La séparation des sources aveugle avec les méthodes DUET et DESPRIT a reçu beaucoup d'attention en raison de ses applications potentielles sur le traitement du signal.
Séries de Fourier complexes, Transformées de Fourier, Spectres d’amplitude et de phases, Relation d’indéterminatoin d’Heisenberg-Gabor, Produit de convolution, Théorème de convolution, Impulsion de Dirac, Éléments sur les distributions
Modélisation du signal et photométrie : application à l'astrophotographieLaurent Devineau
L’objectif de ce support est de présenter à travers un cas pratique les notions clés de photométrie et de modélisation du signal appliquées à l’astrophotographie
Séries de Fourier complexes, Transformées de Fourier, Spectres d’amplitude et de phases, Relation d’indéterminatoin d’Heisenberg-Gabor, Produit de convolution, Théorème de convolution, Impulsion de Dirac, Éléments sur les distributions
Modélisation du signal et photométrie : application à l'astrophotographieLaurent Devineau
L’objectif de ce support est de présenter à travers un cas pratique les notions clés de photométrie et de modélisation du signal appliquées à l’astrophotographie
L'algorithme INFOMAX de l’ICA pour la séparation des sources aveuglesAyyoub Fakhari
La séparation des sources aveugle avec la méthode de l’ICA a reçu beaucoup d'attention en raison de ses applications potentielles sur le traitement du signal: Systèmes d'amélioration de la parole, Télécommunication, Ingénierie biomédicale.
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)Laurent Speyser
(Conférence dessinée)
Vous êtes certainement à l’origine, ou impliqué, dans un changement au sein de votre organisation. Et peut être que cela ne se passe pas aussi bien qu’attendu…
Depuis plusieurs années, je fais régulièrement le constat de l’échec de l’adoption de l’Agilité, et plus globalement de grands changements, dans les organisations. Je vais tenter de vous expliquer pourquoi ils suscitent peu d'adhésion, peu d’engagement, et ils ne tiennent pas dans le temps.
Heureusement, il existe un autre chemin. Pour l'emprunter il s'agira de cultiver l'invitation, l'intelligence collective , la mécanique des jeux, les rites de passages, .... afin que l'agilité prenne racine.
Vous repartirez de cette conférence en ayant pris du recul sur le changement tel qu‘il est généralement opéré aujourd’hui, et en ayant découvert (ou redécouvert) le seul guide valable à suivre, à mon sens, pour un changement authentique, durable, et respectueux des individus! Et en bonus, 2 ou 3 trucs pratiques!
L'IA connaît une croissance rapide et son intégration dans le domaine éducatif soulève de nombreuses questions. Aujourd'hui, nous explorerons comment les étudiants utilisent l'IA, les perceptions des enseignants à ce sujet, et les mesures possibles pour encadrer ces usages.
Constat Actuel
L'IA est de plus en plus présente dans notre quotidien, y compris dans l'éducation. Certaines universités, comme Science Po en janvier 2023, ont interdit l'utilisation de l'IA, tandis que d'autres, comme l'Université de Prague, la considèrent comme du plagiat. Cette diversité de positions souligne la nécessité urgente d'une réponse institutionnelle pour encadrer ces usages et prévenir les risques de triche et de plagiat.
Enquête Nationale
Pour mieux comprendre ces dynamiques, une enquête nationale intitulée "L'IA dans l'enseignement" a été réalisée. Les auteurs de cette enquête sont Le Sphynx (sondage) et Compilatio (fraude académique). Elle a été diffusée dans les universités de Lyon et d'Aix-Marseille entre le 21 juin et le 15 août 2023, touchant 1242 enseignants et 4443 étudiants. Les questionnaires, conçus pour étudier les usages de l'IA et les représentations de ces usages, abordaient des thèmes comme les craintes, les opportunités et l'acceptabilité.
