Cette thèse est consacrée à l'analyse théorique de problèmes non supervisés impliquant des séries temporelles hautement dépendantes. Plus particulièrement, nous abordons les deux problèmes fondamentaux que sont le problème d'estimation des points de rupture et le partitionnement de séries temporelles. Ces problèmes sont abordés dans un cadre extrêmement général oùles données sont générées par des processus stochastiques ergodiques stationnaires. Il s'agit de l'une des hypothèses les plus faibles en statistiques, comprenant non seulement, les hypothèses de modèles et les hypothèses paramétriques habituelles dans la littérature scientifique, mais aussi des hypothèses classiques d'indépendance, de contraintes sur l'espace mémoire ou encore des hypothèses de mélange. En particulier, aucune restriction n'est faite sur la forme ou la nature des dépendances, de telles sortes que les échantillons peuvent être arbitrairement dépendants. Pour chaque problème abordé, nous proposons de nouvelles méthodes non paramétriques et nous prouvons de plus qu'elles sont, dans ce cadre, asymptotiquement consistantes. Pour l'estimation de points de rupture, la consistance asymptotique se rapporte à la capacité de l'algorithme à produire des estimations des points de rupture qui sont asymptotiquement arbitrairement proches des vrais points de rupture. D'autre part, un algorithme de partitionnement est asymptotiquement consistant si le partitionnement qu'il produit, restreint à chaque lot de séquences, coïncides, à partir d'un certain temps et de manière consistante, avec le partitionnement cible. Nous montrons que les algorithmes proposés sont implémentables efficacement, et nous accompagnons nos résultats théoriques par des évaluations expérimentales. L'analyse statistique dans le cadre stationnaire ergodique est extrêmement difficile. De manière générale, il est prouvé que les vitesses de convergence sont impossibles à obtenir. Dès lors, pour deux échantillons générés indépendamment par des processus ergodiques stationnaires, il est prouvé qu'il est impossible de distinguer le cas où les échantillons sont générés par le même processus de celui où ils sont générés par des processus différents. Ceci implique que des problèmes tels le partitionnement de séries temporelles sans la connaissance du nombre de partitions ou du nombre de points de rupture ne peut admettre de solutions consistantes. En conséquence, une tâche difficile est de découvrir les formulations du problème qui en permettent une résolution dans ce cadre général. La principale contribution de cette thèse est de démontrer (par construction) que malgré ces résultats d'impossibilités théoriques, des formulations naturelles des problèmes considérés existent et admettent des solutions consistantes dans ce cadre général. Ceci inclut la démonstration du fait que le nombre de points de rupture corrects peut être trouvé, sans recourir à des hypothèses plus fortes sur les processus stochastiques. Il en résulte que, dans cette formulation, le problème des points de rupture peut être réduit à du partitionnement de séries temporelles. Les résultats présentés dans ce travail formulent les fondations théoriques pour l'analyse des données séquentielles dans un espace d'applications bien plus large.

La qualité de communication dans un réseau sans fil est déterminée par la qualité du signal, et plus précisément par le rapport signal à interférence et bruit. Cela pousse chaque récepteur à se connecter à l'émetteur qui lui donne la meilleure qualité du signal. Nous utilisons la géométrie stochastique et la théorie des extrêmes pour obtenir la distribution de la meilleure qualité du signal, ainsi que celles de interférence et du maximum des puissances reçues. Nous mettons en évidence comment la singularité de la fonction d'affaiblissement modifie leurs comportements. Nous nous intéressons ensuite au comportement temporel des signaux radios en étudiant le franchissement de seuils par un processus stationnaire X (t). Nous démontrons que l'intervalle de temps que X (t) passe au-dessus d'un seuil γ → −∞ suit une distribution exponentielle, et obtenons 'egalement des r'esultats caract'erisant des franchissements par X (t) de plusieurs seuils adjacents. Ces r'esultats sont ensuite appliqu'es 'a la gestion de mobilit'e dans les r'eseaux cellulaires. Notre travail se concentre sur la fonction de 'handover measurement'. Nous identifions la meilleure cellule voisine lors d'un handover. Cette fonction joue un rôle central sur expérience perçue par l'utilisateur. Mais elle demande une coopération entre divers mécanismes de contrôle et reste une question difficile. Nous traitons ce problème en proposant des approches analytiques pour les réseaux émergents de types macro et pico cellulaires, ainsi qu'une approche d'auto- optimisation pour les listes de voisinage utilisées dans les réseaux cellulaires actuels.

