Dans le cas de nombreuses machines tournantes (turboalternateurs, pompes de centrales électriques), les "défauts" (anisotropie de paliers, rotors fissurés...) introduisent naturellement des coefficients périodiques dans l'équation d'équilibre linéaire du modèle discrétisé associé. L'étude du comportement dynamique de l'oscillateur paramétrique obtenu peut alors se faire au moyen d'outils spécifiques tel que la théorie de Floquet, relativement simple à mettre en place, mais dont le traitement numérique s'avère laborieux dans le cas de modèles complexes à grand nombre de degrés de liberté... <br /><br />En étudiant les solutions de Floquet dans le domaine fréquentiel, on montre que l'on peut étendre le principe d'analyse modale des oscillateurs classiques aux oscillateurs paramétriques. Le concept de modes propres paramétriques est alors introduit et ceux-ci sont étudiés à travers différents exemples académiques. On s'intéresse notamment au comportement dynamique du pendule paramétrique à un degré de liberté gouverné par l'équation de Mathieu, ainsi qu'à différents systèmes tournants à 2 degrés de libertés avec raideurs non axisymétriques (modèles simplifiés de rotors fissurés). <br /> <br />A l'image des modes classiques, les modes paramétriques peuvent être étendus aux systèmes complexes discrétisés par n degrés de liberté grâce aux éléments finis. Cependant, ces modes étant poly-harmoniques, on obtient la base modale du système par synthèse modale où chaque sous-structure est naturellement associée à chaque harmonique. Ces idées sont implémentées dans le logiciel éléments finis Cast3m afin de modéliser, en 3D, le comportement vibratoire d'ensemble d'une machine tournante avec un défaut de forme. L'efficacité de la méthode est alors testée en comparant les résultats numériques et expérimentaux provenant d'un banc d'essai composé d'un rotor dissymétrique en rotation sur un support anisotrope (modèle académique d'un rotor avec fissure ouverte).

L'électroencéphalogramme (EEG) est un examen incontournable pour le diagnostic, la définition des structures cérébrales responsables de l'origine de crises et la classification des épilepsies. Cependant les enregistrements recueillis à la surface du scalp sont très perturbés par des artefacts et du bruit, ce qui complique considérablement l'interprétation clinique ou l'analyse automatique. Ce travail a pour objectif d'extraire des descripteurs des signaux d'EEG de surface qui peuvent conduire à la caractérisation de la dynamique spatio-temporelle des crises partielles du lobe temporal. Les estimateurs de relations inter-voies appliqués sont les méthodes linéaires paramétriques symétriques et non symétriques telles que l'inter-spectre (S), la cohérence (C), la Directed Transfert Function (DTF) ou la Partial Directed Coherence (PDC). Les relations sont estimées sur des EEG réels contenant une crise. La détection de fortes relations inter-voies est exploitée pour latéraliser puis caractériser la crise. Toutes les méthodes sont appliquées sur des signaux EEG bruts et prétraités. Une étape de prétraitement basée sur la séparation et classification de sources et le débruitage est mise en oeuvre afin d'éliminer les artefacts et le bruit avec une perte minimale d'information en diminuant le risque de fausses détections de relations de connectivité inter-signaux. Les résultats obtenus sur 51 crises montrent que le prétraitement améliore la détection et le taux de bonnes latéralisations. Une méthode de couplage entre l'IS et les méthodes paramétriques directives (PDC et DTF) permet d'améliorer la caractérisation des crises.

Les modèles physico-chimiques destinés à représenter la réalité expérimentale peuvent se révéler inadéquats. C'est le cas du piège à oxyde d'azote, utilisé comme support applicatif de notre thèse, qui est un système catalytique traitant les émissions polluantes du moteur Diesel. Les sorties sont des courbes de concentrations des polluants, qui sont des données fonctionnelles, dépendant de concentrations initiales scalaires.L'objectif initial de cette thèse est de proposer des plans d'expériences ayant un sens pour l'utilisateur. Cependant les plans d'expérience s'appuyant sur des modèles, l'essentiel du travail a conduit à proposer une représentation statistique tenant compte des connaissances des experts, et qui permette de construire ce plan.Trois axes de recherches ont été explorés. Nous avons d'abord considéré une modélisation non fonctionnelle avec le recours à la théorie du krigeage. Puis, nous avons pris en compte la dimension fonctionnelle des réponses, avec l'application et l'extension des modèles à coefficients variables. Enfin en repartant du modèle initial, nous avons fait dépendre les paramètres cinétiques des entrées (scalaires) à l'aide d'une représentation non paramétrique.Afin de comparer les méthodes, il a été nécessaire de mener une campagne expérimentale, et nous proposons une démarche de plan exploratoire, basée sur l'entropie maximale.

