Les sursauts gamma sont des événements fascinants de par leur origine longtemps restée mystérieuse, leur apparition imprévisible dans le ciel, et la formidable énergie qu'ils libèrent sous forme de bouffées de rayonnement gamma. Découverts fortuitement au début des années 1970, ils se traduisent par un intense flash de rayons gamma de brève durée (de quelques ms à quelques min), appelé émission prompte, suivi d'une émission longue, appelée rémanence, qui décroît rapidement, en émettant depuis les rayons X jusqu'au domaine radio. L'origine des sursauts gamma est encore largement discutée mais ces phénomènes extrêmes sont très vraisemblablement associés à la formation de nouveaux trous noirs stellaires. Mon sujet de thèse se situe au coeur de la mission sino-française SVOM dont le lancement du satellite est prévu en 2021, qui scrutera le ciel pour observer les sursauts avec une précision inégalée, associant observations spatiales et terrestres. Mon travail concerne l'instrument principal de la mission, le télescope spatial ECLAIRs. Il s'agit d'une caméra à masque codé sensible aux rayons X et gamma de basse énergie, en charge de la détection et de la localisation de l'émission prompte des sursauts. Durant mon travail de thèse, j'ai travaillé sur les performances scientifiques de l'instrument ECLAIRs et j'ai en particulier estimé le nombre de sursauts qui seront détectés et leurs caractéristiques. Pour cela, j'ai mis en place des simulations de performances utilisant les prototypes des algorithmes de détection embarqués combinés au modèle de l'instrument ECLAIRs. Les données en entrée des simulations comportent un bruit de fond simulé, et une population synthétique de sursauts gamma générée à partir de catalogues existants issus des observations des missions antérieures (CGRO, HETE-2, Swift et Fermi). Mon étude a permis d'estimer finement l'efficacité de détection d'ECLAIRs et prédit un taux de sursauts attendu par ECLAIRs entre 40 et 70 sursauts par an. Par ailleurs, mon travail a montré qu'ECLAIRs sera particulièrement sensible à une population de sursauts très riches en rayons X, population encore mal connue. Ma thèse présente plusieurs autres études complémentaires portant sur la performance de localisation, le taux de fausses alertes et les caractéristiques des déclenchements des algorithmes. Enfin, j'ai proposé deux nouvelles méthodes originales de détection de sursauts dont les résultats préliminaires présentés dans ma thèse sont très encourageants. Ils montrent que la sensibilité d'ECLAIRs aux sursauts courts (population d'intérêt particulier en raison de son lien attendu avec les ondes gravitationnelles) peut être encore améliorée. / Discovered in the early 1970s, gamma-ray bursts (GRBs) are amazing cosmic phenomena appearing randomly on the sky and releasing large amounts of energy mainly through gamma-ray emission. Although their origin is still under debate, they are believed to be produced by some of the most violent explosions in the Universe leading to the formation of stellar black-holes. GRBs are detected by their prompt emission, an intense short burst of gamma-rays (from a few millisecondes to few minutes), and are followed by a lived-afterglow emission observed on longer timescales from the X-ray to the radio domain. My thesis participates to the developement of the SVOM mission, which a Chinese-French mission to be launched in 2021, devoted to the study of GRBs and involving space and ground instruments. My work is focussed on the main instrument ECLAIRs, a hard X-ray coded mask imaging camera, in charge of the near real-time detection and localization of the prompt emission of GRBs. During my thesis, I studied the scientific performances of ECLAIRs and in particular the number of GRBs expected to be detected by ECLAIRs and their characteristics. For this purpose, I performed simulations using the prototypes of the embedded trigger algorithms combined with the model of the ECLAIRs instrument. The input data of the simulations include a background model and a synthetic population of gamma-ray bursts generated from existing catalogs (CGRO, HETE-2, Fermi and Swift). As a result, I estimated precisely the ECLAIRs detection efficiency of the algorithms and I predicted the number of GRBs to be detected by ECLAIRs : 40 to 70 GRBs per year. Moreover, the study highlighted that ECLAIRs will be particularly sensitive to the X-ray rich GRB population. My thesis provided additional studies about the localization performance, the rate of false alarm and the characteristics of the triggers of the algorithms. Finally, I also proposed two new methods for the detection of GRBs.The preliminary results were very promising and demonstrate that the sensitivity of ECLAIRs to the short GRBs (an interesting population due to the predicted association with gravitational waves) could be improved further.

