Ce travail porte sur un problème inverse de sources dipolaires et son application à l'identification des sources de l'activité cérébrale telle qu'elle peut être mesurée par l'Electro-Encéphalo-Graphie (EEG). Des résultats d'identifiabilité et de stabilité ont été établis. Par ailleurs, une étude du problème de Cauchy en 3D, motivée par l'application de la méthode d'identification dite "algébrique", a été faite à l'aide de la méthode itérative introduite par Kozlov, Maz'ya et Fomin et au moyen des équations intégrales de frontières. En outre, une autre méthode basée sur une fonctionnelle coût de type Kohn et Vogelius a été considérée pour l'identification des sources et dont les résultats numériques sont avérés plus performants que ceux donnés par la méthode des moindres carrés.

Cette thèse vise à concevoir des estimateurs non-asymptotiques et robustes pour les systèmes linéaires d’ordre fractionnaire dans un environnement bruité. Elle traite une classe des systèmes linéaires d’ordre fractionnaire modélisée par la dite pseudo représentation d’état avec des conditions initiales inconnues. Elle suppose également que les systèmes étudiés ici peuvent être transformés sous la forme canonique de Brunovsky. Pour estimer le pseudo-état, la forme précédente est transformée en une équation différentielle linéaire d’ordre fractionnaire en prenant en compte les valeurs initiales des dérivées fractionnaires séquentielles de la sortie. Ensuite, en utilisant la méthode des fonctions modulatrices, les valeurs initiales précédentes et les dérivées fractionnaires avec des ordres commensurables de la sortie sont données par des formules algébriques avec des intégrales à l’aide d’une méthode récursive. Ainsi, ces formules sont utilisés pour calculer le pseudo-état dans le cas continu sans bruit. En outre, elle fournit un algorithme pour construire les fonctions modulatrices requises à l’accomplissement de l’estimation. Deuxièmement, inspiré par la méthode des fonctions modulatrices développée pour l’estimation de pseudo-état, cette méthode algébrique basée sur un opérateur est introduite pour estimer la dérivée fractionnée avec un ordre arbitraire fractionnaire de la sortie pour les systèmes considérés. Cet opérateur sert à annuler les valeurs initiales non désirées, puis permet d’estimer la dérivée fractionnaire souhaitée par une nouvelle formule algébrique à l’aide d’une méthode récursive. Troisièmement, l’estimateur du pseudo-état et le différenciateur d’ordre fractionnaire obtenus précédemment sont étudiés respectivement dans le cas discret et bruité. Chacun d’entre eux contient une erreur numérique due à la méthode d’intégration numérique utilisée et au bruit. En particulier, elle fournit une analyse pour diminuer la contribution du bruit au moyen d’une d’erreur bornée qui permet de sélectionner les degrés optimaux des fonctions de modulation à chaque instant. Ensuite, des exemples numériques sont donnés pour mettre en évidence la précision, la robustesse et la propriété non-asymptotique des estimateurs proposés. En outre, les comparaisons avec certaines méthodes existantes et avec un nouvel observateur d’ordre fractionnaire de typeH1sont montrées. Enfin, elle donne des conclusions / This thesis aims to design non-asymptotic and robust estimators for a class of fractional order linear systems in noisy environment. It deals with a class of commensurate fractional order linear systems modeled by the so-called pseudo-state space representation with unknown initial conditions. It also assumed that linear systems under study can be transformed into the Brunovsky’s observable canonical form. Firstly, the pseudo-state of the considered systems is estimated. For this purpose, the Brunovsky’s observable canonical form is transformed into a fractional order linear differential equation involving the initial values of the fractional sequential derivatives of the output. Then, using the modulating functions method, the former initial values and the fractional derivatives with commensurate orders of the output are given by algebraic integral formulae in a recursive way. Thereby, they are used to calculate the pseudo-state in the continuous noise-free case. Moreover, to perform this estimation, it provides an algorithm to build the required modulating functions. Secondly, inspired by the modulating functions method developed for pseudo-state estimation, an operator based algebraic method is introduced to estimate the fractional derivative with an arbitrary fractional order of the output. This operator is applied to cancel the former initial values and then enables to estimate the desired fractional derivative by a new algebraic formula using a recursive way. Thirdly, the pseudo-state estimator and the fractional order differentiator are studied in discrete noisy case. Each of them contains a numerical error due to the used numerical integration method, and the noise error contribution due to a class of stochastic processes. In particular, it provides ananalysis to decrease noise contribution by means of an error bound that enables to select the optimal degrees of the modulating functions at each instant. Then, several numerical examples are given to highlight the accuracy, the robustness and the non-asymptotic property of the proposed estimators. Moreover, the comparisons to some existing methods and a new fractional orderH1-like observer are shown. Finally, conclusions are outlined with some perspectives

