Développement de méthodes d’apprentissage profond pour la reconstruction de données spatio-temporelles hautement comprimées : application aux signaux des réseaux de capteurs sans fil et aux simulations céramiques de structures colloïdales

Discipline

Sciences et ingénierie pour l’information

Classification

Informatique

Mots-clés libres

Acquisition comprimée, Apprentissage profond, Réseau de capteurs sans fil, Réseaux de neurones, Identification paramètrique, Colloïdes

Mots-clés

Intelligence artificielle,

Apprentissage automatique,

Information, Théorie de l',

Matériaux céramiques - Simulation, Méthodes de,

Observations manquantes (statistique)

Cette thèse présente des méthodes d’apprentissage profond de reconstruction dedonnées spatio-temporelles qui identifient les modèles de transformation des données connues en données attendues. Une première application est dédiée aux signaux compressés de réseaux de capteurs sans fil. Elle est basée sur la théorie de l’acquisition comprimée qui permet de reconstruire un signal à partir d’un signal compressé. Une seconde application est dédiée aux données de simulation de structures colloïdales de l’institut de recherche sur les céramiques IRCER. Elle est basée sur les théories de modèles d’interaction de particules qui estiment les données à partir de paramètres qu’il faut identifier. La thèse s’appuie sur une étude de l’état de l’art 2023 en matière d’apprentissage profond en vue de le surpasser pour les applications qui la concerne. Ce manuscrit détaille les méthodes et modèles depuis leur conception, au développement et à l’expérimentation en répondant aux problématiques des réseaux de capteurs sans fil et des simulations de structures colloïdales.