Search

Le diabète est une maladie chronique caractérisée par un taux élevé de glucose dans le sang, résultant d'une production insuffisante d'insuline par le pancréas ou d'une utilisation inefficace de l'insuline par le corps. Le suivi continu du taux de glucose sanguin est crucial pour la gestion du diabète, permettant d'éviter les complications aiguës et chroniques associées à la maladie. Ce mémoire se concentre sur l'évaluation de la performance de différents modèles prédictifs – autorégressifs, d’apprentissage automatique, et de réseaux de neurones (ARIMA, XGBoost, LSTM, TCN et Prophet) – dans la prédiction du taux de glucose sanguin chez les patients diabétiques, en exploitant des données de capteurs de glucose en continu (SGC). La recherche s'est articulée en trois phases : la préparation des données de SGC, l'implémentation de divers modèles prédictifs, et leur évaluation à l'aide de métriques telles que l'erreur moyenne absolue (MAPE) et l'erreur quadratique moyenne (RMSE). Les résultats révèlent que les modèles autorégressifs sont préférables pour des prédictions à court terme, tandis que les modèles d’apprentissage automatique et les réseaux de neurones sont plus efficaces sur des périodes plus longues, avec une performance supérieure des réseaux de neurones à architectures profondes. Cette étude met en lumière l'importance de sélectionner le modèle approprié selon la durée de la prédiction, contribuant à l’amélioration des systèmes de surveillance et de gestion du diabète.

The aim of this research is to predict the mechanical properties along with the behaviors of standard insulating paper used in power transformers under thermal aging. This is conducted by applying an artificial neural network (ANN) trained with a multiple regression model and a particle swarm optimization (MR-PSO) model. The aging of the paper insulation is monitored directly by the tensile strength and the degree of polymerization of the solid insulation and indirectly by chemical markers using 2-furfuraldehyde compound content in oil (2-FAL). A mathematical model is then developed to simulate the mechanical properties (degree of polymerization (DPV) and tensile index (Tidx)) of the aged insulation paper. First, the datasets obtained from experimental results are used to create the MR model, and then the optimizer method PSO is used to optimize its coefficients in order to improve the MR model. Then, an ANN method is trained using the MR-PSO to create a nonlinear correlation between the DPV and the time, temperature, and 2-FAL values. The acquired results are assessed and compared with the experimental data. The model presents almost the same behavior. In particular, it has the capability to accurately simulate the nonlinear property behavior of insulation under thermal aging with an acceptable margin of error. Since the life expectancy of power transformers is directly related to that of the insulating paper, the proposed model can be useful to maintenance planners.

Les modèles informatiques basés sur l'apprentissage machine ont démarré la seconde révolution de l'intelligence artificielle. Capables d'atteindre des performances que l'on crut inimaginables au préalable, ces modèles semblent devenir partie courante dans plusieurs domaines. La face cachée de ceux-ci est que l'énergie consommée pour l'apprentissage, et l'utilisation de ces techniques, est colossale. La dernière décennie a été marquée par l'arrivée de plusieurs processeurs neuromorphiques pouvant simuler des réseaux de neurones avec une faible consommation d'énergie. Ces processeurs offrent une alternative aux conventionnelles cartes graphiques qui demeurent à ce jour essentielles au domaine. Ces processeurs sont capables de réduire la consommation d'énergie en utilisant un modèle de neurone événementiel, plus communément appelé neurone à décharge. Ce type de neurone est fondamentalement différent du modèle classique, et possède un aspect temporel important. Les méthodes, algorithmes et outils développés pour le modèle de neurone classique ne sont pas adaptés aux neurones à décharges. Cette thèse de doctorat décrit plusieurs approches fondamentales, dédiées à la création de processeurs neuromorphiques analogiques, qui permettent de pallier l'écart existant entre les systèmes à base de neurones conventionnels et à décharges. Dans un premier temps, nous présentons une nouvelle règle de plasticité synaptique permettant l'apprentissage non supervisé des réseaux de neurones récurrents utilisant ce nouveau type de neurone. Puis, nous proposons deux nouvelles méthodes pour la conception des topologies de ce même type de réseau. Finalement, nous améliorons les techniques d'apprentissage supervisé en augmentant la capacité de mémoire de réseaux récurrents. Les éléments de cette thèse marient l'inspiration biologique du cerveau, l'ingénierie neuromorphique et l'informatique fondamentale pour permettre d'optimiser les réseaux de neurones pouvant fonctionner sur des processeurs

Dans ce mémoire, nous visons à implémenter un prototype d’algorithme de cryptographie basé sur les réseaux de neurones. Dans le cadre des travaux sur la reconnaissance d’activités au sein d’habitats intelligents opérés par le LIARA (Laboratoire d’Intelligence Ambiante pour la Reconnaissance d’Activités), une attention est portée de plus en plus sur la protection de la vie privée des individus. En effet pendant longtemps, on a eu affaire à des données de capteurs simples comme les tapis de pressions, les détecteurs électromagnétiques, les détecteurs de mouvement. Comme ces données ne permettent pas d’avoir accès à des informations génériques basiques sur ce qui se déroulait au sein des murs des résidences suivies, l’aspect sécurité occupait une petite place dans les travaux. Dans le cadre d’un projet de déploiement à grande échelle de maisons intelligentes financé par MEDTEQ (le Consortium pancanadien de recherche industrielle et d’innovation en technologies médicales du Québec) et Age-Well (un réseau canadien visant à élaborer des technologies et des services pour le vieillissement en santé) notre équipe explore l’utilisation des réseaux de neurones pour sécuriser les données transmises entre les maisons intelligentes et les serveurs de traitement de données. Afin de bien comprendre nos besoins, il est important de poursuivre cette question cruciale en parallèle avec une étude du potentiel des réseaux de neurones pour remplacer la cryptographie traditionnelle dans l’encodage de données plus complexes. En effet, ces derniers temps, nous avons étudié des capteurs plus informatifs tels que les caméras thermiques, les caméras de profondeurs, les capteurs RFID et les radars à ultra large bande. Ces capteurs ont plus d’informations sur les activités qui se déroulent dans une résidence, mais ils impliquent une plus grande charge de traitement. En conséquence, il semble donc intéressant d’étudier la possibilité d’utiliser une architecture de réseau de neurones artificiels p

