); h1 = u(:,1)*s(1); h2 = v(:,1)'; end Figure 6. Programme d un noyau séparable Ainsi, il permet de réduire le nombre d opérations en O (2 ²* ). Avec cette propriété, on peut obtenir une accélération d un facteur. Comparéavec le facteur, lorsque la taille d un noyau est toujours supérieur à 2, donc le nombre d opérations de la méthode avec le noyau 2D est aussi supérieur àcelle avec un noyau séparable en deux vecteurs. Accélération des méthodes pour la localisation de source acoustiques Page 13
14 2.5. Résultats de l optimisation de convolution A l aide des optimisations algorithmiques, nous avons réussi à diminuer le nombre d opérations : Convolution avec différents types de noyau Nombre d opérations par une itération Facteur d accélération Calcul matriciel C x 1 Noyaux variants o ² * ²) Noyau invariant x h O( ² * ²) Noyau invariant séparable x O(4 ² * ) n : taille de l image n h : taille du noyau h i : les noyaux variant qui correspond àchaque ligne de la matrice C i : numéro de la ligne de la matrice C h : le noyau invariant qui correspond àla ligne au milieu de la matrice C Nous regarderons àla fin, nous comparons la qualitéde reconstruction avec les temps de traitements de chacune de les méthode dans le Chapitre 4 Résultat de la déconvolution. Accélération des méthodes pour la localisation de source acoustiques Page 14
15 3. Accélération sur GPU Graphics Processing Unit (GPU), ou Processeur Graphique en français est un circuit intégré sur les cartes graphiques de nos PCs. Il s agit de processeurs «many cœurs»permettant de paralléliser les calculs. Entraînée par la demande sur le marchéde temps réel de scènes 3D (jeux vidéo, CAO, ), en 2006, la compagnie Nvidia a lancé CUDA qui permet d effectuer des calculs en parallèles sur les GPU. Figure 7. GPU NVIDIA Tesla 3.1. La puissance de calcul du GPU comparée avec celle du CPU La figure dessous nous illustre la puissance de calcul des GPU comparée àcelle du CPU. Figure 8. La puissance de calcul du GPU comparéavec celle du CPU Accélération des méthodes pour la localisation de source acoustiques Page 15
16 3.2. Architecture du GPU permettant de paralléliser les calculs Nous présentons ci-dessous les deux représentations schématiques de l architecture d un CPU et celle d un GPU pour analyser les intérêts du calcul sur les GPU. Figure 9. Différences entre le CPU et le GPU Sur cette comparaison de l architecture entre d un CPU et celle d un GPU, on peut facilement comprendre pourquoi la puissance de calcul d un GPU est beaucoup plus grande que celle d un CPU. Les cœurs de calcul (en vert) occupent une place bien plus importante sur le GPU, mais la partie du mémoire est en revanche plus limitée, donc le GPU ne peut pas stocker beaucoup de données Programme MATLAB sur les GPU Durant mon stage, nous avons fait le choix d utiliser une librairie possédant une convolution 2D déjà accéléré sur GPU afin d obtenir des premiers résultats d accélérations. Ces résultats peuvent être améliorés par la suite par un développement en CUDA de tout l algorithme itératif. Depuis la version 2, MATLAB a lancéune librairie qui nous permet de paralléliser les calculs sur des GPU NVIDIA. Les fonctions incluent conv2(a,b, opération ), et des opérations arithmétiques. Pour utiliser les fonctions déjà fournies par MATLAB, il faut d abord réaliser une communication entre le CPU et les GPU pour transférer les données. Une fois les données stockées sur les GPU, nous pouvons appeler les fonctions de calcul. A la fin, nous retirons les données sur les GPU. Voici quelques exemples de fonction que nous employons dans notre programme : G = gpuarray(x) : il permet de copier la valeur de l argument x aux GPU, et retourner une donnée sur les GPU. Comme le calcul en précision single est plus intéressant sur les GPU, nous utilisons souvant G = gpuarray(single(x)) pour transférer les données àles GPU en transformant sa précision. X = gather(g) : c est appelépour récupérer les données G sur GPU, et retourner une donnée sur le CPU. Accélération des méthodes pour la localisation de source acoustiques Page 16
