La Spectroscopie de Masse d'Ions Secondaires (SIMS) permet d'obtenir des images de distributions d'atomes à la surface d'un échantillon. La réponse impulsionnelle (RI) de l'instrument est inconnue. La déconvolution en aveugle a pour but d'enlever le flou associé. Ce problème mal conditionné est résolu en contraignant sa solution (régularisation). Le degré optimum de régularisation dépend d'un paramètre à déterminer. Il est trouvé, ainsi que ceux de la RI, par la méthode de validation croisée généralisée. Une étape de calibrage restreint l'espace de recherche des paramètres de la RI et les calculs sont accélérés en exploitant le modèle gaussien. L'image est déconvoluée en résolvant un grand système linéaire par la méthode du gradient conjugué. Un préconditionnement exploitant la séparabilité de la RI (isotrope ou anisotrope) en accélère la convergence. On montre comment utiliser plusieurs images d'un échantillon pour avoir une résolution plus fine (super-résolution). / Secondary Ion Mass Spectrometry (SIMS) creates images of atomic distributions on a sample's surface. The point spread function (PSF) is unknown. Blind deconvolution is used to remove the associated blur. This ill-conditionned problem is solved by constraining its solution (regularization). The optimum degree of regularization depends on a parameter to be determined. This parameter is found, as well as those of the PSF, by the generalized cross validation method. A calibration phase reduces the search space for the PSF parameters. The gaussian model used for the PSF is exploited to accelerate the computations. The image is deconvolved by solving a large linear system with the conjugate gradient method. A preconditionner making use of the PSF separability (isotropic or anisotropic) speeds up convergence.

L'objet de ce travail de recherche est de construire un modèle approché en vue de simuler les trajectoires d'un processus stochastique non gaussien strictement stationnaire sous la seule donnée (incomplète) de sa loi marginale d'ordre un, ou des N premiers moments de cette loi, et de sa fonction d'autocorrélation. La méthode de simulation développée au cours de cette thèse s'appuie sur deux méthodes bien connues de simulation de processus gaussiens : la méthode spectrale et la markovianisation. D'autre part, si seuls les N premiers moments de la loi marginale sont donnés, le principe de maximum d'entropie est utilisé pour choisir cette loi. A partir de la loi marginale est construite une transformation non linéaire qui est ensuite projetée sur la base des polynomes d'Hermite. Le modèle construit consiste donc en une transformation polynomiale d'un processus gaussien stationnaire standard dont la fonction d'autocorrélation est déterminée à l'aide d'un problème de minimisation. Cette méthode de simulation est mise en oeuvre dans des exemples numériques inspirés de l'ingénierie mécanique. Enfin, les convergences en moyenne quadratique et presque-sure du modèle ont été étudiées.

Cette thèse se consacre à une analyse rigoureuse des algorithmes d'optimisation globale équentielle. On se place dans un modèle de bandits stochastiques où un agent vise à déterminer l'entrée d'un système optimisant un critère. Cette fonction cible n'est pas connue et l'agent effectue séquentiellement des requêtes pour évaluer sa valeur aux entrées qu'il choisit. Cette fonction peut ne pas être convexe et contenir un grand nombre d'optima locaux. Nous abordons le cas difficile où les évaluations sont coûteuses, ce qui exige de concevoir une sélection rigoureuse des requêtes. Nous considérons deux objectifs, d'une part l'optimisation de la somme des valeurs reçues à chaque itération, d'autre part l'optimisation de la meilleure valeur trouvée jusqu'à présent. Cette thèse s'inscrit dans le cadre de l'optimisation bayésienne lorsque la fonction est une réalisation d'un processus stochastique connu, et introduit également une nouvelle approche d'optimisation par ordonnancement où l'on effectue seulement des comparaisons des valeurs de la fonction. Nous proposons des algorithmes nouveaux et apportons des concepts théoriques pour obtenir des garanties de performance. Nous donnons une stratégie d'optimisation qui s'adapte à des observations reçues par batch et non individuellement. Une étude générique des supremums locaux de processus stochastiques nous permet d'analyser l'optimisation bayésienne sur des espaces de recherche nonparamétriques. Nous montrons également que notre approche s'étend à des processus naturels non gaussiens. Nous établissons des liens entre l'apprentissage actif et l'apprentissage statistique d'ordonnancements et déduisons un algorithme d'optimisation de fonctions potentiellement discontinue. / This dissertation is dedicated to a rigorous analysis of sequential global optimization algorithms. We consider the stochastic bandit model where an agent aim at finding the input of a given system optimizing the output. The function which links the input to the output is not explicit, the agent requests sequentially an oracle to evaluate the output for any input. This function is not supposed to be convex and may display many local optima. In this work we tackle the challenging case where the evaluations are expensive, which requires to design a careful selection of the input to evaluate. We study two different goals, either to maximize the sum of the rewards received at each iteration, or to maximize the best reward found so far. The present thesis comprises the field of global optimization where the function is a realization from a known stochastic process, and the novel field of optimization by ranking where we only perform function value comparisons. We propose novel algorithms and provide theoretical concepts leading to performance guarantees. We first introduce an optimization strategy for observations received by batch instead of individually. A generic study of local supremum of stochastic processes allows to analyze Bayesian optimization on nonparametric search spaces. In addition, we show that our approach extends to natural non-Gaussian processes. We build connections between active learning and ranking and deduce an optimization algorithm of potentially discontinuous functions.

