L’apprentissage supervisé de réseaux hiérarchiques à grande échelle connaît présentement un succès fulgurant. Malgré cette effervescence, l’apprentissage non-supervisé représente toujours, selon plusieurs chercheurs, un élément clé de l’Intelligence Artificielle, où les agents doivent apprendre à partir d’un nombre potentiellement limité de données. Cette thèse s’inscrit dans cette pensée et aborde divers sujets de recherche liés au problème d’estimation de densité par l’entremise des machines de Boltzmann (BM), modèles graphiques probabilistes au coeur de l’apprentissage profond. Nos contributions touchent les domaines de l’échantillonnage, l’estimation de fonctions de partition, l’optimisation ainsi que l’apprentissage de représentations invariantes. Cette thèse débute par l’exposition d’un nouvel algorithme d'échantillonnage adaptatif, qui ajuste (de fa ̧con automatique) la température des chaînes de Markov sous simulation, afin de maintenir une vitesse de convergence élevée tout au long de l’apprentissage. Lorsqu’utilisé dans le contexte de l’apprentissage par maximum de vraisemblance stochastique (SML), notre algorithme engendre une robustesse accrue face à la sélection du taux d’apprentissage, ainsi qu’une meilleure vitesse de convergence. Nos résultats sont présent ́es dans le domaine des BMs, mais la méthode est générale et applicable à l’apprentissage de tout modèle probabiliste exploitant l’échantillonnage par chaînes de Markov. Tandis que le gradient du maximum de vraisemblance peut-être approximé par échantillonnage, l’évaluation de la log-vraisemblance nécessite un estimé de la fonction de partition. Contrairement aux approches traditionnelles qui considèrent un modèle donné comme une boîte noire, nous proposons plutôt d’exploiter la dynamique de l’apprentissage en estimant les changements successifs de log-partition encourus à chaque mise à jour des paramètres. Le problème d’estimation est reformulé comme un problème d’inférence similaire au filtre de Kalman, mais sur un graphe bi-dimensionnel, où les dimensions correspondent aux axes du temps et au paramètre de température. Sur le thème de l’optimisation, nous présentons également un algorithme permettant d’appliquer, de manière efficace, le gradient naturel à des machines de Boltzmann comportant des milliers d’unités. Jusqu’à présent, son adoption était limitée par son haut coût computationel ainsi que sa demande en mémoire. Notre algorithme, Metric-Free Natural Gradient (MFNG), permet d’éviter le calcul explicite de la matrice d’information de Fisher (et son inverse) en exploitant un solveur linéaire combiné à un produit matrice-vecteur efficace. L’algorithme est prometteur: en terme du nombre d’évaluations de fonctions, MFNG converge plus rapidement que SML. Son implémentation demeure malheureusement inefficace en temps de calcul. Ces travaux explorent également les mécanismes sous-jacents à l’apprentissage de représentations invariantes. À cette fin, nous utilisons la famille de machines de Boltzmann restreintes “spike & slab” (ssRBM), que nous modifions afin de pouvoir modéliser des distributions binaires et parcimonieuses. Les variables latentes binaires de la ssRBM peuvent être rendues invariantes à un sous-espace vectoriel, en associant à chacune d’elles, un vecteur de variables latentes continues (dénommées “slabs”). Ceci se traduit par une invariance accrue au niveau de la représentation et un meilleur taux de classification lorsque peu de données étiquetées sont disponibles. Nous terminons cette thèse sur un sujet ambitieux: l’apprentissage de représentations pouvant séparer les facteurs de variations présents dans le signal d’entrée. Nous proposons une solution à base de ssRBM bilinéaire (avec deux groupes de facteurs latents) et formulons le problème comme l’un de “pooling” dans des sous-espaces vectoriels complémentaires. / Despite the current widescale success of deep learning in training large scale hierarchical models through supervised learning, unsupervised learning promises to play a crucial role towards solving general Artificial Intelligence, where agents are expected to learn with little to no supervision. The work presented in this thesis tackles the problem of unsupervised feature learning and density estimation, using a model family at the heart of the deep learning phenomenon: the Boltzmann Machine (BM). We present contributions in the areas of sampling, partition function estimation, optimization and the more general topic of invariant feature learning. With regards to sampling, we present a novel adaptive parallel tempering method which dynamically adjusts the temperatures under simulation to maintain good mixing in