La recherche de l’allègement des structures est une des problématiques les plus importantes dans l’industrie des transports, et doit être effectuée en respectant des critères rigoureux de performances mécaniques. Prendre en compte le comportement en fatigue est primordial dans la conception d’une pièce, tant il affecte les choix de matériaux, de mise en forme et d’assemblage. Mais les multiples tests de fatigue sont chronophages et couteux. Pour pallier cela, nous allons proposer des méthodes numériques de prédiction assistée de la fatigue de pièces complexes. L’entrainement d’algorithmes à réseaux de neurones nous permet aujourd’hui, d’après la littérature, de prédire la durée de vie d’une pièce formée dans un matériau donné. L’objectif sera ici de travailler sur des pièces assemblées, par soudage laser. On prendra en compte les caractéristiques d’assemblage, telles que la forme et la taille du cordon de soudure. Nous utiliserons comme modèle à entrainer le perceptron multicouche, qui permettra, à partir des résultats d’essai déjà réalisés, d’extrapoler sur de nouvelles configurations et prédire des comportements en fatigue. Les variables d’entrée seront issues de la pièce, de l’essai de fatigue, et de modèles analytiques permettant de caractériser au mieux les comportements en fatigue. Les variables de sortie seront les nombres de cycles de sollicitation à l’amorce de la fissuration détectée, obtenue par la technologie d’émission acoustique, et la rupture de la pièce. On se basera sur des essais générés précédemment par d’autres étudiants impliqués dans le projet d’allègement de structures appliqué aux véhicules récréatifs (ATLAS) afin de créer une base de données sur laquelle s’appuyer. On étudiera également l’influence de différents paramètres de soudure sur la performance en fatigue.

Depuis les années 80, les codecs vocaux reposent sur des stratégies de codage à court terme qui fonctionnent au niveau de la sous-trame ou de la trame (généralement 5 à 20 ms). Les chercheurs ont essentiellement ajusté et combiné un nombre limité de technologies disponibles (transformation, prédiction linéaire, quantification) et de stratégies (suivi de forme d'onde, mise en forme du bruit) pour construire des architectures de codage de plus en plus complexes. Dans cette thèse, plutôt que de s'appuyer sur des stratégies de codage à court terme, nous développons un cadre alternatif pour la compression de la parole en codant les attributs de la parole qui sont des caractéristiques perceptuellement importantes des signaux vocaux. Afin d'atteindre cet objectif, nous résolvons trois problèmes de complexité croissante, à savoir la classification, la prédiction et l'apprentissage des représentations. La classification est un élément courant dans les conceptions de codecs modernes. Dans un premier temps, nous concevons un classifieur pour identifier les émotions, qui sont parmi les attributs à long terme les plus complexes de la parole. Dans une deuxième étape, nous concevons un prédicteur d'échantillon de parole, qui est un autre élément commun dans les conceptions de codecs modernes, pour mettre en évidence les avantages du traitement du signal de parole à long terme et non linéaire. Ensuite, nous explorons les variables latentes, un espace de représentations de la parole, pour coder les attributs de la parole à court et à long terme. Enfin, nous proposons un réseau décodeur pour synthétiser les signaux de parole à partir de ces représentations, ce qui constitue notre dernière étape vers la construction d'une méthode complète de compression de la parole basée sur l'apprentissage automatique de bout en bout. Bien que chaque étape de développement proposée dans cette thèse puisse faire partie d'un codec à elle seule, chaque étape fournit également des informations et une ba, Since the 80s, speech codecs have relied on short-term coding strategies that operate at the subframe or frame level (typically 5 to 20ms). Researchers essentially adjusted and combined a limited number of available technologies (transform, linear prediction, quantization) and strategies (waveform matching, noise shaping) to build increasingly complex coding architectures. In this thesis, rather than relying on short-term coding strategies, we develop an alternative framework for speech compression by encoding speech attributes that are perceptually important characteristics of speech signals. In order to achieve this objective, we solve three problems of increasing complexity, namely classification, prediction and representation learning. Classification is a common element in modern codec designs. In a first step, we design a classifier to identify emotions, which are among the most complex long-term speech attributes. In a second step, we design a speech sample predictor, which is another common element in modern codec designs, to highlight the benefits of long-term and non-linear speech signal processing. Then, we explore latent variables, a space of speech representations, to encode both short-term and long-term speech attributes. Lastly, we propose a decoder network to synthesize speech signals from these representations, which constitutes our final step towards building a complete, end-to-end machine-learning based speech compression method. The first two steps, classification and prediction, provide new tools that could replace and improve elements of existing codecs. In the first step, we use a combination of source-filter model and liquid state machine (LSM), to demonstrate that features related to emotions can be easily extracted and classified using a simple classifier. In the second step, a single end-to-end network using long short-term memory (LSTM) is shown to produce speech frames with high subjective quality for packet loss concealment (PL

La prédiction de séries chronologiques exhibant des changements de comportements à travers le temps est un problème fondamental dans les domaines du traitement de signal et de la reconnaissance automatique. Dans la majorité des applications de prédiction de séries chronologiques financières, ajuster proprement la paramétrisation d'un modèle ou d'un modèle d'ensemble est un problème connu pour sa difficulté. Lorsqu'il y a des changements de régime, c.-à-d.: des changements des propriétés statistiques inattendues de ces séries à travers le temps, les modèles actuels ne sont pas capables d'adapter leur paramétrisation et la qualité de leur prédictions se voit dégradée. Cette thèse propose une approche formelle pour aborder ces changements de comportements au moyen d'une automatisation de la capacité de modèles existants a varier dynamiquement leurs structures graphiques et à modéliser plusieurs structures graphiques simultanément. Lorsque cette approche est appliquée à grande échelle, les modèles pouvant changer leurs structures graphiques dynamiquement ont tendance à être plus robustes et permettent de réduire le temps de calcul nécessaire pour produire des modèles d'ensemble sans compromettre leur niveau de précision.

La matière blanche du cerveau fait encore l'objet de nombreuses études. Grâce à l'IRM de diffusion, on peut étudier de façon non invasive la connectivité du cerveau avec une précision sans précédent. La reconstruction de la matière blanche --- la tractographie --- n'est pas parfaite cependant. En effet, la tractographie tend à reconstruire tous les chemins possibles au sein de la matière blanche; l'expertise des neuroanatomistes est donc requise pour distinguer les chemins qui sont possibles anatomiquement de ceux qui résultent d'une mauvaise reconstruction. Cette connaissance est difficile à exprimer et à codifier sous forme de règles logiques. L'intelligence artificielle a refait surface dans les années 1990 --- suite à une amélioration remarquable de la vitesse des processeurs --- en tant que solution viable à plusieurs problèmes qui étaient considérés comme fondamentalement <> et quasi impossibles à résoudre pour une machine. Celle-ci représente un outil unique pour intégrer l'expertise des neuroanatomistes dans le processus de reconstruction de la matière blanche, sans avoir à fournir de règles explicitement. Un modèle peut ainsi apprendre la définition d'un chemin valide à partir d'exemples valides, pour ensuite reproduire ce qu'il a appris, sans répéter les erreurs classiques. Plus particulièrement, les réseaux de neurones récurrents sont une famille de modèles créés spécifiquement pour le traitement de séquences de données. Comme une fibre de matière blanche est représentée par une séquence de points, le lien se fait naturellement. Malgré leur potentiel énorme, l'application des réseaux récurrents à la tractographie fait face à plusieurs problèmes techniques. Cette thèse se veut très exploratoire, et détaille donc les débuts de l'utilisation des réseaux de neurones récurrents pour la tractographie par apprentissage, des problèmes qui sont apparus suite à la création d'une multitude d'algorithmes basés sur l'intelligence artificielle, ainsi que des s

