Les travaux du laboratoire se concentrent autour du contrôle neuromimétique d'une plate-forme robot-vision. Dans ce cadre, ce travail de thèse concerne l'application des réseaux de neurones artificiels à la commande d'un bras robotique par asservissement visuel. Cette étude porte plus particulièrement sur l'apprentissage modulaire afin de réaliser des contrôleurs neuromimétiques. <br /><br />Asservissement visuel par apprentissage<br />Les mouvements d'un bras robotique sont contrôlés par asservissement visuel. Les informations sont fournies par deux caméras montées sur une tête robotique. La position de chaque objet est alors définie par ses coordonnées dans les images -- gauches et droites -- et par les positions angulaires des caméras.<br />L'approche classique de l'asservissement visuel se base sur une modélisation mathématique du système robot-vision. Un contrôle précis exige une bonne connaissance des différents paramètres des modèles et une prise en compte des erreurs de calibration des capteurs et du robot. Dans cette thèse, nous évaluons une approche alternative à l'approche modèle et proposons une approche non paramétrique qui "apprend" la transformation reliant l'espace des images à l'espace des commandes angulaires à l'aide de réseaux de neurones artificiels.<br /><br />Les réseaux de neurones<br />Les réseaux de neurones se sont révélés être de très bons estimateurs. La complexité de notre tâche, notamment sa dimensionalité et ses caractéristiques non linéaires, rend leur implémentation non triviale. En effet, il est difficile de superviser l'apprentissage des réseaux de grandes tailles. De plus, les temps d'apprentissage et de réponse peuvent devenir prohibitifs.<br />Le choix du réseau de neurones a été guidé par la nécessité d'un apprentissage en ligne, en temps réel, stable, et rapide. Nous avons retenu les cartes auto-organisatrices de Kohonen (SOM, pour Self Organizing Map) qui répondent à ces contraintes. Les notions de compétition entre neurones et de voisinage qu'elles impliquent permettent un apprentissage rapide et efficace. Des variantes ont été développées, comme la carte de Kohonen étendue. Associées à des ADALINEs (ADAptative LINear Elements), ces cartes fournissent des sorties linéaires. Elles sont donc capables de discrétiser n'importe quel espace (notamment le volume de travail du robot) et de le linéariser sans connaissance a priori.<br /><br />La modularité<br />Face à ce problème de dimensionnalité, nous proposons de décomposer la tâche en modules. Chacun de ces modules est alors constitué de réseaux de neurones de faibles dimensions. La modularité peut être vue de deux manières différentes.<br />La première approche met plusieurs modules en parallèle. Chacun de ceux-ci reçoit les mêmes entrées et calcule une sortie. Un module supplémentaire, un superviseur, est ajouté à l'architecture. Il reçoit les mêmes entrées et a pour rôle de sélectionner le module, ou l'ensemble de modules pondérés de manière convenable, afin d'obtenir la meilleure sortie possible.<br />La seconde approche, que nous avons adoptée, décompose la tâche complexe en une série de sous-problèmes. Comme l'apprentissage de chaque module nécessite un jeu d'apprentissage, la difficulté est de superviser les modules internes. En effet, les entrées et les sorties désirées de ces modules ne sont pas accessibles. Il est de ce fait nécessaire d'utiliser des structures d'aide à l'apprentissage telles que la bidirectionnalité. Des modules supplémentaires, spécialisés dans l'estimation de ces grandeurs intermédiaires, sont alors insérés dans l'architecture modulaire.<br /><br />Les résultats<br />L'apprentissage modulaire proposé peut alors être considéré comme un contrôleur neuromimétique. L'asservissement visuel est validé en simulation avec un robot trois axes et quatre axes. L'objectif est la poursuite de cibles mobiles dans un espace tridimensionnel, sans utiliser le modèle du système défini au préalable et sans connaissance a priori, ni sur les mouvements de la cible, ni sur les mouvements des caméras.<br />L'approche modulaire a été validée en simulation. Nous avons montré dans ce travail que l'apprentissage modulaire est possible et efficace. Face à des tâches complexes, où l'apprentissage par un réseau unique est difficile, voire même impossible, l'apprentissage modulaire apporte une solution.

