CGI har ett projekt från Skellefteå kommun där de ska mäta trådlösa nätverk hos olika siter för att försöka identifiera problem med frånkoppling från trådlösa nätverket samt tillföra förbättringar.  Mitt uppdrag blev att göra en site survey på trådlösa nätverket hos äldreboende sedan en analys och predictive survey samt förbättringsförslag. Verktyget jag har använt är ekahau PRO och ekahau survey. Platsen jag har mät är Björkhammargården i Jörn. Innan mätningen behövs en rätt skalad planritning vilket jag gjorde på adobe acrobat och ekahau programmet. Det trådlösa nätverket hos äldreboende var mestadels god, täckningen, signalstyrka och trådlösa nätverket var generellt god men en del av området var mindre lämplig och behöver en förbättring, två nya accesspunkter ska installeras. Efter site survey har en predictive survey gjorts, där har jag ritat upp väggar, satt ut accesspunkter för att få god täckning och signalstyrka, kanalplanering och hur transmit power control fungerar.

No description available.

No description available.

De nos jours, avec l'abondance croissante de données de très grande taille, les problèmes de classification de grande dimension ont été mis en évidence comme un challenge dans la communauté d'apprentissage automatique et ont beaucoup attiré l'attention des chercheurs dans le domaine. Au cours des dernières années, les techniques d'apprentissage avec la parcimonie et l'optimisation stochastique se sont prouvées être efficaces pour ce type de problèmes. Dans cette thèse, nous nous concentrons sur le développement des méthodes d'optimisation pour résoudre certaines classes de problèmes concernant ces deux sujets. Nos méthodes sont basées sur la programmation DC (Difference of Convex functions) et DCA (DC Algorithm) étant reconnues comme des outils puissants d'optimisation non convexe. La thèse est composée de trois parties. La première partie aborde le problème de la sélection des variables. La deuxième partie étudie le problème de la sélection de groupes de variables. La dernière partie de la thèse liée à l'apprentissage stochastique. Dans la première partie, nous commençons par la sélection des variables dans le problème discriminant de Fisher (Chapitre 2) et le problème de scoring optimal (Chapitre 3), qui sont les deux approches différentes pour la classification supervisée dans l'espace de grande dimension, dans lequel le nombre de variables est beaucoup plus grand que le nombre d'observations. Poursuivant cette étude, nous étudions la structure du problème d'estimation de matrice de covariance parcimonieuse et fournissons les quatre algorithmes appropriés basés sur la programmation DC et DCA (Chapitre 4). Deux applications en finance et en classification sont étudiées pour illustrer l'efficacité de nos méthodes. La deuxième partie étudie la L_p,0régularisation pour la sélection de groupes de variables (Chapitre 5). En utilisant une approximation DC de la L_p,0norme, nous prouvons que le problème approché, avec des paramètres appropriés, est équivalent au problème original. Considérant deux reformulations équivalentes du problème approché, nous développons différents algorithmes basés sur la programmation DC et DCA pour les résoudre. Comme applications, nous mettons en pratique nos méthodes pour la sélection de groupes de variables dans les problèmes de scoring optimal et d'estimation de multiples matrices de covariance. Dans la troisième partie de la thèse, nous introduisons un DCA stochastique pour des problèmes d'estimation des paramètres à grande échelle (Chapitre 6) dans lesquelles la fonction objectif est la somme d'une grande famille des fonctions non convexes. Comme une étude de cas, nous proposons un schéma DCA stochastique spécial pour le modèle loglinéaire incorporant des variables latentes / These days with the increasing abundance of data with high dimensionality, high dimensional classification problems have been highlighted as a challenge in machine learning community and have attracted a great deal of attention from researchers in the field. In recent years, sparse and stochastic learning techniques have been proven to be useful for this kind of problem. In this thesis, we focus on developing optimization approaches for solving some classes of optimization problems in these two topics. Our methods are based on DC (Difference of Convex functions) programming and DCA (DC Algorithms) which are wellknown as one of the most powerful tools in optimization. The thesis is composed of three parts. The first part tackles the issue of variable selection. The second part studies the problem of group variable selection. The final part of the thesis concerns the stochastic learning. In the first part, we start with the variable selection in the Fisher's discriminant problem (Chapter 2) and the optimal scoring problem (Chapter 3), which are two different approaches for the supervised classification in the high dimensional setting, in which the number of features is much larger than the number of observations. Continuing this study, we study the structure of the sparse covariance matrix estimation problem and propose four appropriate DCA based algorithms (Chapter 4). Two applications in finance and classification are conducted to illustrate the efficiency of our methods. The second part studies the L_p,0regularization for the group variable selection (Chapter 5). Using a DC approximation of the L_p,0norm, we indicate that the approximate problem is equivalent to the original problem with suitable parameters. Considering two equivalent reformulations of the approximate problem we develop DCA based algorithms to solve them. Regarding applications, we implement the proposed algorithms for group feature selection in optimal scoring problem and estimation problem of multiple covariance matrices. In the third part of the thesis, we introduce a stochastic DCA for large scale parameter estimation problems (Chapter 6) in which the objective function is a large sum of nonconvex components. As an application, we propose a special stochastic DCA for the loglinear model incorporating latent variables

