Le travail présenté dans ce mémoire de thèse s'inscrit dans le cadre de la commande non-linéaire et robuste des avions de transport. Le but de cette thèse est de coupler les propriétés de la commande non-linéaire (adaptation aux non-linéarités de l'avion, synthèse de correcteurs explicites, facilité de réglage une fois la synthèse réalisée, généricité des lois de commande obtenues) à des propriétés de robustesse indispensables à l'activité aéronautique. En effet, pour garantir la sécurité des vols tant en pilotage manuel qu'en pilotage automatique, les lois de commande doivent présenter des propriétés fortes de stabilité et de performances robustes. Après une introduction au contexte industriel et de recherche du sujet de thèse, une partie "techniques, méthodes et outils" nous permet de mettre en avant les contributions du travail de thèse dans les domaines de la commande non-linéaire robuste et de la modélisation automatique. La technique de commande non-linéaire robuste présentée, appelée commande RMI (Robust Multi-Inversion) s'appuie sur la technique désormais classique d'inversion de la dynamique, notamment étudiée à Airbus depuis quelques années (Fabrice VILLAUME, Jean DUPREZ) et qu'elle robustifie par l'adjonction d'une boucle supplémentaire d'observation. Nous présentons aussi un outil de génération automatique de modèles non-linéaires, multivariables et embarquables, ainsi que les méthodes afférentes basées sur les réseaux de neurones. Cet outil est nécessaire à l'industrialisation des lois de commandes non-linéaires basées modèles. La partie applicative de la thèse souligne ensuite les particularités du système "avion" et propose des architectures de lois de commande, des trajectoires de référence associées, et la validation avancée de l'ensemble par simulations sur simulateur certifié. Enfin, après une conclusion sur le bilan de la thèse et les perspectives envisageables, nous proposons des annexes permettant d'approfondir certains aspects de notre ét ude.

Les humains communiquent via différents types de canaux: les mots, la voix, les gestes du corps, des émotions, etc. Pour cette raison, un ordinateur doit percevoir ces divers canaux de communication pour pouvoir interagir intelligemment avec les humains, par exemple en faisant usage de microphones et de webcams. Dans cette thèse, nous nous intéressons à déterminer les émotions humaines à partir d’images ou de vidéo de visages afin d’ensuite utiliser ces informations dans différents domaines d’applications. Ce mémoire débute par une brève introduction à l'apprentissage machine en s’attardant aux modèles et algorithmes que nous avons utilisés tels que les perceptrons multicouches, réseaux de neurones à convolution et autoencodeurs. Elle présente ensuite les résultats de l'application de ces modèles sur plusieurs ensembles de données d'expressions et émotions faciales. Nous nous concentrons sur l'étude des différents types d’autoencodeurs (autoencodeur débruitant, autoencodeur contractant, etc) afin de révéler certaines de leurs limitations, comme la possibilité d'obtenir de la coadaptation entre les filtres ou encore d’obtenir une courbe spectrale trop lisse, et étudions de nouvelles idées pour répondre à ces problèmes. Nous proposons également une nouvelle approche pour surmonter une limite des autoencodeurs traditionnellement entrainés de façon purement non-supervisée, c'est-à-dire sans utiliser aucune connaissance de la tâche que nous voulons finalement résoudre (comme la prévision des étiquettes de classe) en développant un nouveau critère d'apprentissage semi-supervisé qui exploite un faible nombre de données étiquetées en combinaison avec une grande quantité de données non-étiquetées afin d'apprendre une représentation adaptée à la tâche de classification, et d'obtenir une meilleure performance de classification. Finalement, nous décrivons le fonctionnement général de notre système de détection d'émotions et proposons de nouvelles idées pouvant mener à de futurs travaux. / Humans communicate via different types of channels: words, voice, body gesture, emotions …etc. For this reason, implementing these channels in computers is inevitable to make them interact intelligently with humans. Using a webcam and a microphone, computers should figure out what we want to tell from our voice, gesture and face emotions. In this thesis we are interested in figuring human emotions from their images or video in order to use that later in different applications. The thesis starts by giving an introduction to machine learning and some of the models and algorithms we used like multilayer perceptron, convolutional neural networks, autoencoders and finally report the results of applying these models on several facial emotion expression datasets. We moreover concentrate on studying different kinds of autoencoders (Denoising Autoencoder , Contractive Autoencoder, …etc.) and identify some limitations like the possibility of obtaining filters co-adaptation and undesirably smooth spectral curve and we investigate new ideas to address these problems. We also overcome the limitations of training autoencoders in a purely unsupervised manner, i.e. without using any knowledge of task we ultimately want to solve (such as predicting class labels) and develop a new semi-supervised training criterion which exploits the knowledge of the few labeled data to train the autoencoder together with a large amount of unlabeled data in order to learn a representation better suited for the classification task, and obtain better classification performance. Finally, we describe the general pipeline for our emotion detection system and suggest new ideas for future work.

