Cette thèse d'intéresse à l'analyse exploratoire des données multimdimensionnelles souvent qualitatives voire textuelles par des modèles particuliers de carte auto-organisatrice de Kohonen. Il s'agit d'effectuer une classification et une projection simultanées des lignes ou colonnes d'une matrice de données. Le résultat de ces méthodes est une réduction sous la forme d'une surface de régression discrète. Nous étudions plus particulièrement les modèles de mélange de lois de probabilité : les paramètres correspondant aux espérances des vecteurs classés sont contraints en les plaçant aux nœuds d'une grille rectangulaire. Après une présentation de ces méthodes, et des algorithmes d'estimation basés sur l'EM (Expectation - Maximization), nous introduisons essentiellement deux nouvelles approches. La première vise à "généraliser la méthode d'Analyse Factorielle des Correspondances" aux grandes matrices : l'algorithme CASOM est un classifieur naïf de Bayes contraint en un TPEM (Topology Preserving EM) pour tableau de contingence. La seconde consiste en un schéma général d'adaptation des méthodes de segmentation d'image en carte auto-organisatrice. Pour l'illustrer, nous modifions un algorithme de segmentation par champs moyens, et obtenons un algorithme appelé TNEM. Nous utilisons ces méthodes pour aider à la navigation dans un corpus textuel. En effet, nous aboutissons à des critères et des moyens de représentation objectifs.

Cette étude consiste à étudier l'apport de réseaux de neurones<br />artificiels pour améliorer le contrôle de processus industriels<br />complexes, caractérisés en particulier par leur aspect temporel.<br />Les motivations principales pour traiter des séries temporelles<br />sont la réduction du volume de données, l'indexation pour la<br />recherche de similarités, la localisation de séquences,<br />l'extraction de connaissances (data mining) ou encore la<br />prédiction.<br /><br />Le processus industriel choisi est un four à arc<br />électrique pour la production d'acier liquide au Luxembourg. Notre<br />approche est un concept de contrôle prédictif et se base sur des<br />méthodes d'apprentissage non-supervisé dans le but d'une<br />extraction de connaissances.<br /><br />Notre méthode de codage se base sur<br />des formes primitives qui composent les signaux. Ces formes,<br />composant un alphabet de codage, sont extraites par une méthode<br />non-supervisée, les cartes auto-organisatrices de Kohonen (SOM).<br />Une méthode de validation des alphabets de codage accompagne<br />l'approche.<br /><br />Un sujet important abordé durant ces recherches est<br />la similarité de séries temporelles. La méthode proposée est<br />non-supervisée et intègre la capacité de traiter des séquences de<br />tailles variées.

Les diatomées sont des algues microscopiques qui sont largement utilisées pour évaluer la qualité écologique des cours d'eau.Les méthodes utilisées se basent sur des modèles simplifiés de biologie des communautés, dans lesquels seules les réponses individuelles des espèces à l'environnement sont prises en compte.Le test de l'importance de processus complémentaires a montré un impact fort des dynamiques de colonisation des espèces, mais un impact négligeable des phénomènes de compétition ou de facilitation.Ces processus impliquent une structure des assemblages bien plus complexe que celle habituellement assumée par les méthodologies de bioindication.L'adaptation et la mise en oeuvre de méthodes de réseaux de neurones et de logique floue nous ont permis de redéfinir des éco-régions françaises et de décrire des relations générales entre les traits biologiques des espèces et l'environnement, tout en prenant mieux en compte cette complexité. / Diatoms are microscopic algae which are widely used to monitor the ecological quality of strems and rivers. The regular methodologies are based on simpllified community models. In these models, only the invidual species responses to environment are accounted for.Testing the importance of complementary processes showed a significant effect of colonization dynamics, but only a slight effect of biotic relationships. These processes led us to considerate a more complex assemblage structure than the one usually assumed by the biomonitoring methodologies.Therefore we implemented both neural networks models and fuzzy logic methodologies, in order to refine French ecoregions and to describe relationships between species traits and environment.

No description available.

Depuis son introduction en 1982, la carte auto-organisatrice de Kohonen (Self-Organizing Map : SOM) a prouvé ses capacités de classification et visualisation des données multidimensionnelles dans différents domaines d’application. Les implémentations matérielles de la carte SOM, en exploitant le taux de parallélisme élevé de l’algorithme de Kohonen, permettent d’augmenter les performances de ce modèle neuronal souvent au détriment de la flexibilité. D’autre part, la flexibilité est offerte par les implémentations logicielles qui quant à elles ne sont pas adaptées pour les applications temps réel à cause de leurs performances temporelles limitées. Dans cette thèse nous avons proposé une architecture matérielle distribuée, adaptable, flexible et extensible de la carte SOM à base de NoC dédiée pour une implantation matérielle sur FPGA. A base de cette approche, nous avons également proposé une architecture matérielle innovante d’une carte SOM à structure croissante au cours de la phase d’apprentissage / Since its introduction in 1982, Kohonen’s Self-Organizing Map (SOM) showed its ability to classify and visualize multidimensional data in various application fields. Hardware implementations of SOM, by exploiting the inherent parallelism of the Kohonen algorithm, allow to increase the overall performances of this neuronal network, often at the expense of the flexibility. On the other hand, the flexibility is offered by software implementations which on their side are not suited for real-time applications due to the limited time performances. In this thesis we proposed a distributed, adaptable, flexible and scalable hardware architecture of SOM based on Network-on-Chip (NoC) designed for FPGA implementation. Moreover, based on this approach we also proposed a novel hardware architecture of a growing SOM able to evolve its own structure during the learning phase