La présente thèse a pour objectif principal de développer des approches déterministes et heuristiques pour résoudre certaines classes de problèmes d'optimisation en Finance, Affectation et Recherche d’Informations. Il s’agit des problèmes d’optimisation non convexe de grande dimension. Nos approches sont basées sur la programmation DC&DCA et la méthode Cross-Entropy (CE). Grâce aux techniques de formulation/reformulation, nous avons donné la formulation DC des problèmes considérés afin d’obtenir leurs solutions en utilisant DCA. En outre, selon la structure des ensembles réalisables de problèmes considérés, nous avons conçu des familles appropriées de distributions pour que la méthode Cross-Entropy puisse être appliquée efficacement. Toutes ces méthodes proposées ont été mises en œuvre avec MATLAB, C/C++ pour confirmer les aspects pratiques et enrichir notre activité de recherche. / In this thesis we focus on developing deterministic and heuristic approaches for solving some classes of optimization problems in Finance, Assignment and Search Information. They are large-scale nonconvex optimization problems. Our approaches are based on DC programming & DCA and the Cross-Entropy method. Due to the techniques of formulation/reformulation, we have given the DC formulation of considered problems such that we can use DCA to obtain their solutions. Also, depending on the structure of feasible sets of considered problems, we have designed appropriate families of distributions such that the Cross-Entropy method could be applied efficiently. All these proposed methods have been implemented with MATLAB, C/C++ to confirm the practical aspects and enrich our research works.

The surface response of a polymer substrate to external stimuli such as initial wetting is controlled by the outermost molecular layer. Thus, changes on the nanoscale may be engaged to control macroscale wetting behavior. Our work has predominantly focused on surface modification of conventional polyurethane coatings (HMDI-BD-PTMO). Studies on network constrained phase separation and facile polydimethylsiloxane surface functionalization led to the discovery of a simpler one-step and more general approach to functional polymer surfaces that we have designated as “Bottle-Brush Nanoglass” (BB-NG) after the two principle components: (a) a polyoxetane soft block “spine” with side chain “A” bristles and triethoxysilyl chain ends and (b) an alkoxysilane that together with BB chain ends comprise precursors to a “nanoglass”, NG phase. This paper focuses on the extent of modification for a conventional aliphatic polyurethane using a range of fluoropolyoxetane (poly(trifluoroethoxymethyl-methyl oxetane) diol) or 3F diol based modifier concentrations. Upon generating a blend of the polyurethane with the modifier, the BB-NG which is a minor constituent of the blend, phase separates to provide the topmost layer of the coating. Initial results demonstrate that the modified polymer coatings exhibit an expected increase in contact angles with water. Wetting behavior was characterized using the sessile drop technique as well as Dynamic Contact Analysis (DCA, Wilhelmy Plate). Surface composition as well as near surface topology and morphology are characterized by X-ray Photoelectron Spectroscopy (XPS) and Tapping Mode Atomic Force Microscopy (TM-AFM) respectively. Contrast in phase images reflect the surface modulus and viscoelasticity, from which physical form or compositional differences may be deduced. These characteristics have also been explored in our study by hardness tests via nanoindentation.

Thesis deals with studying of morphology and variability of palatal shape in patients with hemifacial microsomia. It is congenital facial disorder, manifests in hypoplasia and asymmetry of facial structures. It interfere with part of splanchnocranium,especially manifests at hypoplasia of mandible and facial asymmetry, ears or orbits can be another affects part of the face. For notice morphology of palate was use virtual dental models of superior alveolar arch and palate of patients with HFM. Mean age of patients with HFM was 27,2 years (in range 20,8 - 41,5 years), mean age of control's file was 13,2 years (in range 13,0 - 13,9 years). Every subjects, also from patient's file and from control's file are mens with Czech's nationality. Models were evaluate by methods of geometrics morphometry (DCA, PCA, analysis asymmetry) and multidimensional statistic (Hotteling test, test of homogenity). Palatal shape of patients with HFM and controls is significantly different. Palate of patients with HFM was narrower and shorter in anterior part while wider in posterior lateral part, especially at the left side relative to control's file. We found out by evaluation asymmetry that palate of patients with HFM had the biggest asymmetry at back side of palate, by contrast, the biggest symmetry was at vertical middle line of...