the presence of complex multi-modal distributions. When used in the context of stochastic maximum likelihood (SML) training, the improved ergodicity of our sampler translates to increased robustness to learning rates and faster per epoch convergence. Though our application is limited to BM, our method is general and is applicable to sampling from arbitrary probabilistic models using Markov Chain Monte Carlo (MCMC) techniques. While SML gradients can be estimated via sampling, computing data likelihoods requires an estimate of the partition function. Contrary to previous approaches which consider the model as a black box, we provide an efficient algorithm which instead tracks the change in the log partition function incurred by successive parameter updates. Our algorithm frames this estimation problem as one of filtering performed over a 2D lattice, with one dimension representing time and the other temperature. On the topic of optimization, our thesis presents a novel algorithm for applying the natural gradient to large scale Boltzmann Machines. Up until now, its application had been constrained by the computational and memory requirements of computing the Fisher Information Matrix (FIM), which is square in the number of parameters. The Metric-Free Natural Gradient algorithm (MFNG) avoids computing the FIM altogether by combining a linear solver with an efficient matrix-vector operation. The method shows promise in that the resulting updates yield faster per-epoch convergence, despite being slower in terms of wall clock time. Finally, we explore how invariant features can be learnt through modifications to the BM energy function. We study the problem in the context of the spike & slab Restricted Boltzmann Machine (ssRBM), which we extend to handle both binary and sparse input distributions. By associating each spike with several slab variables, latent variables can be made invariant to a rich, high dimensional subspace resulting in increased invariance in the learnt representation. When using the expected model posterior as input to a classifier, increased invariance translates to improved classification accuracy in the low-label data regime. We conclude by showing a connection between invariance and the more powerful concept of disentangling factors of variation. While invariance can be achieved by pooling over subspaces, disentangling can be achieved by learning multiple complementary views of the same subspace. In particular, we show how this can be achieved using third-order BMs featuring multiplicative interactions between pairs of random variables.

No description available.

Cette thèse est dédiée à l’étude de deux familles de problèmes de partition de graphe. Nous considérons tout d’abord le problème de sommet-partitionner un graphe en sous-graphesconnexes. Plus précisément, étant donnés p entiers positifs n1; n2; :::; np dont la somme vautl’ordre d’un graphe G, peut-on partitionner V (G) en p parts V1; V2; :::; Vp de sorte que chaque Vi induise un sous-graphe connexe d’ordre ni ? Nous nous intéressons ensuite à des questions plus fortes. Que peut-on dire si l’on souhaite que G soit partitionnable de cette manière quels que soient p et n1; n2; :::; np ? Si l’on souhaite que des sommets particuliers de G appartiennent à des sous-graphes particuliers de la partition ? Et si l’on souhaite que les sous-graphes induits soient plus que connexes ? Nous considérons toutes ces questions à la fois du point de vue structurel (sous quelles conditions structurelles une partition particulière existe-t-elle nécessairement ?) et algorithmique (est-il difficile de trouver une partition particulière ?).Nous nous intéressons ensuite à la 1-2-3 Conjecture, qui demande si tout graphe G admet une 3-pondération voisin-somme-distinguante de ses arêtes, i.e. une 3-pondération par laquelle chaque sommet de G peut être distingué de ses voisins en comparant uniquement leur somme de poids incidents. Afin d’étudier la 1-2-3 Conjecture, nous introduisons notamment la notionde coloration localement irrégulière d’arêtes, qui est une coloration d’arêtes dont chaque classe de couleur induit un sous-graphe dans lequel les sommets adjacents sont de degrés différents.L’intérêt principal de cette coloration est que, dans certaines situations, une pondération d’arêtes voisin-somme-distinguante peut être déduite d’une coloration d’arêtes localement irrégulière. Nospréoccupations dans ce contexte sont principalement algorithmiques (est-il facile de trouver une pondération d’arêtes voisin-somme-distinguante ou une coloration d’arêtes localement irrégulière utilisant le plus petit nombre possible de poids ou couleurs ?) et structurelles (quel est