University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'éditeur
Setif:UFA |
Documents disponibles chez cet éditeur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Cycles limites de certaines classes de systèmes différentiels polynomiaux Type de document : texte imprimé Auteurs : Rebiha Benterki, Auteur ; Ahmed Bendjeddou, Directeur de thèse Editeur : Setif:UFA Année de publication : 2014 Importance : 1 vol (77 f.) Format : 29 cm Catégories : Thèses & Mémoires:Mathématique Mots-clés : Systèmes différentiels planaires
cycles limites non algébriques
Stabilité
Perturbation
Théoréme de moyennisationIndex. décimale : 510 Mathématique Résumé :
Les travaux de cette thèse s'intéressent à donner l'expression explicite de cycles limites non algébriques pour une classe de systèmes différentiels de degré cinq. Un résultat pour un système différentiel cubique, avec un cycle limite non algébrique est donné. On a aussi étudié deux classes de systèmes différentiels à centre linéaire et non linéaire, on donne une borne uniforme au nombre de cycles limites qu'on peut bifurquer à partir de ces centres en utilisant la théorie de moyennisation.Côte titre : DM/0101-0102 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/1909 Cycles limites de certaines classes de systèmes différentiels polynomiaux [texte imprimé] / Rebiha Benterki, Auteur ; Ahmed Bendjeddou, Directeur de thèse . - [S.l.] : Setif:UFA, 2014 . - 1 vol (77 f.) ; 29 cm.
Catégories : Thèses & Mémoires:Mathématique Mots-clés : Systèmes différentiels planaires
cycles limites non algébriques
Stabilité
Perturbation
Théoréme de moyennisationIndex. décimale : 510 Mathématique Résumé :
Les travaux de cette thèse s'intéressent à donner l'expression explicite de cycles limites non algébriques pour une classe de systèmes différentiels de degré cinq. Un résultat pour un système différentiel cubique, avec un cycle limite non algébrique est donné. On a aussi étudié deux classes de systèmes différentiels à centre linéaire et non linéaire, on donne une borne uniforme au nombre de cycles limites qu'on peut bifurquer à partir de ces centres en utilisant la théorie de moyennisation.Côte titre : DM/0101-0102 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/1909 Exemplaires (2)
Code-barres Cote Support Localisation Section Disponibilité DM/0101 DM/0101-0102 Thèse Bibliothéque des sciences Français Disponible
DisponibleDM/0102 DM/0101-0102 Thèse Bibliothéque des sciences Français Disponible
Disponible
Titre : Le data mining appliquée aux accidents de la route en Algérie Type de document : texte imprimé Auteurs : Tabchouche,radia ; KHENTOUT,C, Directeur de thèse Editeur : Setif:UFA Année de publication : 2016 Importance : 1 vol (59f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux
Systèmes Distribués
Risque Routier
Fouille de donnéesIndex. décimale : 004 Informatique Résumé : RÉSUMÉ
Fléau des temps modernes, le phénomène des accidents de la circulation
obère lourdement les ressources de la société. La route fauche tous les ans des
milliers de vies et handicape des dizaines de milliers de blessés. Ce nombre
important de victimes nécessite l’étude de ce phénomène pour en extraire tous les
facteurs d’influence et permettre ainsi de proposer des mesures préventives. Ces
accidents peuvent survenir soit dans un milieu urbain soit en zone rurale. Nous
présentons dans ce travail, une solution basée sur le data mining, et un outil
d’analyse du risque routier.
Note de contenu : Table de matière
Introduction générale…………………………………………………………………… 01
Chapitre 1……………………………………………………………………………… 03
1. 1. Introduction……………………………………………………………… 04
1. 2. Définition du data mining………………………………………………. 04
1. 3. Processus de data mining ……………………………………………… 05
Définition et compréhension du problème………………………………. 06
Collecte des données……………………………………………………... 06
Prétraitement……………………………………………………………… 06
Estimation du modèle… … …… …… …… …… … …… …… …… … 07
Interprétation du modèle et établissement des conclusions………… 07
1. 4. Techniques du data mining………………………………………………. 07
1. 4.1 Techniquessupervisées …………………………………………….. 07
Les modèles classifications…………………………………………… 08
Les modèles d’estimation…………………………………………… 08
1.1.4.1 Arbre de décision………………………………………..08
1.1.4.2. Règles de décision……………………………………... 09
1.1.4.3. Régression……………………………………………… 10
1.1.4.4. Réseaux de neurone…………………………………….10
1.1.4.5. Machines à vecteurs supports (SVM)………………….. 11
1.1.4.6. Réseaux bayésiens…………………………………….. 11
1.4.2. Techniques non supervisées……………………………………...12
Les modèles de dispersion…………………………………………. 12
Les modèles d'association de séquences………………………….. 12
1.4.2.1 Clustring hiérarchique…………………………………… 12
1.4.2.2. K-means…………………………………………………….13
1.4.2.3. Carte auto-organisatrice de Kohonen…………………...14
Chapitre 2 ……………………………………………………………………………….. 15
2.1. Etat de l’art……………………………………………………………….. 16
2.2. Les Besoins d’analyse……………………………………………………. 17
2.3. Divers outils de data mining…………………………………………….. 19
2.4. Domaines d’application du data mining 27
Chapitre 3……………………………………………………………………………….. 31
3.1 .Introduction…………………………………………………………………. 32
3.2. Présentation du logiciel SODAS (Symbolic Official Data Analysis System)... 33
3.3. Schéma illustrant les étapes de mise en œuvre du logiciel SODAS………… 34
3.4. Description de la base de données ………………………………………….. 35
3.4.1.Schéma Relationel sous ACCESS……………………………………… 35
3.5. Explication des tables……………………………………………………….. 36
