Parmi les méthodes appliquées dans le cadre de la maintenance des installations industrielles, l'analyse vibratoire constitue une des plus répandues. En effet, les signatures vibratoires apparaissant sur une installation en cours de fonctionnement sont étroitement liées à leur comportement dynamique et à leur état fonctionnel. Ce travail a pour objectif de développer et expérimenter des techniques et outils de calculs numériques pour l'interprétation d'indicateurs d'état issus de mesures vibratoires sur une machine tournante. La validation est faite sur un ensemble motoréducteur à engrenages. Pour cela, nous avons développé deux outils d'analyse numérique : un premier permettant de déterminer les caractéristiques modales d'une structure complexe puis un second, développé sur la base des ondelettes, pour détecter les défauts naissants sur un motoréducteur. Les performances relatives des différents outils sont comparées au regard de ce qui se fait dans la littérature. Enfin, une étude expérimentale sur banc d'essais a été menée dans le but de tester la sensibilité et les limites de la méthode. Le mémoire est articulé comme suit : une première partie développe les principales techniques vibratoires actuelles avec leurs performances et limites. De la deuxième partie traitant les théories et méthodes d'analyse modale découle une troisième présentant des méthodes améliorées. Dans la quatrième partie, une étude expérimentale sur banc d'essais a été menée dans le but de tester la sensibilité de la méthode. Une approche par la décomposition en ondelettes des signaux a été notamment utilisée. Il est démontré que cette méthode a une application intéressante dans le domaine des analyses vibratoires de structures complexes / Vibrations analysis appears to be one of the most efficient methods among those that are actually used in the field of preventive and condition-based maintenance of industrial equipments. Indeed, vibration signs from a working machine depend tightly on its dynamical behaviour and health. This thesis consists on developing some new techniques and numerical calculation tools which help while interpreting indicators issued from vibrations measurements of rotating machinery. Validation has been done especially on case study of a complex bench constituted by motor with gear transmission. Technically, it aims on one part in determining modal characteristics of the whole system, and on another part in finding out a reliable method for rotating machinery defaults detecting. The first part resumes main present vibrating techniques. From the second part which treats theoretical modal analysis arises a developing improved methods third one. At this step, some numerical codes permitting treatment and quick interpretation of analysis results were drawn up. On the fourth part, an experimental study on a test bed was carried out with the aim of confronting theoretical, analytical and numerical results with real ones.An approach by wavelet decomposition of signals was particularly used here. It is shown that this method has got interesting application in the field of complex structures vibration analysis

Pour réduire le temps d'acquisition ou bien améliorer la résolution spatio-temporelle dans certaines application en IRM, de puissantes techniques parallèles utilisant plusieurs antennes réceptrices sont apparues depuis les années 90. Dans ce contexte, les images d'IRM doivent être reconstruites à partir des données sous-échantillonnées acquises dans le « k-space ». Plusieurs approches de reconstruction ont donc été proposées dont la méthode SENSitivity Encoding (SENSE). Cependant, les images reconstruites sont souvent entâchées par des artéfacts dus au bruit affectant les données observées, ou bien à des erreurs d'estimation des profils de sensibilité des antennes. Dans ce travail, nous présentons de nouvelles méthodes de reconstruction basées sur l'algorithme SENSE, qui introduisent une régularisation dans le domaine transformé en ondelettes afin de promouvoir la parcimonie de la solution. Sous des conditions expérimentales dégradées, ces méthodes donnent une bonne qualité de reconstruction contrairement à la méthode SENSE et aux autres techniques de régularisation classique (e.g. Tikhonov). Les méthodes proposées reposent sur des algorithmes parallèles d'optimisation permettant de traiter des critères convexes, mais non nécessairement différentiables contenant des a priori parcimonieux. Contrairement à la plupart des méthodes de reconstruction qui opèrent coupe par coupe, l'une des méthodes proposées permet une reconstruction 4D (3D + temps) en exploitant les corrélations spatiales et temporelles. Le problème d'estimation d'hyperparamètres sous-jacent au processus de régularisation a aussi été traité dans un cadre bayésien en utilisant des techniques MCMC. Une validation sur des données réelles anatomiques et fonctionnelles montre que les méthodes proposées réduisent les artéfacts de reconstruction et améliorent la sensibilité/spécificité statistique en IRM fonctionnelle / To reduce scanning time or improve spatio-temporal resolution in some MRI applications, parallel MRI acquisition techniques with multiple coils have emerged since the early 90's as powerful methods. In these techniques, MRI images have to be reconstructed from acquired undersampled « k-space » data. To this end, several reconstruction techniques have been proposed such as the widely-used SENSitivity Encoding (SENSE) method. However, the reconstructed images generally present artifacts due to the noise corrupting the observed data and coil sensitivity profile estimation errors. In this work, we present novel SENSE-based reconstruction methods which proceed with regularization in the complex wavelet domain so as to promote the sparsity of the solution. These methods achieve accurate image reconstruction under degraded experimental conditions, in which neither the SENSE method nor standard regularized methods (e.g. Tikhonov) give convincing results. The proposed approaches relies on fast parallel optimization algorithms dealing with convex but non-differentiable criteria involving suitable sparsity promoting priors. Moreover, in contrast with most of the available reconstruction methods which proceed by a slice by slice reconstruction, one of the proposed methods allows 4D (3D + time) reconstruction exploiting spatial and temporal correlations. The hyperparameter estimation problem inherent to the regularization process has also been addressed from a Bayesian viewpoint by using MCMC techniques. Experiments on real anatomical and functional data show that the proposed methods allow us to reduce reconstruction artifacts and improve the statistical sensitivity/specificity in functional MRI