L'hypothèse du liage temporel par synchronie suscite un intérêt important en neurobiologie, car elle permet d'expliquer comment différentes structures du cerveau peuvent établir entre elles un lien fonctionnel, en rapport avec une fonction cognitive. Cependant, il n'existe pas de modèle permettant de faire communiquer différents groupes de neurones par le biais de leurs émissions. <br /><br />Nous avons développé un modèle de réseau de neurones impulsionnels, dont la topologie est modifiée par un algorithme évolutionniste. Le critère de performance utilisé pour l'algorithme évolutionniste est évalué par l'intermédiaire du comportement d'un individu contrôlé par un réseau de neurones impulsionnels, et placé dans un environnement virtuel. L'utilisation du neurone impulsionnel, ayant la propriété de détection de synchronie, oblige l'évolution à construire un système utilisant cette propriété au niveau global, d'où l'émergence de la synchronisation neuronale à large-échelle. Les propriétés topologiques et dynamiques du réseau de neurones ne sont pas prises en compte dans le calcul de la performance, mais sont étudiées a posteriori, en comparant les individus avant et après évolution. <br /><br />D'une part, grâce aux outils de la théorie des réseaux complexes, nous montrons l'émergence d'un certain nombre de propriétés topologiques, notamment la propriété de réseau ``petit-monde''. Ces propriétés topologiques sont similaires à celles observées au niveau de l'anatomie des systèmes nerveux en biologie. D'autre part, au niveau de la dynamique, nous établissons que la propriété de synchronisation neuronale à large-échelle, résultant de la présentation d'un stimulus, est présente chez les individus évolués. Pour ce faire, nous nous appuyons sur les outils classiquement utilisés en électrophysiologie, et nous les étendons pour pouvoir interpréter la grande quantité de données obtenue à partir du modèle. <br /><br />Le modèle montre que l'on peut construire des réseaux de neurones basés sur l'hypothèse du liage temporel en ayant recours à l'évolution artificielle, en se basant sur un critère de performance écologique, c.à.d. le comportement de l'individu dans son environnement. D'autre part, les outils développés pour l'analyse des propriétés du modèle peuvent être utilisés dans d'autres domaines, en premier lieu en électrophysiologie. En effet, à cause des progrès techniques sur les enregistrements électrophysiologiques, la quantité de données se rapproche singulièrement de celle issue du modèle.

Le manque de sélectivité des capteurs de gaz à base d'oxyde métallique est la principale limite à leur utilisation. Afin de pallier ce problème, nous avons proposé dans ce travail une solution basée sur la combinaison de plusieurs capteurs et de méthodes de traitement de données. Pour ce faire, un banc de test incluant une matrice composée de plusieurs capteurs a été réalisé. Nous avons étudié deux procédures de chauffage des capteurs (mode isotherme et modulation thermique). L'analyse en composantes principales et les réseaux de neurones artificiels ont été utilisés pour traiter les données issues des capteurs. La première méthode de chauffage, appliquée à une matrice de six capteurs, a permis de classer et d'identifier cinq gaz (CO, NH3, H2S, C2H2 et NO) à une concentration de 100 ppm. De plus, nous avons pu mesurer la concentration de CO et NO en mélange avec une erreur acceptable (valeur du RMSEPr d'environ 10 %). La deuxième procédure de chauffage, utilisée avec une matrice de quatre capteurs, a permis d'identifier trois gaz (CO, C2H2, H2S) avec des concentrations variant de 25 ppm à 100 ppm.

