WorldCat Identities

Richard, Cédric

Overview
Works: 50 works in 67 publications in 2 languages and 289 library holdings
Roles: Editor, Thesis advisor, Other, Opponent, Organizer of meeting, Author, Composer, Contributor
Publication Timeline
.
Most widely held works by Cédric Richard
Cooperative and graph signal processing : principles and applications by Petar M Djurić( )

8 editions published in 2018 in English and Undetermined and held by 212 WorldCat member libraries worldwide

"Cooperative and Graph Signal Processing: Principles and Applications presents the fundamentals of signal processing over networks and the latest advances in graph signal processing. A range of key concepts are clearly explained, including learning, adaptation, optimization, control, inference and machine learning. Building on the principles of these areas, the book then shows how they are relevant to understanding distributed communication, networking and sensing and social networks. Finally, the book shows how the principles are applied to a range of applications, such as Big data, Media and video, Smart grids, Internet of Things, Wireless health and Neuroscience. With this book readers will learn the basics of adaptation and learning in networks, the essentials of detection, estimation and filtering, Bayesian inference in networks, optimization and control, machine learning, signal processing on graphs, signal processing for distributed communication, social networks from the perspective of flow of information, and how to apply signal processing methods in distributed settings."--
28th European Signal Processing Conference (EUSIPCO 2020) proceedings : 24-28 August 2020, Amsterdam, the Nederlands by EUSIPCO( )

1 edition published in 2020 in English and held by 14 WorldCat member libraries worldwide

A Decentralized Approach for Nonlinear Prediction of Time Series Data in Sensor Networks by Paul Honeine (EURASIP Member)( )

1 edition published in 2010 in English and held by 2 WorldCat member libraries worldwide

Analyse de la dispersion acoustique UBF (0-150 Hz) pour la surveillance et la caractérisation du milieu marin by Julien Bonnel( )

1 edition published in 2010 in French and held by 2 WorldCat member libraries worldwide

Le milieu marin recèle de nombreuses sources acoustiques Ultra Basse Fréquence (UBF : 0-100Hz), qu'elles soient naturelles ou d'origine humaine. Les ondes UBF sont d'excellents porteurs d'information, aussi bien pour caractériser l'environnement que pour localiser des sources acoustiques. Cependant, la propagation des ondes UBF en milieu marin est dispersive, et cette dispersion est ambivalente. Elle déforme un signal large bande au cours de sa propagation, rendant son étude plus compliquée. En revanche, son analyse permet de remonter aux informations sur le canal de propagation et sur la localisation de la source. Cette étude propose des outils d'analyse de la dispersion UBF dans le cas défavorable d'une réception monocapteur en milieu petit fond. En caractérisant le signal reçu dans le domaine temps-fréquence grâce à des outils de warping, il est possible d'effectuer l'inversion géo-acoustique sur un unique récepteur et la localisation de source sur un réseau parcimonieux d'hydrophones. Les méthodes proposées ne sont pas applicables aux environnements de type grand fond. Pour y remédier, une étude de la dispersion basée sur l'invariant océanique est alors proposée. Elle permet de réaliser la localisation de source en utilisant une antenne horizontale de récepteurs. Toutes les méthodes développées lors de cette étude ont été validées sur des simulations et des données expérimentales marines. Un effort particulier a été fourni pour proposer des méthodes applicables en contexte opérationnel, et plusieurs expériences en cuve ultrasonore ont été réalisées
Méthodes de diffusion dans les plans temps-fréquences et temps-échelle pour l'analyse de signaux non-stationnaires by Julien Gosme( Book )

2 editions published in 2004 in French and held by 2 WorldCat member libraries worldwide

This work steams from the proposition of Perona and Malik in image processing and its subsequent refinements. Applications of such partial derivative equation filtering, named diffusion process, to time-frequency representations has been proposed by Gonçalvès and Payot in order to improve readability of bilinear representations. They proposed the use of conductance functions to enable a local tuning of the filter. In our work, we demonstrate the versatility of these techniques and propose new schemes that act on both the local intensity and the orientation of the process. We leverage this technique to representations from the Cohen class and also the affine class. We study conditions guarantying the preservation of covariance properties. For Cohen class, this is more general than Baraniuk's approach, as it is jointly adapted in time and frequency. For the affine class, this is an interesting scheme, as up to our present knowledge, no other signal adapted filtering scheme has been proposed. Finally, we propose backward diffusion schemes which yield increased concentration of signal terms
Décision par méthodes à noyaux en traitement du signal : techniques de sélection et d'élaboration de noyaux adaptés by Jean-Baptiste Pothin( Book )