A travers des collisions, il est possible de reproduire un Plasma de Quarks et de Gluons. Dans ce cadre, le détecteur ALICE installé auprès du collisionneur LHC (CERN) est optimisé pour étudier la transition vers cet état hypothétique de la matière. Il est équipé d'un spectromètre mesurant les sondes muoniques (quarkonia, saveurs lourdes...). La première partie de cette thèse présente la méthode calculant l'efficacité du système de trajectographie de ce spectromètre. Les résultats, obtenus par simulation, sont replacés dans le contexte du calcul global d'efficacité. Ceux-ci montrent l'évolution de l'efficacité en fonction des défaillances électroniques probables. Ils établissent que le bon fonctionnement du détecteur implique moins de 90% de canaux défaillants et 85% de cartes dites MANU défaillantes. La deuxième partie présente la mise en place de la méthode dite « Distance Closest Approach », permettant l'identification des muons provenant de particules charmées ou belles. Pour des impulsions transverses pt < 4 GeV/c, la détermination de la contribution des saveurs lourdes (du charme en particulier) au spectre des muons simples impose qu'une soustraction de la décroissance de pions et de kaons soit effectuée. Cette discrimination n'est pas possible trace par trace, le développement d'une méthode alternative de soustraction des hadrons légers a été introduite. La méthode de DCA utilise la distance entre les traces extrapolées dans le plan transverse au vertex primaire et ce vertex. La différence de forme entre les distributions en DCA du signal et du bruit provenant des différentes longueurs de décroissances, liées aux types des particules, autorisera une meilleure séparation permettant ainsi de remonter aux sections efficaces de production du charme et de la beauté.

Nous abordons dans cette thèse les approches de la Programmation DC et DCAen Data Mining (fouille de données). Plus particulièrement, nous nous intéressons aux problèmes de parcimonie en modélisation parcimonieuse de données. Le travail porte sur des recherches théoriques et algorithmiques et la principale approche utilisée est la programmation DC et DCA.Nous avons établi des propriétés intéressantes, des reformulations DC, voire quadratiques,équivalentes pour ces problèmes grâce à de nouvelles techniques de pénalité exacte développées durant cette thèse. Ces résultats donnent une nouvelle facette et une nouvelle manière de voir ces problèmes de parcimonie afin de permettre une meilleure compréhension et prise en main de ces problèmes. Ces nouvelles techniques ont été appliquées dans le cadre de la modélisation parcimonieuse pour le problème de la valeur propre maximale et dans le cadre de la modélisation parcimonieuse dans les modèles de régression linéaire.La structure simple des reformulations obtenues se prête bien à la programmation DC et DCA pour la résolution. Les simulations numériques, obtenues avec DCA et un algorithme combiné DCA et la procédure Séparation et Evaluation pour l'optimisation globale, sont très intéressantes et très prometteuses et illustrent bien le potentiel de cette nouvelle approche.

L'objectif de cette thèse porte sur des recherches théoriques et algorithmiques d'optimisation locale et globale via les techniques de programmation DC & DCA, Séparation et Evaluation (SE) ainsi que les techniques de relaxation DC/SDP, pour résoudre plusieurs types de problèmes d'optimisation non convexe (notamment en Optimisation Combinatoire et Optimisation Polynomiale). La thèse comporte quatre parties :La première partie présente les outils fondamentaux et les techniques essentielles en programmation DC & l'Algorithme DC (DCA), ainsi que les techniques de relaxation SDP, et les méthodes de séparation et évaluation (SE).Dans la deuxième partie, nous nous intéressons à la résolution de problèmes de programmation quadratique et linéaire mixte en variables entières. Nous proposons de nouvelles approches locales et globales basées sur DCA, SE et SDP. L'implémentation de logiciel et des simulations numériques sont aussi étudiées.La troisième partie explore des approches de la programmation DC & DCA en les combinant aux techniques SE et SDP pour la résolution locale et globale de programmes polynomiaux. Le programme polynomial avec des fonctions polynomiales homogènes et son application à la gestion de portefeuille avec moments d'ordre supérieur en optimisation financière ont été discutés de manière approfondie dans cette partie.Enfin, nous étudions dans la dernière partie un programme d'optimisation sous contraintes de type matrices semi-définies via nos approches de la programmation DC. Nous nous consacrons à la résolution du problème de réalisabilité des contraintes BMI et QMI en contrôle optimal.L'ensemble de ces travaux a été implémenté avec MATLAB, C/C++ ... nous permettant de confirmer l'utilisation pratique et d'enrichir nos travaux de recherche.