3.6. Symbolic Objet Editor (SOE)……………………………………………….. 42
3.6.1. L’étoile zoom à deux dimensions……………………………………... 43
3.6.2.Les histogrammes horizontaux ou verticaux………………………….. 45
3.7. La méthode STAT……………………………………………………………. 47
Capacités et min/max/mean pour des variables multimodales probabilistes... 48
Fréquences relatives pour des variables intervalles………………………….. 49
3.8. La méthode DIV : Divisive Clustering on Symbolic Objects………………… 50
Conclusion générale…...………………………………………………………………… 57
Bibliographie…………………………………………………………………………… 58
Annexe……………………………………………………………………………………. 60Côte titre : MAI/0113 En ligne : https://drive.google.com/file/d/1KKXIABqRBXBM3X_X5rK5m_1hA88qQuko/view?usp=shari [...] Format de la ressource électronique : Le data mining appliquée aux accidents de la route en Algérie [texte imprimé] / Tabchouche,radia ; KHENTOUT,C, Directeur de thèse . - [S.l.] : Setif:UFA, 2016 . - 1 vol (59f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux
Systèmes Distribués
Risque Routier
Fouille de donnéesIndex. décimale : 004 Informatique Résumé : RÉSUMÉ
Fléau des temps modernes, le phénomène des accidents de la circulation
obère lourdement les ressources de la société. La route fauche tous les ans des
milliers de vies et handicape des dizaines de milliers de blessés. Ce nombre
important de victimes nécessite l’étude de ce phénomène pour en extraire tous les
facteurs d’influence et permettre ainsi de proposer des mesures préventives. Ces
accidents peuvent survenir soit dans un milieu urbain soit en zone rurale. Nous
présentons dans ce travail, une solution basée sur le data mining, et un outil
d’analyse du risque routier.
Note de contenu : Table de matière
Introduction générale…………………………………………………………………… 01
Chapitre 1……………………………………………………………………………… 03
1. 1. Introduction……………………………………………………………… 04
1. 2. Définition du data mining………………………………………………. 04
1. 3. Processus de data mining ……………………………………………… 05
Définition et compréhension du problème………………………………. 06
Collecte des données……………………………………………………... 06
Prétraitement……………………………………………………………… 06
Estimation du modèle… … …… …… …… …… … …… …… …… … 07
Interprétation du modèle et établissement des conclusions………… 07
1. 4. Techniques du data mining………………………………………………. 07
1. 4.1 Techniquessupervisées …………………………………………….. 07
Les modèles classifications…………………………………………… 08
Les modèles d’estimation…………………………………………… 08
1.1.4.1 Arbre de décision………………………………………..08
1.1.4.2. Règles de décision……………………………………... 09
1.1.4.3. Régression……………………………………………… 10
1.1.4.4. Réseaux de neurone…………………………………….10
1.1.4.5. Machines à vecteurs supports (SVM)………………….. 11
1.1.4.6. Réseaux bayésiens…………………………………….. 11
1.4.2. Techniques non supervisées……………………………………...12
Les modèles de dispersion…………………………………………. 12
Les modèles d'association de séquences………………………….. 12
1.4.2.1 Clustring hiérarchique…………………………………… 12
1.4.2.2. K-means…………………………………………………….13
1.4.2.3. Carte auto-organisatrice de Kohonen…………………...14
Chapitre 2 ……………………………………………………………………………….. 15
2.1. Etat de l’art……………………………………………………………….. 16
2.2. Les Besoins d’analyse……………………………………………………. 17
2.3. Divers outils de data mining…………………………………………….. 19
2.4. Domaines d’application du data mining 27
Chapitre 3……………………………………………………………………………….. 31
3.1 .Introduction…………………………………………………………………. 32
3.2. Présentation du logiciel SODAS (Symbolic Official Data Analysis System)... 33
3.3. Schéma illustrant les étapes de mise en œuvre du logiciel SODAS………… 34
3.4. Description de la base de données ………………………………………….. 35
3.4.1.Schéma Relationel sous ACCESS……………………………………… 35
3.5. Explication des tables……………………………………………………….. 36
3.6. Symbolic Objet Editor (SOE)……………………………………………….. 42
3.6.1. L’étoile zoom à deux dimensions……………………………………... 43
3.6.2.Les histogrammes horizontaux ou verticaux………………………….. 45
3.7. La méthode STAT……………………………………………………………. 47
Capacités et min/max/mean pour des variables multimodales probabilistes... 48
Fréquences relatives pour des variables intervalles………………………….. 49
3.8. La méthode DIV : Divisive Clustering on Symbolic Objects………………… 50
Conclusion générale…...………………………………………………………………… 57
Bibliographie…………………………………………………………………………… 58
Annexe……………………………………………………………………………………. 60Côte titre : MAI/0113 En ligne : https://drive.google.com/file/d/1KKXIABqRBXBM3X_X5rK5m_1hA88qQuko/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0113 MAI/0113 Mémoire Bibliothéque des sciences Français Disponible
DisponibleDatation Archéologique par la Luminescence Stimulée Optiquement OSL: Application à la datation d’une brique en terrecuite de site Archéologique de Djémila (Cuicul). / Benabdelghani,Iméne
Titre : Datation Archéologique par la Luminescence Stimulée Optiquement OSL: Application à la datation d’une brique en terrecuite de site Archéologique de Djémila (Cuicul). Type de document : texte imprimé Auteurs : Benabdelghani,Iméne, Auteur ; Fayçal Kharfi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (61 f.) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Physique Mots-clés : Thermoluminescence (TL)
Luminescence stimulée optiquement (OSL)
Datation
Paléodose
Dose
Annuelle
Méthode de dose additive
Uranium
horium
Potassium
Djémila
Arc de CaracallaIndex. décimale : 530 Physique Résumé :
Ce Travail porte sur la datation par luminescence optique englobant les parties suivantes :
- Luminescence stimulée thermiquement et optiquement.
