Nous proposons dans ces travaux des algorithmes distribués de clusterisation destinés à répondre à la problématique de la croissance des réseaux. Après avoir donné une spécification pour ce problème, nous fournissons un premier algorithme distribué à base de marches aléatoires pour le résoudre. Cet algorithme n’utilise que des informations locales, et utilise des marches aléatoires pour construire en parallèle des ensembles connexes de noeuds appelés les coeurs des clusters, auxquels on ajoute des noeuds adjacents. La taille de chaque coeur est comprise entre 2 et un paramètre de l’algorithme. L’algorithme garantit que si deux clusters sont adjacents, au moins l’un d’entre eux a un coeur de taille maximale. Un deuxième algorithme, adaptatif à la mobilité, garantit en plus de ces propriétés que la reconstruction consécutive à un changement topologique est locale. Cette propriété différencie notre solution des nombreuses solutions existantes : elle permet d’éviter des destructions en chaîne suite à un changement de topologie. Nous présentons enfin un algorithme de clustering auto-stabilisant qui conserve les propriétés des algorithmes précédents en y ajoutant la tolérance aux pannes. Grâce au parallélisme de la construction des clusters et au caractère local des reconstructions de clusters, ces algorithmes passent à l'échelle, ce qui est confirmé par les simulations que nous avons menées. / We propose in this work distributed clustering algorithms designed to address the problem of growing networks. After giving a specification for this problem, we provide a first distributed algorithm based on random walks to solve it. This algorithm uses only local information,and uses random walks to build connected sets of nodes called cores of clusters in parallel, to which we add adjacent nodes. The size of each core is between 2 and a parameter of the algorithm. The algorithm guarantees that if two clusters are adjacent, at least one of them has a core of maximum size. A second, mobility-adaptive, algorithm ensures, besides those properties, that the reconfiguration following a topological change is local. This property differentiates our solution from many solutions : it avoids chain destruction following a topology change. Finally, we present a self-stabilizing clustering algorithm that preserves the properties of previous algorithms and adds fault tolerance. With the parallel construction of clusters and the local nature of the reconstruction of clusters, these algorithms guarantee the scabability, which is confirmed by simulations.

Les modalités sensorielles ont un rôle essentiel dans la collecte des informations en provenance de l’environnement. En olfaction, l’échantillonnage actif des odeurs se fait via le flairage chez le rat (2-10 Hz). Chez l’animal qui se comporte, le flairage est un acte très dynamique, il varie en particulier en fréquence et en débit. Le flairage peut être modulé par des facteurs liés au stimulus, comme les propriétés physico-chimiques des odeurs ou leur concentration, ou par des facteurs plus « internes » comme l’attention, les émotions ou la motivation. Plusieurs auteurs ont également suggéré l’importance de la fréquence de flairage dans la performance. Dans une première partie de ma thèse, j’ai voulu caractériser l’impact d’un apprentissage olfactif sur la mise en place d’un pattern de flairage adapté à la discrimination. Pour cela, j’ai utilisé un système d’enregistrement de la respiration non invasif chez le rat (pléthysmographe) pendant que l’animal effectue une tâche de discrimination olfactive à double choix. Dans une seconde partie, j’ai cherché les corrélats neuronaux de l’acquisition de ce pattern de flairage en enregistrant simultanément l’activité respiratoire et les signaux neuronaux (potentiels de champ locaux) dans des aires olfactives, motrices et limbiques chez l’animal en comportement. J’ai cherché à caractériser les activités oscillatoires dans la bande bêta (15-30 Hz) et thêta (2-10 Hz). J’ai enfin discuté dans quelle mesure celles-ci pouvaient être reliées à l’apprentissage et/ou aux variations de l’activité respiratoire / Sensory modalities actively take part in collecting relevant information from the environment. In olfaction, active sampling amounts to sniffing in rodents (2-10 Hz). In behaving animals, sniffing is highly dynamic, notably in frequency and flow rate. Sniffing can be modulated by parameters related to the odorant stimulus, such as the physicochemical properties of the molecule or its concentration. It can also vary depending on “internal” parameters such as attention, emotions or motivation. Several studies highlighted the importance of the sniffing frequency in performance. First, I looked at the impact of olfactory learning on the acquisition of a specific sniffing pattern. For that purpose, I monitored sniffing activity in a non-invasive way, using a whole-body plethysmograph, on rats performing a two-alternative choice odor discrimination task. Second, I looked for neuronal correlates of the acquisition of such a sniffing pattern by simultaneously recording sniffing and neuronal activities (local field potentials) in olfactory, motor and limbic areas in behaving animals. I sought to characterize oscillatory activities in beta (15-30 Hz) and theta (2-10 Hz) ranges. I finally discussed to what extent they were related to learning and/or sniffing modulations

Network reconstruction is the process of recovering a unique structured representation of some dynamic system using input-output data and some additional knowledge about the structure of the system. Many network reconstruction algorithms have been proposed in recent years, most dealing with the reconstruction of strictly proper networks (i.e., networks that require delays in all dynamics between measured variables). However, no reconstruction technique presently exists capable of recovering both the structure and dynamics of networks where links are proper (delays in dynamics are not required) and not necessarily strictly proper.The ultimate objective of this dissertation is to develop algorithms capable of reconstructing proper networks, and this objective will be addressed in three parts. The first part lays the foundation for the theory of mathematical representations of proper networks, including an exposition on when such networks are well-posed (i.e., physically realizable). The second part studies the notions of abstractions of a network, which are other networks that preserve certain properties of the original network but contain less structural information. As such, abstractions require less a priori information to reconstruct from data than the original network, which allows previously-unsolvable problems to become solvable. The third part addresses our original objective and presents reconstruction algorithms to recover proper networks in both the time domain and in the frequency domain.