No description available.

L'objectif principal de nos travaux consiste à développer des méthodes d’optimisation des performances de la MSRV sur le plan de la conception et de la commande. La première partie est consacrée à la commande de la MSRV avec prise en compte de la saturation, de l'effet croisé et des pertes-fer. Deux stratégies de commande permettant d’améliorer les performances de la machine en régime permanent sont présentées: commande à rendement optimal et commande à couple maximum par ampère. La deuxième partie de ce travail porte sur la commande de la MSRV en vue de réduire les ondulations de couple. L’optimisation des courants statoriques a été obtenue selon deux critères : un couple électromagnétique constant et des pertes par effet Joule minimales. Une formule originale a été présentée dans le cas où le courant homopolaire est pris en compte. Des schémas de commande neuronale en couple et en vitesse sont ensuite proposés. L’apprentissage, réalisé en ligne, fait que cette proposition est tout à fait adaptée aux applications en temps réel. La troisième partie traite de la conception au moyen de la méthode de calcul numérique par élément finis. Grâce au logiciel JMAG, les barrières du flux au rotor de la MSRV ont été optimisées permettant d’augmenter le couple moyen, le facteur de puissance et le rendement de la machine. Enfin, toutes les approches neuromimétiques ont été validées par de tests expérimentaux. De plus, des comparaisons avec les méthodes de commande classique démontrent la validité des méthodes proposées. / The main objective of our work is to develop the methods for performance optimization of the SynRM in terms of the design and control. The first part is devoted to control of the SynRM taking into account the saturation, cross coupling and iron losses. Two strategies control to improve the performances of the machine in steady-state are presented: optimal efficiency control and maximum torque per ampere control. The second part of this work focuses on the control of the non-sinusoidal SynRM to reduce torque ripple. Optimal stator currents were obtained with the objectives: a constant electromagnetic torque and minimum ohmic losses. An original formula was presented in the case where the homopolar current is considered. The torque and speed control based on artificial neural networks are then proposed to obtain optimal currents online in real time. The third part deals with the design optimization of SynRM by finite element method. With JMAG software, the barriers of the rotor SynRM were optimized to maximize the average torque, power factor and efficiency of the machine. Finally, all the approaches based on neural networks have been validated by experimental tests. Moreover, the comparisons with conventional methods demonstrate the validity of the proposed methods.

Les réserves limitées de combustibles fossiles et la pollution entrainée par les gaz produits ouvrent la voie à desressources énergétiques renouvelables (RER) alternatives et prometteuses telles que les ressources solaires (RS)et les ressources éoliennes (RE). Ces ressources sont librement disponibles et respectueuses de l'environnement.Cependant, les RER sont de nature intermittente. Par conséquent, il existe un besoin de lissage des fluctuations depuissance en stockant l'énergie pendant les périodes de surproduction pour la restituer au réseau lorsque lademande énergétique devient importante. Les systèmes de stockage de l'énergie (SSE) peuvent alors être utilisésde manière appropriée à cette fin.L'utilisation de plusieurs sources d'énergie et de stockeurs pour construire des systèmes de puissance hybrides(SPH) exige une stratégie de gestion de l'énergie pour atteindre le minimum de coût des SPH et un équilibre entrela production et la consommation de l'énergie. Cette méthode de gestion de l'énergie est un mécanisme pourobtenir une production d'énergie idéale et pour satisfaire convenablement la demande de charge à rendementrelativement élevé.Dans cette thèse, un SPH intégrant production électrique photovoltaïque, éolienne, une micro-turbine à gaz ainsiqu'un système de stockage de l'électricité par le vecteur hydrogène est considéré. Le but de cette hybridation estde construire un système fiable, qui est en mesure de fournir la charge et qui a la capacité de stocker l'énergieexcédentaire sous forme hydrogène et de la réutiliser plus tard. En outre, le problème d'ombrage partiel dePanneaux Photovoltaïques est étudié de manière approfondie. Une nouvelle solution basée sur des interrupteurssimples et un contrôle par logique floue intégré dans une carte électronique dSPACE a été proposée. Unereconfiguration des panneaux photovoltaïques en temps réel et de déconnexion de ceux ombragés est égalementeffectuée en cherchant à minimiser les pertes de puissance. Le couplage thermique entre ces panneauxphotovoltaïques et un électrolyseur à membrane polymère est également étudié, à l'échelle système. Enrécupérant une partie de l'énergie thermique reçue par les panneaux, une amélioration du rendement du systèmehybride PPVELS MEP est réalisée / The limited reserves of fossil fuel and the pollution gases produced pave the way to promising alternativeRenewable Energy Sources (RESs) such as Solar Energy Sources (SESs) and Wind Energy Sources (WESs).SESs and WESs are freely available and environmentally friendly. However, RESs are intermittent in nature.Therefore, the smoothing of power fluctuations by storing the energy during periods of oversupply and restore it tothe grid when demand becomes necessary. Accordingly, Energy Storage Systems (ESSs) can be appropriatelyused for this purpose.Using several energy sources for constructing HPSs alongside with ESS will require an energy managementstrategy to achieve minimum HPS cost and optimal balance between energy generation and energy consumption.This energy management method is a mechanism to achieve an ideal energy production and to conveniently satisfythe load demand at relatively high efficiency.In this thesis, a Hybrid Power System (HPS) including Renewable Energy Sources (RESs) such as main sourcescombined with Gas Micro-Turbine (GMT) and hydrogen storage system such as Back-up Sources (BKUSs) hasbeen presented. The aim of this hybridization is to build a reliable system, which is able to supply the load andhaving the ability to store the excess energy in hydrogen form and reuse it later when demanded. Consequently, thestored energy at the end of each cycle will be zero and a minimum generated power cost is achieved. In addition,partial shading problem of Photovoltaic (PV) panels is comprehensively studied and a new solution based on simpleswitches and Fuzzy Logic Control (FLC) integrated into dSPACE electronic card is created. Consequently, a realtime PV panels reconfiguration and disconnecting shaded ones is performed and minimum power losses isachieved. Then, the PV panels are connected to a Proton Exchange Membrane Electrolyser (PEM ELS). Theemitted temperature by the PV panels is transferred to the endothermic element PEM ELS. Consequently, anefficiency enhancement of the hybrid system PVPEM ELS is realized.