Thèse numérisée par la Division de la gestion de documents et des archives de l'Université de Montréal.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

L’OFDM est une technique de modulation multiporteuses largement utilisée dans des applications de communications filaires et sans-fils comme le DVB-T/T2, le Wifi, et la 4G, grâce à sa robustesse contre les canaux sélectifs en fréquence en comparaison avec la modulation monoporteuse. Cependant, le signal OFDM souffre de grandes variations d’amplitude. Les fluctuations de l’enveloppe du signal OFDM génèrent des distorsions non-linéaires quand on introduit le signal dans un équipement non-linéaire comme l’amplificateur de puissance. Réduire les variations du signal améliore le rendement de l’amplificateur, réduit la consommation énergétique et diminue les émissions de CO2 des transmissions numériques.Le PAPR (rapport de la puissance crête sur la puissance moyenne) est une variable aléatoire qui a été introduite pour mesurer les variations du signal. Il existe plusieurs systèmes multiporteuses basés sur différentes bases de modulation et filtres de mise en forme. Nous prouvons d’abord dans ces travaux que le PAPR dépend de cette structure de modulation. Ensuite, nous étudions le comportement du PAPR vis-à-vis des formes d’ondes utilisées dans la modulation. Le problème de réduction du PAPR est ainsi formulé en un problème d’optimisation. Par ailleurs, une condition nécessaire pour construire des formes d’ondes avec un meilleur PAPR que l’OFDM est développée. Cette condition est notamment satisfaite par des bases en ondelettes. Enfin, une nouvelle forme d’onde en paquets d’ondelettes adaptative est proposée, permettant des gains significatifs en PAPR, tout en maintenant les avantages des modulations multiporteuses. / OFDM is a multicarrier modulation system widely used in wireline and wireless applications such as DVB-T/T2, Wifi, and 4G, due to its resilience against frequency selective channels compared with the single carrier modulation systems. However, the OFDM signal suffers from large amplitude variations. The fluctuations of the OFDM envelope generate non-linear distortions when we introduce the signal into a non-linear device like the power amplifier. Reducing the variations of the signal improves the power amplifier efficiency, reduces the energy consumption and decreases CO2 emissions.The peak-to-average power ratio (PAPR) has been introduced as a random variable that measures the power variations of the signal. There exist several multicarrier modulation systems based on different modulation basis and shaping filters. We first prove in this work that the PAPR depends on this modulation structure. Moreover, the behaviour of the PAPR regarding to the modulation waveforms is analysed and the PAPR reduction problem is formulated as an optimization problem. Furthermore, a necessary condition for designing waveforms with better PAPR than OFDM is developed. This necessary condition is particularly satisfied by wavelet basis. Finally, a new adaptive wavelet packet waveform is proposed, allowing significant gain in terms of PAPR, while keeping the advantages of multicarrier modulations.