Signal processing has been playing a key role in providing solutions to key problems encountered in communications, in general, and in wireless communications, in particular. Time-Frequency Signal Processing (TFSP) provides eective tools for analyzing nonstationary signals where the frequency content of signals varies in time as well as for analyzing linear time-varying systems. This research aimed at exploiting the advantages of TFSP, in dealing with nonstationary signals, into the fundamental issues of signal processing, namely the signal estimation and signal separation. In particular, it has investigated the problems of (i) the Instantaneous Frequency (IF) estimation of Linear Frequency-Modulated (LFM) signals corrupted in complex-valued zero-mean Multiplicative Noise (MN), and (ii) the Underdetermined Blind Source Separation (UBSS) of LFM signals, while focusing onto the fast-growing area of Wireless Communications (WCom). A common problem in the issue of signal estimation is the estimation of the frequency of Frequency-Modulated signals which are seen in many engineering and real-life applications. Accurate frequency estimation leads to accurate recovery of the true information. In some applications, the random amplitude modulation shows up when the medium is dispersive and/or when the assumption of point target is not valid; the original signal is considered to be corrupted by an MN process thus seriously aecting the recovery of the information-bearing frequency. The IF estimation of nonstationary signals corrupted by complex-valued zero-mean MN was investigated in this research. We have proposed a Second-Order Statistics approach, rather than a Higher-Order Statistics approach, for IF estimation using Time-Frequency Distributions (TFDs). The main assumption was that the autocorrelation function of the MN is real-valued but not necessarily positive (i.e. the spectrum of the MN is symmetric but does not necessary has the highest peak at zero frequency). The estimation performance was analyzed in terms of bias and variance, and compared between four dierent TFDs: Wigner-Ville Distribution, Spectrogram, Choi-Williams Distribution and Modified B Distribution. To further improve the estimation, we proposed to use the Multiple Signal Classification algorithm and showed its better performance. It was shown that the Modified B Distribution performance was the best for Signal-to-Noise Ratio less than 10dB. In the issue of signal separation, a new research direction called Blind Source Separation (BSS) has emerged over the last decade. BSS is a fundamental technique in array signal processing aiming at recovering unobserved signals or sources from observed mixtures exploiting only the assumption of mutual independence between the signals. The term "blind" indicates that neither the structure of the mixtures nor the source signals are known to the receivers. Applications of BSS are seen in, for example, radar and sonar, communications, speech processing, biomedical signal processing. In the case of nonstationary signals, a TF structure forcing approach was introduced by Belouchrani and Amin by defining the Spatial Time- Frequency Distribution (STFD), which combines both TF diversity and spatial diversity. The benefit of STFD in an environment of nonstationary signals is the direct exploitation of the information brought by the nonstationarity of the signals. A drawback of most BSS algorithms is that they fail to separate sources in situations where there are more sources than sensors, referred to as UBSS. The UBSS of nonstationary signals was investigated in this research. We have presented a new approach for blind separation of nonstationary sources using their TFDs. The separation algorithm is based on a vector clustering procedure that estimates the source TFDs by grouping together the TF points corresponding to "closely spaced" spatial directions. Simulations illustrate the performances of the proposed method for the underdetermined blind separation of FM signals. The method developed in this research represents a new research direction for solving the UBSS problem. The successful results obtained in the research development of the above two problems has led to a conclusion that TFSP is useful for WCom. Future research directions were also proposed.

Thesis (M.S.)-- Air Force Institute of Technology. / The original document contains color images.

No description available.

