Demi-journée Recherche UFR S&T

Demi-journée Recherche UFR S&T

Programme :

Résumé : à partir du début du XVIIe siècle, on observe un remarquable
développement de méthodes géométriques ayant pour but de calculer les
aires de surfaces autres que celles des les figures usuelles, on
cherche, de façon analogue, à  mesurer les volumes.
L’Italien Evangelista Cavalieri est le principal découvreur de la
méthode dite « des indivisibles ». L’idée essentielle est de considérer
les surfaces à  partir de « toutes les lignes » qu’on peut y déterminer,
les volumes à  partir de « toutes les surfaces » etc. On conçoit les
espaces parcourus par un mobile comme l’agrégat des degrés de vitesse.
Ces méthodes préparent le futur calcul intégral.
Toute une génération de mathématiciens se lance dans l’aventure des
indivisibles, en adoptant des méthodes distinctes et selon des
conceptions diverses de l’infiniment petit et de la composition du
continu. On rencontre ainsi Kepler, Torricelli, Galilée, Descartes,
Roberval, Pascal, Tacquet, Barrow, Wallis, Mengoli, Leibniz …

  • 14H00 : Ouverture de la Demi-Journee Recherche.
  • 14H15-14H45 : Rabah BOUZIDI (GEM)
    « Modélisation des structures membranaires souples».

Résumé : Il s’agit de modéliser les structures à  base de membranes
très souples. Ces structures peuvent être fermées et pressurisées ou
simplement tendues avec comme domaine d’application terrestre ou
spatial. D’un point de vue mécanique, il s’agit de la prise en compte de
l’ensemble des non linéarités : matérielles, géométriques, de conditions
aux limites, ou liées aux instabilités structurelles ou matérielles.

  • 14H50-15H20 : Colin de la HIGUERA (LINA)
    « L’apprentissage automatique à  l’aide de l’apprentissage naturel».

Résumé : l’apparition récente des MOOCs et leur succès sont en grande
partie dus à  la capacité à  traiter automatiquement un très grand nombre
de paramètres, à  analyser des données complexes : les vidéos
elles-mêmes, leurs contenus, les parcours des élèves,… Il faut pouvoir
comprendre ce que l’élève comprend, ce dont il a besoin, et l’aider en
lui proposant des supports adaptés. Dans cet exposé, nous étudierons
comment un ensemble de techniques du domaine de l’apprentissage
automatique sont actuellement développées pour traiter les questions de
transcription, traduction navigation, recommandation ou annotation. Les
problèmes seront illustrés par ce que nous faisons actuellement au sein
du LINA dans le projet COCo.

  • 15H25-15H55 : Guillaume PRONOST (SUBATECH)
    « Double-Chooz : Détection d’Antineutrinos et Bruits de Fond».
  • 16H00-16H30 : Abdou DJOUADi (IMN) et Yves SCUDELLER (IMN)
    « Management thermique des dispositifs électroniques de puissance :
    mesures thermiques a l’échelle nanométrique ».
  • 16H35-17H05 : Jonathan MONSIFROT (IRCCyN)
    « Modélisation de signaux électromyographiques par des processus de
    renouvellement – Filtre bayésien pour l’estimation séquentielle de
    paramètres à  destination de la commande d’une prothèse d’avant-bras».

Résumé : Nous traitons des signaux électromyographiques
intramusculaires (signaux iEMG) relevés dans les muscles de
l’avant-bras. Les signaux iEMG représentent une image de la commande du
système nerveux central vers les muscles. Ils se composent d’une
superposition de trains d’ondelettes, chaque ondelette code un groupe de
fibres musculaires et son taux de mise à  feu code l’effort produit par
ce groupe. L’objectif est d’extraire de façon séquentielle des
informations du signal iEMG. Nous espérons que ces informations se
révèleront utiles pour la commande d’une prothèse d’avant-bras.
En premier lieu, nous modélisons un train d’impulsions comme une chaîne
de Markov et nous discutons des lois pouvant caractériser le temps entre
deux impulsions. La loi de Weibull discrète a retenu notre attention.
Nous avons mis en place une méthode d’estimation en ligne de ses
paramètres. En second lieu, nous modélisons le signal iEMG par un modèle
de Markovcaché s’appuyant sur le modèle de train d’impulsions ci-dessus.
La mise en place d’un filtre bayésien nous permet de propager
séquentiellement une estimation bayésienne des paramètres du modèle de
Markov caché, en particulier la forme des ondelettes et leur taux de
mise à  feu. Nous proposons finalement une méthode d’estimation du nombre
de trains d’ondelettes, un paramètre discret du modèle. Nous validons
les méthodes et algorithmes proposés sur des signaux simulés et des
signaux iEMG.

  • 17H10 : Fermeture de la Demi-Journee Recherche.


Nous utilisons les cookies pour nos statistiques de fréquentation. En continuant à utiliser le site, vous acceptez l’utilisation des cookies