Le temps est une dimension essentielle de la vie. Il est nécessaire, entre autres, pour réaliser des mouvements coordonnés, pour communiquer, mais aussi dans la prise de décisions. L’objectif principal de cette thèse était de caractériser le rôle d’un réseau amygdalo-préfronto-dorsostriatal dans la mémorisation et l’encodage du temps chez le rat. Dans un premier temps, nous avons décrit le comportement temporel du rat lors d’une tâche de suppression conditionnée (i.e. la suppression d’une réponse instrumentale d’appui sur levier par la présentation d’un son associé à un stimulus aversif), démontrant ainsi un contrôle temporel fin du comportement dans une situation Pavlovienne aversive. Dans un deuxième temps, nous avons analysé les potentiels de champs locaux (analyse fréquentielle des activités oscillatoires) de notre réseau d’intérêt au début d’un apprentissage associatif et après surentraînement dans la tâche de suppression conditionnée. En effet, le comportement temporel moteur nécessite un grand nombre de séances d’apprentissage pour devenir optimal, alors que l’apprentissage temporel est, lui, très rapide. Cette étude nous a permis de caractériser des corrélats neuronaux temporels au sein de ce réseau, que ce soit au niveau des structures individuelles ou au niveau de l’interaction entre ces structures. De plus, ces corrélats neuronaux sont modifiés selon le niveau d’entraînement des animaux. Enfin, dans une troisième étude, nous avons démontré que des ratons juvéniles (pré-sevrage), qui présentent un cortex préfrontal ainsi qu’un striatum dorsal immatures, peuvent mémoriser et différencier des intervalles de temps, ouvrant donc la question sur le rôle de ce réseau dans l’apprentissage temporel au cours du développement. / Time is an essential dimension of life. It is necessary for coordinating movement, for communication, but also for decision-making. The principal goal of this work was to characterize the role of an amygdalo-prefronto-dorsostriatal network in the memorization and encoding of time in a rat model. Firstly, we described temporal behavior in a conditioned suppression task (i.e. the suppression of an instrumental lever-pressing response for food by the presentation of a cue associated with an aversive event), therefore showing a precise temporal control in Pavlovian aversive conditioning. Secondly, we measured local field potentials in our network of interest at the beginning of associative learning and after overtraining in the conditioned suppression task. In effect, motor temporal behavior requires a large number of training sessions to become optimum, but temporal learning happens very early in training. This study allowed us to characterize, using frequency analysis of oscillatory activities, neuronal correlates of time in this network both at the level of individual structures, but also in their interactions. Interestingly, these neural correlates were modified by the level of training. Finally, we demonstrated that juvenile rats (pre-weaning), with an immature prefrontal cortex and dorsal striatum, can memorize and discriminate temporal intervals, raising questions on the role of this amygdalo-prefronto-dorsostriatal network in temporal learning during development.

Cette thèse s'intéresse à l'étude des problèmes de diagnostic des fautes sur les systèmes à événements discrets en utilisant les modèles réseau de Petri. Des techniques d'exploration incrémentale et à-la-volée sont développées pour combattre le problème de l'explosion de l'état lors de l'analyse de la diagnosticabilité. Dans le contexte atemporel, la diagnosticabilité de modèles RdP-L est abordée par l'analyse d'une série de problèmes K-diagnosticabilité. L'analyse de la diagnosticabilité est effectuée sur la base de deux modèles nommés respectivement FM-graph et FM-set tree qui sont développés à-la-volée. Un diagnostiqueur peut être dérivé à partir du FM-set tree pour le diagnostic en ligne. Dans le contexte temporel, les techniques de fractionnement des intervalles de temps sont élaborées pour développer représentation de l'espace d'état des RdP-LT pour laquelle des techniques d'analyse de la diagnosticabilité peuvent être utilisées. Sur cette base, les conditions nécessaires et suffisantes pour la diagnosticabilité de RdP-LT ont été déterminées. En pratique, l'analyse de la diagnosticabilité est effectuée sur la base de la construction à-la-volée d'une structure nommée ASG et qui contient des informations relatives à l'occurrence de fautes. D'une manière générale, l'analyse effectuée sur la base des techniques à-la-volée et incrémentale permet de construire et explorer seulement une partie de l'espace d'état, même lorsque le système est diagnosticable. Les résultats des simulations effectuées sur certains benchmarks montrent l'efficacité de ces techniques en termes de temps et de mémoire par rapport aux approches traditionnelles basées sur l'énumération des états / This PhD thesis deals with fault diagnosis of discrete event systems using Petri net models. Some on-the-fly and incremental techniques are developed to reduce the state explosion problem while analyzing diagnosability. In the untimed context, an algebraic representation for labeled Petri nets (LPNs) is developed for featuring system behavior. The diagnosability of LPN models is tackled by analyzing a series of K-diagnosability problems. Two models called respectively FM-graph and FM-set tree are developed and built on the fly to record the necessary information for diagnosability analysis. Finally, a diagnoser is derived from the FM-set tree for online diagnosis. In the timed context, time interval splitting techniques are developed in order to make it possible to generate a state representation of labeled time Petri net (LTPN) models, for which techniques from the untimed context can be used to analyze diagnosability. Based on this, necessary and sufficient conditions for the diagnosability of LTPN models are determined. Moreover, we provide the solution for the minimum delay ∆ that ensures diagnosability. From a practical point of view, diagnosability analysis is performed on the basis of on-the-fly building of a structure that we call ASG and which holds fault information about the LTPN states. Generally, using on-the-fly analysis and incremental technique makes it possible to build and investigate only a part of the state space, even in the case when the system is diagnosable. Simulation results obtained on some chosen benchmarks show the efficiency in terms of time and memory compared with the traditional approaches using state enumeration