le plus petit nombre de couleurs d’une coloration d’arêtes localement irrégulière ?). Nous considérons également ces questions dans le contexte des graphes orientés. / This thesis is dedicated to the study of two families of graph partition problems.First, we consider the problem of vertex-partitioning a graph into connected subgraphs.Namely, given p positive integers n1; n2; :::; np summing up to the order of some graph G, canwe partition V (G) into p parts V1; V2; :::; Vp so that each Vi induces a connected subgraph withorder ni? We then consider stronger questions. Namely, what if we want G to be partitionablewhatever are p and n1; n2; :::; np? What if we also want specific vertices of G to belong to somespecific subgraphs induced by the vertex-partition? What if we want the subgraphs induced bythe vertex-partition to be more than connected? We consider all these questions regarding boththe structural (are there structural properties ensuring that a specific vertex-partition necessarilyexists?) and algorithmic (is it hard to deduce a specific vertex-partition?) points of view.Then, we focus on the so-called 1-2-3 Conjecture, which asks whether every graph G admitsa neighbour-sum-distinguishing 3-edge-weighting, i.e. a 3-edge-weighting by which all adjacentvertices of G get distinguished by their sums of incident weights. As a tool to deal with the1-2-3 Conjecture, we notably introduce the notion of locally irregular edge-colouring, which isan edge-colouring in which every colour class induces a subgraph whose adjacent vertices havedistinct degrees. The main point is that, in particular situations, a neighbour-sum-distinguishingedge-weighting of G can be deduced from a locally irregular edge-colouring of it. Our concernsin this context are mostly algorithmic (can we easily find a neighbour-sum-distinguishing edgeweightingor locally irregular edge-colouring using the least number of weights or colours?) andstructural (what is the least number of colours in a locally irregular edge-colouring?). We alsoconsider similar matters in the context of oriented graphs.

L’apprentissage supervisé de réseaux hiérarchiques à grande échelle connaît présentement un succès fulgurant. Malgré cette effervescence, l’apprentissage non-supervisé représente toujours, selon plusieurs chercheurs, un élément clé de l’Intelligence Artificielle, où les agents doivent apprendre à partir d’un nombre potentiellement limité de données. Cette thèse s’inscrit dans cette pensée et aborde divers sujets de recherche liés au problème d’estimation de densité par l’entremise des machines de Boltzmann (BM), modèles graphiques probabilistes au coeur de l’apprentissage profond. Nos contributions touchent les domaines de l’échantillonnage, l’estimation de fonctions de partition, l’optimisation ainsi que l’apprentissage de représentations invariantes. Cette thèse débute par l’exposition d’un nouvel algorithme d'échantillonnage adaptatif, qui ajuste (de fa ̧con automatique) la température des chaînes de Markov sous simulation, afin de maintenir une vitesse de convergence élevée tout au long de l’apprentissage. Lorsqu’utilisé dans le contexte de l’apprentissage par maximum de vraisemblance stochastique (SML), notre algorithme engendre une robustesse accrue face à la sélection du taux d’apprentissage, ainsi qu’une meilleure vitesse de convergence. Nos résultats sont présent ́es dans le domaine des BMs, mais la méthode est générale et applicable à l’apprentissage de tout modèle probabiliste exploitant l’échantillonnage par chaînes de Markov. Tandis que le gradient du maximum de vraisemblance peut-être approximé par échantillonnage, l’évaluation de la log-vraisemblance nécessite un estimé de la fonction de partition. Contrairement aux approches traditionnelles qui considèrent un modèle donné comme une boîte noire, nous proposons plutôt d’exploiter la dynamique de l’apprentissage en estimant les changements successifs de log-partition encourus à chaque mise à jour des paramètres. Le problème d’estimation est reformulé comme un problème d’inférence similaire au filtre de Kalman, mais sur un graphe bi-dimensionnel, où les dimensions correspondent aux axes du temps et au paramètre de température. Sur le thème de l’optimisation, nous présentons également un algorithme permettant d’appliquer, de manière efficace, le gradient naturel à des machines de Boltzmann comportant des milliers d’unités. Jusqu’à présent, son adoption était limitée par son haut coût computationel ainsi que sa demande en mémoire. Notre algorithme, Metric-Free Natural Gradient (MFNG), permet d’éviter le calcul explicite de la matrice d’information de Fisher (et son inverse) en exploitant un