L'ère numérique dans laquelle nous sommes entrés apporte une quantité importante de nouveaux défis à relever dans une multitude de domaines. Le traitement automatique de l'abondante information à notre disposition est l'un de ces défis, et nous allons ici nous pencher sur des méthodes et techniques adaptées au filtrage et à la recommandation à l'utilisateur d'articles adaptés à ses goûts, dans le contexte particulier et sans précédent notable du jeu vidéo multi-joueurs en ligne. Notre objectif est de prédire l'appréciation des niveaux par les joueurs. Au moyen d'algorithmes d'apprentissage machine modernes tels que les réseaux de neurones profonds avec pré-entrainement non-supervisé, que nous décrivons après une introduction aux concepts nécessaires à leur bonne compréhension, nous proposons deux architectures aux caractéristiques différentes bien que basées sur ce même concept d'apprentissage profond. La première est un réseau de neurones multi-couches pour lequel nous tentons d'expliquer les performances variables que nous rapportons sur les expériences menées pour diverses variations de profondeur, d'heuristique d'entraînement, et des méthodes de pré-entraînement non-supervisé simple, débruitant et contractant. Pour la seconde architecture, nous nous inspirons des modèles à énergie et proposons de même une explication des résultats obtenus, variables eux aussi. Enfin, nous décrivons une première tentative fructueuse d'amélioration de cette seconde architecture au moyen d'un fine-tuning supervisé succédant le pré-entrainement, puis une seconde tentative où ce fine-tuning est fait au moyen d'un critère d'entraînement semi-supervisé multi-tâches. Nos expériences montrent des performances prometteuses, notament avec l'architecture inspirée des modèles à énergie, justifiant du moins l'utilisation d'algorithmes d'apprentissage profonds pour résoudre le problème de la recommandation. / The age of information in which we have entered brings with it a whole new set of challenges to take up in many different fields. Making computers process this profuse information is one such challenge, and this thesis focuses on techniques adapted for automatically filtering and recommending to users items that will fit their tastes, in the somehow original context of an online multi-player game. Our objective is to predict players' ratings of the game's levels. We first introduce machine learning concepts necessary to understand the two architectures we then describe; both of which taking advantage of deep learning and unsupervised pre-training concepts to solve the recommendation problem. The first architecture is a multilayered neural network for which we try to explain different performances we get for different settings of depth, training heuristics and unsupervised pre-training methods, namely, straight, denoising and contrative auto-encoders. The second architecture we explore takes its roots in energy-based models. We give possible explanations for the various results it yields depending on the configurations we experimented with. Finally, we describe two successful improvements on this second architecture. The former is a supervised fine-tuning taking place after the unsupervised pre-training, and the latter is a tentative improvement of the fine-tuning phase by using a multi-tasking training criterion. Our experiments show promising results, especially with the architecture inspired from energy-based models, justifying the use of deep learning algorithms to solve the recommendation problem.

No description available.

No description available.

No description available.