La classification de séries temporelles a suscité beaucoup d’intérêt au cours des dernières années en raison de ces nombreuses applications. Nous commençons par proposer la méthode Dense Bag-of-Temporal-SIFT-Words (D-BoTSW) qui utilise des descripteurs locaux basés sur la méthode SIFT, adaptés pour les données en une dimension et extraits à intervalles réguliers. Des expériences approfondies montrent que notre méthode D-BoTSW surpassent de façon significative presque tous les classificateurs de référence comparés. Ensuite, nous proposons un nouvel algorithmebasé sur l’algorithme Learning Time Series Shapelets (LTS) que nous appelons Adversarially- Built Shapelets (ABS). Cette méthode est basée sur l’introduction d’exemples adversaires dans le processus d’apprentissage de LTS et elle permet de générer des shapelets plus robustes. Des expériences montrent une amélioration significative de la performance entre l’algorithme de base et notre proposition. En raison du manque de jeux de données labelisés, formatés et disponibles enligne, nous utilisons deux jeux de données appelés TiSeLaC et Brazilian-Amazon. / Time Series Classification (TSC) has received an important amount of interest over the past years due to many real-life applications. In this PhD, we create new algorithms for TSC, with a particular emphasis on Remote Sensing (RS) time series data. We first propose the Dense Bag-of-Temporal-SIFT-Words (D-BoTSW) method that uses dense local features based on SIFT features for 1D data. Extensive experiments exhibit that D-BoTSW significantly outperforms nearly all compared standalone baseline classifiers. Then, we propose an enhancement of the Learning Time Series Shapelets (LTS) algorithm called Adversarially-Built Shapelets (ABS) based on the introduction of adversarial time series during the learning process. Adversarial time series provide an additional regularization benefit for the shapelets and experiments show a performance improvementbetween the baseline and our proposed framework. Due to the lack of available RS time series datasets,we also present and experiment on two remote sensing time series datasets called TiSeLaCand Brazilian-Amazon