solveur linéaire combiné à un produit matrice-vecteur efficace. L’algorithme est prometteur: en terme du nombre d’évaluations de fonctions, MFNG converge plus rapidement que SML. Son implémentation demeure malheureusement inefficace en temps de calcul. Ces travaux explorent également les mécanismes sous-jacents à l’apprentissage de représentations invariantes. À cette fin, nous utilisons la famille de machines de Boltzmann restreintes “spike & slab” (ssRBM), que nous modifions afin de pouvoir modéliser des distributions binaires et parcimonieuses. Les variables latentes binaires de la ssRBM peuvent être rendues invariantes à un sous-espace vectoriel, en associant à chacune d’elles, un vecteur de variables latentes continues (dénommées “slabs”). Ceci se traduit par une invariance accrue au niveau de la représentation et un meilleur taux de classification lorsque peu de données étiquetées sont disponibles. Nous terminons cette thèse sur un sujet ambitieux: l’apprentissage de représentations pouvant séparer les facteurs de variations présents dans le signal d’entrée. Nous proposons une solution à base de ssRBM bilinéaire (avec deux groupes de facteurs latents) et formulons le problème comme l’un de “pooling” dans des sous-espaces vectoriels complémentaires. / Despite the current widescale success of deep learning in training large scale hierarchical models through supervised learning, unsupervised learning promises to play a crucial role towards solving general Artificial Intelligence, where agents are expected to learn with little to no supervision. The work presented in this thesis tackles the problem of unsupervised feature learning and density estimation, using a model family at the heart of the deep learning phenomenon: the Boltzmann Machine (BM). We present contributions in the areas of sampling, partition function estimation, optimization and the more general topic of invariant feature learning. With regards to sampling, we present a novel adaptive parallel tempering method which dynamically adjusts the temperatures under simulation to maintain good mixing in the presence of complex multi-modal distributions. When used in the context of stochastic maximum likelihood (SML) training, the improved ergodicity of our sampler translates to increased robustness to learning rates and faster per epoch convergence. Though our application is limited to BM, our method is general and is applicable to sampling from arbitrary probabilistic models using Markov Chain Monte Carlo (MCMC) techniques. While SML gradients can be estimated via sampling, computing data likelihoods requires an estimate of the partition function. Contrary to previous approaches which consider the model as a black box, we provide an efficient algorithm which instead tracks the change in the log partition function incurred by successive parameter updates. Our algorithm frames this estimation problem as one of filtering performed over a 2D lattice, with one dimension representing time and the other temperature. On the topic of optimization, our thesis presents a novel algorithm for applying the natural gradient to large scale Boltzmann Machines. Up until now, its application had been constrained by the computational and memory requirements of computing the Fisher Information Matrix (FIM), which is square in the number of parameters. The Metric-Free Natural Gradient algorithm (MFNG) avoids computing the FIM altogether by combining a linear solver with an efficient matrix-vector operation. The method shows promise in that the resulting updates yield faster per-epoch convergence, despite being slower in terms of wall clock time. Finally, we explore how invariant features can be learnt through modifications to the BM energy function. We study the problem in the context of the spike & slab Restricted Boltzmann Machine (ssRBM), which we extend to handle both binary and sparse input distributions. By associating each spike with several slab variables, latent variables can be made invariant to a rich, high dimensional subspace resulting in increased invariance in the learnt representation. When using the expected model posterior as input to a classifier, increased invariance translates to improved classification accuracy in the low-label data regime. We conclude by showing a connection between invariance and the more powerful concept of disentangling factors of variation. While invariance can be achieved by pooling over subspaces, disentangling can be achieved by learning multiple complementary views of the same subspace. In particular, we show how this can be achieved using third-order BMs featuring multiplicative interactions between pairs of random variables.