Résultats de l'Enquête
Les résultats montrent que 55 % des étudiants utilisent l'IA de manière occasionnelle ou fréquente, contre 34 % des enseignants. Cependant, 88 % des enseignants pensent que leurs étudiants utilisent l'IA, ce qui pourrait indiquer une surestimation des usages. Les usages identifiés incluent la recherche d'informations et la rédaction de textes, bien que ces réponses ne puissent pas être cumulées dans les choix proposés.
Analyse Critique
Une analyse plus approfondie révèle que les enseignants peinent à percevoir les bénéfices de l'IA pour l'apprentissage, contrairement aux étudiants. La question de savoir si l'IA améliore les notes sans développer les compétences reste débattue. Est-ce un dopage académique ou une opportunité pour un apprentissage plus efficace ?
Acceptabilité et Éthique
L'enquête révèle que beaucoup d'étudiants jugent acceptable d'utiliser l'IA pour rédiger leurs devoirs, et même un quart des enseignants partagent cet avis. Cela pose des questions éthiques cruciales : copier-coller est-il tricher ? Utiliser l'IA sous supervision ou pour des traductions est-il acceptable ? La réponse n'est pas simple et nécessite un débat ouvert.
Propositions et Solutions
Pour encadrer ces usages, plusieurs solutions sont proposées. Plutôt que d'interdire l'IA, il est suggéré de fixer des règles pour une utilisation responsable. Des innovations pédagogiques peuvent également être explorées, comme la création de situations de concurrence professionnelle ou l'utilisation de détecteurs d'IA.
Conclusion
En conclusion, bien que l'étude présente des limites, elle souligne un besoin urgent de régulation. Une charte institutionnelle pourrait fournir un cadre pour une utilisation éthique.
MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...Horgix
This is the slide deck of a talk by Alexis "Horgix" Chotard and Laurentiu Capatina presented at the MongoDB Paris User Group in June 2024 about the feedback on how PayFit move away from a monolithic hell of a self-hosted MongoDB cluster to managed alternatives. Pitch below.
March 15, 2023, 6:59 AM: a MongoDB cluster collapses. Tough luck, this cluster contains 95% of user data and is absolutely vital for even minimal operation of our application. To worsen matters, this cluster is 7 years behind on versions, is not scalable, and barely observable. Furthermore, even the data model would quickly raise eyebrows: applications communicating with each other by reading/writing in the same MongoDB documents, documents reaching the maximum limit of 16MiB with hundreds of levels of nesting, and so forth. The incident will last several days and result in the loss of many users. We've seen better scenarios.
Let's explore how PayFit found itself in this hellish situation and, more importantly, how we managed to overcome it!
On the agenda: technical stabilization, untangling data models, breaking apart a Single Point of Failure (SPOF) into several elements with a more restricted blast radius, transitioning to managed services, improving internal accesses, regaining control over risky operations, and ultimately, approaching a technical migration when it impacts all development teams.
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...OCTO Technology
Par Nicolas Bordier (Consultant numérique responsable @OCTO Technology) et Alaric Rougnon-Glasson (Sustainable Tech Consultant @OCTO Technology)
Sur un exemple très concret d’audit d’éco-conception de l’outil de bilan carbone C’Bilan développé par ICDC (Caisse des dépôts et consignations) nous allons expliquer en quoi l’ACV (analyse de cycle de vie) a été déterminante pour identifier les pistes d’actions pour réduire jusqu'à 82% de l’empreinte environnementale du service.
Vidéo Youtube : https://www.youtube.com/watch?v=7R8oL2P_DkU
Compte-rendu :
3. 1.
INTRODUCTION
3
La séparation des sources aveugle avec les méthodes DUET et DESPRIT a reçu beaucoup
d'attention en raison de ses applications potentielles sur le traitement du signal:
Télécommunication
Systèmes d'amélioration de la parole
Ingénierie biomédicale
7. 7
Séparation
Déterminée :
Nombre de sources à estimer est égale au nombre de microphones N = M
Sur-déterminée :
Nombre de sources à estimer est inférieur au nombre de microphones N < M
Sous-déterminée :
Nombre de sources à estimer est supérieur au nombre de microphones N > M
Déterminée :
Nombre de sources à estimer est égale au nombre de microphones N = M
Sur-déterminée :
Nombre de sources à estimer est inférieur au nombre de microphones N < M
Sous-déterminée :
Nombre de sources à estimer est supérieur au nombre de microphones N > M
9. 9
DUET
L’algorithme DUET ( Degenerate Unmixing Estimation Technique )
permet de démixter un nombre arbitraire de signaux de source vocale pour seulement
2 mélanges anéchoïques des signaux , à condition que ces signaux soient W-disjoint orthogonal.