En agriculture, la météo est le principal facteur de variabilité d’une année sur l’autre. Cette thèse vise à construire des modèles statistiques à grande échelle qui estiment l’impact des conditions météorologiques sur les rendements agricoles. Le peu de données agricoles disponibles impose de construire des modèles simples avec peu de prédicteurs, et d’adapter les méthodes de sélection de modèles pour éviter le sur-apprentissage. Une grande attention a été portée sur la validation des modèles statistiques. Des réseaux de neurones et modèles à effets mixtes (montrant l’importance des spécificités locales) ont été comparés. Les estimations du rendement de maïs aux États-Unis en fin d’année ont montré que les informations de températures et de précipitations expliquent en moyenne 28% de la variabilité du rendement. Dans plusieurs états davantage météo-sensibles, ce score passe à près de 70%. Ces résultats sont cohérents avec de récentes études sur le sujet. Les prévisions du rendement au milieu de la saison de croissance du maïs sont possibles à partir de juillet : dès juillet, les informations météorologiques utilisées expliquent en moyenne 25% de la variabilité du rendement final aux États-Unis et près de 60% dans les états plus météo-sensibles comme la Virginie. Les régions du nord et du sud-est des États-Unis sont les moins bien prédites. Le rendements extrêmement faibles ont nécessité une méthode particulière de classification : avec seulement 4 prédicteurs météorologiques, 71% des rendements très faibles sont bien détectés en moyenne. L’impact du changement climatique sur les rendements jusqu’en 2060 a aussi été étudié : le modèle construit nous informe sur la rapidité d’évolution des rendements dans les différents cantons des États-Unis et localisent ceux qui seront le plus impactés. Pour les états les plus touchés (au sud et sur la côte Est), et à pratique agricole constante, le modèle prévoit des rendements près de deux fois plus faibles que ceux habituels, en 2060 sous le scénario RCP 4.5 du GIEC. Les états du nord seraient peu touchés. Les modèles statistiques construits peuvent aider à la gestion sur le cours terme (prévisions saisonnières) ou servent à quantifier la qualité des récoltes avant que ne soient faits les sondages post-récolte comme une aide à la surveillance (estimation en fin d’année). Les estimations pour les 50 prochaines années participent à anticiper les conséquences du changement climatique sur les rendements agricoles, pour définir des stratégies d’adaptation ou d’atténuation. La méthodologie utilisée dans cette thèse se généralise aisément à d’autres cultures et à d’autres régions du monde. / In agriculture, weather is the main factor of variability between two consecutive years. This thesis aims to build large-scale statistical models that estimate the impact of weather conditions on agricultural yields. The scarcity of available agricultural data makes it necessary to construct simple models with few predictors, and to adapt model selection methods to avoid overfitting. Careful validation of statistical models is a major concern of this thesis. Neural networks and mixed effects models are compared, showing the importance of local specificities. Estimates of US corn yield at the end of the year show that temperature and precipitation information account for an average of 28% of yield variability. In several more weather-sensitive states, this score increases to nearly 70%. These results are consistent with recent studies on the subject. Mid-season maize crop yield forecasts are possible from July: as of July, the meteorological information available accounts for an average of 25% of the variability in final yield in the United States and close to 60% in more weather-sensitive states like Virginia. The northern and southeastern regions of the United States are the least well predicted. Predicting years for which extremely low yields are encountered is an important task. We use a specific method of classification, and show that with only 4 weather predictors, 71% of the very low yields are well detected on average. The impact of climate change on yields up to 2060 is also studied: the model we build provides information on the speed of evolution of yields in different counties of the United States. This highlights areas that will be most affected. For the most affected states (south and east coast), and with constant agricultural practice, the model predicts yields nearly divided by two in 2060, under the IPCC RCP 4.5 scenario. The northern states would be less affected. The statistical models we build can help for management on the short-term (seasonal forecasts) or to quantify the quality of the harvests before post-harvest surveys, as an aid to the monitoring (estimate at the end of the year). Estimations for the next 50 years help to anticipate the consequences of climate change on agricultural yields, and to define adaptation or mitigation strategies. The methodology used in this thesis is easily generalized to other cultures and other regions of the world.

L'objectif de cette thèse est la résolution d’un problème d’optimisation multi-objectif sous incertitudes en présence de simulations numériques coûteuses. Une validation est menée sur un cas test de thermique transitoire. Dans un premier temps, nous développons un algorithme d'optimisation multi-objectif basé sur le krigeage nécessitant peu d’appels aux fonctions objectif. L'approche est adaptée au calcul distribué et favorise la restitution d'une approximation régulière du front de Pareto complet. Le problème d’optimisation sous incertitudes est ensuite étudié en considérant des mesures de robustesse pires cas et probabilistes. Le superquantile intègre tous les évènements pour lesquels la valeur de la sortie se trouve entre le quantile et le pire cas mais cette mesure de risque nécessite un grand nombre d’appels à la fonction objectif incertaine pour atteindre une précision suffisante. Peu de méthodes permettent de calculer le superquantile de la distribution de la sortie de fonctions coûteuses. Nous développons donc un estimateur du superquantile basé sur une méthode d'échantillonnage préférentiel et le krigeage. Il permet d’approcher les superquantiles avec une faible erreur et une taille d’échantillon limitée. De plus, un couplage avec l’algorithme multi-objectif permet la réutilisation des évaluations. Dans une dernière partie, nous construisons des modèles de substitution spatio-temporels capables de prédire des phénomènes dynamiques non linéaires sur des temps longs et avec peu de trajectoires d’apprentissage. Les réseaux de neurones récurrents sont utilisés et une méthodologie de construction facilitant l’apprentissage est mise en place. / This work aims at solving multi-objective optimization problems in the presence of uncertainties and costly numerical simulations. A validation is carried out on a transient thermal test case. First of all, we develop a multi-objective optimization algorithm based on kriging and requiring few calls to the objective functions. This approach is adapted to the distribution of the computations and favors the restitution of a regular approximation of the complete Pareto front. The optimization problem under uncertainties is then studied by considering the worst-case and probabilistic robustness measures. The superquantile integrates every event on which the output value is between the quantile and the worst case. However, it requires an important number of calls to the uncertain objective function to be accurately evaluated. Few methods give the possibility to approach the superquantile of the output distribution of costly functions. To this end, we have developed an estimator based on importance sampling and kriging. It enables to approach superquantiles with little error and using a limited number of samples. Moreover, the setting up of a coupling with the multi-objective algorithm allows to reuse some of those evaluations. In the last part, we build spatio-temporal surrogate models capable of predicting non-linear, dynamic and long-term in time phenomena by using few learning trajectories. The construction is based on recurrent neural networks and a construction facilitating the learning is proposed.