- Datation archéologique par luminescence.
- Détermination de l’âge d’un fragment d’une brique en terre cuite dans un mur de séparation, située
dans la ville antique de Djémila. Nous avons adopté la mesure de la dose des rayonnements de celle
qui est emmagasinés par le cristal (Paléodose) par la méthode de dose additive, en plus
l’estimation de la teneur des éléments radioactifs (Uranium, Thorium et Potassium) dépond de la
quantité d’irradiations absorbés par le quartz durant 1 an (Dose annuelle), alors nous avons pu
estimer l’âge de cet échantillon. Sachant que ce dernier se trouve à environ de 25 mètres à l’Est de
l’arc de Caracalla, qui a été construit en 216, donc, on peut supposer que le mur de séparation a été
construit aussi en même temps que l’arc.Note de contenu :
Sommaire
Introduction 7
1 Luminescence Stimulée Thermiquement et Optiquement 9
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Les cristaux diélectriques et l’irradiation . . . . . . . . . . . . . . . . . . . 9
1.2.1 Défauts dans les cristaux . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2 Niveaux d’énergie pièges . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.3 E¤ets de l’irradiation sur les cristaux . . . . . . . . . . . . . . . . . 11
1.3 phénomène de luminescence . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Dé…nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.2 Modèle Physique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.3 Types de luminescence . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Luminescence stimulée thermiquement (TL) . . . . . . . . . . . . . . . . . 14
1.4.1 Dé…nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.2 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5 Luminescence stimulée optiquement (OSL) . . . . . . . . . . . . . . . . . . 16
1.5.1 Dé…nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.2 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5.3 Types de stimulation optique . . . . . . . . . . . . . . . . . . . . . 17
1.6 Signaux de luminescence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Datation archéologique par luminescence 19
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Détermination de la paléodose . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.1 Dé…nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.2 Méthodes de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Détermination de la dose annuelle . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.1 Dé…nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1
2.4.2 Origine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.3 Détermination des teneurs en radioéléments . . . . . . . . . . . . . 26
2.4.4 Expression générale . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4.5 Contraintes sur la dose annuelle calculée . . . . . . . . . . . . . . . 31
2.5 Estimation d’erreur sur l’âge . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3 Datation d’une brique du site archéologique de Djémila (Cuicul) 34
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2 Choix et prélèvement de l’artefact à dater sur site . . . . . . . . . . . . . . 34
3.2.1 Description du site . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.2 Choix dÂ’artefact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Préparation des échantillons (poudres) pour lecture de luminescence . . . . 36
3.3.1 Préparation mécanique . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.2 Traitements chimiques . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.3 Préparation des disques pour la mesure . . . . . . . . . . . . . . . . 38
3.4 Lecture des signaux de luminescence . . . . . . . . . . . . . . . . . . . . . 40
3.5 Résultats et Interprétations . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.5.1 Calcul de l’âge d’artefact et l’estimation d’erreur . . . . . . . . . . . 43
3.5.2 Synthèse des résultats pour le calcul de l’âge . . . . . . . . . . . . . 49
3.6 Comparaison de l’âge à l’histoire du site . . . . . . . . . . . . . . . . . . . 49
3.6.1 Datation de lÂ’arc de Caracalla par la titulature . . . . . . . . . . . . 50
3.6.2 Comparaison des âges obtenus par luminescence et par la titulature 51
Conclusion 51
Bibliographie 52
2Côte titre : MAPH/0246 Datation Archéologique par la Luminescence Stimulée Optiquement OSL: Application à la datation d’une brique en terrecuite de site Archéologique de Djémila (Cuicul). [texte imprimé] / Benabdelghani,Iméne, Auteur ; Fayçal Kharfi, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (61 f.) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Physique Mots-clés : Thermoluminescence (TL)
Luminescence stimulée optiquement (OSL)
Datation
Paléodose
Dose
Annuelle
Méthode de dose additive
Uranium
horium
Potassium
Djémila
Arc de CaracallaIndex. décimale : 530 Physique Résumé :
Ce Travail porte sur la datation par luminescence optique englobant les parties suivantes :
- Luminescence stimulée thermiquement et optiquement.