Le mouvement Brownien réfléchi de manière oblique dans le quadrant, introduit par Harrison, Reiman, Varadhan et Williams dans les années 80, est un objet largement analysé dans la littérature probabiliste. Cette thèse, qui présente l’étude complète de la mesure invariante de ce processus dans tous les cônes du plan, a pour objectif plus global d’étendre au cadre continu une méthode analytique développée initialement pour les marches aléatoires dans le quart de plan par Fayolle, Iasnogorodski et Malyshev dans les années 70. Cette approche est basée sur des équations fonctionnelles, reliant des fonctions génératrices dans le cas discret et des transformées de Laplace dans le cas continu. Ces équations permettent de déterminer et de résoudre des problèmes frontière satisfaits par ces fonctions génératrices. Dans le cas récurrent, cela permet de calculer explicitement la mesure invariante du processus avec rebonds orthogonaux, dans le chapitre 2, et avec rebonds quelconques, dans le chapitre 3. Les transformées de Laplace des mesures invariantes sont prolongées analytiquement sur une surface de Riemann induite par le noyau de l’équation fonctionnelle. L’étude des singularités et l’application de méthodes du point col sur cette surface permettent de déterminer l’asymptotique complète de la mesure invariante selon toutes les directions dans le chapitre 4. / Obliquely reflected Brownian motion in the quadrant, introduced by Harrison, Reiman, Varadhan and Williams in the eighties, has been studied a lot in the probabilistic literature. This thesis, which presents the complete study of the invariant measure of this process in all the cones of the plan, has for overall aim to extend to the continuous framework an analytic method initially developped for random walks in the quarter plane by Fayolle, Iasnogorodski and Malyshev in the seventies. This approach is based on functional equations which link generating functions in the discrete case and Laplace transform in the continuous case. These equations allow to determine and to solve boundary value problems satisfied by these generating functions. In the recurrent case, it permits to compute explicitly the invariant measure of the process with orthogonal reflexions, in the chapter 2, and with any reflexions, in the chapter 3. The Laplace transform of the invariant measure is analytically extended to a Riemann surface induced by the kernel of the functional equation. The study of singularities and the use of saddle point methods on this surface allows to determine the full asymptotics of the invariant measure along every directions in the chapter 4.

Cette thèse est une contribution à la construction de l’Approche Locale de la rupture à l’échelle microscopique à l’aide de la modélisation d’agrégats polycristallins. Elle consiste à prendre en compte la variabilité spatiale de la microstructure du matériau. Pour ce faire, la modélisation micromécanique du matériau est réalisée par la simulation d’agrégats polycristallins par éléments finis. Les champs aléatoires de contrainte (principale maximale et de clivage) dans le matériau qui représentent la variabilité spatiale de la microstructure sont ensuite modélisés par un champ aléatoire gaussien stationnaire ergodique. Les propriétés de variabilité spatiale de ces champs sont identifiés par une méthode d’identification, e.g. méthode du périodogramme, méthode du variogramme, méthode du maximum de vraisemblance. Des réalisations synthétiques des champs de contraintes sont ensuite simulées par une méthode de simulation, e.g. méthode Karhunen-Loève discrète, méthode “Circulant Embedding”, méthode spectrale, sans nouveau calcul aux éléments finis. Enfin, le modèle d’Approche Locale de la rupture par simulation de champ de contrainte de clivage permettant d’y intégrer les réalisations simulées du champ est construit pour estimer la probabilité de rupture du matériau. / This thesis is a contribution to the construction of the Local Approach to fracture at the microscopic scale using polycrystalline aggregate modeling. It consists in taking into account the spatial variability of the microstructure of the material. To do this, the micromechanical modeling is carried out by finite element analysis of polycrystalline aggregates. The random stress fields (maximum principal et cleavage stress) in the material representing the spatial variability of the microstructure are then modeled by a stationary ergodic Gaussian random field. The properties of the spatial variability of these fields are identified by an identification method, e.g. periodogram method, variogram method, maximum likelihood method. The synthetic realizations of the stress fields are then simulated by a simulation method, e.g. discrete Karhunen-Loève method, circulant embedding method, spectral method, without additional finite element calculations. Finally, a Local Approach to fracture by simulation of the cleavage stress field using the simulated realizations is constructed to estimate the rupture probability of the material.

We establish the existence of a symmetry within the Gromov-Witten theory of CPn and its blowup along points. The nature of this symmetry is encoded in the Cremona transform and its resolution, which lives on the toric variety of the permutohedron. This symmetry expresses some difficult to compute invariants in terms of others less difficult to compute. We focus on enumerative implications; in particular this technique yields a one line proof of the uniqueness of the rational normal curve. Our method involves a study of the toric geometry of the permutohedron, and degeneration of Gromov-Witten invariants. / En este trabajo establecemos la existencia de una simetra en el marco de la teora de Gromov-Witten para CPn y su explosion a lo largo de puntos. La naturaleza de esta simetra queda codicada en la transformacion de Cremona y su resolucion en una variedad torica del permutoedro. Esta simetra expresa algunos invariantes difciles de calcular junto con otros que no lo son tanto. Nos centramos en implicaciones enumerativas; en particular esta tecnica ofrece una prueba enuna lnea de la unicidad de la curva racional normal. Nuestro metodo involucra un estudio de la geometra torica del permutoedro, as como el de la degeneracion de los invariantes de Gromov-Witten.