Les recherches scientifiques sur la pile à combustible échangeuse de protons (PEMFC) ont, jusqu'il y a peu, concerné presque exclusivement les aspects fondamentaux liés à l'électrochimie, particulièrement la conception, le dimensionnement, les performances et le diagnostic. Récemment, les objectifs de durée de vie ont ouvert un nouvel axe de recherche sur le comportement mécanique de la PEMFC devant conduire à son optimisation statique et dynamique. Parallèlement les installations vibroclimatiques de la plateforme d'essais " Systèmes Pile à Combustible " de Belfort ont été développées. La thèse de Vicky ROUSS soutenue en 2008 montre l'intérêt et le potentiel de la modélisation type " boîte noire " pour simuler le comportement mécanique de la PEMFC, et de la technique des signatures mécaniques expérimentales pour mettre en évidence la présence des phénomènes physiques à l'intérieur de la PEMFC. Dans ce contexte les travaux de la présente thèse ont concerné le pilotage des essais de durabilité par simulation boîte noire temps réel et l'exploitation de cette dernière en vue de la découverte des phénomènes physiques à l'intérieur de la PEMFC. La modélisation par réseaux de neurones des systèmes simples de type oscillateur harmonique a représenté le premier pas pour la définition d'un modèle neuronal de pilotage des essais de durabilité en temps réel. Le cas du système mécanique excité par la base qui correspond à une pile à combustible fixée sur la plateforme vibratoire, a été considéré. L'architecture neuronale optimale a été définie en plusieurs étapes en utilisant différents algorithmes. Elle utilise en entrée le signal de commande du système et la réponse mesurée sur la pile à combustible au moment t et en sortie on obtient la réponse prédite du comportement de la pile à combustible au moment t+1. Cette architecture a été mise au point et validée par des essais sur la plateforme. D'autres essais ont permis de mettre en évidence différents comportements de la pile à combustible en fonction de l'amplitude de sollicitation, de la pression et de la température de la pile à combustible. Les signatures mécaniques obtenues réalisées à partir des essais de durabilité complètent la bibliothèque de signatures déjà existante et mettent en évidence de nouveaux comportements de la pile à combustible.

D'une manière générale, la biométrie a pour objectif d'identifier des individus, notamment à partir de leurs caractéristiques biologiques. Cette pratique tend à remplacer les méthodes traditionnelles de vérification d'identité des individus ; entre autres, les mots de passe et les codes de sécurité. Au quotidien, la biométrie trouve de vastes applications et la recherche de nouvelles méthodes biométriques est d'actualité. L'objectif de notre thèse consiste à développer et d'évaluer de nouvelles modalités biométriques basées sur des caractéristiques infalsifiables, ne pouvant être modifiées volontairement. Dans ce contexte, les signaux physiologiques sont pris en considération. Ainsi, nous avons proposé trois méthodes d'identification biométriques. La première méthode utilise l'électrocardiogramme (ECG) comme signature individuelle, alors que la deuxième est basée sur l'utilisation des signaux électromyographiques (EMG) de surface en réponse à une force d'intensité fixe. Enfin, la dernière technique explorée, utilise les réponses motrices obtenues suite à une stimulation électrique. Ces méthodes consistent d'abord à acquérir les signaux physiologiques chez des personnes saines. Ces signaux sont modélisés par des réseaux d'ondelettes afin d'en extraire des caractéristiques pertinentes. La phase d'identification automatique est effectuée par des réseaux de neurones. D'après les résultats obtenus suite à des expériences effectuées, les méthodes proposées conduisent à des performances d'identification intéressantes. La première méthode, utilisant le signal électro- cardiographique, permet d'obtenir un taux de reconnaissance de 92%, alors que l'identification par les signaux EMG, en réponse à une force d'une intensité fixe, permet une identification correcte à 80%. Enfin, une performance de 95% est obtenue par l'identification par réponse motrice. Pour ces trois techniques explorées, la robustesse par rapport au bruit à été étudiée