- Datation archéologique par luminescence.
- Détermination de l’âge d’un fragment d’une brique en terre cuite dans un mur de séparation, située
dans la ville antique de Djémila. Nous avons adopté la mesure de la dose des rayonnements de celle
qui est emmagasinés par le cristal (Paléodose) par la méthode de dose additive, en plus
l’estimation de la teneur des éléments radioactifs (Uranium, Thorium et Potassium) dépond de la
quantité d’irradiations absorbés par le quartz durant 1 an (Dose annuelle), alors nous avons pu
estimer l’âge de cet échantillon. Sachant que ce dernier se trouve à environ de 25 mètres à l’Est de
l’arc de Caracalla, qui a été construit en 216, donc, on peut supposer que le mur de séparation a été
construit aussi en même temps que l’arc.Note de contenu :
Sommaire
Introduction 7
1 Luminescence Stimulée Thermiquement et Optiquement 9
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Les cristaux diélectriques et l’irradiation . . . . . . . . . . . . . . . . . . . 9
1.2.1 Défauts dans les cristaux . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2 Niveaux d’énergie pièges . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.3 E¤ets de l’irradiation sur les cristaux . . . . . . . . . . . . . . . . . 11
1.3 phénomène de luminescence . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Dé…nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.2 Modèle Physique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.3 Types de luminescence . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Luminescence stimulée thermiquement (TL) . . . . . . . . . . . . . . . . . 14
1.4.1 Dé…nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.2 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5 Luminescence stimulée optiquement (OSL) . . . . . . . . . . . . . . . . . . 16
1.5.1 Dé…nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.2 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5.3 Types de stimulation optique . . . . . . . . . . . . . . . . . . . . . 17
1.6 Signaux de luminescence . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Datation archéologique par luminescence 19
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Détermination de la paléodose . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.1 Dé…nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.2 Méthodes de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Détermination de la dose annuelle . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.1 Dé…nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1
2.4.2 Origine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.3 Détermination des teneurs en radioéléments . . . . . . . . . . . . . 26
2.4.4 Expression générale . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4.5 Contraintes sur la dose annuelle calculée . . . . . . . . . . . . . . . 31
2.5 Estimation d’erreur sur l’âge . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3 Datation d’une brique du site archéologique de Djémila (Cuicul) 34
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2 Choix et prélèvement de l’artefact à dater sur site . . . . . . . . . . . . . . 34
3.2.1 Description du site . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.2 Choix dÂ’artefact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Préparation des échantillons (poudres) pour lecture de luminescence . . . . 36
3.3.1 Préparation mécanique . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.2 Traitements chimiques . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.3 Préparation des disques pour la mesure . . . . . . . . . . . . . . . . 38
3.4 Lecture des signaux de luminescence . . . . . . . . . . . . . . . . . . . . . 40
3.5 Résultats et Interprétations . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.5.1 Calcul de l’âge d’artefact et l’estimation d’erreur . . . . . . . . . . . 43
3.5.2 Synthèse des résultats pour le calcul de l’âge . . . . . . . . . . . . . 49
3.6 Comparaison de l’âge à l’histoire du site . . . . . . . . . . . . . . . . . . . 49
3.6.1 Datation de lÂ’arc de Caracalla par la titulature . . . . . . . . . . . . 50
3.6.2 Comparaison des âges obtenus par luminescence et par la titulature 51
Conclusion 51
Bibliographie 52
2Côte titre : MAPH/0246 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAPH/0246 MAPH/0246 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Dead Trees Detection Based on Machine Learning and Remote Sensing Type de document : texte imprimé Auteurs : Manelle Benarbia, Auteur ; Nabila Chergui, Auteur Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (51 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Dead tree detection Artificial Intelligence Machine
Learning Deep Learning Remote Sensing Vegetation Indices Classification Détection des arbres morts Intelligence Artificielle Apprentissage
Automatique Apprentissage Approfondu télédétection Indices de VegetationsIndex. décimale : 004 - Informatique Résumé : Dead tree detection utilising machine learning and remote sensing
holds significance in efficient and scalable monitoring, early disturbance
detection, assessing ecosystem health, managing resources, and planning
conservation efforts. This approach facilitates timely interventions, enhances
forest management practices, and contributes to environmental
monitoring, ensuring the sustainability and resilience of forest ecosystems.
In this thesis, we focus on classifying dead trees using remote sensing
images obtained from the Sentinel 2 satellite and Vegetation Indices
(VIS). We initially extracted three VIs: the Normalised Difference Vegetation
Index (NDVI), Enhanced Vegetation Index (EVI2), and the Soil
Adjusted Vegetation Index. Subsequently, we selected three prominent
classification algorithms for Machine Learning (ML): Decision Tree (DT),
Random Forest (RF), and Support Vector Machine (SVM). Additionally,
we compared their performances with the Deep Learning Neural Network
(DNN). Notably, the Random Forest algorithm attained the highest
accuracy in dead tree classification, achieving an accuracy of 0.73 = La détection des arbres morts basée sur l’intelligence artificielle et la
télédétection revêt une grande importance pour une surveillance efficace
et évolutive, la détection précoce des perturbations, l’évaluation de la
santé des écosystèmes, la gestion des ressources et la planification de
la conservation. Elle permet des interventions rapides, améliore les
pratiques de gestion forestière et contribue aux efforts de surveillance
environnementale, garantissant ainsi la durabilité et la résilience des
écosystèmes forestiers.