2 editions published in 2007 in French and held by 2 WorldCat member libraries worldwide

Dans le foisonnant domaine des méthodes à noyaux, force est de constater aujourd'hui que les efforts de recherche ont été essentiellement portés sur les applications, délaissant quelque peu l'étude des noyaux eux-mêmes. Cet état de fait est d'autant plus surprenant que ces derniers conditionnent largement l'efficacité des traitements, par leur aptitude à révéler les similarités existant au sein des données traitées. Le principal objectif de cette thèse est de proposer une méthodologie pour l'élaboration d'un noyau adapté à un problème et à des données. La première partie de ce manuscrit s'intéresse au problème d'apprentissage d'un noyau par ajustement de ses paramètres libres. Nous étudions en particulier les propriétés statistiques des critères d'alignement et de polarité, et proposons un algorithme glouton pour l'optimisation d'une combinaison linéaire de noyaux. Dans la seconde partie, nous étudions le problème d'optimisation de la représentation des données. Un algorithme est proposé pour transformer linéairement les données selon le critère d'alignement. Afin de lutter contre la malédiction de la dimensionnalité, nous étudions une seconde approche basée sur l'optimisation de la métrique et l'appliquons avec succès au problème de classification de textes. La dernière partie concerne la prise en compte d'a priori modélisé sous la forme d'ellipsoïdes, inspiré de l'apprentissage d'un SVM, nous développons un algorithme supervisé capable de classer efficacement des ellipsoïdes
On-body TOA-based ranging error model for motion capture applications within wearable UWB networks by Jihad Hamie( )

1 edition published in 2013 in English and held by 2 WorldCat member libraries worldwide

Techniques de filtrage à noyau reproduisant : application à l'extraction des artéfacts cardiaques des données magnétoencéphalographiques by Ibtissam Constantin( Book )

2 editions published in 2007 in French and held by 2 WorldCat member libraries worldwide

The last years have witnessed the emergence of powerful learning technique, which rely on the theory of reproducing kernels : kernel methods. A central concept of these methods is the kernel trick which allows implicit embedding of the data in a feature space of arbitrary dimension by means of functions of two variables called kernels. Kernel methods have been applied in a wide range of problems and have shown outstanding performances. The are replacing neural networks in a variety of domains. The aim of this work is to introduce nonlinear filtering tools based on reproducing kernels. Chapter 1 provides the theoretical elements necessary for understanding kernel methods. Chapter 2, devoted to optimal filtering, presents a kernel variant of Wiener filter. To overcome the problems of ill-conditioning of the system of equations similar to Wiener-Hopf equations, we study four kernel methods which regularize the solution. Chapter 3 deals with adaptive filtering. The main difficulty encountered in kernel adaptive filtering is that the order of the filter grows linearly with the number of observations. Three filtering methods, which provide a solution for this problem, are analyzed and compared. On the experimental level, the proposed methods are applied to simulated data and to cardiac artefacts extraction from magnetoencephalographic signals
Noyaux reproduisants et critères de contraste pour l'élaboration de détecteurs à structure imposée by Fahed Abdallah( Book )

2 editions published in 2004 in French and held by 2 WorldCat member libraries worldwide

In this thesis, we consider statistical learning machines with try to infer rules from a given set or observations in order to make correct predictions on unseen examples. Building upon the theory of reproducing kernels, we develop a generalized linear detector in transformed spaces of high dimension, without explicitly doing any calculus in these spaces. The method is based on the optimization of the best second-order criterion with respect to the problem to solve. In fact, theoretical results show that second-order criteria are able, under some mild conditions, to guarantee the best solution in the sense of classical detection theories. Achieving a good generalisation performance with a receiver requires matching its complexity to the amount of available training data. This problem, known as the curse of dimensionality, has been studied theoretically by Vapnik and Chervonenkis. In this dissertation, we propose complexity control procedures in order to improve the performance of these receivers when few training data are available. Simulation results on real and synthetic data show clearly the competitiveness of our approach compared with other state of the art existing kernel methods like Support Vector Machines
Identification passive en acoustique : estimateurs et applications au SHM by Rémy Vincent( )

