Thesis (Ph. D.)--University of Wisconsin--Madison, 1985. / Typescript. Vita. eContent provider-neutral record in process. Description based on print version record. Includes bibliographical references (leaves 305-325).

Thèses (M.A.)--Université de Sherbrooke (Canada), 2000. / Titre de l'écran-titre (visionné le 20 juin 2006). Publié aussi en version papier.

Thèse (M.A.)--Université Laval, 2008. / Bibliogr.: f. 33-34. Publié aussi en version électronique dans la Collection Mémoires et thèses électroniques.

Thèse (Ph. D.)--Université Laval, 2004. / Bibliogr.: f. [152]-155. Publié aussi en version électronique.

Thèse (Ps.D.)--Université de Sherbrooke (Canada), 2007. / Titre de l'écran-titre (visionné le 25 févr. 2008). In ProQuest dissertations and theses. Publié aussi en version papier.

Thèse (Ph. D.)--Université Laval, 2003. / Titre de l'écran-titre (visionné le 23 mars 2004). Bibliogr.

Thèse (M.Ps.)--Université Laval, 2002. / Bibliogr.: f. 44-51.506. Publié aussi en version électronique.

Afin de répondre aux besoins de la 5G, nous évaluons plusieurs visions du cœur de réseau. Nous comparons les performances des visions en mesurant le temps nécessaire pour établir le service pour l’utilisateur. De plus, nous proposons dans cette thèse un algorithme basé sur la théorie du contrôle permettant d’équilibrer la charge entre les instances AMF, et d’augmenter ou de diminuer le nombre d’instances AMF en fonction de la charge du réseau. En outre, nous proposons un nouveau mécanisme pour adapter les ressources du réseau cœur 5G en anticipant les évolutions, de la charge de trafic, grâce à des prédictions via des approches de machine learning. Enfin, nous proposons une solution pour généraliser les réseaux de neurones tout en accélérant le processus. / In order to fulfil the needs of 5G, we evaluate, using a testbed, multiple visions of core networks. We compare the performances of the visions in terms of the time needed to create the user data plane. In addition, we provide an algorithm based on Control Theory allowing to equilibrate the load on the AMF instances, and to scale out or in the AMF instances depending on the network load. Also, we propose a novel mechanism to scale 5G core network resources by anticipating traffic load changes through forecasting via deep learning approaches. Finally, we propose a novel solution to generalize neural networks while accelerating the learning process.