10. 10
DUET
DUET utilise deux mélanges (M=2) : 𝒙 𝟏 𝒕 𝒆𝒕 𝒙 𝟐 𝒕
𝑿 𝟏 (𝝎)
𝑿 𝟐(𝝎)
=
𝟏 … 𝟏
𝜶 𝟏 𝒆−𝒋𝝎𝜹 𝟏 … 𝜶 𝑵 𝒆−𝒋𝝎𝜹 𝑵
𝑨 𝟏 𝝎 𝑺 𝟏 𝝎
.
.
.
𝑨 𝑵(𝝎)𝑺 𝑵(𝝎)
+
𝑽 𝟏 𝝎
𝑽 𝟐(𝝎)
𝑨 𝒏 𝝎 = 𝒂 𝒏 𝒆−𝒊𝝎𝒅 𝒏
𝒅 𝒏 et 𝒂 𝒏 : 𝒔𝒐𝒏t l'atténuation et le retard subis par le nième signal lorsqu'il se propage au 1er capteur,
𝜶 𝒏 et 𝜹 𝒏 ∶sont l'atténuation et le retard subis par le nième signal se déplace entre deux capteurs adjacents,
𝑽 𝟏 𝝎 𝐞𝐭 𝑽 𝟐 𝝎 : sont des termes de bruit distribués indépendamment et de manière identique.
11. 11
DUET
Cas sans bruit
les N coefficients de canal 𝑨 𝟏 𝝎 , . . ., 𝑨 𝒏 𝝎 , peut être absorbé par les N sources, c’est-à-dire, 𝑨 𝒏 𝝎 𝑺 𝒏 𝝎 → 𝑺 𝒏 𝝎 :
𝑿 𝟏 (𝝎)
𝑿 𝟐(𝝎)
=
𝟏
𝜶 𝒏 𝒆−𝒋𝝎𝜹 𝒏
𝑺 𝒏(𝝎)
𝜶 𝒏 et 𝜹 𝒏 ∶sont l'atténuation et le retard subis par le nième signal se déplace entre deux capteurs adjacents,
12. 12
DUET
Propriété W-disjoint orthogonale (WDO) peut être formulée de manière suivant :
𝑺 𝒏 𝝉, 𝝎 𝑺𝒍 𝝉, 𝝎 = 𝟎 ∀ 𝝉, 𝝎 ; n≠l
La représentation temps-fréquence du signal Sn(t) est donnée par la transformée de Fourier fenêtrée :
𝑺 𝒏 𝝉, 𝝎 = −∞
+∞
𝑾 𝒕 − 𝝉 𝑺 𝒏 𝒕 𝒆−𝒋𝝎𝒕
𝒅𝒕
W (t) est une fonction de fenêtre
Propriété W-disjoint orthogonale (WDO) peut être formulée de manière suivant :
𝑺 𝒏 𝝉, 𝝎 𝑺𝒍 𝝉, 𝝎 = 𝟎 ∀ 𝝉, 𝝎 ; n≠l
La représentation temps-fréquence du signal Sn(t) est donnée par la transformée de Fourier fenêtrée :
𝑺 𝒏 𝝉, 𝝎 = −∞
+∞
𝑾 𝒕 − 𝝉 𝑺 𝒏 𝒕 𝒆−𝒋𝝎𝒕
𝒅𝒕
W (t) est une fonction de fenêtre
Propriété W-disjoint orthogonale (WDO) peut être formulée de manière suivant :
𝑺 𝒏 𝝉, 𝝎 𝑺𝒍 𝝉, 𝝎 = 𝟎 ∀ 𝝉, 𝝎 ; n≠l