De nombreuses applications génèrent et reçoivent des données sous la forme de flux continu, illimité, et très rapide. Cela pose naturellement des problèmes de stockage, de traitement et d'analyse de données qui commencent juste à être abordés dans le domaine des flux de données. Il s'agit, d'une part, de pouvoir traiter de tels flux à la volée sans devoir mémoriser la totalité des données et, d'autre part, de pouvoir traiter de manière simultanée et concurrente l'analyse des régularités inhérentes au flux de données et celle des nouveautés, exceptions, ou changements survenant dans ce même flux au cours du temps.<br /><br />L'apport de ce travail de thèse réside principalement dans le développement d'un modèle d'apprentissage - nommé ILoNDF - fondé sur le principe de la détection de nouveauté. L'apprentissage de ce modèle est, contrairement à sa version de départ, guidé non seulement par la nouveauté qu'apporte une donnée d'entrée mais également par la donnée elle-même. De ce fait, le modèle ILoNDF peut acquérir constamment de nouvelles connaissances relatives aux fréquences d'occurrence des données et de leurs variables, ce qui le rend moins sensible au bruit. De plus, doté d'un fonctionnement en ligne sans répétition d'apprentissage, ce modèle répond aux exigences les plus fortes liées au traitement des flux de données. <br /><br />Dans un premier temps, notre travail se focalise sur l'étude du comportement du modèle ILoNDF dans le cadre général de la classification à partir d'une seule classe en partant de l'exploitation des données fortement multidimensionnelles et bruitées. Ce type d'étude nous a permis de mettre en évidence les capacités d'apprentissage pures du modèle ILoNDF vis-à-vis de l'ensemble des méthodes proposées jusqu'à présent. Dans un deuxième temps, nous nous intéressons plus particulièrement à l'adaptation fine du modèle au cadre précis du filtrage d'informations. Notre objectif est de mettre en place une stratégie de filtrage orientée-utilisateur plutôt qu'orientée-système, et ceci notamment en suivant deux types de directions. La première direction concerne la modélisation utilisateur à l'aide du modèle ILoNDF. Cette modélisation fournit une nouvelle manière de regarder le profil utilisateur en termes de critères de spécificité, d'exhaustivité et de contradiction. Ceci permet, entre autres, d'optimiser le seuil de filtrage en tenant compte de l'importance que pourrait donner l'utilisateur à la précision et au rappel. La seconde direction, complémentaire de la première, concerne le raffinement des fonctionnalités du modèle ILoNDF en le dotant d'une capacité à s'adapter à la dérive du besoin de l'utilisateur au cours du temps. Enfin, nous nous attachons à la généralisation de notre travail antérieur au cas où les données arrivant en flux peuvent être réparties en classes multiples.

L'objectif de ce travail de thèse est de proposer des approches algorithmiques permettant de traiter la problématique du routage adaptatif (RA) dans un réseau de communication à trafic irrégulier. L'analyse des algorithmes existants nous a conduit à retenir comme base de travail l'algorithme Q-Routing (QR); celui-ci s'appuie sur la technique d'apprentissage par renforcement basée sur les modèles de Markov. L'efficacité de ce type de routage dépend fortement des informations sur la charge et la nature du trafic sur le réseau. Ces dernières doivent être à la fois, suffisantes, pertinentes et reflétant la charge réelle du réseau lors de la phase de prise de décision. Pour remédier aux inconvénients des techniques utilisant le QR, nous avons proposé deux algorithmes de RA. Le premier, appelé Q-Neural Routing, s'appuie sur un modèle neuronal stochastique pour estimer et mettre à jour les paramètres nécessaires au RA. Afin d'accélérer le temps de convergence, une deuxième approche est proposée : K-Shortest path Q-Routing. Elle est basée sur la technique de routage multi chemin combiné avec l'algorithme QR, l'espace d'exploration étant réduit aux k meilleurs chemins. Les deux algorithmes proposés sont validés et comparés aux approches traditionnelles en utilisant la plateforme de simulation OPNET, leur efficacité au niveau du RA est mise particulièrement en évidence. En effet, ceux-ci permettent une meilleure prise en compte de l'état du réseau contrairement aux approches classiques.