Les véhicules intelligents constituent une technologie qui a évolué de façon notable au cours des dernières années. Concevoir un véhicule pleinement autonome signifie que ce véhicule n’aura pas besoin de l’aide de l’humain pour le conduire. Ceci n’est pas une tâche facile pour une machine qui n’a pas la capacité de raisonner en temps réel comme un humain. Pour atteindre ce but, il y a certains problèmes qu’il faut résoudre tout en minimisant le niveau de risque de collision afin d’apporter une réduction significative des accidents routiers. Mon travail propose une architecture qui vise la détection d'obstacles dans l’environnement immédiat de l’égo-véhicule. À partir d’images et de données LiDAR fournies par des capteurs tels qu’un LiDAR et une caméra vidéo, je procède à la détection et à l'estimation de la distance de ces objets en fusionnant l’ensemble des données. Dans une première étape, je travaille sur l'acquisition et le prétraitement de données en utilisant des banques de données telles que KITTI Datasets et Google WAYMO dont je parlerai plus tard dans le document. Par ailleurs, le simulateur CARLA sera utilisé pour la validation de notre architecture. Dans une deuxième étape, je travaille sur l’intelligence artificielle embarquée pour le développement et la simulation des fonctions de perception et de prise de décision à bord d’un autobus autonome, dans le cadre d’un projet de recherche conjoint avec la firme québécoise Novabus-Volvo. Ceci impliquera certaines techniques de l’apprentissage machine telles que des réseaux de neurones à convolution et des algorithmes de clustering, notamment pour améliorer la précision de l’estimation de la distance des objets dans le voisinage de l’égo-véhicule. Dans cette étape, je propose l'utilisation d'une architecture de réseaux de neurones profonds qui fait une segmentation par instance dans le but d'assigner les pixels de l'image correspondant à chaque objet détecté. Par la suite, l'algorithme de clustering hiérarchiqu, The autonomous vehicle is a technology that has evolved significantly in recent years. Making a vehicle truly autonomous means that this vehicle will not need human assistance to make decisions in any situation, which is not an easy task for a machine since they have no reasoning abilities. To do this, there are problems that need to be addressed to get to the point of full autonomy with the lowest possible level of risk and therefore a significant reduction in road accidents. My work proposes an architecture to perform object detection from images and distance estimation of these objects by merging data provided by sensors such as LiDAR and the camera. In a first step, I work on the acquisition and the preprocessing of data using databases such as KITTI Datasets and Google WAYMO which we will discuss later in the document. The CARLA simulator will be another source of data that will be used for the validation of our architecture. In a second step, I work in on-board artificial intelligence for the development and simulation of perception and decision-making functions in an autonomous bus. Here will see some machine learning techniques such as convolutional neural networks and clustering algorithms to improve the accuracy of distance estimation. With these techniques we first assign to each detected object its corresponding pixels in the image by using a deep neural network architecture which makes an instance segmentation. Afterwards, the hierarchical clustering algorithm will be applied to the LiDAR 3D points corresponding to the pixels of the detected objects. This will allow the system to better estimate the distance. Finally, we implement the tool that will simulate the two previous steps. This implementation was made based on CARLA simulator and the KITTI and Google WAYMO databases. This tool gives the possibility of being integrated with other simulators in the future if needed.

Aujourd'hui, dans le monde de la finance et de l'économie, les décisions sont prises en basant sur les prédictions de certains modèles. Une mauvaise décision due à un échec de modèle prédictif a généralement des conséquences néfastes. Sur le plan financier et économique, on assiste surtout à des pertes énormes. L'échec des modèles prédictifs est souvent une conséquence de changements de régimes dans les marchés financiers. Être en mesure d'anticiper le moment d'échec des modèles prédictifs permettrait de prédire les changements de régime, et par conséquent, pourrait éviter certaines pertes financières. Avec ce prélude établi, il deviendrait plus facile d'anticiper la durée de survie d'un modèle prédictif que de prédire le temps d'échec. Ce mémoire a pour but de proposer une solution d'anticipation sur la durée de survie des modèles prédictifs. Ainsi, nous avons développé un nouveau modèle de survie prédisant la probabilité de survie d'un modèle de prédiction et ceci, en tout moment t. En prédisant les probabilités de survie, notre modèle aide, d'une autre manière, à anticiper les changements de régime dans les marchés financiers. Après sa mise en oeuvre, le nouveau modèle de survie est expérimenté en utilisant six différents modèles déjà entraînés que sont la moyenne mobile intégrée auto-régressive (ARIMA), le modèle de marche aléatoire, le modèle PROPHET, le modèle hétéroscédasticité conditionnelle autorégressive généralisée (GARCH), le modèle TBATS (trigonométrique saisonnier, transformation Box-Cox, résidus ARMA, tendance et saisonnalité) et le modèle de réseau de neurones pour les séries chronologiques (NNTAR). Ce choix est justifié par le fait que la performance de ces modèles dépend généralement des propriétés des séries temporelles servant à leur entraînement. Les résultats obtenus démontrent que le modèle de survie est bien en mesure de prédire la probabilité de survie de ces six modèles et donc permet d'anticiper les changements de régimes dans les séries f

Ce mémoire fait l'objet des caractéristiques des réseaux de neurones au sens large et de leurs capacités à générer des prévisions financières dans un environnement à données limitées. Une partie du mémoire aborde l'origine des réseaux de neurones ainsi que les idées directrices derrière leur création. Leurs utilisations pratiques sont ensuite présentées au lecteur afin de dresser un portrait de leurs applications modernes et réelles. Une grande partie du travail réalisé est de créer le programme qui génère l'environnement capable d'interpréter et comparer les réseaux de neurones avec des modèles de références souvent utilisés en modélisation financière, dont l'ensemble du code est disponible en annexe afin de permettre la reproductibilité des résultats. Finalement, une dernière section traite des possibles utilisations futures de ces algorithmes et les implémentations possibles en retirant les limites présentées dans ce travail.

