La restructuration du secteur de l'énergie électrique et la dérégulation du marché de l'électrécité, les contraintes environnementales et dans certains cas des investissements insuffisants dans les infrastructures des systèmes électriques forment actuellement les principaux facteurs qui poussent les opérateurs des systèmes électriques à faire fonctionner ces derniers dans des conditions opérationnelles contraignantes, à savoir de plus en plus près de leurs limites de stabilité. En effet, afin de pouvoir exploiter leurs réseaux électriques avec des marges de sécurité réduites sans détérioration significative de la sûreté de fonctionnement, les gestionnaires des réseaux de transport (GRTs) ont récemment adopté un nouvel outil pour se prémunir contre le risque des pannes généralisées (blackouts) des réseaux électriques. Il s'agit de l'analyse en ligne de sécurité. A l'heure actuelle, en l'absence d'un coordinateur de sécurité central ou d'échanges complets de données en ligne entre tous les GRTs, l'analyse en ligne de sécurité des grands systèmes électriques interconnectés se fait d'une manière décentralisée au niveau du GRT de chaque zone de réglage. Le problème majeur de l'analyse décentralisée des systèmes interconnectés réside dans le fait que chaque GRT n'est pas capable d'évaluer la vulnérabilité de son système à l'égard des contingences externes originaires des zones de réglage voisines. Dans cette thèse, nous proposons comme solution à ce problème un nouveau cadre de coopération et de coordination entre les GRTs. Dans ce cadre, les GRTs s'échangent en ligne et hors ligne les données nécessaires permettant à chacun d'entre eux premièrement d'évaluer l'impact de ses contingences externes sur la sécurité de sa zone, deuxièmement de concevoir, en utilisant des techniques d'apprentissage automatique, des filtres qu'il utilise ensuite en ligne pour le filtrage rapide de ses contingences externes de sorte que seules les contingences externes potentiellement dangereuses soient sélectionnées pour une analyse détaillée en ligne.

Aujourd’hui, sur le marché, on peut trouver une vaste gamme de produits différents ou des formes variées d’un même produit et ce grand assortiment fatigue les clients. Il est clair que la décision des clients d’acheter un produit dépend de l'aspect esthétique de la forme du produit et de l’affection émotionnelle. Par conséquent, il est très important de comprendre les propriétés esthétiques et de les adopter dans la conception du produit, dès le début. L'objectif de cette thèse est de proposer un cadre générique pour la cartographie des propriétés esthétiques des formes gauches en 3D en façon d'être en mesure d’extraire des règles de classification esthétiques et des propriétés géométriques associées. L'élément clé du cadre proposé est l'application des méthodologies de l’Exploration des données (Data Mining) et des Techniques d’apprentissage automatiques (Machine Learning Techniques) dans la cartographie des propriétés esthétiques des formes. L'application du cadre est d'étudier s’il y a une opinion commune pour la planéité perçu de la part des concepteurs non-professionnels. Le but de ce cadre n'est pas seulement d’établir une structure pour repérer des propriétés esthétiques des formes gauches, mais aussi pour être utilisé comme un chemin guidé pour l’identification d’une cartographie entre les sémantiques et les formes gauches différentes. L'objectif à long terme de ce travail est de définir une méthodologie pour intégrer efficacement le concept de l’Ingénierie affective (c.à.d. Affective Engineering) dans le design industriel. / Today on the market we can find a large variety of different products and differentshapes of the same product and this great choice overwhelms the customers. It is evident that the aesthetic appearance of the product shape and its emotional affection will lead the customers to the decision for buying the product. Therefore, it is very important to understand the aesthetic proper-ties and to adopt them in the early product design phases. The objective of this thesis is to propose a generic framework for mapping aesthetic properties to 3D freeform shapes, so as to be able to extract aesthetic classification rules and associated geometric properties. The key element of the proposed framework is the application of the Data Mining (DM) methodology and Machine Learning Techniques (MLTs) in the mapping of aesthetic properties to the shapes. The application of the framework is to investigate whether there is a common judgment for the flatness perceived from non-professional designers. The aim of the framework is not only to establish a structure for mapping aesthetic properties to free-form shapes, but also to be used as a guided path for identifying a mapping between different semantics and free-form shapes. The long-term objective of this work is to define a methodology to efficiently integrate the concept of Affective Engineering in the Industrial Designing.

La biométrie du visage a suscité, ces derniers temps, l'intérêt grandissant de la communauté scientifique et des industriels de la biométrie vue son caractère naturel, sans contact et non-intrusif. Néanmoins, les performances des systèmes basés sur les images 2D sont affectées par différents types de variabilités comme la pose, les conditions d'éclairage, les occultations et les expressions faciales. Avec la disponibilité de caméras 3D capables d'acquérir la forme tridimensionnelle, moins sensibles aux changements d'illumination et de pose, plusieurs travaux de recherche se sont tournés vers l'étude de cette nouvelle modalité. En revanche, d'autres défis apparaissent comme les déformations de la forme faciales causées par les expressions et le temps de calcul que requièrent les approches développées. Cette thèse s'inscrit dans ce paradigme en proposant de coupler la géométrie Riemannienne avec les techniques d'apprentissage pour une biométrie faciale 3D efficace et robuste aux changements d'expressions. Après une étape de pré-traitement, nous proposons de représenter les surfaces faciales par des collections de courbes 3D qui captent localement leurs formes. Nous utilisons un cadre géométrique existant pour obtenir les déformations " optimales " entre les courbes ainsi que les distances les séparant sur une variété Riemannienne (espace des formes des courbes). Nous appliquons, par la suite, des techniques d'apprentissage afin de déterminer les courbes les plus pertinentes pour deux applications de la biométrie du visage : la reconnaissance d'identité et la classification du genre. Les résultats obtenus sur le benchmark de référence FRGC v2 et leurs comparaison avec les travaux de l'état de l'art confirment tout l'intérêt de coupler l'analyse locale de la forme par une approche géométrique (possibilité de calculer des moyennes, etc.) avec des techniques d'apprentissage (Basting, etc.) pour gagner en temps de calcul et en performances.