Dans ce mémoire, nous avons classifié les arbres morts en utilisant
des images de télédétection acquises à partir du satellite Sentinel 2
et desindices de végétation (VIS). Nous avons tout d’abord extrait
trois indices de végétation, à savoir l’indice de végétation par différence
normalisée (NDVI), l’indice de végétation amélioré (EVI2) et l’indice
devégétation ajusté au sol. Ensuite, nous avons sélectionné trois des
principaux algorithmes d’apprentissage automatique pour effectuer la
classificationarbres de décision (DT), les forêts aléatoires (RF), les machines
à vecteurs de support (SVM) en plus du réseau de neurons (DNN).
Les résultats ont montré que l’algorithme de forêt aléatoire a obtenu
la meilleure précision dans la classification des arbres morts, atteignant
une précision de 0,73.
Côte titre : MAI/0755 En ligne : https://drive.google.com/file/d/1pK3ThW0ig-RHAQLEFvJNh0fkEU6fBSzZ/view?usp=drive [...] Format de la ressource électronique : Dead Trees Detection Based on Machine Learning and Remote Sensing [texte imprimé] / Manelle Benarbia, Auteur ; Nabila Chergui, Auteur . - [S.l.] : Setif:UFA, 2023 . - 1 vol (51 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Dead tree detection Artificial Intelligence Machine
Learning Deep Learning Remote Sensing Vegetation Indices Classification Détection des arbres morts Intelligence Artificielle Apprentissage
Automatique Apprentissage Approfondu télédétection Indices de VegetationsIndex. décimale : 004 - Informatique Résumé : Dead tree detection utilising machine learning and remote sensing
holds significance in efficient and scalable monitoring, early disturbance
detection, assessing ecosystem health, managing resources, and planning
conservation efforts. This approach facilitates timely interventions, enhances
forest management practices, and contributes to environmental
monitoring, ensuring the sustainability and resilience of forest ecosystems.
In this thesis, we focus on classifying dead trees using remote sensing
images obtained from the Sentinel 2 satellite and Vegetation Indices
(VIS). We initially extracted three VIs: the Normalised Difference Vegetation
Index (NDVI), Enhanced Vegetation Index (EVI2), and the Soil
Adjusted Vegetation Index. Subsequently, we selected three prominent
classification algorithms for Machine Learning (ML): Decision Tree (DT),
Random Forest (RF), and Support Vector Machine (SVM). Additionally,
we compared their performances with the Deep Learning Neural Network
(DNN). Notably, the Random Forest algorithm attained the highest
accuracy in dead tree classification, achieving an accuracy of 0.73 = La détection des arbres morts basée sur l’intelligence artificielle et la
télédétection revêt une grande importance pour une surveillance efficace
et évolutive, la détection précoce des perturbations, l’évaluation de la
santé des écosystèmes, la gestion des ressources et la planification de
la conservation. Elle permet des interventions rapides, améliore les
pratiques de gestion forestière et contribue aux efforts de surveillance
environnementale, garantissant ainsi la durabilité et la résilience des
écosystèmes forestiers.
Dans ce mémoire, nous avons classifié les arbres morts en utilisant
des images de télédétection acquises à partir du satellite Sentinel 2
et desindices de végétation (VIS). Nous avons tout d’abord extrait
trois indices de végétation, à savoir l’indice de végétation par différence
normalisée (NDVI), l’indice de végétation amélioré (EVI2) et l’indice
devégétation ajusté au sol. Ensuite, nous avons sélectionné trois des
principaux algorithmes d’apprentissage automatique pour effectuer la
classificationarbres de décision (DT), les forêts aléatoires (RF), les machines
à vecteurs de support (SVM) en plus du réseau de neurons (DNN).
Les résultats ont montré que l’algorithme de forêt aléatoire a obtenu
la meilleure précision dans la classification des arbres morts, atteignant
une précision de 0,73.
Côte titre : MAI/0755 En ligne : https://drive.google.com/file/d/1pK3ThW0ig-RHAQLEFvJNh0fkEU6fBSzZ/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0755 MAI/0755 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Découverte de communautés dynamiques dans les réseaux temporels Type de document : texte imprimé Auteurs : Benaggoun, samir ; DRIF, AHLEM, Directeur de thèse Editeur : Setif:UFA Année de publication : 2017 Importance : 1 vol (77f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux
Systèmes Distribués
Modularité
communautés dynamiques
Réseaux sociaux
Réseaux temporelsIndex. décimale : 004 Informatique Résumé : RESUMÉ
L’analyse de réseaux sociaux est un outil qui s’impose dans de nombreuses
sciences. Un de ces outils spécifiques à l’analyse est la détection de communautés.