This thesis aims to analyze the events that led in the years 1791-1795 to the gradual decline of the Polish-Lithuanian state. The year 1791 was chosen as a starting point for the reason that it was during this year that the so-called Great Sejm adopted the Constitution of 3 May, considered a last attempt to reform the dysfunctional constitutional system that paralysed the political life of the Commonwealth, crippled its ability to defend itself and made it a marionette in the hands of powerful neighbours, especially Prussia and Russia. The thesis concentrates on the ambiguous role played in this period by the last king Stanisław II August. It also focuses on the opposition against the constitutional changes, associated in the so-called Targowica Confederation, the ensuing Russo-Polish War of 1792, the Second Partition of Poland, Kościuszko Uprising and the final Third Partition of 1795 - all these events are discussed in the wider context of European politics. The author makes use of sources and secondary literature in Polish, Russian, German, English and French.

Cette thèse porte sur deux sujets intrinsèquement liés : le calcul de la constante de normalisation d’un champ de Markov et l’estimation de l’affinité de liaison d’un complexe de protéines. Premièrement, afin d’aborder ce problème de comptage #P complet, nous avons développé Z*, basé sur un élagage des quantités de potentiels négligeables. Il s’est montré plus performant que des méthodes de l’état de l’art sur des instances issues d’interaction protéine-protéine. Par la suite, nous avons développé #HBFS, un algorithme avec une garantie anytime, qui s’est révélé plus performant que son prédécesseur. Enfin, nous avons développé BTDZ, un algorithme exact basé sur une décomposition arborescente qui a fait ses preuves sur des instances issues d’interaction intermoléculaire appelées “superhélices”. Ces algorithmes s’appuient sur des méthodes issuse des modèles graphiques : cohérences locales, élimination de variable et décompositions arborescentes. A l’aide de méthodes d’optimisation existantes, de Z* et des fonctions d’énergie de Rosetta, nous avons développé un logiciel open source estimant la constante d’affinité d’un complexe protéine protéine sur une librairie de mutants. Nous avons analysé nos estimations sur un jeu de données de complexes de protéines et nous les avons confronté à deux approches de l’état de l’art. Il en est ressorti que notre outil était qualitativement meilleur que ces méthodes. / This thesis is focused on two intrinsically related subjects : the computation of the normalizing constant of a Markov random field and the estimation of the binding affinity of protein-protein interactions. First, to tackle this #P-complete counting problem, we developed Z*, based on the pruning of negligible potential quantities. It has been shown to be more efficient than various state-of-the-art methods on instances derived from protein-protein interaction models. Then, we developed #HBFS, an anytime guaranteed counting algorithm which proved to be even better than its predecessor. Finally, we developed BTDZ, an exact algorithm based on tree decomposition. BTDZ has already proven its efficiency on intances from coiled coil protein interactions. These algorithms all rely on methods stemming from graphical models : local consistencies, variable elimination and tree decomposition. With the help of existing optimization algorithms, Z* and Rosetta energy functions, we developed a package that estimates the binding affinity of a set of mutants in a protein-protein interaction. We statistically analyzed our esti- mation on a database of binding affinities and confronted it with state-of-the-art methods. It appears that our software is qualitatively better than these methods.