L'objectif de cette thèse est d’étudier différentes méthodes de prévision de la défaillance d'entreprises aussi bien en statique qu'en dynamique. Plus précisément, dans l'approche statique, nous avons recouru aux méthodes de sélection des variables discriminantes en utilisant les réseaux de neurones. Nous avons ainsi proposé deux nouvelles procédures relevant de ces méthodes.La première, fondée sur le critère HVS, intitulée HVS-AUC, nous a permis i) de construire un modèle plus parcimonieux par rapport à l’ADL ; ii) de dégager un ensemble de variables stables à la fois non conjoncturelles et avec un fort pouvoir explicatif. A l'inverse, la seconde technique est basée sur la procédure forward ou plus exactement sur forward-AUC. Cette méthode fait apparaître des résultats comparables à l'ADL mais avec moins de variables explicatives. Elle permet notamment de détecter les ratios jugés les plus pertinents selon ADL et HVS-AUC.Nous avons de plus utilisé des méthodes d'apprentissage de structure de réseaux bayésiens pour essayer d'améliorer la performance de classification des entreprises. Nous avons mobilisé une technique intitulée "Max-Min Hill-Climbing" ou MMHC. Nous avons analysé les performances de classification d'un algorithme combiné entre MMHC et le modèle de base d'un réseau bayésien naïf (BN). Cette nouvelle méthode a été nommée BN-MMHC (Bayes naïf augmentée par MMHC). Les résultats obtenus confirment néanmoins l'opinion dominante : pour ce qui est du pouvoir discriminant, aucune structure ne semble à même de concurrencer BN de manière significative.Dans la deuxième approche dynamique, nous avons mis plus l'accent sur les facteurs non mesurables a priori et sur des facteurs explicatifs impossibles à appréhender dans un cadre statique. Nous avons mobilisé dans un premier volet les variables macroéconomiques pour mieux estimer le risque de défaut. Dans un second volet, nous avons utilisé une modélisation alternative permettant d'appréhender correctement les chocs que peuvent subir les entreprises au cours du temps. De ce fait, nous avons évalué ainsi l'effet de la propagation de ces chocs. / The objective of this thesis is to study bankruptcy prediction models from both static and dynamic viewpoints. More precisely, in the static approach, we used the methods of selecting discriminating variables using the neural networks. We thus proposed two new procedures relating to these methods. The first one is based on the criterion HVS called HVS-AUC and allowed to 1) build a more parsimonious model compared to the LDA, 2) identify a set of variables both static and non-cyclical with a strong explanatory power. Conversely, the second technique is based on the forward procedure, more precisely on forward-AUC. This method shows results comparable to the LDA but with fewer variables. It allows the detection of ratios considered as the most relevant according to LDA and HVS-AUC. We have also used methods of structure learning of Bayesian networks to improve the performance of classification of firms. We have mobilized a technique called "Max-Min Hill-Climbing" or MMHC. Specifically, we plan to analyze the performance of classification of an algorithm that mixes both MMHC and the canonical model of a naive Bayes network (NB). This new method could be called NB-MMHC (naive Bayes augmented by MMH C). The results confirm the prevailing view: as for the discriminatory power, no structure seems to be able to significantly compete with NB. In the second dynamic approach, we put more emphasis on factors not measurable a priori and also on explanatory factors impossible to capture within a static framework. In the first phase, we used the macroeconomic variables to better estimate the risk of default. In the second part, we used an alternative model to better estimate the shocks that firms could undergo over time. We therefore evaluate the propagation effects of theses shocks

Cette thèse s’inscrit dans le domaine de la navigation robotique bio-inspirée en environnement réel et implique la capacité pour un robot mobile à se déplacer de manière autonome dans un monde a priori dynamique et inconnu. Les travaux décrits au cours de ce manuscrit s’attacheront à montrer comment, en partant des travaux académiques réalisés par l’équipe Neurocybernétique du laboratoire ETIS, il a été possible de concevoir le robot mobile Diya One capable de naviguer de manière autonome dans de grands environnements intérieurs. Depuis une vingtaine d’année, l’équipe Neurocybernétique élabore des modèles de navigation bio-inspirée. De précédents travaux ont montré qu’un modèle de cellules de lieu, enregistrées chez le rat, permet à un robot mobile d’apprendre des comportements de navigation robustes, tels qu’une ronde ou un retour au nid, à partir d’associations entre lieu et action. L’apprentissage et la reconnaissance d’un lieu ne reposent alors que sur des informations visuelles. Cependant, trois problèmes critiques ne permettent pas de naviguer dans