http://dspace.univ-jijel.dz:8080/xmlui/handle/123456789/26 Tue, 29 Sep 2026 00:28:26 GMT 2026-09-29T00:28:26Z http://dspace.univ-jijel.dz:8080/xmlui/handle/123456789/16583 Estimation et Amélioration Adaptative de la Qualité d’Expérience pour les Médias Audiovisuels Boudjerida, Boudjerida; Chettibi, Saloua(directeur de thesse) Dans le domaine des médias audiovisuels, la qualité d’expérience (QoE) perçue par les utilisateurs est un enjeu fondamental. Elle est influencée par des facteurs techniques et subjectifs, ce qui rend sa prédiction complexe. Cette thèse explore des modèles capables d’estimer la QoE audiovisuelle automatiquement en reposant sur des systèmes d’inférence floue (FIS). Trois modèles ont été développés afin d’évaluer cette qualité. Ces modèles ont été comparés à des modèles basés sur l’apprentissage automatique tels que les réseaux de neurones et les forêts aléatoires pour examiner la QoE. Les résultats obtenus montrent des capacités prédictives prometteuses. Afin d’améliorer ces modèles, nous avons adopté une approche combinant apprentis sage structurel et apprentissage paramétrique. L’apprentissage structurel, basé sur l’ana lyse discriminante linéaire de Fisher (ADL-Fisher), permet de sélectionner les paramètres les plus pertinents. L’apprentissage paramétrique utilise le clustering Fuzzy C-Means (FCM), qui regroupe les données pour optimiser les règles floues et améliorer la précision des prédictions. Cette approche intégrée a renforcé la fiabilité des modèles et a permis d’estimer la représentation des perceptions subjectives des utilisateurs. Les résultats obtenus démontrent que la logique floue constitue une alternative efficace aux techniques classiques, tout en nécessitant d’autres techniques pour estimer et mieux refléter les évaluations humaines. Tue, 15 Jul 2025 00:00:00 GMT http://dspace.univ-jijel.dz:8080/xmlui/handle/123456789/16583 2025-07-15T00:00:00Z http://dspace.univ-jijel.dz:8080/xmlui/handle/123456789/16497 Reconnaissance de l’écriture manuscrite Arabe non segmentée grâce aux réseaux profonds et récurrents Bensouilah, Mouad; Taffar, Mokhtar(Encadreur) Compte tenu de la complexité croissante des systèmes industriels et de la grande importance de maintenir leur sécurité, le diagnostic des machines électriques dans l’industrie a reçu une attention importante dans de nombreux travaux de recherche visant à développer des méthodes modernes de détection et de diagnostic précoces de diverses défaillances survenant dans les machines électriques, afin d'augmenter sa disponibilité et sa longévité. Dans ce contexte, de nouvelles approches intelligentes ont été développées dans cette thèse caractérisée par la robustesse, la fiabilité et la haute performance pour la détection et le diagnostic automatique des défaillances électriques et mécaniques dans les machines asynchrones en particulier et les machines électriques en générales en basant sur des techniques de traitements de signal et des algorithmes d’intelligence artificielle. Trois approches modernes de détection et de diagnostic ont été proposées. La première approche pour le diagnostic des défauts électriques tels que les courts-circuits dans le bobinage statorique, le déséquilibre de tension et les ruptures des barres de la cage rotorique, qui repose sur l'analyse des courants statoriques. La deuxième approche pour le diagnostic des défauts de roulements qui se base sur l'analyse des signaux vibratoires. La troisième approche pour le diagnostic des autres défauts mécaniques (les défauts d'excentricité, les défauts d’oscillation du couple de charge, les défauts de désalignement angulaire et parallèle) qui repose sur l'analyse du couple mécanique mesuré. L'efficacité et la robustesse des nouvelles techniques de diagnostic proposées dans cette thèse ont été testées à travers des données expérimentales. Les résultats obtenus ont montré la grande capacité de ces techniques à détecter et diagnostiquer les défauts électriques et mécaniques des machines asynchrones. Mon, 04 Nov 2024 00:00:00 GMT http://dspace.univ-jijel.dz:8080/xmlui/handle/123456789/16497 2024-11-04T00:00:00Z http://dspace.univ-jijel.dz:8080/xmlui/handle/123456789/15373 Reconnaissance de l’écriture manuscrite Arabe non segmentée grâce aux réseaux profonds et récurrents Bensouilah, Mouad; Taffar, Mokhtar (Encadreur) Résumé L’objectif principal de cette thèse était de proposer une nouvelle approche pour la reconnaissance automatique de l’écriture Arabe manuscrite, un style d’écriture courant dans les archives des documents officiels et non officiels en Algérie. Nos efforts se sont concentrés sur la conception et le développement d’une stratégie innovante utilisant à la base un réseau de neurones convolutif récurrent (CRNN). Ainsi, nous avons suggéré que notre modèle conçu autour d’une architecture CRNN soit assisté par un réseau d’attention gMLP (gated Multi-layer Perceptron) afin de booster ses performances, en lui offrant une robustesse supplémentaire et une fiabilité à travers un taux d’erreur faible et compétitif par rapport aux approches de l’état-de-l’art. Notre approche repose sur un réseau de neurones convolutif (CNN) qui prend en entrée une image de ligne de texte non segmentée et la traite à travers des couches convolutionnelles et de pooling en comprimant et en filtrant les informations pertinentes dont l’ultime résultat est de regrouper et extraire les caractéristiques. Les caractéristiques obtenues sont ensuite propagées à travers le réseau