Ce mémoire fait l'objet des caractéristiques des réseaux de neurones au sens large et de leurs capacités à générer des prévisions financières dans un environnement à données limitées. Une partie du mémoire aborde l'origine des réseaux de neurones ainsi que les idées directrices derrière leur création. Leurs utilisations pratiques sont ensuite présentées au lecteur afin de dresser un portrait de leurs applications modernes et réelles. Une grande partie du travail réalisé est de créer le programme qui génère l'environnement capable d'interpréter et comparer les réseaux de neurones avec des modèles de références souvent utilisés en modélisation financière, dont l'ensemble du code est disponible en annexe afin de permettre la reproductibilité des résultats. Finalement, une dernière section traite des possibles utilisations futures de ces algorithmes et les implémentations possibles en retirant les limites présentées dans ce travail.

Ce mémoire s'inscrit dans la lignée d'une avancée de connaissances en reconnaissance d'intention, une discipline de recherche en intelligence artificielle visant à inférer les buts poursuivis par un individu à l'aide d'observations de son comportement. Ce problème, du fait de sa complexité, reste irrésolu dans les domaines réels: les voitures autonomes, les instruments de détection d'intrusion, les conseillers virtuels par messagerie et tant d'autres profiteraient encore actuellement d'une capacité de reconnaissance d'intention. Longtemps abordé sous l'angle de considérations symboliques spécifiées par des experts humains, le problème commence à être résolu par des approches récentes usant d'algorithmes d'apprentissage dans des contextes simples. Nous nous inspirons ici des progrès de l'apprentissage profond dans des domaines connexes pour en faire usage à des fins de reconnaissance de but à long-terme. Encore sous-exploité pour cette catégorie de problèmes, nous l'avons mis à l'épreuve pour résoudre les problèmes traités dans la littérature et cherchons à améliorer les performances de l'état de l'art. Pour ce faire, nous présentons trois articles de recherche. Le premier, accepté au workshop PAIR (Plan, Activity and Intent Recognition) lors de la conférence AAAI 2018 (Association for the Advancement of Artificial Intelligence), propose une comparaison expérimentale entre différentes architectures d'apprentissage profond et les méthodes symboliques de l'état de l'art. Nous montrons de ce fait que nos meilleurs résultats surpassent ces méthodes symboliques dans les domaines considérés. Le deuxième, publié sur arXiv, introduit une méthode pour permettre à un réseau de neurones de généraliser rapidement à plusieurs environnements grâce à une projection des données sur un espace intermédiaire et en s'inspirant des progrès du few-shot transfer learning. Enfin, le troisième, soumis à ICAPS 2020 (International Conference on Automated Planning and Scheduling), améliore enco

Cette thèse porte sur les modèles génératifs en apprentissage automatique. Deux nouveaux modèles basés sur les réseaux de neurones y sont proposés. Le premier modèle possède une représentation interne où une certaine structure a été imposée afin d’ordonner les caractéristiques apprises. Le deuxième modèle parvient à exploiter la structure topologique des données observées, et d’en tenir compte lors de la phase générative. Cette thèse présente également une des premières applications de l’apprentissage automatique au problème de la tractographie du cerveau. Pour ce faire, un réseau de neurones récurrent est appliqué à des données de diffusion afin d’obtenir une représentation des fibres de la matière blanche sous forme de séquences de points en trois dimensions.

140 p. : ill. ; 30 cm, Nous avons tenté dans ce travail d'appliquer un système d'inférence flou (FIS) pour l'interprétation automatique des diagraphies, en vue d'identifier la taille des grains et la lithologie des formations. Pour cela, nous avons utilisé deux systèmes FIS, un, créé par l'utilisateur (log analyste) et un autre créé à partir d'un système neuro-flou ANFIS (Adaptif Neuro-Fuzzy Inference System), équivalent à un réseau de neurones supervisé de type Perceptron multicouche (PMC) à rétro-propagation. Pour le système FIS créé par l'utilisateur, nous avons conçu deux types de FIS, à savoir inférence Mamdani et inférence Sugeno, qui ont les mêmes fonctions d'appartenance des entrées (les diagraphies) et les mêmes règles floues, la seule différence est la sortie; pour le premier, la sortie est une donnée floue représentant la taille des grains, et pour le deuxième, la sortie est constante représentant la lithologie. D'après les résultats obtenus qui sont plus au moins satisfaisants, nous avons constaté que la performance du système FIS est conditionnée par le bon choix des fonctions d'appartenance et des règles floues. Afin de surmonter ces difficultés, Nous avons utilisé le système neuro-flou ANFIS pour la conception du deuxième système FIS sur la base des données d'apprentissage (des exemples d'entrées/sortie) du puits P2. A cette étape nous avons fait varier le pas d'apprentissage pour voir son influence sur la convergence du système. Les résultats obtenus sont présentés et comparés par rapport à ceux obtenus à partir du log chantier (Master log) et les données de carottes du puits P1

140 p. : ill. ; 30 cm, Nous avons tenté dans ce travail d'appliquer un système d'inférence flou (FIS) pour l'interprétation automatique des diagraphies, en vue d'identifier la taille des grains et la lithologie des formations. Pour cela, nous avons utilisé deux systèmes FIS, un, créé par l'utilisateur (log analyste) et un autre créé à partir d'un système neuro-flou ANFIS (Adaptif Neuro-Fuzzy Inference System), équivalent à un réseau de neurones supervisé de type Perceptron multicouche (PMC) à rétro-propagation. Pour le système FIS créé par l'utilisateur, nous avons conçu deux types de FIS, à savoir inférence Mamdani et inférence Sugeno, qui ont les mêmes fonctions d'appartenance des entrées (les diagraphies) et les mêmes règles floues, la seule différence est la sortie; pour le premier, la sortie est une donnée floue représentant la taille des grains, et pour le deuxième, la sortie est constante représentant la lithologie. D'après les résultats obtenus qui sont plus au moins satisfaisants, nous avons constaté que la performance du système FIS est conditionnée par le bon choix des fonctions d'appartenance et des règles floues. Afin de surmonter ces difficultés, Nous avons utilisé le système neuro-flou ANFIS pour la conception du deuxième système FIS sur la base des données d'apprentissage (des exemples d'entrées/sortie) du puits P2. A cette étape nous avons fait varier le pas d'apprentissage pour voir son influence sur la convergence du système. Les résultats obtenus sont présentés et comparés par rapport à ceux obtenus à partir du log chantier (Master log) et les données de carottes du puits P1