17 C = conv2 (A, B, opération ) : c est pour calculer la convolution entre deux 2D matrices A et B, et il y a trois opération que nous pouvons choisir. Ex : A(n,m), B(h,j). Full : retourner la convolution complète (par défaut), C(n+h-1,m+j-1) ; Same : retourner la convolution de la même taille que A, C(n,m) ; Valid : retourner la convoluiton de la taille A-B, C(n-h+1,m-j+1). Voici une figure qui montre le principe des programmes exécutés sur GPU : CPU => GPU Calculer GPU => CPU Figure 10. principe du programme sur GPU 3.4. Accélération par GPU L idée d accélération par GPU est de paralléliser les calculs sur tous les cœurs du GPU, le plus nombre de cœurs que nous utilisons, la meilleure accélération que nous pouvons obtenir. Donc, nous allons regarder le pourcentage d utilisation de cœurs du GPU (Figure 11) par la convolution de la librairie de MATLAB. Conv non-séparable conv séparable T a u x ( % ) Taille de matrice Figure 11. Taux d utilisation du GPU Accélération des méthodes pour la localisation de source acoustiques Page 17
18 4. Résultats du calcul de déconvolution Nous allons maintenant, présenter les résultats obtenus en termes de qualitéde reconstruction et en temps de calcul pour les différentes optimisations du programme que j ai réalisées au cours du stage. L objectif est d obtenir le meilleur compromis entre le temps de traitement et la qualitéde reconstruction. Pour facilement expliquer ce que j ai fait, tous les programmes suivants sont exécutés sur le logiciel MATLAB 2012a. Il y a en tout six versions du programme de déconvolution : 1. Version 1 : MCM(CPU) par le calcul matriciel sur CPU 2. Version 2 : MCD(CPU) par le calcul de déconvolution sur CPU 3. Version 3 : MCDI(CPU) avec noyau de taille réduite sur CPU 4. Version 4 : MCDIS(CPU) avec noyau séparable de taille réduite sur CPU 5. Version 5 : MCDIS(GPU) avec noyau séparable de taille réduite sur GPU 6. Version 6 : MCRQDIS(CPU) avec noyau séparable de taille réduite 4.1. Les données simulées Pour tester les simulations sur MATLAB, nous avons générédes données simulées, la source simulée, la matrice de propagation acoustique, et aussi la mesure simulée comme représentépar figure ci-dessous : (a) source (b) matrice de la propagation acoustique (c) mesure Figure 12. Données simulées En premier temps, nous prenons l image de mesure de taille 17x27 pour simplifier les calculs. Pour des tests plus évolués, nous utilisons des images 3²fois, 5²fois, 15²fois et jusqu à 31² fois plus grandes. Nous avons choisi trois critères afin de comparer les différents résultats que nous avons obtenus : le temps de traitement, l erreur quantitative (distance quadratique) et la qualitévisuelle de la reconstruction. Accélération des méthodes pour la localisation de source acoustiques Page 18
19 Remarque : ici l erreur signifie l erreur de reconstruction qui est définie comme ci-dessous : Ɛ = avec le résultat de déconvolution, le source originale en simulation MCM V1 sur CPU La première version du programme de déconvolution est de calculer directement les multiplications matricielles, équation (2) et (3) dans le Chapitre 1.4.1, avec aucune approximation. Les résultats sont représentés ci-dessous : (a) reconstruction 17 x 27 (b) reconstruction 255 x 405 Figure 13. Résultat de la déconvolution version 1 Un tableau nous montre les temps de traitement et les qualités de reconstruction sur des données simulées de taille différentes : itérations 17 x x x 837 Erreur 9.3% 16.3% X Temps 20.8 s 2jours 10h 60jours A priori, les résultats que nous obtenons avec le programme version 1 sont les meilleures reconstructions en qualité, en revanche, il demande un temps de calcul très important, notamment, pour les images de grande taille. Si on veut utiliser cet algorithme en industrie pour traiter des images de taille encore plus grande, il faut qu on bien diminue les temps de traitement pour atteindre un temps de l ordre de quelques minutes. Comme on constate que 90% du temps de calcul est pris par le calcul matriciel. Il existe deux techniques pour accélérer le traitement d un algorithme. La première est d optimiser l algorithme et de trouver des approximations du modèle pour simplifier le calcul. La seconde technique qu on emploie est de paralléliser le calcul sur le processeur «many cores»(gpu en anglais). Ainsi, nous devons trouver un bon compromis entre le temps de traitement et la qualitéde reconstruction. Accélération des méthodes pour la localisation de source acoustiques Page 19