La représentation temps-fréquence du signal Sn(t) est donnée par la transformée de Fourier fenêtrée :
𝑺 𝒏 𝝉, 𝝎 = −∞
+∞
𝑾 𝒕 − 𝝉 𝑺 𝒏 𝒕 𝒆−𝒋𝝎𝒕
𝒅𝒕
W (t) est une fonction de fenêtre
13. 13
DUET
les paramètres d'atténuation et de retard pour la nième source peuvent être déterminés par :
𝜶 𝒏 =
𝑿 𝟐(𝝎)
𝑿 𝟏(𝝎)
et 𝜹 𝒏 = −
𝟏
𝝎
𝑿 𝟐(𝝎)
𝑿 𝟏(𝝎)
Dans le domaine temps-fréquence l’expression précédente donnés par :
𝜶 𝒏 =
𝑿 𝟐(𝝎,𝝉)
𝑿 𝟏(𝝎,𝝉)
et 𝜹 𝒏 = −
𝟏
𝝎
𝑿 𝟐(𝝎,𝝉)
𝑿 𝟏(𝝎,𝝉)
les paramètres d'atténuation et de retard pour la nième source peuvent être déterminés par :
𝜶 𝒏 =
𝑿 𝟐(𝝎)
𝑿 𝟏(𝝎)
et 𝜹 𝒏 = −
𝟏
𝝎
𝑿 𝟐(𝝎)
𝑿 𝟏(𝝎)
Dans le domaine temps-fréquence l’expression précédente donnés par :
𝜶 𝒏 =
𝑿 𝟐(𝝎,𝝉)
𝑿 𝟏(𝝎,𝝉)
et 𝜹 𝒏 = −
𝟏
𝝎
𝑿 𝟐(𝝎,𝝉)
𝑿 𝟏(𝝎,𝝉)
les paramètres d'atténuation et de retard pour la nième source peuvent être déterminés par :
𝜶 𝒏 =
𝑿 𝟐(𝝎)
𝑿 𝟏(𝝎)
et 𝜹 𝒏 = −
𝟏
𝝎
𝑿 𝟐(𝝎)
𝑿 𝟏(𝝎)
Dans le domaine temps-fréquence l’expression précédente donnés par :
𝜶 𝒏 =
𝑿 𝟐(𝝎,𝝉)
𝑿 𝟏(𝝎,𝝉)
et 𝜹 𝒏 = −
𝟏
𝝎
𝑿 𝟐(𝝎,𝝉)
𝑿 𝟏(𝝎,𝝉)
15. 15
Méthode ESPRIT
Estime les directions d'arrivées des signaux par rapport à une translation d'un système de capteur.
c
Vise à trouver les N angles d'arrivée de N signaux à bande étroite non corrélés
𝑺 𝟏 𝒕 , 𝑺 𝟐 𝒕 , … , 𝑺 𝒏(𝒕) à l’aide de mélanges de capteurs anéchoïques 𝑴 ≥ 𝑵 à partir d’un
réseau linéaire uniforme.
16. 16
Principe d’ESPRIT
Repose sur deux sous-réseaux de capteurs. Chaque élément du premier sous-réseau est déplacé dans l'espace à partir
de l'élément correspondant du deuxième sous-réseau par le même vecteur de déplacement.