This study proposes an artificial neural networks-based method for predicting the unaltered (precursor) chemical compositions of hydrothermally altered volcanic rock. The method aims at predicting precursor’s major components contents (SiO2, FeOT, MgO, CaO, Na2O, and K2O). The prediction is based on ratios of elements generally immobile during alteration processes; i.e. Zr, TiO2, Al2O3, Y, Nb, Th, and Cr, which are provided as inputs to the neural networks. Multi-layer perceptron neural networks were trained on a large dataset of least-altered volcanic rock samples that document a wide range of volcanic rock types, tectonic settings and ages. The precursors thus predicted are then used to perform mass balance calculations. Various statistics were calculated to validate the predictions of precursors’ major components, which indicate that, overall, the predictions are precise and accurate. For example, rank-based correlation coefficients were calculated to compare predicted and analysed values from a least-altered test dataset that had not been used to train the networks. Coefficients over 0.87 were obtained for all components, except for Na2O (0.77), indicating that predictions for alkali might be less performant. Also, predictions are performant for most volcanic rock compositions, except for ultra-K rocks. The proposed method provides an easy and rapid solution to the often difficult task of determining appropriate volcanic precursor compositions to rocks modified by hydrothermal alteration. It is intended for large volcanic rock databases and is most useful, for example, to mineral exploration performed in complex or poorly known volcanic settings. The method is implemented as a simple C++ console program

Notre projet de recherche consiste à détecter des postures et des mouvements contraignants menant à l’apparition des troubles musculo-squelettiques en milieu de travail. Ce problème de détection a été considéré comme étant un problème de classification supervisée dont le classificateur est un réseau de neurones et les classes sont les différentes postures et mouvements adoptés par un opérateur lors de la réalisation de ses tâches quotidiennes en milieu de travail. Un problème de classification supervisée se réalise en général en trois étapes : 1) l’étape de l’acquisition des signaux, 2) celle du prétraitement, et enfin, 3) celle de la classification. À la première étape, l’acquisition des signaux consiste à mesurer les postures et les mouvements de l’opérateur à l’aide d’un instrument de mesure non-invasif, non-intrusif capable de fonctionner dans son milieu de travail in-situ. L’étape de prétraitement consiste à réduire les signaux acquis à un ensemble de caractéristiques permettant de bien distinguer entre les différentes classes. Pour recueillir les caractéristiques, nous avons utilisé une méthode directe, qui regroupe les caractéristiques globales du déplacement du centre de pression utilisées généralement dans les études de posturologie et d’autres caractéristiques relatives aux accélérations de la tête. Nous avons également proposé une nouvelle méthode, dite graphique qui consiste à discrétiser la surface de la semelle sur laquelle le centre de pression se déplace. D’autre part, afin de réduire le nombre de ces caractéristiques et n’en retenir que les plus pertinentes, nous avons mis en place un nouveau modèle hybride de sélection des caractéristiques dont la singularité réside dans la combinaison de techniques utilisées. Enfin, lors de l’étape de classification, il s’agit d’utiliser les caractéristiques retenues à l’étape de prétraitement comme entrées pour le réseau de neurones. Les résultats de classification obtenus à la fin sont de 95% avec 11 caractérist

Les lignes de transport de l’énergie électrique sont l’une des structures les plus vulnérables au givrage atmosphérique. Le givrage atmosphérique est un phénomène météorologique qui se manifeste par un dépôt des gouttes d’eau ou des flocons de neige, sur une surface froide exposée à l’air ambiant. Lorsque la glace accumulée sur la structure subit des contraintes environnementales ou structurales, sa masse se réduit, d’une façon souvent brutale, menant au phénomène de délestage. Ce phénomène affecte considérablement la stabilité des équipements et des structures et constitue un danger véritable sur la vie des individus. La compréhension du phénomène de délestage nécessite une étude approfondie de la physique de la glace atmosphérique, de ses caractéristiques thermodynamiques, rhéologiques et mécaniques. L’objet de la présente étude est de développer des outils pour prévoir le phénomène de délestage de la glace atmosphérique, le but primordial étant de développer des critères de rupture sous chargement uniaxial et triaxial. Le premier type de critère de rupture se base sur les observations expérimentales lors des essais de compression et de traction uniaxiale, ayant une nature purement phénoménologique, le critère de rupture uniaxial prend en considération l’effet du taux de déformation, de la température et de la porosité. Le deuxième type de critère de rupture, quant à lui, se base sur l’identification structurale des constantes matérielles incorporées dans des critères de rupture triaxiaux, en se basant sur les résultats des essais de compression triaxiale réalisés au sein de la CIGELE (Chaire industrielle sur le givrage atmosphérique des équipements des réseaux électriques) sur la glace atmosphérique, sous différentes conditions expérimentales. L’influence de la température et du taux de déformation sur la résistance sous confinement est également mise en évidence. La glace atmosphérique est accumulée au sein de la soufflerie de la CIGELE. Le flux et la vitesse à

Les procédures d'évaluation du débit moyen de débordement sur un tronçon d'un brise-lames de type talus sont décrites à partir des caractéristiques de l’agitation maritime incidente sur ce tronçon. Une méthode pour estimer les valeurs extrêmes de ce débordement à partir des séries temporales de cette même variable est présentée ainsi que l’application des procédures décrites au tronçon de la jetée ouest du port de Sines qui protège le poste 2 du terminal de vrac liquide de l’action des vagues. Ce régime des extrêmes du débit moyen de débordement est fondamental pour évaluer le risque d’occurrence de débordement non-admissible au poste 2., The procedures to evaluate the mean wave overtopping discharge over a stretch of a rubble-mound breakwater from the characteristics of the incident sea waves are presented. A method is also presented for estimating extreme values of such discharge from the time series of the same variable. The application of the described procedures is illustrated with the evaluation of the extreme regime for the mean overtopping discharge over the stretch of the western breakwater that protects berth 2 of the port of Sines liquid bulk terminal from wave action. Such extreme regime for the mean wave overtopping discharge is fundamental for assessing the risk associated to nonadmissible overtopping at berth 2., Descrevem-se os procedimentos para avaliar o caudal médio galgado sobre um trecho de um quebra-mar de taludes a partir das caraterísticas da agitação marítima incidente no mesmo trecho. Apresenta-se uma metodologia para estimação de valores extremos daquele caudal, partindo das séries temporais da mesma variável, e ilustram-se esses procedimentos num trecho do molhe oeste do porto de Sines que protege o posto 2 do terminal de granéis líquidos da ação da agitação marítima. Este regime de extremos do caudal médio galgado é fundamental para a avaliação do risco de ocorrência de galgamentos não admissíveis no posto 2., Se describen los procedimientos para evaluar el flujo medio de caudal de rebase en un tramo de un rompeolas a partir de las características de la agitación marítima incidente en el mismo tramo. Se presenta una metodología para estimar los valores extremos de la serie temporal de la misma variable y se ilustra la aplicación de los procedimientos descritos en el tramo del muelle oeste del puerto de Sines, que protege el puesto 2 del terminal de gráneles líquidos de la acción de la agitación marítima. Este régimen de extremos del flujo medio de caudal de rebase es fundamental para la evaluación del riesgo de ocurrencia de rebases inadmisibles en el puesto 2.