20 4.3. MCD V2 sur CPU La deuxième version du programme est d approximer la multiplication matricielle par la convolution de deux images. Pour comparer tous les résultats, il nous faut définir deux paramètres, l un le nombre d itération, l autre la taille du noyau invariant. Nous avons d abord évaluer la qualitéde reconstruction en fonction du nombre d itération pour trouver un nombre d itération suffisant. Ci-dessous une figure représente l erreur de reconstruction du programme version 2 en fonction du nombre d itération pour traiter une image de taille 17x27 : Erreur de reconstruction(%) temps(s) E r r e u r T e m p s Nombre d'itération Figure 14. Erreur de reconstruction On voit que la qualité du résultat devient convenable avec un grand nombre d itérations, ce qui demande des temps de calcul élevés àcause du grand nombre de calcul matriciel. Cette version du programme de déconvolution sur MATLAB, permettait de traiter une donnée de taille 17 x 27 avec itérations en 16.8s. Si on agrandit la taille de l image, le temps de traitement sera largement plus grand comme montrépar ce tableau suivant. Accélération des méthodes pour la localisation de source acoustiques Page 20
21 Un exemple de déconvolution version 2 est présentéci-dessous : (a) source original (b) reconstruction 17 x 27 (c) reconstruction 255 x 405 Figure 15. MCD (CPU) (d) reconstruction 527 x 837 Voici un tableau qui montre le temps de traitement pour les programmes MC version 2 : Taille de l image 17 x x x 837 Erreur 15% 28% X Temps 16.8s 13h 10min 8jour 5h Facteur d accélération par rapport MCM(CPU) itérations Ce tableau correspond àla déconvolution avec un noyau invariant calculésur CPU en itérations. Les tailles du noyau sont choisies par rapport àla taille des images, donc 17 x 17 pour (b), 255 x 255 pour (c), 527 x 527 pour (d) MCDI V3 sur CPU Comme nous avons trouvé un nombre d itération suffisant pour faire une déconvolution avec un résultat satisfaisant, nous effectuons cette fois la déconvolution en variant la taille du noyau. La figure suivante représente l erreur de reconstruction et le temps de traitement de la déconvolution version 3 : Accélération des méthodes pour la localisation de source acoustiques Page 21
22 Erreur (%) Temps (s) E r r e u r T e m p s Taille du noyau 0 Figure 16. MCDI V3 sur CPU Nous trouvons que l erreur de la reconstruction ne varie plus pour une taille de noyau supérieur à 13 x 13. Donc le bon compromis entre le temps de calcul et la qualité de reconstruction est de faire la déconvolution avec un noyau de cette taille. Cela représente environ 40% de la taille de l image originale. J ai fait le même test sur des images de taille plus grande, et j ai trouvé que la meilleure taille du noyau est aussi de 40% de l image traitée : Meilleur taille du noyau = Taille de la donnée * 40% La raison que nous pouvons faire cette approximation, c est que les valeurs utiles dans le noyau sont concentrées au milieu comme montré par figure ci-dessous (page suivant Figure 12), donc la diminution de la taille du noyau nous permet d éviter des calculs inutiles et ainsi de gagner du temps. Noyau initial 17 x 17 Noyau proposé 13 x 13 Figure 17. Noyau initial et proposé Accélération des méthodes pour la localisation de source acoustiques Page 22
23 Avec ce noyau de taille réduite, nous arrivons à accélérer le calcul comme montrépar le tableau ci-dessous : Taille de l image 17 x x x 837 Taille du noyau 13 x x x 415 Erreur 16,2% 28,6% 29,6% Temps 10,7s 7h 40min 16h Facteur d accélération par rapport MCM(CPU) Facteur d accélération par rapport MCD(CPU) itérations 4.5. MCDIS V4 sur CPU Après avoir obtenu les résultats de la première accélération, nous allons maintenant regarder la deuxième optimisation, donc calculer la convolution en séparant le noyau invariant. Avant d appliquer directement cette méthode à une image en simulation, nous allons tout d abord regarder les séparabilités (définition voir Le Chapitre 2.4) des noyaux de différentes tailles : 12 Erreur de séparabilité (%) 10 e r r e u r taille du noyau Figure 18. Erreur de séparabilité Nous avons trouvéque l erreur de séparabilité du noyau est proportionnelle à la taille du noyau, donc pour garder la qualitéde reconstruction, il faut mieux d utiliser des noyaux de taille plus petit. Dans nos études, cette approximation est assez convenable avec une erreur de séparabilité d environ 10%. Nous allons maintenant appliquer les programmes aux données en simulation. Nous utilisons toujours les mêmes données sur MATLAB. La taille de l image est de 17 x 27 afin de simplifier les calculs et de gagner du temps. Nous allons calculer encore une fois avec les noyaux de taille variantes pour vérifier que la meilleure taille du noyau 13 x 13 que nous avons trouvédans la dernière partie est bonne. La figure ci-dessous nous permet de comparer Accélération des méthodes pour la localisation de source acoustiques Page 23