La séparation de sources en aveugle (SSA) vise à rechercher des signaux sources inconnus et mélangés de manière inconnue au sein de plusieurs observations. Cette approche très générique et non-supervisée ne fournit cependant pas nécessairement des résultats exploitables. Il est alors nécessaire d’ajouter des contraintes, notamment physiques, afin de privilégier la recherche de sources ayant une structure particulière. La factorisation en matrices positives (non-negative matrix factorization, NMF) qui fait plus précisément l’objet de cette thèse recherche ainsi des sources positives observées au travers de mélanges linéaires positifs.L’ajout de davantage d’information reste cependant souvent nécessaire afin de pouvoir séparer les sources. Nous nous intéressons ainsi au concept de parcimonie qui permet d’améliorer le contraste entre celles-ci tout en produisant des approches très robustes, en particulier au bruit. Nous montrons qu’afin d’obtenir des solutions stables, les contraintes de positivité et la régularisation parcimonieuse doivent être appliqués de manière adéquate. Aussi, l’utilisation de la parcimonie dans un espace transformé potentiellement redondant, permettant de capturer la structure de la plu- part des signaux naturels, se révèle difficile à appliquer au côté de la contrainte de positivité dans l’espace direct. Nous proposons ainsi un nouvel algorithme de NMF parcimonieuse, appelé nGMCA (non-negative Generalized Morphological Component Analysis), qui surmonte ces difficultés via l’utilisation de techniques de calcul proximal. Des expérimentations sur des données simulées montrent que cet algorithme est robuste à une contamination par du bruit additif Gaussien, à l’aide d’une gestion automatique du paramètre de parcimonie. Des comparaisons avec des algorithmes de l’état-de-l’art en NMF sur des données réalistes montrent l’efficacité ainsi que la robustesse de l’approche proposée.Finalement, nous appliquerons nGMCA sur des données de chromatographie en phase liquide - spectrométrie de masse (liquid chromatography - mass spectrometry, LC-MS). L’observation de ces données montre qu’elles sont contaminées par du bruit multiplicatif, lequel détériore grandement les résultats des algorithmes de NMF. Une extension de nGMCA conçue pour prendre en compte ce type de bruit à l’aide d’un a priori non-stationnaire permet alors d’obtenir d’excellents résultats sur des données réelles annotées. / Blind source separation aims at extracting unknown source signals from observations where these sources are mixed together by an unknown process. However, this very generic and non-supervised approach does not always provide exploitable results. Therefore, it is often necessary to add more constraints, generally arising from physical considerations, in order to favor the recovery of sources with a particular sought-after structure. Non-negative matrix factorization (NMF), which is the main focus of this thesis, aims at searching for non-negative sources which are observed through non-negative linear mixtures.In some cases, further information still remains necessary in order to correctly separate the sources. Here, we focus on the sparsity concept, which helps improving the contrast between the sources, while providing very robust approaches, even when the data are contaminated by noise. We show that in order to obtain stable solutions, the non-negativity and sparse constraints must be applied adequately. In addition, using sparsity in a potentially redundant transformed domain could allow to capture the structure of most of natural image, but this kind of regularization proves difficult to apply together with the non-negativity constraint in the direct domain. We therefore propose a sparse NMF algorithm, named nGMCA (non-negative Generalized Morphological Component Analysis), which overcomes these difficulties by making use of proximal calculus techniques. Experiments on simulated data show that this algorithm is robust to additive Gaussian noise contamination, with an automatic control of the sparsity parameter. This novel algorithm also proves to be more efficient and robust than other state-of-the-art NMF algorithms on realistic data.Finally, we apply nGMCA on liquid chromatography - mass spectrometry data. Observation of these data show that they are contaminated by multiplicative noise, which greatly deteriorates the results of the NMF algorithms. An extension of nGMCA was designed to take into account this type of noise, thanks to the use of a non-stationary prior. This extension is then able to obtain excellent results on annotated real data.