Un radar Multiple-Input Multiple-Output (MIMO) est celui où les émetteurs envoient des formes d'ondes différentes (orthogonales ou partiellement corrélées) qui peuvent être séparées à la réception. En outre, les émetteurs et récepteurs peuvent être colocalisés ou largement séparés. La première partie de la thèse porte sur la détection dans des environnements gaussiens et non gaussiens en utilisant un radar MIMO, qui contient plusieurs sous-réseaux largement séparés avec un ou plusieurs éléments chacun. Deux situations différentes sont considérées. Premièrement, nous considérons que les interférences sont gaussiennes, mais une corrélation entre les sous-réseaux peut survenir en raison d'un espacement insuffisant et de l'orthogonalité imparfaite des formes d'ondes. Deuxièmement, nous considérons que les interférences sont non gaussiennes, une situation qui se présente quand il y a du fouillis de sol ou de mer et lorsque la résolution est très élevée. La deuxième partie est dédiée à l'utilisation de techniques MIMO pour le Space-Time Adaptive Processing (STAP). La configuration MIMO cohérente est étudiée en changeant la distribution et l'espacement des éléments d'antenne pour améliorer les performances de détection et d'estimation. En outre, une étude préliminaire est également présentée sur l'utilisation de la diversité spatiale pour rendre le radar plus robuste aux fluctuations de la RCS et à la variation de la vitesse de la cible par rapport à l'angle d'incidence du signal émis et reçu. / A Multiple-Input Multiple Output (MIMO) radar can be broadly defined as a radar system employing multiple transmit waveforms and having the ability to jointly process signals received at multiple receive antennas. In terms of configurations, the antennas can be widely separated or co-located. The first part of the thesis is on detection under Gaussian and non-Gaussian environments using a MIMO radar which contains several widely separated subarrays with one or more elements each. Two different situations are considered. Firstly, we consider that the interference is Gaussian but correlation between subarrays can arise due to insufficient spacing and the imperfect orthogonality of waveforms. Secondly, we consider that the interference is non-Gaussian, a situation which arises under sea and ground clutter and when the resolution is very high. The second part is on the application of MIMO techniques to Space-Time Adaptive Processing (STAP). The coherent MIMO configuration is studied in terms of antenna element distribution and inter-element spacing to improve detection and estimation performance. A preliminary study is also done on the use of spatial diversity to improve detection stability w.r.t. target Radar Cross Section (RCS) fluctuations and velocity direction changes.