Les procédures d'évaluation du débit moyen de débordement sur un tronçon d'un brise-lames de type talus sont décrites à partir des caractéristiques de l’agitation maritime incidente sur ce tronçon. Une méthode pour estimer les valeurs extrêmes de ce débordement à partir des séries temporales de cette même variable est présentée ainsi que l’application des procédures décrites au tronçon de la jetée ouest du port de Sines qui protège le poste 2 du terminal de vrac liquide de l’action des vagues. Ce régime des extrêmes du débit moyen de débordement est fondamental pour évaluer le risque d’occurrence de débordement non-admissible au poste 2., The procedures to evaluate the mean wave overtopping discharge over a stretch of a rubble-mound breakwater from the characteristics of the incident sea waves are presented. A method is also presented for estimating extreme values of such discharge from the time series of the same variable. The application of the described procedures is illustrated with the evaluation of the extreme regime for the mean overtopping discharge over the stretch of the western breakwater that protects berth 2 of the port of Sines liquid bulk terminal from wave action. Such extreme regime for the mean wave overtopping discharge is fundamental for assessing the risk associated to nonadmissible overtopping at berth 2., Descrevem-se os procedimentos para avaliar o caudal médio galgado sobre um trecho de um quebra-mar de taludes a partir das caraterísticas da agitação marítima incidente no mesmo trecho. Apresenta-se uma metodologia para estimação de valores extremos daquele caudal, partindo das séries temporais da mesma variável, e ilustram-se esses procedimentos num trecho do molhe oeste do porto de Sines que protege o posto 2 do terminal de granéis líquidos da ação da agitação marítima. Este regime de extremos do caudal médio galgado é fundamental para a avaliação do risco de ocorrência de galgamentos não admissíveis no posto 2., Se describen los procedimientos para evaluar el flujo medio de caudal de rebase en un tramo de un rompeolas a partir de las características de la agitación marítima incidente en el mismo tramo. Se presenta una metodología para estimar los valores extremos de la serie temporal de la misma variable y se ilustra la aplicación de los procedimientos descritos en el tramo del muelle oeste del puerto de Sines, que protege el puesto 2 del terminal de gráneles líquidos de la acción de la agitación marítima. Este régimen de extremos del flujo medio de caudal de rebase es fundamental para la evaluación del riesgo de ocurrencia de rebases inadmisibles en el puesto 2.

The original publication is available at www.kmaejournal.org, [EN] Machine learning (ML) techniques have become important to support decision making in management and conservation of freshwater aquatic ecosystems. Given the large number of ML techniques and to improve the understanding of ML utility in ecology, it is necessary to perform comparative studies of these techniques as a preparatory analysis for future model applications. The objectives of this study were (i) to compare the reliability and ecological relevance of two predictive models for fish richness, based on the techniques of artificial neural networks (ANN) and random forests (RF) and (ii) to evaluate the conformity in terms of selected important variables between the two modelling approaches. The effectiveness of the models were evaluated using three performance metrics: the determination coefficient (R2), the mean squared error (MSE) and the adjusted determination coefficient (R2adj) and both models were developed using a k-fold crossvalidation procedure. According to the results, both techniques had similar validation performance (R2 = 68% for RF and R2 = 66% for ANN). Although the two methods selected different subsets of input variables, both models demonstrated high ecological relevance for the conservation of native fish in the Mediterranean region. Moreover, this work shows how the use of different modelling methods can assist the critical analysis of predictions at a catchment scale., [FR] Les techniques d’apprentissage automatique (ML) sont devenues importantes pour aider à la décision dans la gestion et la conservation des écosystèmes aquatiques d’eau douce. Étant donné le grand nombre de techniques ML pour améliorer la compréhension de l’utilité des ML en écologie, il est nécessaire de réaliser des études comparatives de ces techniques comme analyse préparatoire pour des applications de modèles futurs. Les objectifs de cette étude étaient : (i) de comparer la fiabilité et la pertinence écologique de deux modèles prédictifs pour la richesse de poisson, basé sur les techniques de réseaux de neurones artifi- ciels (ANN) et les forêts aléatoires (RF) et (ii) d’évaluer la conformité en termes de sélection des variables importantes entre les deux approches de modélisation. L’efficacité des modèles a été évaluée au moyen de trois indicateurs de performance : le coefficient de détermination (R2), l’erreur quadratique moyenne (MSE) et le coefficient de détermination ajusté (R2 adj) et les deux modèles ont été développés en utilisant une procédure de validation croisée k-fold. Selon les résultats, les deux techniques ont des performances de validation similaires (R2 = 68 % pour RF et R2 = 66 % pour ANN). Bien que les deux méthodes aient choisi différents sous-ensembles de variables d’entrée, les deux modèles ont démontré la pertinence écologique pour la conservation des poissons indigènes dans la région méditerranéenne. En outre, ce travail montre comment l’utilisation de différentes méthodes de modélisation peut aider à l’analyse critique des prévisions à l’échelle du bassin versant.

The original publication is available at www.kmaejournal.org, [EN] Machine learning (ML) techniques have become important to support decision making in management and conservation of freshwater aquatic ecosystems. Given the large number of ML techniques and to improve the understanding of ML utility in ecology, it is necessary to perform comparative studies of these techniques as a preparatory analysis for future model applications. The objectives of this study were (i) to compare the reliability and ecological relevance of two predictive models for fish richness, based on the techniques of artificial neural networks (ANN) and random forests (RF) and (ii) to evaluate the conformity in terms of selected important variables between the two modelling approaches. The effectiveness of the models were evaluated using three performance metrics: the determination coefficient (R2), the mean squared error (MSE) and the adjusted determination coefficient (R2adj) and both models were developed using a k-fold crossvalidation procedure. According to the results, both techniques had similar validation performance (R2 = 68% for RF and R2 = 66% for ANN). Although the two methods selected different subsets of input variables, both models demonstrated high ecological relevance for the conservation of native fish in the Mediterranean region. Moreover, this work shows how the use of different modelling methods can assist the critical analysis of predictions at a catchment scale., [FR] Les techniques d’apprentissage automatique (ML) sont devenues importantes pour aider à la décision dans la gestion et la conservation des écosystèmes aquatiques d’eau douce. Étant donné le grand nombre de techniques ML pour améliorer la compréhension de l’utilité des ML en écologie, il est nécessaire de réaliser des études comparatives de ces techniques comme analyse préparatoire pour des applications de modèles futurs. Les objectifs de cette étude étaient : (i) de comparer la fiabilité et la pertinence écologique de deux modèles prédictifs pour la richesse de poisson, basé sur les techniques de réseaux de neurones artifi- ciels (ANN) et les forêts aléatoires (RF) et (ii) d’évaluer la conformité en termes de sélection des variables importantes entre les deux approches de modélisation. L’efficacité des modèles a été évaluée au moyen de trois indicateurs de performance : le coefficient de détermination (R2), l’erreur quadratique moyenne (MSE) et le coefficient de détermination ajusté (R2 adj) et les deux modèles ont été développés en utilisant une procédure de validation croisée k-fold. Selon les résultats, les deux techniques ont des performances de validation similaires (R2 = 68 % pour RF et R2 = 66 % pour ANN). Bien que les deux méthodes aient choisi différents sous-ensembles de variables d’entrée, les deux modèles ont démontré la pertinence écologique pour la conservation des poissons indigènes dans la région méditerranéenne. En outre, ce travail montre comment l’utilisation de différentes méthodes de modélisation peut aider à l’analyse critique des prévisions à l’échelle du bassin versant.