de grands environnements : 1- l’ambiguïté de certaines situations visuelles (ou alias perceptif), 2- l’apprentissage sur le long terme et 3- la sensibilité aux conditions environnementales. L’ajout d’autres modalités constitue une solution efficace pour augmenter la robustesse de la localisation. L’équipe a développé plusieurs modèles basés sur la proprioception du robot afin desuppléer, dans les cas limites, les modèles purement visuels. La principale limitation des approches proprioceptives est qu’elles sont soumisesà l’accumulation d’erreurs. Il est donc nécessaire de recalibrer périodiquement les modèles. Fusionner des modalités allothétiques et idiothétiques semblent être une bonne stratégie pour obtenir une estimation fiable de la localisation du robot. Les champs de neurones dynamiques (DNF) ou continous attractor neural network (CANN) constituent un puissant candidat pour mettre en œuvre le type de mémoire requis pour la construction de cellules de lieu. Nous présenterons un premier modèle de fusion utilisant les champs de neurones dynamiques pour maintenir l’orientation du robot puis un second généralisant le principe du modèle de fusion pour la construction de cellules de lieux multimodales.Être capable de produire et commercialiser rapidement un produit est un enjeu majeur pour la survie de Partnering. En plus des capacités de navigation et de localisation, un robot commercialisable requiert un ensemble de comportements indispensables à la mobilité, à la sécurité (loi de contrôle, évitement des obstacles et des trous) et à son autonomie (gestion d’énergie et retour à la station de recharge). Pour aboutir à cette première solution, nous avons suivit une démarche ascendante (bottom-up) défendue par la robotique comportementale. Nous avons développé progressivement la complexité du robot au travers de comportements élémentaires intégrés dans une architecture de contrôle régissant à chaque instant l’expression de ces comportements et la sélection des actions à exécuter.Ce mémoire est découpée en deux parties. Une première partie industrielle relevant d’objectifs à court terme, consistant à mettre en place, à partir des modèles existants développés par l’équipe Neurocybernétique, l’architecture comportementale de la première version du robot Diya One. Puis, une seconde partie plus fondamentale dans laquelle nous traiterons de la réalisation demodèles de fusion multimodale. Ces modèles seront ajoutés incrémentalement au robot afin d’améliorer progressivement ses capacités de navigation. / This thesis falls into the field of navigation in bio-inspired robotics in real environment and implies the ability for a mobile robot to move autonomously in a world a priori dynamic and unknown. The work described in this manuscript will show how, starting from the academic work carried out by the Neurocybernetics team of the ETIS laboratory, it was possible to design the mobile robot Diya One able to navigate autonomously in large indoor environments. For the past 20 years, the Neurocybernetics team has been developing bio-inspired navigation models. Previous work has shown that a model of place cells, recorded in the rat, allows a mobile robot to learn robust navigation behaviors, such as a round or a homing, from associations between place and action. Learning and the recognition of a place are based only on visual information. However, three critical problems do not allow to navigate in large environments: 1- the ambiguity of certain visual situations (or perceptual alia), 2- long-term learning, and 3-sensitivity to environmental conditions. The addition of other modalities is an effective solution for increasing the robustness of the location. The team has developed several models based on the proprioception of the robot in order to compensate, in limiting cases, for purely visual models. The main limitation of proprioceptive approaches is that, based on the proprioception of the robot, they are subject to the accumulation of errors. It is therefore necessary to periodically recalibrate the models. Merging allothetic and idiothetic modalities seems to be a good strategy for obtaining a reliable estimate of the robot’s location. Dynamic neural network (DNF) or continous attractor neural network (CANN) constitute a powerful candidate to implement the type of memory required for the construction of place cells. We present a first fusion model using dynamic neuron fields to maintain the orientation of the robot and then a second one generalizing the principle of fusion model for the construction of cells of multimodal places. Being able to produce and market quickly a