On s'intéresse au problème d'interpolation d'une fonction numérique d'une ou plusieurs variables réelles lorsque qu'elle est connue pour satisfaire certaines propriétés comme, par exemple, la positivité, monotonie ou convexité. Deux méthodes d'interpolation sont étudiées. D'une part, une approche déterministe conduit à un problème d'interpolation optimale sous contraintes linéaires inégalité dans un Espace de Hilbert à Noyau Reproduisant (RKHS). D'autre part, une approche probabiliste considère le même problème comme un problème d'estimation d'une fonction dans un cadre bayésien. Plus précisément, on considère la Régression par Processus Gaussien ou Krigeage pour estimer la fonction à interpoler sous les contraintes linéaires de type inégalité en question. Cette deuxième approche permet également de construire des intervalles de confiance autour de la fonction estimée. Pour cela, on propose une méthode d'approximation qui consiste à approcher un processus gaussien quelconque par un processus gaussien fini-dimensionnel. Le problème de krigeage se ramène ainsi à la simulation d'un vecteur gaussien tronqué à un espace convexe. L'analyse asymptotique permet d'établir la convergence de la méthode et la correspondance entre les deux approches déterministeet probabiliste, c'est le résultat théorique de la thèse. Ce dernier est vu comme unegénéralisation de la correspondance établie par [Kimeldorf and Wahba, 1971] entre estimateur bayésien et spline d'interpolation. Enfin, une application réelle dans le domainede l'assurance (actuariat) pour estimer une courbe d'actualisation et des probabilités dedéfaut a été développée. / This thesis is dedicated to interpolation problems when the numerical function is known to satisfy some properties such as positivity, monotonicity or convexity. Two methods of interpolation are studied. The first one is deterministic and is based on convex optimization in a Reproducing Kernel Hilbert Space (RKHS). The second one is a Bayesian approach based on Gaussian Process Regression (GPR) or Kriging. By using a finite linear functional decomposition, we propose to approximate the original Gaussian process by a finite-dimensional Gaussian process such that conditional simulations satisfy all the inequality constraints. As a consequence, GPR is equivalent to the simulation of a truncated Gaussian vector to a convex set. The mode or Maximum A Posteriori is defined as a Bayesian estimator and prediction intervals are quantified by simulation. Convergence of the method is proved and the correspondence between the two methods is done. This can be seen as an extension of the correspondence established by [Kimeldorf and Wahba, 1971] between Bayesian estimation on stochastic process and smoothing by splines. Finally, a real application in insurance and finance is given to estimate a term-structure curve and default probabilities.