d’attention gMLP lequel capture les interactions spatiales entre les caractéristiques visuelles en générant une nouvelle carte de caractéristiques. La sortie du réseau gMLP alimente l’unité de décodage représentée par le réseau de neurones récurent bidirectionnel (BRNN). Les couches BRNN codent et décodent les caractéristiques extraites pour chaque caractère dans les deux directions, prédisant la séquence correcte de caractères. Cette méthode a montré son efficacité à travers les bons résultats obtenus. En marge de notre contribution principale, nous avons également réalisé d’autres travaux notables en validant d’abord notre modèle CNN-gMLP-RNN à travers une application de reconnaissance des caractères imprimés pour la lecture des vignettes de médicaments Algériennes. Ainsi, notre modèle se trouve utile à la fois pour reconnaître du texte imprimé et manuscrit. En outre, l’autre approche CNN préalablement mise en oeuvre a été dédiée à la reconnaissance des caractères imprimés des plaques d’immatriculation Algériennes. Du fait de sa particularité, le détecteur d’objets YOLO (You Only Look Once), le plus efficace de la littérature, a été entraîné et em- ployé pour détecter, dans un premier temps, les images de texte, puis dans un second temps, la reconnaissance de la séquence de chiffres/lettres est réalisée par CRNN. Parallèlement, et dans un souci du soutien à la recherche scientifique locale, nous avons construit et publié deux nouveaux et uniques ensembles de données image, nommés "License Plates of Algeria Dataset" (LPAD) et "Algerian Drug Label" (ADL), dédiés respectivement à la reconnaissance des plaques d’immatriculation et des étiquettes de médicaments. Chaque ensemble de données est accom- pagné d’annotations explicatives et réparti en sous-ensembles d’entraînement et de test. Tout comme pour la reconnaissance de l’écriture manuscrite, nous avons atteint un bon taux de préci- sion en reconnaissant du texte imprimé, ce qui témoigne de l’exhaustivité et l’efficacité de notre approche. Mon, 04 Nov 2024 00:00:00 GMT http://dspace.univ-jijel.dz:8080/xmlui/handle/123456789/15373 2024-11-04T00:00:00Z http://dspace.univ-jijel.dz:8080/xmlui/handle/123456789/14796 placement optimal du ré seau cœur et optimisation du trafic dans les ré seaux auto-déployables Bechkit, Asma; melit, A. (Encadreur) Au cours des dernières années, nous assistons à l'émergence d'architectures auto-déployables au sein des réseaux cellulaires, combinée à une forte expansion de la virtualisation du réseau cœur. Ces avancées offrent une grande flexibilité en permettant la virtualisation des différentes fonctions du réseau cœur et leur co-localisation avec une ou plusieurs stations de base. Cependant, cela engendre de nouveaux défis, notamment en ce qui concerne le placement optimal des fonctions du réseau cœur en fonction de l'architecture physique et du trafic à acheminer depuis chaque station de base vers le réseau cœur.Dans le cadre de cette thèse, nous abordons ce problème en particulier et nous proposons un modèle générique et efficace qui permet d'identifier la meilleure station de base qui doit héberger les fonctions du réseau cœur tout en optimisant une métrique de performance souhaitée (flux global de trafic, des métriques d'équité entre les stations de base, etc.). Notre solution repose sur une modélisation conjointe du problème en tant que programme non linéaire mixte en nombres entiers (MINLP) et sur une linéarisation efficace des contraintes non linéaires. Notre modèle est générique et permet d'ajuster facilement les métriques à optimiser et/ou d'ajouter ou de modifier les contraintes selon le besoin. En considérant la maximisation du flux global de trafic, nous avons dans un premier temps évalué les performances de notre modèle en le comparant à des solutions similaires de la littérature. Les résultats montrent que notre approche conjointe réduit considérablement le temps d'exécution par rapport aux solutions existantes tout en fournissant les mêmes résultats optimaux.Grâce à notre formulation générique, nous avons considéré dans un deuxième temps le problème d'équité entre les stations de base. En effet, les résultats montrent que la maximisation du flux global de trafic cause un déséquilibre important en termes de satisfaction absolue et relative par rapport à la demande de trafic des différentes stations de base. Nous avons donc proposé des variantes efficaces de notre modèle qui permettent d'assurer le placement optimal du réseau cœur tout en garantissant une équité entre les stations de base. Nous avons mené différentes simulations pour évaluer les solutions obtenues et les performances de nos variantes visant à garantir l'équité de satisfaction entre les stations de base. Les résultats de simulations nous ont permis de discuter du compromis entre la maximisation du flux de trafic et l'équité entre les stations de base, tout en mettant en avant les avantages de notre approche de modélisation conjointe.Dans un troisième temps, nous avons enfin étudié plus en détail le passage à l'échelle de nos modèles en fonction du nombre de stations de base, du nombre de réseaux cœur à déployer et selon les métriques d'optimisation à considérer. Les résultats montrent que nos modèles offrent des temps d'exécution très raisonnables même dans le cas de grands réseaux avec des centaines de stations de base. Thu, 27 Jun 2024 00:00:00 GMT http://dspace.univ-jijel.dz:8080/xmlui/handle/123456789/14796 2024-06-27T00:00:00Z