Les réseaux de capteurs acoustiques sous-marins (UW-ASN) sont les plus nouveaux achèvements technologiques en termes de communication. Les UW-ASN visent à observer et à explorer les lacs, les rivières, les mers et les océans. Récemment, ils ont été soumis à une attention particulière en raison de leur grand potentiel en termes d'applications prometteuses dans divers domaines (militaires, environnementaux, scientifiques ...) et aux nouvelles questions scientifiques qu'ils suscitent. Un problème majeur dans les UW-ASN est l'épuisement rapide de l'énergie, car une grande puissance est nécessaire pour la communication acoustique, tandis que le budget de la batterie des capteurs est limité. Par conséquent, les protocoles de communication énergétiques revêtent une importance primordiale pour faire usage judiciaire du budget énergétique disponible. Dans ce contexte, cette thèse vise à étudier les principales caractéristiques des capteurs acoustiques sous-marins difficiles afin de concevoir des protocoles de communication énergétiques, plus spécifiquement au niveau routage et MAC. Tout d'abord, nous abordons le problème des trous énergétiques dans UW-ASN. Le problème du « sink-hole » se produit lorsque les capteurs les plus proches du sink épuisent leur énergie plus rapidement en raison de leur charge plus lourde. En effet, ces capteurs, en particulier ceux qui sont à un seul saut du sinkstatique, agissent comme des relais pour tous les autres capteurs, ce qui leur épuise sévèrement l’énergie.A la couche de routage,en particulier, nous proposons de distribuer la charge transmise par chaque capteur parmi plusieurs voisins potentiels, en supposant que les capteurs peuvent ajuster leur gamme de communication entre deux niveaux lorsqu'ils envoient ou transmettent des données. Plus précisément, nous déterminons pour chaque capteur l'ensemble des prochains sauts avec les poids de charge associés qui entraînent un épuisement équitable d'énergie entre tous les capteurs du réseau. Ensuite, nous étendons notre stratégie de routage équilibrée en supposant que chaque capteur n'est pas seulement capable d'ajuster sa puissance d'émission à 2 niveaux mais aussi jusqu'à n niveaux où n> 2. Par conséquent, à la couche de routage, pour chaque valeur possible de n, nous déterminons pour chaque capteur l'ensemble des éventuels sauts avec les poids de charge associés qui mènent à une consommation d'énergie équitable chez tous les capteurs du réseau. En outre, nous obtenons le nombre optimal de puissances de transmission n qui équilibre la consommation d'énergie de tous les capteurs pour chaque configuration de réseau. En plus de cela, il convient de souligner que notre protocole de routage étendu utilise un modèle de canal à variation de temps plus réaliste qui tient compte de la plupart des caractéristiques fondamentales de la propagation acoustique sous-marine. Les résultats analytiques montrent que notre protocole de routage assure une réduction importante de la consommation d’énergie. Deuxièmement, pour atténuer les impacts de collision spectaculaires gaspillant l’énergie, nous concevons un protocole MAC multicanal (MC-UWMAC) évitant les collisions pour les UW-ASNs. MC-UWMAC fonctionne avec un canal de contrôle (décomposé en créneaux de temps) et un ensemble de canaux de données à bande passante égale. Les créneaux du canal de contrôle sont dédiés à l’échange RTS / CTS permettant à une paire de capteurs communicants de s'accorder sur l'heure de début de la communication sur un canal de données pré-alloué. Dans cette thèse, nous proposons deux nouvelles procédures associées d'allocation des créneaux du canal de contrôle et d'attribution des canaux de données sans nécessiter de frais de négociation supplémentaires. En conséquence, chaque capteur peut initier l'échange RTS / CTS uniquement à son créneau assigné, calculé à l'aide d'une procédure d'allocation basée sur une partition virtuelle de grille de la zone de déploiement. (...) / UnderWaterAcoustic Sensor Networks (UW-ASNs) are the newest technological achievement in terms of communication. Composed of a set of communicating underwater sensors, UW-ASNs are intended to observe and explore lakes, rivers, seas and oceans. Recently, they have been subject to a special attention due to their great potential in terms of promising applications in various domains (military, environmental, scientific...) and to the new scientific issues they raise. A great challenging issue in UW-ASNs is the fast energy depletion since high power is needed for acoustic communication while sensors battery budget is limited. Hence, energy-efficient networking protocols are of a paramount importance to make judicious use of the available energy budget while considering the distinguishing underwater environment characteristics. In this context, this thesis aims at studying the main challenging underwater acoustic sensors characteristics to design energy-efficient