24 la différence entre la déconvolution avec noyau séparable et celui avec le noyau nonséparable : Erreur (%) Erreur sep (%) Temps (s) Temps sep(s) E r r e u r T e m p s taille du noyau 0 Figure 19. MCDI et MCDIS Nous voyons bien qu au niveau de la qualité de reconstruction, il n y a pas de grande différence entre les deux méthodes, l erreur de la déconvolution avec le noyau non séparable est un peu plus basse que celle avec le noyau séparable. En revanche, on peut gagner beaucoup de temps de traitement si on sépare le noyau. Le temps de traitement est proportionnel àla taille du noyau invariant alors que celui avec le noyau non séparable est proportionnel à. C est pour cette raison que nous avons fait cette approximation. Avec le noyau séparable, nous avons obtenu des facteurs d accélération importants, et nous avons trouvé aussi que plus la taille de l image est grande, plus le facteur d accélération de la déconvolution est grand. Comme nous avions déjàchoisi la taille du noyau qui est de 40% par rapport àla taille de l image, nous n analysons que les résultats de déconvolution sur les mesures en simulation de taille plus grande qui correspondent àce choix : Taille de l image 17 x x x 837 Taille du noyau 13 x x x 415 Temps 5,3s 13min 10s 1h 32min Erreur 19,6% 29,6% 30,6% Facteur d accélération ,75 128,99 par rapport MCM(CPU) Facteur d accélération par rapport MCDI(CPU) itérations Accélération des méthodes pour la localisation de source acoustiques Page 24
25 Pour une conclusion sur ces trois approximations algorithmiques, nous avons choisi une meilleure taille du noyau séparable et le séparédans le calcul de déconvolution en itérations. Avec cette première optimisation, nous avons obtenu des résultats assez convenables. Nous avons des facteurs d accélération variant de 3 à 100 par rapport la taille de l image sans perdre beaucoup de la qualité du résultat MCDIS V5 sur GPU Comme nous avons constaté que la déconvolution avec le noyau invariant séparable est beaucoup plus rapide, nous allons ensuite implémenter les programmes sur GPU pour paralléliser le calcul de déconvolution d autant plus que la parallélisations d une convolution séparable sur GPU est beaucoup plus efficace que celle d une convolution séparable sur CPU. Cette fois nous d abord comparerons la différence de la vitesse de calcul entre MCDIS(CPU) et MCDIS(GPU). La figure ci-dessous représente la déconvolution d une image de taille 5 fois plus grande que l image originale, donc 255 x 405. Figure 20. MCDIS V4 et V5 Grâce au calcul parallèle sur les GPU (MCDIS), nous avons obtenu un facteur d accélération de 5.3 et 7 pour une taille de 255x405 et 527x837 par rapport le temps de traitement par MCDIS(CPU). J ai trouvé aussi qu en pratique, ce n est pas intéressant d exécuter les programmes sur les GPU pour la déconvolution des images de talle petite (inférieur à100 x 100). Taille de l image 17 x x x 837 Taille du noyau 13 x x x 415 Temps 33,0s 2min 30s 12min 46s Erreur 19,6% 29,6% 30,6% Facteur d accélération 0,51 314,67 822,17 par rapport V1 Facteur d accélération par rapport V itérations Accélération des méthodes pour la localisation de source acoustiques Page 25
26 En conclusion, nous avons réussi àdiminuer les temps de traitement pour qu ils soient de l ordre de quelques minutes pour des images de grandes tailles. Voici les résultats sur les données en simulation. (a) source original (b) reconstruction 17 x 27 (c) reconstruction 255 x 405 Figure 21. MCDIS V5 (d) reconstruction 527 x 837 Je vous rappelle que toutes les données simulées que nous employons dans les parties précédentes sont des mesures idéales sans bruits. Mais nous ne pouvons pas négliger les bruits dans les données en industrie, c est pour cette raison que nous devons ajouter un terme de régularisation (MCRQDIS) pour isoler les bruits de mesure. Nous allons regarder dans la partie suivante ce qui se passe si l on ajoute des bruits aux mesures simulées. Accélération des méthodes pour la localisation de source acoustiques Page 26
27 4.7. MCRQDIS V5 sur CPU (a) MCM (RSB 40dB) (b) MRQDIS (RSB 40dB) (c) MCM (RSB 20dB) (d) MRQDIS (RSB 20dB) (e) MCM (RSB 10dB) Figure 22. MCM et MCRQDIS (e) MRQDIS (RSB 10dB) Accélération des méthodes pour la localisation de source acoustiques Page 27