Les méthodes géophysiques aéro-portées sont très utilisées pour la prospection du sous-sol à l'échelle régionale, permettant ainsi de couvrir de grandes surfaces en particulier les zones difficiles d'accès. Le sujet de thèse concerne le développement de techniques d'interprétation des données géophysiques pour le problème des ressources naturelles et de l'environnement. La première partie de cette thèse concerne le développement d'une méthode de calcul direct des composantes des champs gravimétrique et magnétique à partir d'une structure (corps) géologique modélisé(e) par une grille à base de tétraèdres, ce qui permet de représenter des modèles géologiques très complexes particulièrement en présence de zones faillées et hétérogènes avec un nombre d'éléments optimal. Plusieurs techniques d'inversions utilisent des contraintes mathématiques pour la résolution du problème inverse en modélisation. Ces contraintes permettent de réduire le nombre de modèles possibles. Cependant les solutions proposées appelées aussi «le modèle le plus probable» présentent des solutions lisses, ce qui est loin de représenter la réalité géologique. Pour éluder ce problème, la deuxième et troisième parties de la thèse proposent des amélioration majeures du processus d'inversion par l'utilisation des méthodes géostatistiques telle que la Simulation Gaussienne Séquentielle ou la Co-Simulation dans le cas d'une inversion conjointe afin d'estimer les probabilités a posteriori des modèles simulés. La quatrième partie de ce mémoire présente une alternative à la simulation de plusieurs variables. L'apprentissage du réseau de neurones supervisé par un certain nombre de points permet d'établir une relation entre les différentes variables.

Dans ce mémoire, il est présenté des approches de modélisation et de linéarisation des amplificateurs de puissance RF avec des données en ligne (en temps réeî). Premièrement ; il est présenté une approche de modélisation adaptative et dynamique de données en ligne, basée sur les réseaux de neurones à valeurs réelles avec des retards, afin d'obtenir dynamiquement les caractéristiques AM/AM et AM/PM des amplificateurs de puissances RF. Deuxièmement ; les caractéristiques de ce modèle d'amplificateur sont adoptées pour la linéarisation par prédistorsion adaptative du signal d'entrée en bande de base. L'architecture proposée est appropriée pour linéariser adaptativement les circuits AP présentant des effets mémoire. Au lieu d'utiliser l'architecture d'apprentissage indirect, il est proposé une prédistorsion adaptative avec données en ligne pour assurer une adaptation continue sans interrompre le processus d'émission. Les imperfections du modulateur, démodulateur et des circuits CNA/CAN seront automatiquement corrigées, puisqu'ils sont inclus dans la boucle de correction. Il est adopté la prédistorsion en bande de base qui a la capacité de corriger les distorsions à l'intérieur (EVM) et l'extérieur (ACPR) de la bande utile. Dans le cas de l'architecture d'apprentissage indirect, il faut avoir deux blocs de processeur numérique (DSP) indépendants et qui fonctionnent en même temps, un bloc pour la prédistorsion, et l'autre bloc pour l'obtention des paramètres du réseau NN. Cette méthode a des problèmes concernant les bruits présents dans les entrées/sorties du bloc de la prédistorsion. Dans l'architecture proposées dans le présent travail, il est nécessaire d'avoir un seul processeur numérique basée sur des entrées/sorties sans bruits. En utilisant cette architecture de linéarisation, il est démontré, par simulation, que quasiment 25 dB du paramètre ACPR, sont supprimés en permanence après convergence à 350 kHz de décalage de fréquence, avec un modèle avec effets mémoire p

Ce document présente les approches suivies et les résultats des investigations théoriques et expérimentales entreprises dans le cadre de l'étude du procédé de crêpage du papier depuis le début de la maîtrise faite en collaboration avec Kruger Produits Ltée. L'objectif du projet est de mieux comprendre les phénomènes reliant la qualité du papier a l'état d'usure des lames de crêpage. À cette fin, une méthode expérimentale basée sur les techniques de mesure par émission acoustique afin de suivre en temps réel le comportement mécanique et l'état d'usure des lames est proposée. Ce suivi en temps réel permet d'identifier par émission acoustique les mécanismes reliés à l'usure des lames par friction et d'établir une corrélation entre le comportement mécanique de la lame et les différents paramètres de qualité du papier, dont le crêpage. Ce mémoire présente donc en premier lieu la problématique du projet, les éléments fondamentaux qui entrent en jeu lors du procédé de crêpage, la description des lames utilisées dans le procédé industriel, l'analyse des principes de base des phénomènes d'usure des lames en relation avec les aspects métallurgiques du matériau et enfin, les principes du suivi de l'usure par la technique d'émission acoustique et le traitement numérique des signaux. La deuxième partie du mémoire s'attarde sur les procédures expérimentales suivies et sur la synthèse des résultats obtenus. La troisième partie présente la conclusion sur les résultats obtenus à partir de laquelle une série de recommandations sont mises de l'avant afin de permettre à l'entreprise d'améliorer l'opération de crêpage du papier.