L'objectif de ce travail est de contribuer au développement de méthodes de choix de la meilleure base à partir d'une décomposition en paquets d'ondelettes pour la détection et la classification. Le cadre applicatif global est le choix de la meilleure base pour la détection d'événements dans le signal EMG utérin, utilisé pour la prévention des accouchements prématurés. Deux approches de modélisation sont utilisées pour mettre en évidence le contenu fréquentiel des événements. La première est fondée sur la décomposition discrète en ondelettes, la deuxième sur la décomposition en paquets d'ondelettes. La distance de Kullback Leibler est utilisée comme un critère du choix de la meilleure base pour la détection. La détection est effectuée sur les coefficients des paquets sélectionnés. Un décalage est généré différemment sur chaque paquet d'où la nécessité de redéfinir les vraies valeurs des instants de changement et d'appliquer une procédure de fusion pour avoir ensuite un seul instant de détection correspondant au signal original. Le choix des paquets les plus discriminants pour la classification est traité. Les événements détectés sont identifiés "physiologiquement" en utilisant les méthodes de K Plus Proches Voisins, la distance de Mahalanobis, les réseaux de neurones et les Machines à Vecteurs Support. Plus de 85% des événements ont été bien classifiés.

Dans cette thèse, nous nous intéressons aux méthodes permettant de décomposer une image en deux parties: l'une contenant les structures (ou objets) de l'image et l'autre les textures. Le point de départ de ces travaux est le modèle proposé par Yves Meyer en 1999 puis les travaux de Jean-François Aujol pour les aspects algorithmiques.<br />Après une étude théorique de ces approches, nous proposons une extension au cas des images bruitées nous permettant d'obtenir alors une décomposition en trois composantes: structures + textures + bruit.<br />Par ailleurs, nous proposons une méthode spécifique en vue d'évaluer les résultats obtenus à partir des différents alggorithmes. <br />Enfin, nous présentons quelques applications des ces méthodes de décomposition d'image, notamment un algorithme de détection de réseaux routiers en imagerie aérienne ou satellitaire. Cet algorithme combine décomposition d'image, détection d'alignements par la théorie de la Gestalt et modèle déformable.

Cette thèse s'inscrit dans le cadre de la statistique non paramétrique et porte sur la classification et la discrimination en grande dimension, et plus particulièrement sur la sélection de variables. Une première partie traite de la sélection de variables à travers CART, dans un cadre de régression et de classification binaire. La procédure exhaustive développée s'appuie sur le principe de la sélection de modèle qui permet d'obtenir des inégalités ``oracle'' et de réaliser la sélection de variables par contraste pénalisé. Une seconde partie est motivée par un problème industriel. Il s'agit de déterminer parmi les signaux temporels, mesurés au cours d'essais, ceux capables d'expliquer le ressenti de confort du conducteur, puis d'identifier les pages temporelles responsables de cette pertinence. La démarche adoptée s'articule autour du prétraitement des signaux, de la réduction de la dimension par projection dans une base d'ondelettes commune, et de la sélection de variables en mêlant CART et une stratégie pas à pas. Une dernière partie aborde le thème de la classification de données fonctionnelles au moyen des k-plus proches voisins. La procédure consiste à appliquer les k-plus proches voisins sur les coordonnées de la projection des données dans un espace fini dimensionnel. Cette procédure implique de déterminer simultanément la dimension de l'espace de projection et le nombre de voisins. La version usuelle des k-plus proches voisins et une version légèrement pénalisée sont considérées théoriquement. Un travail sur données réelles et simulées semble montrer qu'un faible terme de pénalité stabilise la sélection en conservant de bonnes performances.

L'objectif de l'analyse multifractale (introduite dans le cadre de la turbulence pleinement developpee) est de déterminer la dimension des ensembles de points où une fonction a une régularité hölderienne fixée. Cette information ne peut être calculée directement sur les signaux réels et une formule appelée formalisme multifractal a été introduite pour calculer ces dimensions à partir de quantités obtenues directement par traitement du signal. Elle n'est pas vraie en toute généralité et nous étudions dans cette thèse différentes situations dans lesquelles le formalisme multifractal n'est pas valide.<br />Des résultats de type " Baire " démontrent que le formalisme multifractal est vrai quasi-sûrement pour de petites valeurs de l'exposant de Hölder et faux pour les autres valeurs. Nous montrons que cela est dû à la présence de singularités oscillantes.<br />D'autre part le formalisme multifractal ne s'applique qu'aux fonctions continues. Nous montrons qu'il est possible de généraliser la formule, en passant d'un critère de régularité ponctuelle hölderienne à un critère plus faible, à des fonctions qui peuvent ne plus être continues.<br />Enfin nous étudions un cas particulier de phénomène oscillant en dimension 2 qui n'est pas caractérisé par les critères de régularité ponctuelle précédents. Nous proposons une méthode d'analyse de ce comportement à base d'un algorithme de traitement de l'image.