product is a major challenge for Partnering’s survival. In addition to navigation and location capabilities, a marketable robot requires a set of behaviors that are essential to mobility, security (control law, avoidance of obstacles and holes) and its autonomy (energy management and return to the charging station). To arrive at this first solution, we followed a bottom-up approach defended by behavioral robotics. We have progressively developed the complexity of the robot through elementary behaviors integratedin a control architecture governing at each moment the expression of these behaviors and the selection of the actions to be executed. This manuscript is divided into two parts. A first industrial part with short-term objectives, consisting of implementing the behavioral architecture of the first version of the Diya One robot, based on the existing models developed by the Neurocybernetics team. Then, a second more theoretical part in which we will deal with the realization of multimodal fusion models. These models will be added incrementally to the robot in order to gradually improve its navigationcapabilities.

Les méthodes d'homogénéisation numériques permettent de lever les limitations associées aux approches analytiques ou semi-analytiques pour prédire le comportement des matériaux hétérogènes dont les phases sont décrites par un comportement non linéaire, en particulier pour des morphologies de géométries complexes, ou des comportements dépendant de l'histoire, ou en grandes déformations. Dans ce travail, plusieurs contributions aux méthodes d'homogénéisation numériques pour traiter les problèmes non linéaires sont proposées. Dans une première partie, nous introduisons une méthode permettant de réaliser l'homogénéisation des matériaux dont les phases sont élastoplastiques parfaites. La technique est une extension de la méthode Non Uniform Transformation Field Analysis (NTFA) dans laquelle un algorithme de type prédiction-correction est introduit pour actualiser les variables internes. Dans une seconde partie, une méthode pour réaliser l'homogénéisation des composites non linéaires élastiques en petites et grandes déformations est proposée. Celle-ci se base sur la construction de potentiels associés au comportement effectif sous forme d'une base de données composée de valeurs discrètes interpolées à partir de valeurs discrètes obtenus par calculs éléments finis réalisés sur un Volume Élémentaire Représentatif (VER). Un schéma original d'interpolation est introduit, utilisant la notion de réseaux de neurones artificiels pour limiter le nombre de valeurs pré-calculées et choisir les points aléatoirement dans l'espace du chargement et des paramètres. Il est possible d'introduire des paramètres associés à la microstructure dans le comportement tels que la fraction volumique ou des paramètres de comportement des phases, en vue de possible optimisation de la réponse associée des structures non linéaires / Computational homogenization methods allow circumventing issues associated to analytical or semi-analytical approaches, for predicting the effective behavior of heterogeneous materials whose phase are described by a nonlinear behavior, more precisely when microstructures have complex morphologies or a history-depedendent behavior, or when considering finite strains. In this work, several contributions to computational homogenization methods for modeling nonlinear heterogeneous materials are proposed. In a first part, we introduce a method for homogenizing meterials whose phases are perfectly elastoplastic. The technique extends the Non Uniform Transformation Field Analysis (NTFA) method by développing a return-mapping algorithm to update macroscopic internal variables. In a second part, a method is introduced for the homogenization of nonlinear composites whose phases are nonlinearly elastic, at both small and finite strains. The approach is based on the construction of potentials associated to the effective behavior in the form of a database whose discrete values are computed through Finite Element Computations realized on a Representative Volume Element (RVE). An original interpolation scheme is introduced, which is based on artificial Neural Networks to reduce the number of computed values which can be distributed randomly in the parameter space. It is then possible to introduce parameters associated to the microstructure in the constitutive law, such as volume fraction or constitutive parameters of local phases, for optimization of the related non linear structure response