non disponible

Dans le cas de nombreuses machines tournantes (turboalternateurs, pompes de centrales électriques), les « défauts » (anisotropie de paliers, rotors fissurés) introduisent naturellement des coefficients périodiques dans l'équation d'équilibre linéaire du modèle discrétisé associé. L'étude du comportement dynamique de l'oscillateur paramétrique obtenu peut alors se faire au moyen d'outils spécifiques tel que la théorie de Floquet, relativement simple à mettre en place, mais dont le traitement numérique s'avère laborieux dans le cas de modèles complexes à grand nombre de degrés de liberté

Nous nous intéressons dans cette thèse aux méthodes d’estimation non paramétriques par noyaux récursifs ainsi qu’à leurs applications à la prévision. Nous introduisons dans un premier chapitre une famille d’estimateurs récursifs de la densité indexée par un paramètre ℓ ∈ [0, 1]. Leur comportement asymptotique en fonction de ℓ va nous amener à introduire des critères de comparaison basés sur les biais, variance et erreur quadratique asymptotiques. Pour ces critères, nous comparons les estimateurs entre eux et aussi comparons notre famille à l’estimateur non récursif de la densité de Parzen-Rosenblatt. Ensuite, nous définissons à partir de notre famille d’estimateurs de la densité, une famille d’estimateurs récursifs à noyau de la fonction de régression. Nous étudions ses propriétés asymptotiques en fonction du paramètre ℓ. Nous utilisons enfin les résultats obtenus sur l’estimation de la régression pour construire un prédicteur non paramétrique par noyau. Nous obtenons ainsi une famille de prédicteurs non paramétriques qui permettent de réduire considérablement le temps de calcul. Des exemples d’application sont donnés pour valider la performance de nos estimateurs / The aim of this thesis is to study methods of nonparametric estimation based on recursive kernel and their applications to forecasting. We introduce in the first chapter a family of recursive density estimators indexed by a parameter ℓ ∈ [0, 1]. We study their asymptotic behavior according to ℓ, and then we introduce criteria of comparison based on bias, variance and asymptotic quadratic error. For these criteria, we compare our estimators in terms of ℓ, and also compare our family to the non-recursive density estimator of Parzen-Rosenblatt. As for density, we define a family of recursive kernel estimators of regression function. We study its asymptotic properties according to the parameter ℓ. Finally, results of regression estimation are applied to define a family of nonparametric predictors that reduce considerably the computing time and examples of application are given to validate the performance of our methods

Cette thèse est consacrée à l'étude de certains modèles de déformation semi-paramétriques. Notre objectif est de proposer des méthodes récursives, issues d'algorithmes stochastiques, pour estimer les paramètres de ces modèles. Dans la première partie, on présente les outils théoriques existants qui nous seront utiles dans la deuxième partie. Dans un premier temps, on présente un panorama général sur les méthodes d'approximation stochastique, en se focalisant en particulier sur les algorithmes de Robbins-Monro et de Kiefer-Wolfowitz. Dans un second temps, on présente les méthodes à noyaux pour l'estimation de fonction de densité ou de régression. On s'intéresse plus particulièrement aux deux estimateurs à noyaux les plus courants qui sont l'estimateur de Parzen-Rosenblatt et l'estimateur de Nadaraya-Watson, en présentant les versions récursives de ces deux estimateurs.Dans la seconde partie, on présente tout d'abord une procédure d'estimation récursive semi-paramétrique du paramètre de translation et de la fonction de régression pour le modèle de translation dans la situation où la fonction de lien est périodique. On généralise ensuite ces techniques au modèle vectoriel de déformation à forme commune en estimant les paramètres de moyenne, de translation et d'échelle, ainsi que la fonction de régression. On s'intéresse finalement au modèle de déformation paramétrique de variables aléatoires dans le cadre où la déformation est connue à un paramètre réel près. Pour ces trois modèles, on établit la convergence presque sûre ainsi que la normalité asymptotique des estimateurs paramétriques et non paramétriques proposés. Enfin, on illustre numériquement le comportement de nos estimateurs sur des données simulées et des données réelles. / This thesis is devoted to the study of some semi-parametric deformation models.Our aim is to provide recursive methods, related to stochastic algorithms, in order to estimate the different parameters of the models. In the first part, we present the theoretical tools which we will use in the next part. On the one hand, we focus on stochastic approximation methods, in particular the Robbins-Monro algorithm and the Kiefer-Wolfowitz algorithm. On the other hand, we introduce kernel estimators in order to estimate a probability density function and a regression function. More particularly, we present the two most famous kernel estimators which are the one of Parzen-Rosenblatt and the one of Nadaraya-Watson. We also present their recursive version.In the second part, we present the results we obtained in this thesis.Firstly, we provide a recursive estimation method of the shift parameter and the regression function for the translation model in which the regression function is periodic. Secondly, we extend this estimation procedure to the shape invariant model, providing estimation of the height parameter, the translation parameter and the scale parameter, as well as the common shape function.Thirdly, we are interested in the parametric deformation model of random variables where the deformation is known and depending on an unknown parameter.For these three models, we establish the almost sure convergence and the asymptotic normality of each estimator. Finally, we numerically illustrate the asymptotic behaviour of our estimators on simulated data and on real data.