1 edition published in 2016 in French and held by 2 WorldCat member libraries worldwide

Ward identity is a relationship that enables damped linear system identification, ie the estimation its caracteristic properties. This identity is used to provide new observation models that are available in an estimation context where sources are uncontrolled by the user. An estimation and detection theory is derived from these models and various performances studies areconducted for several estimators. The reach of the proposed methods is extended to Structural Health Monitoring (SHM), that aims at measuring and tracking the health of buildings, such as a bridge or a sky-scraper for instance. The acoustic modality is chosen as it provides complementary parameters estimation to the state of the art in SHM, such as structural and geometrical parameters recovery. Some scenarios are experimentally illustrated by using the developed algorithms, adapted to fit the constrains set by embedded computation on anautonomous sensor network
Une méthodologie pour la détection à stucture imposée : applications au plan temps-fréquence by Cédric Richard( Book )

2 editions published in 1998 in French and held by 2 WorldCat member libraries worldwide

This dissertation deals with data driven detectors design in non stationary environments. The efficiency of a time-frequency (TF) approach for solving such problems is studied. In Sections 1 and 2 we briefly present basics of TF analysis. Some practical problems caused by the use of Cohen's class distributions are evoked and some solutions presented. In particular we derive recursive algorithms to efficiently compute long signals TF distributions. Section 3 considers the design of detectors from training data. Showing first some fundamental properties of generalised linear detectors, a training algorithm dedicated to this class of receivers is proposed. Given a detection scenario, it consists in finding the best scatter criterion which yields the lowest probability of error. In order to improve their performance, we tune in Section 4 the complexity of generalized linear detectors, theoretically defined by the Vapnik-Chervonenkis dimension VC in Learning Theory, to the number of available training signals. Using the principle of Structural Risk Minimization 11 proposed by Vapnik, we introduce procedures which provide powerful tools for optimizing VC by controlling the dimension of the training signals space. In particular, for TF based detection, we show that this can be achieved by smoothing TF representations. Furthermore, we prove that the dimension of the range of the Wigner-Ville distribution is lower than expected. In Section 5, we test our methods on the problem of K-complex detection in Sleep EEG
Méthodes d'apprentissage à noyau pour l'estimation distribuée dans les réseaux de capteurs sans fil by Mehdi Essoloh( Book )

2 editions published in 2009 in French and held by 2 WorldCat member libraries worldwide

This thesis proposes a new frame for estimation problems in wireless sensor networks thanks to learning methods built on reproducing kernels. In a first part, our work deals with the sensor network localization problem thanks to reproducing kernel Hilbert space formalism. While respecting energy constraints and limitations in computation capabilities, coordinate estimation is executed thanks to range measurements between sensors and a priori known locations of some small fraction of deployed sensors. By considering these dissimilarities as elements of a Gram matrix, we investigate two distributed approaches: one is related to the pre-image problem, widely used in denoising applications, the other one is based on a kernel matrix regression approach, recently introduced in bio-engineering. In a second part, we propose a distributed learning strategy for temperature field estimation in wireless sensor networks. We note that sparse approximation, enabling an efficient control of the order model, holds with algorithmic constraints of wireless sensor networks. Our work is based on non-linear adaptive filtering techniques with kernels and we demonstrate its relevant use for distributed regression problem in wireless sensor networks
Reconnaissance des formes en présence d'incertitude sur l'expertise : application à l'étude des phases d'activation transitoire du sommeil chez l'homme by Geoffroy Viardot( Book )

2 editions published in 2002 in French and held by 2 WorldCat member libraries worldwide