Dossier de travaux incluant un échantillon de 12 publications sur les thèmes suivants: - Perception des lettres - Modèles de codage de données - Modèles de codage d'images - Réseaux de neurones et apprentissage supervisé - Méthodes de calcul des paramètres de modèles - Méthodes de validation de modèles et bases de données comportementales

Le système de télescopes H.E.S.S. (High Energy Stereoscopic System) est une expérience constituée de quatre imageurs Cherenkov atmosphériques destinés à observer les rayons gamma de plus de 100 GeV et jusqu'à quelques dizaines de TeV. En 2012, une seconde phase de l'expérience consistera en l'ajout d'un cinquième télescope de 28 mètres de diamètre au centre du système existant. Au seuil de déclenchement de 15 GeV, les événements ne seront visibles que par ce grand télescope, une nouvelle méthode de reconstruction est proposée. A l'aide de plusieurs réseaux de neurones, l'énergie de gerbes électromagnétiques est bien reconstruite avec une discrimination du fond hadronique efficace à partir de 30 GeV. A basse énergie, la sensibilité totale permettra de détecter une source de quelques pourcent du Crabe en 50 heures. Cette méthode est testée sur les données de H.E.S.S. et s'avère compétitive ; une extension est présentée pour les événements stéréoscopiques. Les tests mis en place pour l'étalonnage des photomultiplicateurs sont présentés ainsi que les résultats obtenus. Un modèle de propagation de rayons cosmiques a été développé pour étudier l'émission du fond diffus gamma. Pour cela, il a fallu propager les protons et les noyaux hélium dans la galaxie et estimer le taux de pions neutres issus des interactions avec le milieu. La méthode de génération des cartes est décrite jusqu'à leur établissement. Dans le cas de H.E.S.S., j'ai estimé les sensibilités pour les comparer aux flux prédits par la modélisation. La galaxie naine sphéroïdale du Sagittaire a été étudiée comme source présumée de matière noire. Pour cela, les données ont été réparties en angles zénithaux similaires pour étudier l'effet du seuil de l'analyse dans les observations en utilisant les analyses les plus performantes de la collaboration H.E.S.S. Les sensibilités de détection ont été améliorées. Aucun excès d'événements notable n'a été observé.

Les enjeux environnementaux, énergétiques et économiques actuels, nous amènent à proposer de nouvelles solutions de gestion énergétique afin d'éviter d'entrer dans une ère de récession énergétique brutale. À partir des constats établis par les institutions mondiales, telles que le GIEC, il est aujourd'hui admis par la communauté scientifique internationale, que la température moyenne de la Terre est en augmentation et que l'activité anthropique en est une des causes, sinon la plus importante. Les travaux réalisés et présentés dans ce manuscrit visent à répondre, en partie, à ces problématiques par la mise en place d'un système de contrôle supervisé permettant l'optimisation de la gestion énergétique d'un procédé hybride alliant l'énergie solaire à la géothermie, et destiné au chauffage dans le secteur du bâtiment. L'utilisation des méthodologies de l'intelligence artificielles telles que le neuroflou et la logique floue nous a permis de développer une plateforme de simulation d'un système énergétique hybride et d'en réaliser la gestion à l'aide de contrôleurs flous. Les résultats obtenus, par l'utilisation de ces contrôleurs, montrent qu'un choix judicieux des périodes et durées de marche du système d'extraction permet d'améliorer de façon significative le fonctionnement du procédé. La consommation électrique et le coût de fonctionnement de l'installation sont donc diminués, tout en respectant les contraintes techniques de fonctionnement et le confort thermique des habitants.

Les réseaux de neurones formels permettent de construire, par apprentissage statistique, une vaste famille de modèles et de correcteurs non linéaires. L'objet de cette thèse est la définition des modalités de mise en œuvre de réseaux de neurones et l'évaluation de leur apport pour la modélisation et la commande non adaptatives de processus dynamiques non linéaires. Sur le plan théorique, nous présentons la modélisation et la commande de processus par réseaux de neurones dans un cadre aussi général que possible, en les plaçant dans la perspective de l'Automatique classique. En modélisation, les résultats concernant les systèmes linéaires nous aident à formuler les prédicteurs non linéaires optimaux théoriques correspondant à diverses hypothèses sur le bruit intervenant dans le processus à modéliser ; une méthodologie d'apprentissage associée fournit des prédicteurs neuronaux qui sont des réalisations des prédicteurs théoriques. Nous proposons ensuite une famille de systèmes de commande neuronaux, dont nous étudions les propriétés et les liens avec les systèmes de commande classique, linéaire ou non, en insistant notamment sur la robustesse ; ceci nous conduit à développer la commande avec modèle interne neuronale. Sur le plan pratique, nous illustrons notre démarche et nos résultats par une application industrielle, le pilotage d'un véhicule autonome tout-terrain, dont le volant, l'accélérateur et le frein sont commandés par des réseaux neuronaux.