Ce document présente les approches suivies et les résultats des investigations théoriques et expérimentales entreprises dans le cadre de l'étude du procédé de crêpage du papier depuis le début de la maîtrise faite en collaboration avec Kruger Produits Ltée. L'objectif du projet est de mieux comprendre les phénomènes reliant la qualité du papier a l'état d'usure des lames de crêpage. À cette fin, une méthode expérimentale basée sur les techniques de mesure par émission acoustique afin de suivre en temps réel le comportement mécanique et l'état d'usure des lames est proposée. Ce suivi en temps réel permet d'identifier par émission acoustique les mécanismes reliés à l'usure des lames par friction et d'établir une corrélation entre le comportement mécanique de la lame et les différents paramètres de qualité du papier, dont le crêpage. Ce mémoire présente donc en premier lieu la problématique du projet, les éléments fondamentaux qui entrent en jeu lors du procédé de crêpage, la description des lames utilisées dans le procédé industriel, l'analyse des principes de base des phénomènes d'usure des lames en relation avec les aspects métallurgiques du matériau et enfin, les principes du suivi de l'usure par la technique d'émission acoustique et le traitement numérique des signaux. La deuxième partie du mémoire s'attarde sur les procédures expérimentales suivies et sur la synthèse des résultats obtenus. La troisième partie présente la conclusion sur les résultats obtenus à partir de laquelle une série de recommandations sont mises de l'avant afin de permettre à l'entreprise d'améliorer l'opération de crêpage du papier.

En télédétection, les cartes de contours peuvent servir, entre autres choses, à la restitution géométrique, à la recherche d'éléments linéaires, ainsi qu'à la segmentation. La création de ces cartes est faite relativement tôt dans la chaîne de traitements d'une image. Pour assurer la qualité des opérations subséquentes, il faut veiller à obtenir une carte de contours précise. Notre problématique est de savoir s'il est possible de diminuer la perte de temps liée au choix d'algorithme et de paramètre en corrigeant automatiquement la carte de contours. Nous concentrerons donc nos efforts sur le développement d'une méthode de détection/restauration de contours adaptative. Notre méthode s'inspire d'une technique de prédiction des performances d'algorithmes de bas niveau. Elle consiste à intégrer un traitement par réseau de neurones à une méthode"classique" de détection de contours. Plus précisément, nous proposons de combiner la carte de performances avec la carte de gradient pour permettre des décisions plus exactes. La présente étude a permis de développer un logiciel comprenant un réseau de neurones entraîné pour prédire la présence de contours. Ce réseau de neurones permet d'améliorer les décisions de détecteurs de contours, en réduisant le nombre de pixels de fausses alarmes et de contours manqués. La première étape de ce travail consiste en une méthode d'évaluation de performance pour les cartes de contours. Une fois ce choix effectué, il devient possible de comparer les cartes entre elles. Il est donc plus aisé de déterminer, pour chaque image, la meilleure détection de contours. La revue de la littérature réalisée simultanément a permis de faire un choix d'un groupe d'indicateurs prometteurs pour la restauration de contours. Ces derniers ont servi à la calibration et à l'entrainement d'un réseau de neurones pour modéliser les contours. Par la suite, l'information fournie par ce réseau a été combinée par multiplication arithmétique avec les cartes d'amplitudes de

En milieu rural, la majorité de la population est alimentée par les ressources d'eau souterraine. Dans un souci de santé publique il est nécessaire de prévoir les risques de contamination de ces ressources. Les outils disponibles ne sont cependant pas toujours adéquats du fait de la difficulté à les mettre en place à une large échelle ou à cause du niveau de précision obtenu. Ce travail s'inscrit dans une démarche de prévision du risque de contamination des eaux souterraines par les pesticides. Dans un premier temps, trois sites présentant des caractéristiques climatiques, hydrogéologiques et culturales différentes ont fait l'objet de campagnes d'échantillonnage afin d'étudier les corrélations pouvant exister entre la détection de pesticides et certains autres contaminants d'origine agricole. Par la suite, l'application de la modélisation par réseaux de neurones artificiels a été testée. L'utilisation dans les méthodes neuronales des autres contaminants agricoles précédemment étudiés et d'autres variables chimiques caractérisant la géologie locale ou les temps de séjour de l'eau a permis d'évaluer le potentiel d'occurrence des pesticides avec des performances de l'ordre de 80 %. Cette approche, testée et validée sur différents jeux de données, se présente donc comme un compromis entre des modèles de simulation performants mais difficiles à mettre en place à de larges échelles et des indices de vulnérabilité d'application aisée mais de précision plus faible.

Cette recherche visait à évaluer l'utilité des images Radarsat-1 dans la cartographie des milieux humides et à tester l'efficacité des réseaux de neurones pour la classification de ces milieux. Au Québec, les milieux humides représentent 9% du territoire. L'étude de ces vastes territoires très diversifiés et très complexes représente un véritable défi qui nécessite l'intégration de nouvelles méthodes et l'utilisation d'outils complémentaires aux méthodes conventionnelles de terrain. Toutefois, la superficie étendue du territoire ainsi que la nécessité d'un suivi continu et efficace rendent la télédétection le meilleur outil rentable pour contrôler et surveiller ces milieux. La télédétection radar représente un outil intéressant grâce à sa fréquence d'acquisition élevée et surtout, son indépendance relative face aux conditions météorologiques et d'illumination. De plus, les milieux humides, avec leur diversité végétale et leur spécificité hydrologique, réunissent la majorité des facteurs influençant l'interaction de l'onde radar avec la scène observée soit l'humidité, la physionomie végétale, la rugosité et la densité de la flore. La région du Lac St-Jean (48°50' Nord et 72°00'Ouest) a été choisie comme site d'étude. Cette région contient une diversité de milieux humides regroupés au nord et à l'est du lac. Six images Radarsat en mode standard (S1 et S7) ont été acquises dans le cadre de ce projet. L'analyse de ces images a montré que les deux modes d'acquisition S1 et S7 sont deux outils complémentaires pour une cartographie précise des milieux humides. Ils permettent une bonne délimitation entre ces milieux et les milieux avoisinants(S1) et peuvent détecter la variation de la végétation à l'intérieur du milieu humide(S7). Les analyses de séparabilité effectuées sur les classes végétales des milieux humides ont montré que les images acquises en mode S1 ne donnent pas une grande discrimination entre ces classes. Cependant, le mode d'acquisition S7 reste plus sensible

n/a

Walking in an unfamiliar environment may include some risks of falling. For frail seniors, these risks can be significantly increased according to their ability to maintain balance. Among several factors, the user's balance can be affected by several risks including the characteristics of the user's gait. To evaluate this issue, this paper presents three methods. The first uses a statistical model while the two others exploit an Artificial Neural Network (ANN). The latter two can be differentiated by the use of constraints applied onto the raw data. Centered on non-invasive augmented shoes, our proposed system uses mobile technology to provide an on-site assistance to users, replacing the bulky equipment usually needed for clinical gait analysis. The experimental framework is based on visual disturbances to induce variation in the parameters of the user's gait. Preliminary results obtained from this framework suggest that our models enable a risk level classification.