Deep learning methods development for highly compressed spatio-temporal data reconstruction : application on wireless sensor networks signals and colloids ceramic simulations
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
Résumé
This thesis introduces advanced deep learning techniques for the reconstruction of spatio-temporal data. The primary objective was to devise highly efficient models capable of accurately restoring missing data within multidimensional signal datasets with limited information. The first application leverages compressed sensing theory to reconstruct wireless sensor networks signals that are sparsely represented. The second application employs colloid simulation data from the IRCER ceramics research institute for the system identification of particle interaction models. The thesis builds upon a comprehensive 2023 state-of-the-art study on deep learning, aiming not only to incorporate its findings but also to surpass its achievements in the specific applications addressed. This manuscript provides a detailed account of the entire process, spanning from the conception of methods and models to their development and experimentation, addressing challenges in wireless sensor networks and colloid simulations.
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.
| Origine | Version validée par le jury (STAR) |
|---|