Ce travail porte sur la reconnaissance de sols à faible profondeur grâce aux données de résistance de pointe recueillies à l'aide de l'essai de pénétration dynamique à énergie variable, Panda®. L'objectif principal est d'étudier et de proposer un ensemble d'approches dans le cadre d'une méthode globale permettant d'exploiter les mesures issues d'une campagne de sondages Panda afin de bâtir un modèle géotechnique du terrain.Ce manuscrit est structuré en quatre parties, chacune abordant un objectif spécifique :dans un premier temps, on rappelle les principaux moyens de reconnaissance des sols, notamment l'essai de pénétration dynamique Panda. Ensuite on réalise un bref aperçu sur le modèle géotechnique et les techniques mathématiques pour décrire l'incertitude dans la caractérisation des propriétés du sol;la deuxième partie porte sur l'identification automatique des unités homogènes du terrain, à partir du signal pénétrométrique Panda. Suite à l'étude réalisée sur l'identification "experte" des couches à partir du signal Panda, des approches statistiques basées sur une fenêtre glissante ont été proposées. Ces techniques ont été étudiées et validées sur la base d'un protocole d'essais en laboratoire et sur des essais effectués en sites naturels et en conditions réelles;la troisième partie porte sur l'identification automatique des matériaux composant les unités homogènes détectées dans le signal Panda à partir des méthodes proposées en partie II. Une méthode de classification automatique basée sur des réseaux de neurones artificiels a été proposée et appliquée aux deux cas d'étude : la caractérisation de sols naturels et la classification d'un matériau granulaire argileux industrialisé (bentonite) ; enfin, la dernière partie est consacrée à la production d'un modèle de terrain basé sur la modélisation et la simulation de la résistance de pointe dynamique au moyen de fonctions aléatoires de l'espace. Cette modélisation est basée sur une approche par champs aléatoires conditionnés par les sondages Panda du terrain. Sa mise en œuvre a été étudiée pour un terrain expérimental situé dans la plaine deltaïque méditerranéenne en Espagne. Des études complémentaires en vue de raffiner cette démarche ont été réalisées pour un deuxième site expérimental dans la plaine de la Limagne en France. / This research focuses on the site characterization of shallow soils using the dynamic cone penetrometer Panda® which uses variable energy. The main purpose is to study and propose several techniques as part of an overall method in order to obtain a ground model through a geotechnical campaign based on the Panda test.This work is divided into four parts, each of them it is focused on a specific topic :first of all, we introduce the main site characterization techniques, including the dynamic penetrometer Panda. Then, we present a brief overview of the geotechnical model and the mathematical methods for the characterization of uncertainties in soil properties;the second part deals with the automatic identification of physical homogeneous soil units based on penetration's mechanical response of the soil using the Panda test. Following a study about the soil layers identification based only on expert's judgment, we have proposed statistical moving window procedures for an objective assessment. The application of these statistical methods have been studied for the laboratory and in situ Panda test;the third part focuses on the automatic classification of the penetrations curves in the homogeneous soil units identified using the statistical techniques proposed in part II. An automatic methodology to predict the soil grading from the dynamic cone resistance using artificial neural networks has been proposed. The framework has been studied for two different research problems: the classification of natural soils and the classification of several crushed aggregate-bentonite mixtures;finally, the last chapter was devoted to model the spatial variability of the dynamic cone resistance qd based on random field theory and geostatistics. In order to reduce uncertainty in the field where Panda measurements are carried out, we have proposed the use of conditional simulation in a three dimensional space. This approach has been applied and studied to a real site investigation carried out in an alluvial mediterranean deltaic environment in Spain. Complementary studies in order to improve the proposed framework have been explored based on another geotechnical campaign conducted on a second experimental site in France.