Dans certains phénomènes physiques modélisés par des EDP, les coefficients intervenant dans les équations ne sont pas des fonctions déterministes fixées, et dépendent de paramètres qui peuvent varier. Ceci se produit par exemple dans le cadre de la modélisation des écoulements en milieu poreux lorsqu’on décrit le champ de perméabilité par un processus stochastique pour tenir compte de l’incertitude sur ce champs. Dans d’autres cadres, il peut s’agir de paramètres déterministes que l’on cherche à ajuster, par exemple pour optimiser un certain critère sur la solution. La solution u dépend donc non seulement de la variable x d’espace/temps mais aussi d’un vecteur y = (yj) de paramètres potentiellement nombreux, voire en nombre infinis. L’approximation numérique en y de l’application (x,y)-> u(x, y) est donc impossible par les méthodes classiques de type éléments finis, et il faut envisager des approches adaptées aux grandes dimensions. Cette thèse est consacrée à l’étude théorique et l’approximation numérique des EDP paramétriques en grandes dimensions. Pour une large classe d’EDP avec une certaine dépendance anisotrope en les paramètres yj, on étudie de la régularité en y de l’application u et on propose des méthodes d’approximation numérique dont les performances ne subissent pas les détériorations classiquement observées en grande dimension. On cherche en particulier à évaluer la complexité de la classe des solutions {u(y)}, par exemple au sens des épaisseurs de Kolmogorov, afin de comprendre les limites inhérentes des méthodes numériques. On analyse en pratique les propriétés de convergences de diverses méthodes d’approximation avec des polynômes creux. / For certain physical phenomenon that are modelled by PDE, the coefficients intervening in the equations are not fixed deterministic functions, but depend on parameters that may vary.

Dans cette thèse, j'étudie les propriétés théoriques des modèles de Markov cachés non paramétriques. Le choix de modèles non paramétriques permet d'éviter les pertes de performance liées à un mauvais choix de paramétrisation, d'où un récent intérêt dans les applications. Dans une première partie, je m'intéresse à l'estimation du nombre d'états cachés. J'y introduis deux estimateurs consistants : le premier fondé sur un critère des moindres carrés pénalisés, le second sur une méthode spectrale. Une fois l'ordre connu, il est possible d'estimer les autres paramètres. Dans une deuxième partie, je considère deux estimateurs adaptatifs des lois d'émission, c'est-à-dire capables de s'adapter à leur régularité. Contrairement aux méthodes existantes, ces estimateurs s'adaptent à la régularité de chaque loi au lieu de s'adapter seulement à la pire régularité. Dans une troisième partie, je me place dans le cadre mal spécifié, c'est-à-dire lorsque les observations sont générées par une loi qui peut ne pas être un modèle de Markov caché. J'établis un contrôle de l'erreur de prédiction de l'estimateur du maximum de vraisemblance sous des conditions générales d'oubli et de mélange de la vraie loi. Enfin, j'introduis une variante non homogène des modèles de Markov cachés : les modèles de Markov cachés avec tendances, et montre la consistance de l'estimateur du maximum de vraisemblance. / During my PhD, I have been interested in theoretical properties of nonparametric hidden Markov models. Nonparametric models avoid the loss of performance coming from an inappropriate choice of parametrization, hence a recent interest in applications. In a first part, I have been interested in estimating the number of hidden states. I introduce two consistent estimators: the first one is based on a penalized least squares criterion, and the second one on a spectral method. Once the order is known, it is possible to estimate the other parameters. In a second part, I consider two adaptive estimators of the emission distributions. Adaptivity means that their rate of convergence adapts to the regularity of the target distribution. Contrary to existing methods, these estimators adapt to the regularity of each distribution instead of only the worst regularity. The third part is focussed on the misspecified setting, that is when the observations may not come from a hidden Markov model. I control of the prediction error of the maximum likelihood estimator when the true distribution satisfies general forgetting and mixing assumptions. Finally, I introduce a nonhomogeneous variant of hidden Markov models : hidden Markov models with trends, and show that the maximum likelihood estimators of such models is consistent.

No description available.