𝒙 𝟏 𝒕
𝒙 𝟐 𝒕
𝒙 𝟏 𝒕
𝒙 𝟐 𝒕
M = m / 2 m / 2 < M < m-1
𝒙 𝟏 𝒕
𝒙 𝟐 𝒕
M = m-1
M 2 1m-1
17. 17
Etapes Principaux d’Algorithme ESPRIT
M mélanges à bande étroite x1(t), . . ., xM(t) de fréquence centrale ω0 sont échantillonnés
aux K points temporels adjacents t1 , . . ., tK
Etape 2
La décomposition de la matrice de covariance spatiale en valeurs singulières
est calculée :
Ȓ 𝒁𝒁 = 𝒁𝒁 𝑯
𝒁 =
𝒙 𝟏 𝒕 𝟏 … 𝒙 𝟏 𝒕 𝑲
⋮ ⋱ ⋮
𝒙 𝑴−𝟏 𝒕 𝟏 … 𝒙 𝑴−𝟏 𝒕 𝑲
𝒙 𝟐 𝒕 𝟏 … 𝒙 𝟐 𝒕 𝑲
⋮ ⋱ ⋮
𝒙 𝑴 𝒕 𝟏 … 𝒙 𝑴 𝒕 𝑴
=
𝑬 𝟏
𝑬 𝟐
Les N paramètres de mélange sont estimés via une décomposition en
valeurs propres:
𝝓 𝟏 𝝎 𝟎 , … , 𝝓 𝑵 𝝎 𝟎 = 𝒆𝒊𝒈𝒔{𝑬 𝟏
𝒕
𝑬 𝟐
Etape 3
Etape 1
18. 18
Limitations d'ESPRIT
L’autre limite d’ESPRIT est qu’elle exige que le nombre de mélanges M > N
L'implémentation initiale d'ESPRIT se limitait aux signaux à bande étroite
20. 20
Combinant DUET et ESPRIT
estime le retard (de manière équivalente l’angle d’arrivée) et l’atténuation de N signaux WDO, éventuellement large bande, lorsqu’ils
traversent un réseau de paires de capteurs de type ESPRIT à l’aide de deux mélanges anéchoïques ou plus dans le domaine
temps-fréquence.
L’algorithme DESPRIT
Ces estimations sont utilisées pour générer un histogramme à deux dimensions qui est pondéré par la puissance des
estimations de source correspondant au point temps-fréquence.
Une fois les N paramètres de mélange identifiés, la démixtion est réalisée par inversion de matrice
à chaque point temps-fréquence avec la matrice de démixtion correspondant aux pics les plus
proches du paramètre estimé pour ce point temps-fréquence.
21. 21
Types de combinaison DESPRIT
On a trois types de combinaison entre DUET-ESPRIT :
1. Hard DESPRIT : Extension de DUET a Multicanal M ≥ 2
2. Soft DESPRIT : WDO affaiblie
3. Echoic DESPRIT : Mélange échogène
23. 23
Hard DESPRIT
Technique hard DESPRIT utilisée pour le traitement des mélanges M > 2, mais suppose toujours au plus
une source active à tout point temps-fréquence et le modèle de mélange anéchoique.
La matrice de covariance spatiale temps-fréquence peut être définie comme :
𝑹 𝒛𝒛 = 𝑬{𝒁 𝝎, 𝝉 𝒁 𝑯
(𝝎, 𝝉
𝒁 𝝎, 𝝉 =
)𝑿 𝟏(𝝎, 𝝉
⋮
)𝑿 𝑴−𝟏(𝝎, 𝝉
)𝑿 𝟐(𝝎, 𝝉
⋮
)𝑿 𝑴(𝝎, 𝝉
Par conséquent la décomposition de la matrice de covariance RZZ en valeur singulière est calculé :
𝑹 𝒁𝒁 =
𝑬 𝟏
𝑬 𝟐
𝑬 𝟏
𝑯
𝑬 𝟐
𝑯
24. 24
Hard DESPRIT
Lorsque l’opérateur d’attente est approché en utilisant une estimation instantanée, 𝝋 𝒏(ω, τ) est donné par
Dans le cas M = 2, cette expression correspond à l’étape d’estimation du paramètre DUET
∅ 𝒏 𝝎, 𝝉 = )𝒙 𝟏(𝝎, 𝝉 𝒕 )𝒙 𝟐(𝝎, 𝝉 ∀ 𝝎, 𝝉 ∈ 𝜴 𝒏
𝒙 𝟏 𝝎, 𝝉 = )𝑿 𝟏 𝝎, 𝝉 , … , 𝑿 𝑴−𝟏(𝝎, 𝝉 𝑻
𝒙 𝟐 𝝎, 𝝉 = )𝑿 𝟐 𝝎, 𝝉 , … , 𝑿 𝑴(𝝎, 𝝉 𝑻
26. 26
Soft DESPRIT
La technique Soft DESPRIT utilisée pour le traitement des mélanges M > 2, et permet
également à plusieurs sources d'être actives à un point de temps-fréquence donné. Et le
mélange anéchoïque
Cette hypothèse WDO affaiblie permet aux signaux source de se chevaucher dans le domaine temps-fréquence.