Si le domaine de la détection de communautés statiques sans recouvrement semble
aujourd’hui arrivé à maturité, avec plusieurs méthodes se révélant à la fois rapides,
performantes, nous pensons que le problème de la détection de communautés avec
recouvrement n’a pas encore atteint ce stade, Quant aux communautés dynamiques,
nous pensons que l’on est encore dans une phase d’exploration, ce qui explique la
grande variété d’approches utilisées. L’objectif de ce travail est de proposer une
nouvelle approche de détection de communautés qui serait capable de détecter
l’évolution des communautés au cours du temps pour des réseaux sociaux. Pour
cela, nous avons défini une nouvelle méthode qui fonctionne en deux phases. Durant la première phase, nous détectons tous les groupes similaire afin de décomposer
le réseau initial en petits groupes élémentaires c’est à dire faire du Clustering (par la
méthode de Louvain). Dans la deuxième phase, nous proposons une procédure itérative ayant pour objectif l'identification des différentes communautés avec l’analyse
des déplacements des nœuds d’une communauté à une autre, Et au fur et à mesure
on évalue la modularité en utilisant les actions de mise à jour (ajout nœud, suppression nœud, update nœud) jusqu’à atteindre une modularité Optimale. La performance de l’approche proposée est comparée avec d'autres algorithmes de détection
de communautés qui montre l’efficacité de notre approche.Note de contenu : Table des matières
Introduction Générale.............................................................................................. 1
Chapitre 1 : Communauté et réseaux complexes
1. Introduction ........................................................................................................... 5
2. Représentation des Graphes ................................................................................. 5
2.1 La matrice d'adjacence ............................................................................................................5
2.1 Matrice d’incidence.................................................................................................................6
2.3 Laplacien Subordonné à un Graphe .......................................................................................7
2.4 Graphes Dynamiques..............................................................................................................8
3. Propriétés et conjectures....................................................................................... 8
3.1 Nombre chromatique et le degré maximal .........................................................................8
3.2 Coefficient de regroupement..................................................................................................9
3.2.1 Définition ..........................................................................................................................9
3.2.2 Coefficient global..............................................................................................................9
3.3 La centralité d’intermédiarité des liens...............................................................................10
4. Les Communautés ............................................................................................... 11
4.1 Définition ...............................................................................................................................11
4.2 Définitions comparatives.......................................................................................................11
4.3 Définitions de référence individuelle ...................................................................................12
4.4 Représentation graphique des communautés ........................................................................12
4.5 Modularité ..............................................................................................................13
5. Réseaux Complexes.............................................................................................. 14
5.1 Réseaux sociaux....................................................................................................................15
5.2 Réseaux biologiques..............................................................................................................15
5.3 Réseaux d’information ..........................................................................................................15
5.4 Réseaux technologiques........................................................................................................16
5.5 Réseaux linguistiques............................................................................................................16
6. Conclusion............................................................................................................ 16
Chapitre 2 : L'Etat de l'art
1. Introduction ......................................................................................................... 20
2. Méthodes de découverte de communautés dans les réseaux Complexes.......... 20
2.1 Algorithme Basique de Betweenness.....................................................................................21
2.1.1 Idée fondamentale ...............................................................................................21
2.1.2 Mesure de communautés.................................................................................................21
2.1.3 Méthode de détection des communautés........................................................................23
2.1.4 Exemple d’expérimentation ...........................................................................................23
2.1.5. Discussion .......................................................................................................................24
2.2 Fast algorithm........................................................................................................................24
2.2.1 Idée fondamentale ..........................................................................................................24
2.2.2 Mesure de communautés................................................................................................24
2.2.4 Exemple d’expérimentation ..........................................................................................25
2.2.5 Discussion ......................................................................................................................26
2.3 Extremal optimization algorithm ..........................................................................................27
2.3.1 Idée fondamentale ..........................................................................................................27
2.3.2 Mesure de communautés................................................................................................27
2.3.3 Méthode de découverte de communautés ......................................................................27
2.3.4 Exemple d’expérimentation ...........................................................................................28
2.3.5. Discussion .......................................................................................................................28
3. Opérations de communautés................................................................................ 29
3.1 Différentes approches.............................................................................................................30
3.1.1 Approches par détections statiques successives..............................................................30
3.1.2 Avec communautés non recouvrantes............................................................................31
3.1.3 Avec communautés recouvrantes..................................................................................31
3.1.4 Approches travaillant sur des réseaux temporels .............................................................33
4. Conclusion........................................................................................................... 35
Chapitre 3 : Méthode proposée pour la détection de communauté
1. Introduction .......................................................................................................... 38
2. Algorithme de Louvain......................................................................................... 38
2.1 Description de l’algorithme....................................................................................................38
2.2 Organigramme de l’algorithme ..............................................................................................40
2.3 Exemple de détection de communautés pour des réseaux sociaux ........................................42
3. Proposition d’une extension de l’algorithme de Louvain pour les réseaux temporels ......................................... 43
3.1 Description de l’approche proposée.......................................................................................43