L'élaboration d'une règle de décision à partir d'une base d'apprentissage suppose en général que l'étiquetage des données utilisées n'est pas entaché d'erreur, et consiste alors en un problème de régression de la variable à expliquer sur l'espace des observations. Cette situation idéale n'est cependant pas toujours réaliste. En effet, l'expertise humaine est en général entachée d'incertitude. On peut en particulier observer ce phénomène si plusieurs experts sont sollicités pour l'étiquetage des données et que leurs avis divergent, phénomène fréquemment rencontré par exemple dans le domaine du traitement des signaux biomédicaux. La littérature propose un certain nombre de travaux relatifs à la prise en compte d'avis divergents lors de l'élaboration d'une règle de décision. Les méthodes correspondantes reposent en général sur la détermination préalable du avis "de référence", obtenu de manière ad hoc à partir de l'ensemble des avis des divers experts. L'objectif de nos travaux est, d'une part, de proposer une solution au problème de la fusion d'avis divergents d'experts sans faire appel à la détermination d'un avis "de référence" et, d'autre part, de quantifier la pertinence des expertises individuelles. Le principe de la méthode présentée repose sur l'optimisation de l'information mutuelle entre les observations et une fonctionnelle des avis des experts. L'interprétation du résultat obtenu permet alors de quantifier le comportement de chacun des experts. Le résultat de la fusion peut enfin être utilisé en vue de l'élaboration d'une règle de décision. La méthode proposée est appliquée avec succès à l'étude d'un phénomène physiologique du sommeil : les phases d'activation transitoire. Elle permet à la fois d'obtenir un étiquetage unique des données et de caractériser conjointement les expertises et l'événement étudié
Détection et caractérisation de signaux transitoires : application à la surveillance de courbes de charge by Matthieu Sanquer( )

1 edition published in 2013 in French and held by 2 WorldCat member libraries worldwide

L'auteur n'a pas fourni de résumé en français
Variational filtering for bayesian inference in wireless sensor networks by Jing Teng( Book )

2 editions published in 2009 in English and held by 2 WorldCat member libraries worldwide

In this thesis, we tackle the intractable Bayesian inference problems in wireless sensor networks (WSNs) by variational approximation. A general framework for variational Bayesian inference is proposed for three basic and closely related applications: single target tracking, multiple targets tracking (MTT), simultaneous sensor localization and target tracking (SLAT). The trade-off between estimation precision and energy-awareness is the primary focus for the WSN applications, leading to decentralized execution of the variational filter (VF). Contributions of the thesis consist in following points: - A VF algorithm simultaneously updates and approximates the filtering distribution, reducing the temporal dependence to one Gaussian statistic. - A general state evolution model describes the target state, allowing discrete jumps in target trajectory. - A binary proximity observation model quantifies an observation to a single bit, minimizing energy and bandwidth consumption. - A non-myopic cluster activation rule based on the prediction of VF is proposed for the proactive cluster management, which dramatically decreases hand-off operations between successive clusters. - A Dijkstra-like clustering algorithm for reactive cluster management yields optimal clustering. - An hybrid probabilistic data association and VF scheme is employed for MTT. - A distributed VF solution for SLAT on-line up-dates and refines estimates of sensor locations and target trajectory
N'est pas cochon d'Inde qui veut!( Visual )

2 editions published between 1999 and 2004 in French and held by 2 WorldCat member libraries worldwide

Méthodes à noyau pour l'analyse et la décision en environnement non-stationnaire by Paul Honeine( Book )

2 editions published in 2007 in French and held by 2 WorldCat member libraries worldwide

This PhD thesis offers a new framework for the analysis and decision-making in a non-stationary environment in the lack of statistical information, on a crossroad of three disciplines : Time-frequency analysis, adaptive signal processing and pattern recognition with kernel machines. We derive a broad framework to take advantage of recent developments in kernel machines for the time-frequency domain, by an appropriate choice of the reproducing kernel. We study the implementation of the principal component analysis on this domain, before extending its scope to signal classification methods such as Fisher discriminant analysis and Support Vector Machines. We carry out with the problem of selecting and turning a representation for a given classification task, which can take advantage of a new criterion initially developed for selecting the reproducing kernel : the kernel-target alignment. Online learning is essential in a non-stationary and dynamic environment. While kernel machines fail in treating such problems, we propose a new method leading to reduced order models based on a criterion inspired from the sparse functional approximation community : the coherence of a dictionary of functions. Beyond the properties of this parameter that we derive for kernel machines, this notion yields efficient models with extremely low computational complexity. We apply it for online kernel algorithms such as principal component analysis. We also consider a broader class of adaptive methods for nonlinear and non-stationary system identification
Estimation et optimisation distribuée dans les réseaux asynchrones by Franck Iutzeler( )