communication protocols specifically at the routing and MAC layers. First, we address the problem of energy holes in UW-ASNs. The sink-hole problem occurs when the closest nodes to sink drain their energy faster due to their heavier load. Indeed, those sensors especially the ones that are 1-hop away from the static sink act as relays to it on behalf of all other sensors, thus suffering from severe energy depletion. In particular, at the routing layer, we propose to distribute the transmission load at each sensor among several potential neighbors, assuming that sensors can adjust their communication range among two levels when they send or forward data. Specifically, we determine for each sensor the set of next hops with the associated load weights that lead to a fair energy depletion among all sensors in the network. Then, we extend our balanced routing strategy by assuming that each sensor node is not only able to adjust its transmission power to 2 levels but eventually up to n levels where n > 2. Consequently, at the routing layer, for each possible value of n, we determine for each sensor the set of possible next hops with the associated load weights that lead to a fair energy consumption among all sensors in the network. Moreover, we derive the optimal number of transmission powers n that balances the energy consumption among all sensors for each network configuration. In addition to that, it is worth pointing out that our extended routing protocol uses a more realistic time varying channel model that takes into account most of the fundamental characteristics of the underwater acoustic propagation. Analytical results show that further energy saving is achieved by our extended routing scheme. Second, to mitigate the dramatic collision impacts, we design a collision avoidance energy efficient multichannel MAC protocol (MC-UWMAC) for UW-ASNs. MC-UWMAC operates on single slotted control and a set of equal-bandwidth data channels. Control channel slots are dedicated to RTS/CTS handshaking allowing a communicating node pair to agree on the start time of communication on a pre-allocated data channel. In this thesis, we propose two novel coupled slot assignment and data channels allocation procedures without requiring any extra negotiation overhead. Accordingly, each node can initiate RTS/CTS exchange only at its assigned slot calculated using a slot allocation procedure based on a grid virtual partition of the deployment area. Moreover, for each communicating pair of nodes, one data channel is allocated using a channel allocation procedure based on our newly designed concept of singleton- intersecting quorum. Accordingly, each pair of communicating nodes will have at their disposal a unique 2-hop conflict free data channel. Compared with existing MAC protocol, MC-UWMAC reduces experienced collisions and improves network throughput while minimizing energy consumption.

Résumé:<p><p>Cette dissertation s’intéresse aux méthodes numériques dans le domaine de l’acoustique. Les propriétés acoustiques d’un produit sont devenues une part intégrante de la conception. En effet, de nos jours le bruit est perçu comme une nuisance par le consommateur et constitue un critère de vente. Il y a de plus des normes à respecter. Les méthodes numériques permettent de prédire la propagation sonore et constitue dès lors un outil de conception incontournable pour réduire le temps et les coûts de développement d’un produit.<p><p>Cette dissertation considère la propagation d’ondes acoustiques dans le domaine fréquentiel en tenant compte de la présence d’un écoulement. Nous pouvons citer comme application industrielle, le rayonnement d’une nacelle de réacteur d’avion. Le but de la thèse est de proposer une nouvelle méthode et démontrer ses performances par rapport aux méthodes actuellement utilisées (i.e. la méthode des éléments finis).<p><p>L’originalité du travail consiste à étendre la méthode de partition de l’unité polynomiale dans le cadre de la propagation acoustique convectée, pour des domaines extérieurs. La simulation acoustique dans des domaines de dimensions infinies est réalisée dans ce travail à l’aide d’un couplage entre éléments finis et éléments infinis.<p><p>La dissertation présente la formulation de la méthode pour des applications axisymétriques et tridimensionnelles et vérifie la méthode en comparant les résultats numériques obtenus avec des solutions analytiques pour des applications académiques (i.e. propagation dans un conduit, rayonnement d’un multipole, bruit émis par la vibration d’un piston rigide, etc.). Les performances de la méthode sont ensuite analysées. Des courbes de convergences illustrent à une fréquence donnée, la précision de la méthode en fonction du nombre d’inconnues. Tandis que des courbes de performances présentent le temps de calcul nécessaire pour obtenir une solution d’une précision donnée en fonction de la fréquence d’excitation. Ces études de performances montrent l’intérêt de la méthode présentée.