No description available.

Extracting useful knowledge from data sets is a key concept in modern information systems. Consequently, the need of efficient techniques to extract the desired knowledge has been growing over time. Machine learning is a research field dedicated to the development of techniques capable of enabling a machine to \"learn\" from data. Many techniques have been proposed so far, but there are still issues to be unveiled specially in interdisciplinary research. In this thesis, we explore the advantages of network data representation to develop machine learning techniques based on dynamical processes on networks. The network representation unifies the structure, dynamics and functions of the system it represents, and thus is capable of capturing the spatial, topological and functional relations of the data sets under analysis. We develop network-based techniques for the three machine learning paradigms: supervised, semi-supervised and unsupervised. The random walk dynamical process is used to characterize the access of unlabeled data to data classes, configuring a new heuristic we call ease of access in the supervised paradigm. We also propose a classification technique which combines the high-level view of the data, via network topological characterization, and the low-level relations, via similarity measures, in a general framework. Still in the supervised setting, the modularity and Katz centrality network measures are applied to classify multiple observation sets, and an evolving network construction method is applied to the dimensionality reduction problem. The semi-supervised paradigm is covered by extending the ease of access heuristic to the cases in which just a few labeled data samples and many unlabeled samples are available. A semi-supervised technique based on interacting forces is also proposed, for which we provide parameter heuristics and stability analysis via a Lyapunov function. Finally, an unsupervised network-based technique uses the concepts of pinning control and consensus time from dynamical processes to derive a similarity measure used to cluster data. The data is represented by a connected and sparse network in which nodes are dynamical elements. Simulations on benchmark data sets and comparisons to well-known machine learning techniques are provided for all proposed techniques. Advantages of network data representation and dynamical processes for machine learning are highlighted in all cases / A extração de conhecimento útil a partir de conjuntos de dados é um conceito chave em sistemas de informação modernos. Por conseguinte, a necessidade de técnicas eficientes para extrair o conhecimento desejado vem crescendo ao longo do tempo. Aprendizado de máquina é uma área de pesquisa dedicada ao desenvolvimento de técnicas capazes de permitir que uma máquina \"aprenda\" a partir de conjuntos de dados. Muitas técnicas já foram propostas, mas ainda há questões a serem reveladas especialmente em pesquisas interdisciplinares. Nesta tese, exploramos as vantagens da representação de dados em rede para desenvolver técnicas de aprendizado de máquina baseadas em processos dinâmicos em redes. A representação em rede unifica a estrutura, a dinâmica e as funções do sistema representado e, portanto, é capaz de capturar as relações espaciais, topológicas e funcionais dos conjuntos de dados sob análise. Desenvolvemos técnicas baseadas em rede para os três paradigmas de aprendizado de máquina: supervisionado, semissupervisionado e não supervisionado. O processo dinâmico de passeio aleatório é utilizado para caracterizar o acesso de dados não rotulados às classes de dados configurando uma nova heurística no paradigma supervisionado, a qual chamamos de facilidade de acesso. Também propomos uma técnica de classificação de dados que combina a visão de alto nível dos dados, por meio da caracterização topológica de rede, com relações de baixo nível, por meio de medidas de similaridade, em uma estrutura geral. Ainda no aprendizado supervisionado, as medidas de rede modularidade e centralidade Katz são aplicadas para classificar conjuntos de múltiplas observações, e um método de construção evolutiva de rede é aplicado ao problema de redução de dimensionalidade. O paradigma semissupervisionado é abordado por meio da extensão da heurística de facilidade de acesso para os casos em que apenas algumas amostras de dados rotuladas e muitas amostras não rotuladas estão disponíveis. É também proposta uma técnica semissupervisionada baseada em forças de interação, para a qual fornecemos heurísticas para selecionar parâmetros e uma análise de estabilidade mediante uma função de Lyapunov. Finalmente, uma técnica não supervisionada baseada em rede utiliza os conceitos de controle pontual e tempo de consenso de processos dinâmicos para derivar uma medida de similaridade usada para agrupar dados. Os dados são representados por uma rede conectada e esparsa na qual os vértices são elementos dinâmicos. Simulações com dados de referência e comparações com técnicas de aprendizado de máquina conhecidas são fornecidos para todas as técnicas propostas. As vantagens da representação de dados em rede e de processos dinâmicos para o aprendizado de máquina são evidenciadas em todos os casos