Aujourd'hui, le contrôle des procédés de fabrication est une tâche essentielle pour assurer une production de haute qualité. A la fin du processus de fabrication du semi-conducteur, un test électrique, appelé test paramétrique (PT), est effectuée. PT vise à détecter les plaques dont le comportement électrique est anormal, en se basant sur un ensemble de paramètres électriques statiques mesurées sur plusieurs sites de chaque plaque. Le but de ce travail est de mettre en place un système de détection dynamique au niveau de PT, pour détecter les plaques anormales à partir d'un historique récent de mesures électriques. Pour cela, nous développons un système de détection en temps réel basé sur une technique de réapprentissage optimisée, où les données d'apprentissage et le modèle de détection sont mis à jour à travers une fenêtre temporelle glissante. Le modèle de détection est basé sur les machines à vecteurs supports à une classe (1-SVM), une variante de l'algorithme d'apprentissage statistique SVM largement utilisé pour la classification binaire. 1-SVM a été introduit dans le cadre des problèmes de classification à une classe pour la détection des anomalies. Pour améliorer la performance prédictive de l'algorithme de classification 1-SVM, deux méthodes de sélection de variables ont été développées. La première méthode de type filtrage est basé sur un score calculé avec le filtre MADe,une approche robuste pour la détection univariée des valeurs aberrantes. La deuxième méthode de type wrapper est une adaptation à l'algorithme 1-SVM de la méthode d'élimination récursive des variables avec SVM (SVM-RFE). Pour les plaques anormales détectées, nous proposons une méthode permettant de déterminer leurs signatures multidimensionnelles afin d'identifier les paramètres électriques responsables de l'anomalie. Finalement, nous évaluons notre système proposé sur des jeux de données réels de STMicroelecronics, et nous le comparons au système de détection basé sur le test de T2 de Hotelling, un des systèmes de détection les plus connus dans la littérature. Les résultats obtenus montrent que notre système est performant et peut fournir un moyen efficient pour la détection en temps réel. / Nowadays, control of manufacturing process is an essential task to ensure production of high quality. At the end of the semiconductor manufacturing process, an electric test, called Parametric Test (PT), is performed. The PT aims at detecting wafers whose electrical behavior is abnormal, based on a set of static electrical parameters measured on multiple sites of each wafer. The purpose of this thesis is to develop a dynamic detection system at PT level to detect abnormal wafers from a recent history of electrical measurements. For this, we develop a real time detection system based on an optimized learning technique, where training data and detection model are updated through a moving temporal window. The detection scheme is based on one class Support Vector Machines (1-SVM), a variant of the statistical learning algorithm SVM widely used for binary classification. 1-SVM was introduced in the context of one class classification problems for anomaly detection. In order to improve the predictive performance of the 1-SVM classification algorithm, two variable selection methods are developed. The first one is a filter method based on a calculated score with MADe filter, a robust approach for univariate outlier detection. The second one is of wrapper type that adapts the SVM Recursive Feature Elimination method (SVM-RFE) to the 1-SVM algorithm. For detected abnormal wafers, we propose a method to determine their multidimensional signatures to identify the electrical parameters responsible for the anomaly. Finally, we evaluate our proposed system on real datasets of STMicroelecronics and compare it to the detection system based on Hotelling's T2 test, one of the most known detection systems in the literature. The results show that our system yields very good performance and can provide an efficient way for real-time detection.