Le pourtour du bassin méditerranéen subit fréquemment des épisodes de pluie diluvienne à l’origine de crues rapides pouvant provoquer de nombreuses victimes et des dégâts considérables. Afin de faire face à ce phénomène, la prévision hydrologiques, permettant au Service Central d’Hydrométéorologie et d’Appui à la Prévision des Inondations de produire des vigilances crues, tient une place centrale. Durant les dernières décennies l’efficacité des réseaux de neurones formels pour la prévision des crues rapides a été montrée sur différents bassins versant. Les travaux menés au cours de cette thèse visent à développer une méthodologie générique de mise en œuvre de réseaux de neurones, testée sur les bassins versants du Gardon d’Anduze et du Lez à Lavalette, dont le comportement hydrodynamique est particulièrement non-linéaire. Afin de limiter l’incertitude des performances en prévision en fonction de l’initialisation du modèle, nous avons, dans un premier temps, proposé un modèle d’ensemble, basé sur la médiane à chaque pas de temps des sorties d’un nombre adéquat de modèles variant uniquement par leur initialisation. D’autre part, sur le bassin du Gardon d’Anduze, afin d’améliorer les performances des réseaux de neurones récurrents par l’introduction d’informations sur l’état du bassin versant avant et pendant l’épisode de crue, différentes variables susceptibles de représenter l’état du système ont été introduites successivement afin de sélectionner celles fournissant les modèles les plus performants. Sur le bassin karstique du Lez, dont la structure est très hétérogène, nous avons appliqué la méthode KnoX permettant d’estimer les contributions au débit à l’exutoire de quatre zones aux comportements hydrologique et hydrogéologique considérés comme homogènes. Ainsi les zones les plus contributives ont été identifiées ; ceci permettra dans un second temps de rechercher les variables les mieux à même de représenter l’humidité dans ces zones. Les performances des modèles développés montrent que la méthodologie générale de conception d’un modèle pluie-débit par réseaux de neurones s’adapte de manière satisfaisante aux deux bassins cibles dont les fonctionnements hydrologiques et hydrogéologiques sont pourtant très différents. Certaines pistes de progrès restent à investiguer parmi lesquelles l’amélioration de l’information d’état est prépondérante. / The Mediterranean region is frequently subjected to intense rainfalls leading to flash floods. This phenomenon can cause casualties and huge material damages. Facing to this phenomenon, hydrologic forecasting is a major tool used by Service Central d’Hydrométéorologie et d’Appui à la Prévision des Inondations to produce flood warning.During past decades, artificial neural networks showed their efficiency for flash flood forecasting on different type of watershed. The present thesis aims thus to contribute to the development of a generic methodology to design artificial neural networks, that is tested on Gardon d’Anduze and Lez at Lavalette watersheds, both displaying non-linear hydrodynamic behavior. To reduce uncertainties on forecasts, ensemble models, based on the median of forecasts calculated at each time step for an adequate number of models varying only by their initialization, have been proposed. In addition, in order to improve forecasting performances on Gardon d’Anduze, with artificial neural networks, we tried to introduce knowledge about the state of the watersheds before and during the flood. Several variables have thus been tested each one its turn, to select the one given the best performances. On the Lez karst system, that has a strongly heterogeneous structure, the KnoX method have been applicated in order to estimate the contribution to outflow from four geographical zones displaying hydrologic and hydrogeologic behavior considered as homogeneous. Thus, the most contributive zones to the discharge zones have been identified. This will help the investigation of representing humidity variables in these zones.The performances of models underlined that the general methodology of rainfall-runoff model conception could be applied on both basins, even though their hydrological and hydrogeological behavior are very different.The contribution of each zone, estimated from the KnoX methodology, improved comprehension of Lez karst system during flash floods. Selection of relevant variables representing the state of the Lez hydrosystem will be possible thanks to this new knowledge. Performances of models developed in this study underlined the difficulty to find satisfactory models, and showed the interest of the generic methodology used to design neural network adapted to the two targeted basins.