1 edition published in 2013 in English and held by 1 WorldCat member library worldwide

Cette thèse s'intéresse au problème d'estimation et d'optimisation distribuée dans les réseaux asynchrones, c'est à dire en n'utilisant que des communication locales et asynchrones. A partir de multiples applications allant de l'apprentissage automatique aux réseaux de capteurs sans-fils, nous concevons et analysons théoriquement de nouveaux algorithmes résolvant trois problèmes de nature très différentes : la propagation de la plus grande des valeurs initiales, l'estimation de leur moyenne et enfin l'optimisation distribuée
Détection d'évènements simples à partir de mesures sur courant alternatif by Nabil Amirach( )

1 edition published in 2015 in French and held by 1 WorldCat member library worldwide

La nécessité d'économiser de l'énergie est l'un des axes importants de ces dernières décennies, d'où le besoin de surveiller la consommation d'énergie des processus résidentiels et industriels. Le travail de recherche présenté dans ce manuscrit s'inscrit plus particulièrement dans le suivi de la consommation électrique afin de permettre l'économie d'énergie. Le but final étant d'avoir une connaissance précise et fiable d'un réseau électrique donné. Cela passe par la décomposition de la consommation électrique globale du réseau électrique étudié afin de fournir une analyse détaillée de l'énergie consommée par usage. L'objectif de cette thèse est la mise en place d'une approche non-intrusive permettant de réaliser les étapes de détection d'évènements et d'extraction de caractéristiques, qui précédent les étapes de classification et d'estimation de la consommation électrique par usage. L'algorithme résultant des travaux effectués durant cette thèse permet de détecter les évènements qui surviennent sur le courant et d'y associer un vecteur d'information contenant des paramètres caractérisant le régime permanent et le régime transitoire. Ce vecteur d'information permet ensuite de reconnaître tous les évènements liés à la même charge électrique
Amélioration de la résolution spatiale d'une image hyperspectrale par déconvolution et séparation-déconvolution conjointes by Yingying Song( )

1 edition published in 2018 in English and held by 1 WorldCat member library worldwide

Une image hyperspectrale est un cube de données 3D dont chaque pixel fournit des informations spectrales locales sur un grand nombre de bandes contiguës sur une scène d'intérêt. Les images observées peuvent subir une dégradation due à l'instrument de mesure, avec pour conséquence l'apparition d'un flou sur les images qui se modélise par une opération de convolution. La déconvolution d'image hyperspectrale (HID) consiste à enlever le flou pour améliorer au mieux la résolution spatiale des images. Un critère de HID du type Tikhonov avec contrainte de non-négativité est proposé dans la thèse de Simon Henrot. Cette méthode considère les termes de régularisations spatiale et spectrale dont la force est contrôlée par deux paramètres de régularisation. La première partie de cette thèse propose le critère de courbure maximale MCC et le critère de distance minimum MDC pour estimer automatiquement ces paramètres de régularisation en formulant le problème de déconvolution comme un problème d'optimisation multi-objectif. La seconde partie de cette thèse propose l'algorithme de LMS avec un bloc lisant régularisé (SBR-LMS) pour la déconvolution en ligne des images hyperspectrales fournies par les systèmes de whiskbroom et pushbroom. L'algorithme proposé prend en compte la non-causalité du noyau de convolution et inclut des termes de régularisation non quadratiques tout en maintenant une complexité linéaire compatible avec le traitement en temps réel dans les applications industrielles. La troisième partie de cette thèse propose des méthodes de séparation-déconvolution conjointes basés sur le critère de Tikhonov en contextes hors-ligne ou en-ligne. L'ajout d'une contrainte de non-négativité permet d'améliorer leurs performances
 
moreShow More Titles
fewerShow Fewer Titles
Audience Level
0
Audience Level
1
  Kids General Special  
Audience level: 0.63 (from 0.57 for Analyse de ... to 0.99 for Détection ...)

Cooperative and graph signal processing : principles and applications
Covers
Languages
French (22)

English (14)