<p><p>Le rayonnement d’un réacteur d’avion a été abordé dans le but de vérifier la méthode sur une application de type industriel. Les résultats illustrent la propagation pour une nacelle axisymétrique en tenant compte de l’écoulement et la présence de matériau absorbant dans la nacelle et compare les résultats obtenus avec la méthode proposée et ceux obtenus avec la méthode des éléments finis.<p><p>Les performances de la méthode de la partition de l’unité dans le cadre de la propagation convectée en domaines infinis sont présentées pour des applications académiques et de type industriel. Le travail effectué illustre l’intérêt d’utiliser des fonctions polynomiales d’ordre élevé ainsi que les avantages à enrichir l’approximation localement afin d’améliorer la solution sans devoir créer un maillage plus fin.<p><p><p>Summary:<p><p>Environmental considerations are important in the design of many engineering systems and components. In particular, the environmental impact of noise is important over a very broad range of engineering applications and is increasingly perceived and regulated as an issue of occupational safety or health, or more simply as a public nuisance. The acoustic quality is then considered as a criterion in the product design process. Numerical prediction techniques allow to simulate vibro-acoustic responses. The use of such techniques reduces the development time and cost.<p><p>This dissertation focuses on acoustic convected radiation in outer domains such as it is the case for turbofan radiation. In the current thesis the mapped infinite partition of unity method is implemented within a coupled finite and infinite element model. This method allows to enrich the approximation with polynomial functions. <p><p>We present axisymmetric and three-dimensional formulations, verify and analyse the performance of the method. The verification compares computed results with the proposed method and analytical solutions for academic applications (i.e. duct propagation, multipole radiation, noise radiated by a vibrating rigid piston, etc.) .Performance analyses are performed with convergence curves plotting, for a given frequency, the accuracy of the computed solution with respect to the number of degrees of freedom or with performance curves, plotting the CPU time required to solve the application within a given accuracy, with respect to the excitation frequency. These performance analyses illustrate the interest of the mapped infinite partition of unity method.<p><p>We compute the radiation of an axisymmetric turbofan (convected radiation and acoustic treatments). The aim is to verify the method on an industrial application. We illustrate the radiation and compare the mapped infinite partition of unity results with finite element computations.<p><p>The dissertation presents the mapped partition of unity method as a computationally efficient method and illustrates its performances for academic as well as industrial applications. We suggest to use the method with high order polynomials and take the advantage of the method which allows to locally enrich the approximation. This last point improves the accuracy of the solution and prevent from creating a finer mesh.<p> / Doctorat en Sciences de l'ingénieur / info:eu-repo/semantics/nonPublished

近年來，中華民國台灣地區國民所得不斷提高，行的品質逐漸受到重視，國內進口轎 車市場對量與質的需求均顯現出相當具有成長潛力的態勢，進口轎車代理商及貿易商 不斷引進各價位的轎車，且國產車業者亦不斷強化競爭利基以迎戰進口車，使得這個 市場的競爭日益激烈。 依分層抽樣原理，本研究以問卷訪問方式抽取台北市２０歲以上之５０６位消費者為 調查對象，期以對進口汽車之偏好態度為市場區隔的基礎，並結合潛在購買強度指標 及阻擾購車指標，藉以選擇其潛在目標市場，進而深入瞭解消費者之特性，據以研擬 開發潛在市場之有效行銷策略。 其次，本研究採用計量多元尺度法（Metric MDS）分別探討高、中、低三等價位共１ ５種品牌之進口轎車及３種品牌之國產車在市場上之競爭態勢，以作為業者引進車種 之參考。

The years i 920-22 constituted a period of unprecedented conflct and political change in Ireland. It began with the onset of the most brutal phase of the War ofIndependence and culminated in the effective miltary defeat of the Republican IRA in the Civil War. Occurring alongside these dramatic changes in the south and west of Ireland was a far more fundamental conflict in the north-east; a period of brutal sectarian violence which marked the early years of partition and the establishment of Northern Ireland. Almost uniquely the IRA in the six counties were involved in every one of these conflcts and yet it can be argued was on the fringes of all of them. The period i 920-22 saw the evolution of the organisation from a peripheral curiosity during the War of independence to an idealistic symbol for those wishing to resolve the fundamental divisions within the Sinn Fein movement which developed in the first six months of i 922. The story of the Northern IRA's collapse in the autumn of that year demonstrated dramatically the true nature of the organisation and how it was their relationship to the various protagonists in these conflcts, rather than their unceasing but fruitless war against partition, that defined its contribution to the Irish revolution.