La réduction des informations redondantes et/ou non-pertinentes dans la description de données est une étape importante dans plusieurs domaines scientifiques comme les statistiques, la vision par ordinateur, la fouille de données ou l’apprentissage automatique. Dans ce manuscrit, nous abordons la réduction de la taille des signatures des images par une méthode issue de l’Analyse Formelle de Concepts (AFC), qui repose sur la structure du treillis des concepts et la théorie des treillis. Les modèles de sac de mots visuels consistent à décrire une image sous forme d’un ensemble de mots visuels obtenus par clustering. La réduction de la taille des signatures des images consiste donc à sélectionner certains de ces mots visuels. Dans cette thèse, nous proposons deux algorithmes de sélection d’attributs (mots visuels) qui sont utilisables pour l’apprentissage supervisé ou non. Le premier algorithme, RedAttSansPerte, ne retient que les attributs qui correspondent aux irréductibles du treillis. En effet, le théorème fondamental de la théorie des treillis garantit que la structure du treillis des concepts est maintenue en ne conservant que les irréductibles. Notre algorithme utilise un graphe d’attributs, le graphe de précédence, où deux attributs sont en relation lorsque les ensembles d’objets à qui ils appartiennent sont inclus l’un dans l’autre. Nous montrons par des expérimentations que la réduction par l’algorithme RedAttsSansPerte permet de diminuer le nombre d’attributs tout en conservant de bonnes performances de classification. Le deuxième algorithme, RedAttsFloue, est une extension de l’algorithme RedAttsSansPerte. Il repose sur une version approximative du graphe de précédence. Il s’agit de supprimer les attributs selon le même principe que l’algorithme précédent, mais en utilisant ce graphe flou. Un seuil de flexibilité élevé du graphe flou entraîne mécaniquement une perte d’information et de ce fait une baisse de performance de la classification. Nous montrons par des expérimentations que la réduction par l’algorithme RedAttsFloue permet de diminuer davantage l’ensemble des attributs sans diminuer de manière significative les performances de classification. / In several scientific fields such as statistics, computer vision and machine learning, redundant and/or irrelevant information reduction in the data description (dimension reduction) is an important step. This process contains two different categories : feature extraction and feature selection, of which feature selection in unsupervised learning is hitherto an open question. In this manuscript, we discussed about feature selection on image datasets using the Formal Concept Analysis (FCA), with focus on lattice structure and lattice theory. The images in a dataset were described as a set of visual words by the bag of visual words model. Two algorithms were proposed in this thesis to select relevant features and they can be used in both unsupervised learning and supervised learning. The first algorithm was the RedAttSansPerte, which based on lattice structure and lattice theory, to ensure its ability to remove redundant features using the precedence graph. The formal definition of precedence graph was given in this thesis. We also demonstrated their properties and the relationship between this graph and the AC-poset. Results from experiments indicated that the RedAttsSansPerte algorithm reduced the size of feature set while maintaining their performance against the evaluation by classification. Secondly, the RedAttsFloue algorithm, an extension of the RedAttsSansPerte algorithm, was also proposed. This extension used the fuzzy precedence graph. The formal definition and the properties of this graph were demonstrated in this manuscript. The RedAttsFloue algorithm removed redundant and irrelevant features while retaining relevant information according to the flexibility threshold of the fuzzy precedence graph. The quality of relevant information was evaluated by the classification. The RedAttsFloue algorithm is suggested to be more robust than the RedAttsSansPerte algorithm in terms of reduction.