Cette étude est basée sur des données multi-altitudes aéroportées acquises en juillet 2004 lors d'un événement atmosphérique inhabituel dans la région de Saint-Jean-sur-Richelieu. Nous entendons en cela une atmosphère dont la distribution des aérosols ne respecte pas les variations habituellement implémentée dans les codes de transfert radiatifs. Les surfaces au sol imagées pendant cette campagne de terrain couvraient une variété spectrale assez diversifiée, à savoir des surfaces agricoles, des plans d'eau et des zones urbaines et forestières. L'aspect multi-altitude de cette acquisition de données a permis de caractériser les mêmes cibles au sol avec des contributions de l'atmosphère variant en fonction de l'altitude considérée afin de caractériser au mieux la perturbation observée durant cette campagne et de permettre une meilleure caractérisation de la perturbation apportée par une variation non-standard (panache de fumée). La transformation de la luminance apparente aux trois altitudes en réflectance apparente et l'implémentation de la perturbation apportée par le panache de fumée dans un modèle classique a permis une correction atmosphérique appliquée aux deux altitudes les plus hautes. Les résultats ont démontré une cohérence avec les réflectances apparentes de validation qui confirmait la véracité de notre modélisation du cas non-standard. Ces résultats ont d'autant plus étés pertinent [i.e. pertinents] pour la plus haute altitude de 3,17km : la réflectance apparente à cette altitude est au dessus de la majeur [i.e. majeure] partie du panache de fumée et intègre une bonne proportion de la perturbation apportée par ce panache, ce qui représente un test probant de notre capacité à corriger adéquatement l'influence de cette perturbation. Les perturbations atmosphériques standard sont évidemment prises en compte dans la majorité des modèles atmosphériques, mais ceux-ci sont souvent basés sur des variations monotones des caractéristiques physiques de l'atmosphère avec l'altitude. Lorsque la radiation atmosphérique est perturbée, par un panache de fumée ou un événement de pollution atmosphérique local et non standard, cela nécessite une modélisation et une modification adéquate des modèles existants en fonction des paramètres que l'on pourra obtenir sur ladite perturbation. Les intrants principaux de cette étude étaient ceux normalement utilisés lors d'une correction atmosphérique classique à savoir les luminances apparentes mesurées par un imageur aéroporté mais à trois altitudes différentes et l'épaisseur optique des aérosols (AOD) qui était acquise depuis le sol. La méthodologie que nous avons employé [i.e. employée] utilise aussi un code de transfert radiatif (CAM5S, pour Canadian Modified 5S, qui vient directement du code de transfert radiatif 5S dans le visible et proche infrarouge). Cependant il nous faudra aussi avoir recours à d'autres paramètres et données afin de modéliser correctement la situation atmosphérique particulière présente sur les images multi-altitude acquises pendant la campagne de terrain à Saint-Jean-sur-Richelieu. Nous avons alors élaboré un protocole de modélisation de perturbation atmosphérique non standard où une gamme de données auxiliaires disponibles est venue compléter nos données principales. Cela a permis l'élaboration d'une méthodologie robuste et relativement simple adaptée à notre problématique. Ces données auxiliaires, à savoir des données météorologiques, des profils LEDAR, différentes images satellites et des données de photomètres solaires qui ont permis la détermination de la fonction de phase des aérosols, ont été suffisantes pour établir une modélisation adéquate du panache de fumée observé en terme de distribution verticale non monotone des paramètres physiques relevés lors de cette campagne. Cette distribution non-standard à été par la suite interprétée en terme de profil spécifique de l'AOD qui a remplacé les profils des AOD employés dans le modèle de correction atmosphérique CAM5S. En fonction de cette modélisation, nous montrons que l'erreur entre les réflectances apparentes au sol obtenu [i.e. obtenue] par le processus de correction atmosphérique et les réflectances apparentes au sol provenant du processus de validation dR*(0), moyenné quadratiquement à travers les bandes visibles, reste majoritairement dans une gamme inférieure à 0,01 d'erreur quadratique moyenne des R*(0) après avoir modélisé la perturbation non-standard, ce qui permet une estimation plus acceptable des réflectances multi-altitude et du biais existant entre la prise en compte et la non prise en compte de cette perturbation dans le modèle atmosphérique. D'importants écarts ont néanmoins été observés, majoritairement attribuables à la difficulté apportée par les conditions d'acquisition, les grandes disparités observées entre l'échantillonnage des mêmes surfaces aux trois altitudes, et probablement des erreurs de modélisation et/ou de calibration. La nécessité d'améliorer le processus d'acquisition, de modélisation et de prévision de telle perturbation est largement décrit dans ce document afin de permettre à l'avenir d'établir un protocole d'acquisition plus adapté grâce notamment à une surveillance et un suivi des perturbations atmosphériques maintenant possible grâce aux outils décrits. L'originalité de cette étude réside dans une nouvelle approche de la caractérisation de ces perturbations atmosphériques par l'incorporation d'une structure non standard dans un modèle de correction atmosphérique opérationnel et de démontrer que cette approche présente des améliorations significatives des résultats par rapport à une approche qui ignore la perturbation du profil vertical standard tout en utilisant des valeurs d'AOD totaux correctement mesurés. Le modèle de profil que nous avons employé était simple et robuste, mais a capturé suffisamment de caractéristiques du panache pour réaliser des améliorations significatives en termes de précision de correction atmosphérique. Le processus global d'aborder tous les problèmes rencontrés dans l'analyse de notre perturbation des aérosols nous a aidé à construire une méthodologie appropriée pour caractériser ces événements sur la base de la disponibilité des données, distribué gratuitement et accessibles à la communauté scientifique. Cela rend cette étude adaptable et exportable à d'autres problématiques du même genre.