28 Remarque :RSB signifie le rapport du signal sur le bruit, ici en unitédb, donc plus cette valeur est grande, la mesure est àmoins bonne qualité. Nous pouvons bien constater que les reconstructions avec régularisation sont plus floues, donc moins sensibles aux bruits. Accélération des méthodes pour la localisation de source acoustiques Page 28
29 Conclusion Le but de mon stage est d optimiser les programmes pour accélérer le programme de déconvolution pour traiter plus rapidement les données en industrie. Pour réaliser cet objective, nous avons choisi d un côté trois approximations pour simplifier les calculs. Premier, nous n utilisons qu un seul noyau, noyau invariant pour faire la déconvolution au lieu de calculer avec plusieurs noyaux variants. Deuxième, nous avons réduit la taille du noyau sans perdre beaucoup de temps, mais obtenir un facteur d accélération environ 2. Troisième, nous avons réalisé une méthode pour séparer le noyau. Grâce à cette transformation, nous avons réussi de passer le temps de traitement des heures même des jours aux minutes. D un autre côté, nous avons parallélisé le calcul sur GPU, c est une optimisation matérielle. Cette méthode nous donne un facteur d accélération de 3 à 7 qui dépend la taille des images que nous voulons traiter. Perspectives Il reste plusieurs travaux àfaire pour ce projet àplus long terme. D abord il faut réécrire les fonctions de convolution sur GPU pour mieux paralléliser les calculs sur GPU et aussi paralléliser le plus globalement possible l intérieur de la boucle itérative car actuellement nous avons une parallélisations «ligne par ligne». Puis, nous devons chercher les régularisations plus élaborépour obtenir les meilleurs résultats. Quand nous aurons fini ce nouveau programme, nous pourrons traiter les vraies données en industrie. Accélération des méthodes pour la localisation de source acoustiques Page 29
30 Diagramme de Gantt Accélération des méthodes pour la localisation de source acoustiques Page 30
31 Source [1]. T. Brooks, W. Humphreys, A Deconvolution Approach for the Mapping of Acoustic Sources (DAMAS) determined from phased microphone arrays, Journal of Sound and Vibration 294 (4-5) (2006) [2]. J. Idier, Ed., Approche bayésienne pour les problèmes inverses, TraitéIC2, Série traitement du signal et de l'image, Hermès, Paris, nov [3]. N. CHU, A.M. Djafari, N. Gac, and J. Picheral, An efficient variational Bayesian inference approach via Studient's-t priors for acoustic imaging in colored noises, Journal of the Acoustical Society of America, Vol. 133, No.5. Pt.2, POMA Vol 19, pp , [4]. N. CHU, A.M. Djafari, N. Gac, and J. Picheral, An invariant convolution model and its Variational Bayesian Approximation approach via Students-t priors for aeroacoustic imaging in non -stationary noises, Journal of the Acoustical Society of America, to submit, [5]. R.Navarre, Traitement de données spectrales de Mars. [6]. B.Pencrec, Accélération d algorithmes de convolution sur processeurs graphiques. [7]. CUDA_C_Pragramming_Guide, Accélération des méthodes pour la localisation de source acoustiques Page 31
32 Annexe 1 Programme de la boucle itératif : for l=1:loop yh=a_near*x; xh=a_near_t*(y-yh); %% calculer le gradient du critère xh=-2*xh; xh_matrice=converter_matrice(xh,size_x,size_y); Hgk=a_near*xh; %% calculer pas de descente u=1/2*sum(xh(:).^2)/(sum(hgk(:).^2)+sum(hgd(:).^2)); x=x-u*xh; %% estimer x x=abs(x); end Annexe 2 Un exemple de programme de transfert de variables entre le CPU et les GPUs : %% transferer les variables sur GPU noyau=gpuarray(single(noyau)); x=gpuarray(single(x)); y=gpuarray(single(y)); y_estime=gpuarray(single(y_estime)); u=gpuarray(single(u)); %% récupérer les variables sur GPU erreur_deconv_cpu=gather(erreur_deconv_gpu); Accélération des méthodes pour la localisation de source acoustiques Page 32
Vision 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 détailContrôle Non Destructif : Implantation d'algorithmes sur GPU et multi-coeurs. Gilles Rougeron CEA/LIST Département Imagerie Simulation et Contrôle
Contrôle Non Destructif : Implantation d'algorithmes sur GPU et multi-coeurs Gilles Rougeron CEA/LIST Département Imagerie Simulation et Contrôle 1 CEA R & D for Nuclear Energy 5 000 people Nuclear systems
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 détailT. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet 5
Modélisation de la performance et optimisation d un algorithme hydrodynamique de type Lagrange-Projection sur processeurs multi-cœurs T. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet
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 détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
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 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 détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
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 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 détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailRapport de stage Master 2
Rapport de stage Master 2 Informatique Haute Performance et Simulation, 2 ème année Ecole Centrale Paris Accélération des méthodes statistiques sur GPU Auteur : CHAI Anchen. Responsables: Joel Falcou et
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 détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
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 détailIMAGES NUMÉRIQUES MATRICIELLES EN SCILAB
IMAGES NUMÉRIQUES MATRICIELLES EN SCILAB Ce document, écrit par des animateurs de l IREM de Besançon, a pour objectif de présenter quelques unes des fonctions du logiciel Scilab, celles qui sont spécifiques
Plus en détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détail10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010
10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010 Le compressed sensing pour l holographie acoustique de champ proche II: Mise en œuvre expérimentale. Antoine Peillot 1, Gilles Chardon 2, François
Plus en détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailA la découverte du Traitement. des signaux audio METISS. Inria Rennes - Bretagne Atlantique
A la découverte du Traitement des signaux audio METISS Inria Rennes - Bretagne Atlantique Les conférences scientifiques au Lycée Descartes Imagerie médicale et neuronavigation par Pierre Hellier Le respect
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 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 détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
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 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 détailT.P. FLUENT. Cours Mécanique des Fluides. 24 février 2006 NAZIH MARZOUQY
T.P. FLUENT Cours Mécanique des Fluides 24 février 2006 NAZIH MARZOUQY 2 Table des matières 1 Choc stationnaire dans un tube à choc 7 1.1 Introduction....................................... 7 1.2 Description.......................................
Plus en détailUn exemple de partenariat fondation - public - privé : le Master International d électroacoustique IMDEAcoustics
CFA 2014 Poitiers 22-25 Avril 2014, Poitiers Un exemple de partenariat fondation - public - privé : le Master International d électroacoustique IMDEAcoustics B. Gazengel LAUM CNRS UMR 6613, Université
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 détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
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 détailModélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs.
Modélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs. H. ZAÏDI a, S. FOHANNO a, R. TAÏAR b, G. POLIDORI a a Laboratoire
Plus en détailComment créer un diagramme de Gantt avec OpenOffice.org
Comment créer un diagramme de Gantt avec OpenOffice.org Version 1.9 du 05.05.2005 Réalisé avec : OOo 2.0 Plate-forme / Os : Toutes Distribué par le projet Sommaire 1 Une rapide introduction : Diagramme
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 détailphysicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178
Thèse no. 7178 PROBLEMES D'OPTIMISATION DANS LES SYSTEMES DE CHAUFFAGE A DISTANCE présentée à l'ecole POLYTECHNIQUE FEDERALE DE ZURICH pour l'obtention du titre de Docteur es sciences naturelles par Alain
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailStockage de chaleur solaire par sorption : Analyse et contrôle du système à partir de sa simulation dynamique
Stockage de chaleur solaire par sorption : Analyse et contrôle du système à partir de sa simulation dynamique Kokouvi Edem N TSOUKPOE 1, Nolwenn LE PIERRÈS 1*, Lingai LUO 1 1 LOCIE, CNRS FRE3220-Université
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 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 détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab
ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab notre compétence d'éditeur à votre service créée en juin 2010, Scilab enterprises propose services et support autour
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 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 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 détailCalculer avec Sage. Revision : 417 du 1 er juillet 2010
Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1
Plus en détailFormation à la C F D Computational Fluid Dynamics. Formation à la CFD, Ph Parnaudeau
Formation à la C F D Computational Fluid Dynamics Formation à la CFD, Ph Parnaudeau 1 Qu est-ce que la CFD? La simulation numérique d un écoulement fluide Considérer à présent comme une alternative «raisonnable»
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 détailHigh Performance by Exploiting Information Locality through Reverse Computing. Mouad Bahi
Thèse High Performance by Exploiting Information Locality through Reverse Computing Présentée et soutenue publiquement le 21 décembre 2011 par Mouad Bahi pour l obtention du Doctorat de l université Paris-Sud
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
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 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 détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour 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 détailLes lières. MSc in Electronics and Information Technology Engineering. Ingénieur civil. en informatique. MSc in Architectural Engineering
Ingénieur civil Ingénieur civil Les lières MSc in Electronics and Information Technology Engineering MSc in Architectural Engineering MSc in Civil Engineering MSc in Electromechanical Engineering MSc
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailRencontre sur la thématique du Calcul Haute Performance - 13 juin 2012. Better Match, Faster Innovation
Better Match, Faster Innovation Rencontre sur la thématique du Calcul Haute Performance - 13 juin 2012 Meeting on the theme of High Performance Computing TABLE DES MATIÈRES Qu est ce qu un imatch? STI
Plus en détailÉVALUATION FORMATIVE. On considère le circuit électrique RC représenté ci-dessous où R et C sont des constantes strictement positives.
L G L G Prof. Éric J.M.DELHEZ ANALYSE MATHÉMATIQUE ÉALUATION FORMATIE Novembre 211 Ce test vous est proposé pour vous permettre de faire le point sur votre compréhension du cours d Analyse Mathématique.
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailLogique binaire. Aujourd'hui, l'algèbre de Boole trouve de nombreuses applications en informatique et dans la conception des circuits électroniques.
Logique binaire I. L'algèbre de Boole L'algèbre de Boole est la partie des mathématiques, de la logique et de l'électronique qui s'intéresse aux opérations et aux fonctions sur les variables logiques.
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 détailTHÈSE. présentée à TÉLÉCOM PARISTECH. pour obtenir le grade de. DOCTEUR de TÉLÉCOM PARISTECH. Mention Informatique et Réseaux. par.
École Doctorale d Informatique, Télécommunications et Électronique de Paris THÈSE présentée à TÉLÉCOM PARISTECH pour obtenir le grade de DOCTEUR de TÉLÉCOM PARISTECH Mention Informatique et Réseaux par
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 détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en détailTP Modulation Démodulation BPSK
I- INTRODUCTION : TP Modulation Démodulation BPSK La modulation BPSK est une modulation de phase (Phase Shift Keying = saut discret de phase) par signal numérique binaire (Binary). La phase d une porteuse
Plus en détailÉTUDE DE L EFFICACITÉ DE GÉOGRILLES POUR PRÉVENIR L EFFONDREMENT LOCAL D UNE CHAUSSÉE
ÉTUDE DE L EFFICACITÉ DE GÉOGRILLES POUR PRÉVENIR L EFFONDREMENT LOCAL D UNE CHAUSSÉE ANALYSIS OF THE EFFICIENCY OF GEOGRIDS TO PREVENT A LOCAL COLLAPSE OF A ROAD Céline BOURDEAU et Daniel BILLAUX Itasca
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détail0DWKpPDWLTXHVGHO DUJHQW. édité par Mr. G.Moumoulidis (OTE)
3/$,78'RF) 0DWKpPDWTXHVGHO DUJHQW HW OHVpWXGHVWHFKQTXHVpFRQRPTXHV édité par Mr. G.Moumoulidis (OTE) 8,2,7(5$7,2$/('(67(/(&2008,&$7,26,7(5$7,2$/7(/(&2008,&$7,28,2 8,2,7(5$&,2$/'(7(/(&208,&$&,2(6 - - 0DWKpPDWTXHVGHO
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailSécuristation du Cloud
Schémas de recherche sur données chiffrées avancés Laboratoire de Cryptologie Thales Communications & Security 9 Avril 215 9/4/215 1 / 75 Contexte Introduction Contexte Objectif Applications Aujourd hui
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 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 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 détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailEt si l avenir de votre CFD passait par OPEN FOAM?