3.2 Evolution des évènements au cours du temps........................................................................44
3.3 Détails des opérations de mise à jour...................................................................................45
3.3.1 Evènement de création de Nœud....................................................................................45
3.3.2 Evènement de modification des voisins d’un Nœud (Update)......................................45
3.3.3 Evènement de suppression d’un Nœud ..........................................................................46
3.4 Méthodes et classes utilisées pour les opérations de mise à jour ........................................47
3.5 Organigramme de la dynamique des communautés.............................................................50
4. Conclusion........................................................................................................... 51
Chapitre 4 : Evaluation et expérimentation
1 .Introduction .......................................................................................................... 53
2. Les langages utilisés et les outils d'implémentations .......................................... 53
2.1.2 Langage GML ................................................................................................................53
2.2 Les outils utilisés....................................................................................................................54
2.2.1 Outil de visualisation Gephi..........................................................................................54
2.2.2 NetBeans.........................................................................................................................54
3. Jeux de données.................................................................................................... 55
3.1 Eurovision dataset ..................................................................................................................55
3.1.1 Format du fichier..............................................................................................................55
3.1.2 visualisation d’un fichier CSV ........................................................................................56
3.2 Distribution des degrés..........................................................................................................56
3.3 Modularité du graphe généré................................................................................................58
4. Interfaces de notre application de découverte dynamique ................................... 58
4.1 Interface d’accueil...................................................................................................................58
4.2 Principe de fonctionnement de l’application.........................................................................60
5. Evaluation des Performances de l’algorithme proposé ..................................... 64
5.1 Analyse de la dynamique .......................................................................................................65
5.2 Détection de communauté durant des instantanés successive................................................65
5.3 Comparaisons de notre approche proposée .............................................................................65
6. Conclusion........................................................................................................... 67
7. Conclusion Générale ......................................................................................... 68
Annexes.................................................................................................................... 69Côte titre : MAI/0164 En ligne : https://drive.google.com/file/d/1RuMZcnT6c2tYnWPDgZzr1I3axvksT8O_/view?usp=shari [...] Format de la ressource électronique : Découverte de communautés dynamiques dans les réseaux temporels [texte imprimé] / Benaggoun, samir ; DRIF, AHLEM, Directeur de thèse . - [S.l.] : Setif:UFA, 2017 . - 1 vol (77f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux
Systèmes Distribués
Modularité
communautés dynamiques
Réseaux sociaux
Réseaux temporelsIndex. décimale : 004 Informatique Résumé : RESUMÉ
L’analyse de réseaux sociaux est un outil qui s’impose dans de nombreuses
sciences. Un de ces outils spécifiques à l’analyse est la détection de communautés.
Si le domaine de la détection de communautés statiques sans recouvrement semble
aujourd’hui arrivé à maturité, avec plusieurs méthodes se révélant à la fois rapides,
performantes, nous pensons que le problème de la détection de communautés avec
recouvrement n’a pas encore atteint ce stade, Quant aux communautés dynamiques,
nous pensons que l’on est encore dans une phase d’exploration, ce qui explique la
grande variété d’approches utilisées. L’objectif de ce travail est de proposer une
nouvelle approche de détection de communautés qui serait capable de détecter
l’évolution des communautés au cours du temps pour des réseaux sociaux. Pour
cela, nous avons défini une nouvelle méthode qui fonctionne en deux phases. Durant la première phase, nous détectons tous les groupes similaire afin de décomposer
le réseau initial en petits groupes élémentaires c’est à dire faire du Clustering (par la
méthode de Louvain). Dans la deuxième phase, nous proposons une procédure itérative ayant pour objectif l'identification des différentes communautés avec l’analyse
des déplacements des nœuds d’une communauté à une autre, Et au fur et à mesure
on évalue la modularité en utilisant les actions de mise à jour (ajout nœud, suppression nœud, update nœud) jusqu’à atteindre une modularité Optimale. La performance de l’approche proposée est comparée avec d'autres algorithmes de détection
de communautés qui montre l’efficacité de notre approche.Note de contenu : Table des matières
Introduction Générale.............................................................................................. 1
Chapitre 1 : Communauté et réseaux complexes
1. Introduction ........................................................................................................... 5
2. Représentation des Graphes ................................................................................. 5
2.1 La matrice d'adjacence ............................................................................................................5
2.1 Matrice d’incidence.................................................................................................................6
2.3 Laplacien Subordonné à un Graphe .......................................................................................7
2.4 Graphes Dynamiques..............................................................................................................8
3. Propriétés et conjectures....................................................................................... 8
3.1 Nombre chromatique et le degré maximal .........................................................................8
3.2 Coefficient de regroupement..................................................................................................9
3.2.1 Définition ..........................................................................................................................9
3.2.2 Coefficient global..............................................................................................................9
3.3 La centralité d’intermédiarité des liens...............................................................................10
4. Les Communautés ............................................................................................... 11
4.1 Définition ...............................................................................................................................11
4.2 Définitions comparatives.......................................................................................................11
4.3 Définitions de référence individuelle ...................................................................................12
4.4 Représentation graphique des communautés ........................................................................12
4.5 Modularité ..............................................................................................................13
5. Réseaux Complexes.............................................................................................. 14
5.1 Réseaux sociaux....................................................................................................................15
5.2 Réseaux biologiques..............................................................................................................15
5.3 Réseaux d’information ..........................................................................................................15
5.4 Réseaux technologiques........................................................................................................16
5.5 Réseaux linguistiques............................................................................................................16