La classification spectrale consiste à créer, à partir des éléments spectraux d'une matrice d'affinité gaussienne, un espace de dimension réduite dans lequel les données sont regroupées en classes. Cette méthode non supervisée est principalement basée sur la mesure d'affinité gaussienne, son paramètre et ses éléments spectraux. Cependant, les questions sur la séparabilité des classes dans l'espace de projection spectral et sur le choix du paramètre restent ouvertes. Dans un premier temps, le rôle du paramètre de l'affinité gaussienne sera étudié à travers des mesures de qualités et deux heuristiques pour le choix de ce paramètre seront proposées puis testées. Ensuite, le fonctionnement même de la méthode est étudié à travers les éléments spectraux de la matrice d'affinité gaussienne. En interprétant cette matrice comme la discrétisation du noyau de la chaleur définie sur l'espace entier et en utilisant les éléments finis, les vecteurs propres de la matrice affinité sont la représentation asymptotique de fonctions dont le support est inclus dans une seule composante connexe. Ces résultats permettent de définir des propriétés de classification et des conditions sur le paramètre gaussien. A partir de ces éléments théoriques, deux stratégies de parallélisation par décomposition en sous-domaines sont formulées et testées sur des exemples géométriques et de traitement d'images. Enfin dans le cadre non supervisé, le classification spectrale est appliquée, d'une part, dans le domaine de la génomique pour déterminer différents profils d'expression de gènes d'une légumineuse et, d'autre part dans le domaine de l'imagerie fonctionnelle TEP, pour segmenter des régions du cerveau présentant les mêmes courbes d'activités temporelles.

.

Ce travail est au confluent de la théorie des algèbres d'opérateurs<br />et des probabilités non-commutatives. Nous étudions les propriétés<br />des algèbres de von Neumann, $\Gamma_{q}(H_{\R})$, engendrées par<br />des variables Gaussiennes non-commutatives et $q$-déformées. Ces<br />variables $q$-Gaussiennes sont des opérateurs agissant sur l'espace<br />de Fock $q$-déformé, où sont réalisées les relations de<br />$q$-commutations canoniques.<br /><br />Dans la première partie de ce mémoire, nous établissons des<br />inégalités à coefficients opérateurs de type Khintchine-$L^{\infty}$<br />pour les produits de Wick des algèbres $q$-Gaussiennes. Ces<br />inégalités étendent d'un côté les inégalités scalaires dues à<br />Haagerup dans le cas libre et d'un autre côté les inégalités à<br />coefficients opérateurs, pour les $q$-Gaussiens, dues à Bo\.zejko et<br />Speicher. A l'aide de ces inégalités nous en déduisons que les<br />algèbres $\Gamma_q(H_{\R})$ sont non injectives dès que<br />$\dim_{\R}(H_{\R})\ge 2$.<br /><br />La deuxième partie est dédiée à la construction d'un modèle<br />asymptotique matriciel pour les variables $q$-Gaussiennes.<br />L'existence d'un tel modèle nous permet de prouver que les algèbres<br />$\Gamma_{q}(H_{\R})$ sont QWEP.<br /><br />Chemin faisant, nous traitons également le cas $C^*-$algébrique et<br />étudions diverses généralisations des résultats précédents pour les<br />déformations par opérateur de Yang-Baxter et pour les déformations<br />$q$-Gaussiennes de type $I\!I\!I$.

Il est peu connu que les problèmes de dynamique quantique peuvent être résolus au moyen de trajectoires, issues de l'interprétation Bohmienne de la mécanique quantique. La propagation numérique de ces trajectoires quantiques constitue cependant un véritable défi, du fait de la difficulté d'évaluer précisément les dérivées spatiales mises<br />en jeu dans les équations. Dans cette thèse nous présentons des approximations permettant de propager les trajectoires quantiques sans instabilités numériques. Nous nous intéressons particulièrement aux systèmes constitués de plusieurs états électroniques couplés. D'une part, nous développons une approximation semi-classique qui découple partiellement la propagation des trajectoires des transitions<br />inter-états. D'autre part, nous appliquons aux systèmes à plusieurs états une reformulation des équations hydrodynamiques en termes de dérivées spatiales. Dans les deux cas, le formalisme est établi puis appliqué numériquement à des processus modèles.