La soutenance aura lieu le lundi 6 mars à 14h dans la salle de conférence du bâtiment 1 de l’IUT Lumière. Pour ceux qui ne peuvent pas être présent mais souhaitent tout de même suivre la présentation, une visio est prévue (contactez-moi si vous souhaitez avoir le lien).
Résumé en français :
Les travaux présentés dans cette thèse sont motivés par une application industrielle, où l’objectif est de détecter des comportements anormaux ou des dysfonctionnements dans des réseaux de capteurs. L’idée est de construire, à partir des données enregistrées à haute fréquence, des algorithmes non supervisés d’évaluation de la qualité des mesures renvoyées par les capteurs. Pour répondre à cette problématique, nous avons dans un premier temps développé une méthode de détection d’anomalies basée sur les modèles de mélanges contaminés fonctionnels. Ce modèle permet à la fois de diviser les données issues des réseaux de capteurs en différents groupes de données homogènes et de détecter des anomalies associées aux groupes.
Dans l’application industrielle, le stockage des données est limité. Il est nécessaire de proposer des méthodes prenant en compte l’apport régulier de nouvelles données. L’enregistrement de nouvelles données est utilisé pour enrichir le modèle précédemment construit. Il est également nécessaire de classer ces nouvelles données en groupes identifiés à l’aide du premier modèle et de détecter des anomalies. Pour cela, nous avons développé dans second temps une approche qui permet la mise à jour des paramètres du modèle de mélanges. Dans le souci d’économie du temps et de mémoire, ce nouveau modèle n’utilise que les paramètres du modèle précédemment développé et les nouvelles données.
Résumé en anglais :
The work presented in this thesis is motivated by an industrial application, where the goal is to detect abnormal behaviors or dysfunctions in sensor networks. The idea is to build algorithms based on the data recorded at a high frequency, for evaluating the quality of the measurements returned by the sensors. To address this issue, we first developed an anomaly detection method based on functional contaminated mixtures models. The model helps both to divide the data from the sensor networks into different groups of homogeneous data and to detect anomalies associated with the groups.
In the industrial application, data storage is limited. There is a need to propose methods taking into account the regular supply of new data. The recording of new data is used to feed the previously built model. It is also necessary to cluster these new data into groups identified using the first model and to detect outliers.
For this, we have developed in a second time a model which updates the parameters of the mixture model. To save time and memory, this new model only uses the parameters from the previously developed model and the new data.
Français 
English (UK)