Les réseaux de neurones ont connu un vif regain d’intérêt avec le paradigme de l'apprentissageprofond ou deep learning. Alors que les réseaux dits optimisés, de par l'optimisation des paramètres nécessaires pour réaliser un apprentissage, nécessitent de fortes ressources de calcul, nous nous focalisons ici sur des réseaux de neurones dont l'architecture consiste en une mémoire au contenu adressable, appelées mémoires associatives neuronales. Le défi consiste à permettre la réalisation d'opérations traditionnellement obtenues par des calculs en s'appuyant exclusivement sur des mémoires, afin de limiter le besoin en ressources de calcul. Dans cette thèse, nous étudions une mémoire associative à base de clique, dont le codage neuronal parcimonieux optimise la diversité des données codées dans le réseau. Cette grande diversité permet au réseau à clique d'être plus performant que les autres mémoires associatives dans la récupération des messages stockés en mémoire. Les mémoires associatives sont connues pour leur incapacité à identifier sans ambiguïté les messages qu'elles ont préalablement appris. En effet, en fonction de l'information présente dans le réseau et de son codage, une mémoire peut échouer à retrouver le résultat recherché. Nous nous intéressons à cette problématique et proposons plusieurs contributions afin de réduire les ambiguïtés dans le réseau. Ces réseaux à clique sont en outre incapables de récupérer une information au sein de leurs mémoires si le message à retrouver est inconnu. Nous proposons une réponse à ce problème en introduisant une nouvelle mémoire associative à base de clique qui conserve la capacité correctrice du modèle initial tout en étant capable de hiérarchiser les informations. La hiérarchie s'appuie sur une transformation surjective bidirectionnelle permettant de généraliser une entrée inconnue à l'aide d'une approximation d'informations apprises. La validation expérimentale des mémoires associatives est le plus souvent réalisée sur des données artificielles de faibles dimensions. Dans le contexte de la vision par ordinateur, nous présentons ici les résultats obtenus avec des jeux de données plus réalistes etreprésentatifs de la littérature, tels que MNIST, Yale ou CIFAR. / The neural networks have gained a renewed interest through the deep learning paradigm. Whilethe so called optimised neural nets, by optimising the parameters necessary for learning, require massive computational resources, we focus here on neural nets designed as addressable content memories, or neural associative memories. The challenge consists in realising operations, traditionally obtained through computation, exclusively with neural memory in order to limit the need in computational resources. In this thesis, we study an associative memory based on cliques, whose sparse neural coding optimises the data diversity encoded in the network. This large diversity allows the clique based network to be more efficient in messages retrieval from its memory than other neural associative memories. The associative memories are known for their incapacity to identify without ambiguities the messages stored in a saturated memory. Indeed, depending of the information present in the network and its encoding, a memory can fail to retrieve a desired result. We are interested in tackle this issue and propose several contributions in order to reduce the ambiguities in the cliques based neural network. Besides, these cliques based nets are unable to retrieve an information within their memories if the message is unknown. We propose a solution to this problem through a new associative memory based on cliques which preserves the initial network's corrective ability while being able to hierarchise the information. The hierarchy relies on a surjective and bidirectional transition to generalise an unknown input with an approximation of learnt information. The associative memories' experimental validation is usually based on low dimension artificial dataset. In the computer vision context, we report here the results obtained with real datasets used in the state-of-the-art, such as MNIST, Yale or CIFAR.