6. Conclusion............................................................................................................ 16
Chapitre 2 : L'Etat de l'art
1. Introduction ......................................................................................................... 20
2. Méthodes de découverte de communautés dans les réseaux Complexes.......... 20
2.1 Algorithme Basique de Betweenness.....................................................................................21
2.1.1 Idée fondamentale ...............................................................................................21
2.1.2 Mesure de communautés.................................................................................................21
2.1.3 Méthode de détection des communautés........................................................................23
2.1.4 Exemple d’expérimentation ...........................................................................................23
2.1.5. Discussion .......................................................................................................................24
2.2 Fast algorithm........................................................................................................................24
2.2.1 Idée fondamentale ..........................................................................................................24
2.2.2 Mesure de communautés................................................................................................24
2.2.4 Exemple d’expérimentation ..........................................................................................25
2.2.5 Discussion ......................................................................................................................26
2.3 Extremal optimization algorithm ..........................................................................................27
2.3.1 Idée fondamentale ..........................................................................................................27
2.3.2 Mesure de communautés................................................................................................27
2.3.3 Méthode de découverte de communautés ......................................................................27
2.3.4 Exemple d’expérimentation ...........................................................................................28
2.3.5. Discussion .......................................................................................................................28
3. Opérations de communautés................................................................................ 29
3.1 Différentes approches.............................................................................................................30
3.1.1 Approches par détections statiques successives..............................................................30
3.1.2 Avec communautés non recouvrantes............................................................................31
3.1.3 Avec communautés recouvrantes..................................................................................31
3.1.4 Approches travaillant sur des réseaux temporels .............................................................33
4. Conclusion........................................................................................................... 35
Chapitre 3 : Méthode proposée pour la détection de communauté
1. Introduction .......................................................................................................... 38
2. Algorithme de Louvain......................................................................................... 38
2.1 Description de l’algorithme....................................................................................................38
2.2 Organigramme de l’algorithme ..............................................................................................40
2.3 Exemple de détection de communautés pour des réseaux sociaux ........................................42
3. Proposition d’une extension de l’algorithme de Louvain pour les réseaux temporels ......................................... 43
3.1 Description de l’approche proposée.......................................................................................43
3.2 Evolution des évènements au cours du temps........................................................................44
3.3 Détails des opérations de mise à jour...................................................................................45
3.3.1 Evènement de création de Nœud....................................................................................45
3.3.2 Evènement de modification des voisins d’un Nœud (Update)......................................45
3.3.3 Evènement de suppression d’un Nœud ..........................................................................46
3.4 Méthodes et classes utilisées pour les opérations de mise à jour ........................................47
3.5 Organigramme de la dynamique des communautés.............................................................50
4. Conclusion........................................................................................................... 51
Chapitre 4 : Evaluation et expérimentation
1 .Introduction .......................................................................................................... 53
2. Les langages utilisés et les outils d'implémentations .......................................... 53
2.1.2 Langage GML ................................................................................................................53
2.2 Les outils utilisés....................................................................................................................54
2.2.1 Outil de visualisation Gephi..........................................................................................54
2.2.2 NetBeans.........................................................................................................................54
3. Jeux de données.................................................................................................... 55
3.1 Eurovision dataset ..................................................................................................................55
3.1.1 Format du fichier..............................................................................................................55
3.1.2 visualisation d’un fichier CSV ........................................................................................56
3.2 Distribution des degrés..........................................................................................................56
3.3 Modularité du graphe généré................................................................................................58
4. Interfaces de notre application de découverte dynamique ................................... 58
4.1 Interface d’accueil...................................................................................................................58
4.2 Principe de fonctionnement de l’application.........................................................................60
5. Evaluation des Performances de l’algorithme proposé ..................................... 64
5.1 Analyse de la dynamique .......................................................................................................65
5.2 Détection de communauté durant des instantanés successive................................................65
5.3 Comparaisons de notre approche proposée .............................................................................65
6. Conclusion........................................................................................................... 67
7. Conclusion Générale ......................................................................................... 68
Annexes.................................................................................................................... 69Côte titre : MAI/0164 En ligne : https://drive.google.com/file/d/1RuMZcnT6c2tYnWPDgZzr1I3axvksT8O_/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0164 MAI/0164 Mémoire Bibliothéque des sciences Français Disponible
DisponibleDécroissance générale d'un problème d'onde viscoélastique non linéaire avec amortissement frontière / Zineb Mentseur
PermalinkDeep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data / Yacine Deradra
PermalinkDeep-Convolution-Neural-Network-and-Autoencoders- Based-Unsupervised-Feature-Learning-of-EEG / Krachni,Rayane
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkDeep learning for the recognition and classification of different postures and behaviors of vehicle drivers / Hamitouche,Ilyes
PermalinkPermalinkA deep learning Method for analyzing the spread of information in online social networks / Douadi,hasna
PermalinkPermalinkPermalinkA deep learning model for fakenewes detection / Belhakimi,Mohamed Amine
PermalinkPermalinkPermalink