𝑺 𝒏 𝟏
𝝎, 𝝉 × ⋯ × 𝑺 𝒏 𝒌
𝝎, 𝝉 = 𝟎
Soft DESPRIT est une implémentation de DESPRIT sous une hypothèse WDO affaiblie :
La matrice de covariance spatiale peut être approximée comme :
𝑹 𝒁𝒁 ≈
𝟏
𝟐𝒌 + 𝟏
𝒌=−𝑲
𝒌=𝑲
)𝒁(𝝎, 𝝉 + 𝒌∆𝑻 )𝒁(𝝎, 𝝉 + 𝒌∆𝑻 𝑯
29. 29
Echoic DESPRIT
L'extension écho DESPRIT s'appuie sur M > 2 mélanges pour démixter jusqu'à [M/2] ≥ P sources de
chaque point de fréquence, et permet également à plusieurs sources d'être actives à un point de
temps-fréquence donné.
Estimation des paramètres de mélange de signaux sources cohérents
Le modèle de mélange échogène part du principe qu'un signal source 𝑺 𝒏(𝒕) se propage sur des
chemins échogènes distincts 𝑷 𝒏 au réseau de capteurs. Afin de démixter avec succès des mélanges d'écho,
il s'ensuit qu'une étape d'estimation de paramètre doit permettre la cohérence des signaux source.
30. 30
Echoic DESPRIT
M mélange x1(t), . . ., xM (t) sont utilisés pour construire les matrices :
𝑬 𝟏 =
𝒙 𝟏 𝒕 … 𝒙 𝑴/𝟐 𝒕
⋮ ⋱ ⋮
𝒙 𝑴/𝟐 𝒕 … 𝒙 𝑴−𝟏 𝒕
𝑬 𝟐 =
𝒙 𝟐 𝒕 … 𝒙 𝑴/𝟐 +𝟏 𝒕
⋮ ⋱ ⋮
𝒙 𝑴/𝟐 +𝟏 𝒕 … 𝒙 𝑴 𝒕
Les estimations des paramètres de mélange M / 2 sont obtenues via une décomposition en valeurs
propres :
𝝓 𝟏 𝝎 𝟎 , … , 𝝓 𝑴 𝟐 𝝎 𝟎 = 𝒆𝒊𝒈𝒔{𝑬 𝟐 𝑬 𝟏
𝒕
37. 37
Extension soft DESPRIT
Nombres des sources vocaux 5
Nombre de mélange 2 , 3 et 4
Durée (seconde ) 1.7
Fréquence d'échantillonnage ( KHz) 16
Espace entre des microphones (Cm) 20
Paramètres de mélange (α1,. . . , α5 ) (-0.45, 0.87, 0.32, -0.92, -0.11)
paramètres de mélange (δ1,. . . , δ5 ) (0.24, 0.29, 0.5, -0.85, 0.17)
Expérience
38. 38
Extension soft DESPRIT
M=2 M=3 M=4
Histogrammes Soft DESPRIT :
L’axe des x avec les unités -2,5 ≤ δ ≤ 2,5 échantillons
et l’axe des ordonnées avec des unités −2,5 ≤ log (α) ≤ 2,5.
Résultats
47. 47
6.
CONCLUSION
Trois extensions ont été proposées, toutes combinant la méthode DUET et la technique d'estimation
de la direction d'arrivée ESPRIT :
Hard DESPRIT
Soft DESPRIT
Echoic DESPRIT