L'industrie aéronautique évolue dans un contexte concurrentiel qui encourage les motoristes et avionneurs à réduire les coûts de production et à améliorer leurs services aux compagnies aériennes tels que la réduction des coûts d'exploitation et de maintenances des avions. Afin de relever ce défi économique, nous proposons dans cette thèse de remplacer l'architecture de régulation actuelle de certains équipements du turboréacteur, par une architecture simplifiée plus économe en capteurs et harnais en remplaçant la redondance matérielle des capteurs par une redondance analytique. Ainsi, en cas de fonctionnement anormal, les capteurs virtuels proposés pourront être utilisés pour consolider la prise de décision sur l'état du capteur par des tests de cohérence et de validation croisée et le cas échéant se substituer aux mesures.Dans ce travail de thèse, on s'est intéressé à la surveillance des systèmes de régulation de géométries variables (régulation du flux d'air en entrée et la quantité de carburant) avec comme contrainte forte la non-modification des paramètres des lois de commande existantes et le maintien de l'opérabilité du turboréacteur avec une dégradation des performances acceptables selon les spécifications du cahier des charges.Pour répondre à ces contraintes opérationnelles, une approche FTC (Fault Tolerant Control) passive est proposée. Cette approche nommée, AVG-FTC (Aircraft Variables Geometries-Fault-Tolerant Control) s'articule autour de plusieurs sous-systèmes mis en cascades. Elle tient compte du caractère instationnaire des systèmes étudiés, des différents couplages entre géométries variables et des incertitudes de modélisation. Ainsi, l'approche utilise un modèle neuronal du capteur couplé à un observateur de type Takagi-Sugeno-LPV (Linéaire à Paramètres Variant) et à un estimateur non linéaire robuste de type NEKF (Filtre de Kalman Étendu Neuronal) qui permet de produire une estimation temps réel des grandeurs surveillées. En utilisant la plateforme de prototypage et de tests du motoriste, nous avons pu évaluer l'approche AVG-FTC en simulant plusieurs scénarios de vol en présence de défaillances. Ceci a permis de montrer les performances de l'approche en termes de robustesse, de garantie de stabilité des boucles de régulations et d'opérabilité du turboréacteur. To improve the availability, a solution that aircraft manufacturers and suppliers adopt was the fault tolerance. / Over the years, market pressure has ensured that engine manufacturers invest in technology to provide clean, quiet, affordable, reliable, and efficient power. One of the last improvements is the introduction of virtual sensors that make use of non-like signals (analytical redundancy). This, is expected to improve weight, flight safety and availability. However, this new approach has not been widely investigated yet and needs further attention to remove its limitations for certificated applications.The concept of virtual sensors goes along with fault tolerance control strategies that help in limiting disruptions and maintenance costs. Indeed, a fault-tolerant control (FTC) scheme, allows for a leaner hardware structure without decreasing the safety of the system.We propose in this thesis work, to monitor through a passive FTC architecture, the Variables Geometries subsystems' of the engine: the VSV (Variable Stator Vane) and FMV (Fuel Metering Valve). A strong constrains, is not to change the parameters of the existing controllers. The approach named AVG-FTC (Variable Geometries Aircraft-Fault-Tolerant Control) is based on several cascaded sub-systems that allow to deal with the Linear Parameter Varying (LPV) model of the systems and modelling errors. The proposed FTC scheme uses a neural model of the sensor associated with a Takagi-Sugeno observer and a Neuronal Extended Kalman Filter Neural (NEKF) to account for those dynamics that cannot be explained with the LPV model to produce a real-time estimate of the monitored outputs. In case of sensor abnormality, the proposed virtual sensors can then be used as an arbitrator for sensor monitoring or as a healthy sensor used by the controller. To evaluate the approach, serval closed-loop simulations, on SNECMA jet-engine simulator have been performed. The results for distinct flight scenarios with different sensors faults have shown the capabilities of the approach in terms of stability and robustness.