ACE MENU Et si l avenir de votre CFD passait par OPEN FOAM? OPEN FOAM solution d avenir? Pour qu Open FOAM soit une solution d avenir pour vos sociétés il faut : Que vous en soyez convaincus dès maintenant
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 détailUne dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU
Une dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU Gabriel Antoine Louis Paillard Ce travail a eu le soutien de la CAPES, agence brésilienne pour
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 détailL équilibre Ressources Emplois de biens et services schématisé par une balance
IV) l équilibre ressources - emplois et son interprétation Cet article fait suite à ceux du 19 janvier et du 18 février 2013. Il en est le complément logique sur les fondamentaux macro- économiques d un
Plus en détailExemple d acquisition automatique de mesures sur une maquette de contrôle actif de vibrations
Exemple d acquisition automatique de mesures sur une maquette de contrôle actif de vibrations Valérie Pommier-Budinger Bernard Mouton - Francois Vincent ISAE Institut Supérieur de l Aéronautique et de
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 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 détailCalcul des indicateurs de sonie : revue des algorithmes et implémentation
Calcul des indicateurs de sonie : revue des algorithmes et implémentation Stéphane Molla 1, Isabelle Boullet 2, Sabine Meunier 2, Guy Rabau 2, Benoît Gauduin 1, Patrick Boussard 1 1 GENESIS S.A., Domaine
Plus en détailCodage vidéo par block matching adaptatif
Traitement et analyse d'images(39) Codage vidéo par block matching adaptatif Abdelhamid Djeffal Département d informatique Université Mohamed Khider BISKRA, ALGERIE Abdelhamid_Djeffal@yahoo.fr Zine Eddine
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailFigure 3.1- Lancement du Gambit
3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh
Plus en détailChapitre 2 Les ondes progressives périodiques
DERNIÈRE IMPRESSION LE er août 203 à 7:04 Chapitre 2 Les ondes progressives périodiques Table des matières Onde périodique 2 2 Les ondes sinusoïdales 3 3 Les ondes acoustiques 4 3. Les sons audibles.............................
Plus en détailSegmentation d'images à l'aide d'agents sociaux : applications GPU
Segmentation d'images à l'aide d'agents sociaux : applications GPU Richard MOUSSA Laboratoire Bordelais de Recherche en Informatique (LaBRI) - UMR 5800 Université de Bordeaux - France Laboratoire de recherche
Plus en détailComment Définir une Plage de données Pour Utiliser Fonctions de Filtres et de Tris
Comment Définir une Plage de données Pour Utiliser Fonctions de Filtres et de Tris Diffusé par Le Projet Documentation OpenOffice.org Table des matières 1. Définir les plages...3 2. Sélectionner une plage...4
Plus en détailPlan du cours 2014-2015. Cours théoriques. 29 septembre 2014
numériques et Institut d Astrophysique et de Géophysique (Bât. B5c) Bureau 0/13 email:.@ulg.ac.be Tél.: 04-3669771 29 septembre 2014 Plan du cours 2014-2015 Cours théoriques 16-09-2014 numériques pour
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 détailBILAN du projet PEPS 1 EOLIN (Eolien LMI INSA)
BILAN du projet PEPS 1 EOLIN (Eolien LMI INSA) Lab. de Math de l INSA de ROUEN FR CNRS 3335 et EA 3226 PLAN 1. Introduction 2. Bilan scientifique 3. Bilan financier 4. Conclusion 1 Introduction Le projet
Plus en détailModule 16 : Les fonctions de recherche et de référence
Module 16 : Les fonctions de recherche et de référence 16.0 Introduction L une des fonctions les plus importantes d Excel, c est la possibilité de chercher une valeur spécifique dans un grand nombre de
Plus en détailDUT Techniques de commercialisation Mathématiques et statistiques appliquées
DUT Techniques de commercialisation Mathématiques et statistiques appliquées Francois.Kauffmann@unicaen.fr Université de Caen Basse-Normandie 3 novembre 2014 Francois.Kauffmann@unicaen.fr UCBN MathStat
Plus en détailPerformances énergétiques de capteurs solaires hybrides PV-T pour la production d eau chaude sanitaire.
Performances énergétiques de capteurs solaires hybrides PV-T pour la production d eau chaude sanitaire. Patrick DUPEYRAT 1,2*, Yu BAI 3,4, Gérald KWIATKOWSKI 5, Gilles FRAISSE 3 Christophe MENEZO 2,3 et
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 détail