L'identification des systèmes dynamiques non linéaires à partir d'un ensemble de données entrée/sortie est d'une importance fondamentale pour les applications pratiques puisque beaucoup de systèmes physiques possèdent des caractéristiques non linéaires. La structure du modèle de Volterra peut être utilisée pour représenter une classe générale de systèmes non linéaires. Cependant, l'usage pratique d'une telle représentation est souvent limité à cause du grand nombre de paramètres associé à une telle structure. Pour pallier à cet inconvénient, plusieurs solutions sont proposées dans cette thèse. La première utilise des développements en série des différents noyaux sur des bases de fonctions orthogonales. La deuxième est basée sur l'utilisation de techniques faisant appel à des décompositions d'ordre réduit des tenseurs relatifs aux noyaux d'ordre supérieur ou égal à trois. Diverses bases de fonctions (Laguerre, Kautz et Bases Orthogonales Généralisées (BOG)) sont tout d'abord étudiées en vue de leur utilisation pour la modélisation des systèmes linéaires puis pour la représentation des noyaux de modèle de Volterra. Le problème d'identification comporte plusieurs volets : détermination des pôles caractéristiques des bases de fonctions orthogonales, de l'ordre des développements des différents noyaux, des coefficients de Fourier du développement et de l'incertitude relative à ces coefficients. Une représentation d'état associée à un développement sur une base de fonctions orthogonales généralisées est développée puis utilisée pour la construction de prédicteurs de la sortie du système ainsi modélisé. Ensuite, plusieurs décompositions tensorielles sont étudiées. La décomposition PARAFAC est plus particulièrement considérée. Des modèles de Volterra à complexité réduite inspirés de cette technique sont proposés. En considérant le noyau quadratique de Volterra comme une matrice et les autres noyaux comme des tenseurs d'ordres supérieurs à deux, nous utilisons une décomposition à l'aide des valeurs singulières (SVD) pour le noyau quadratique et la décomposition PARAFAC pour les noyaux d'ordres supérieurs à deux afin de construire le modèle réduit de Volterra appelé SVD-PARAFAC-Volterra. Un nouvel algorithme appelé ARLS (Alternating Recursive Least Squares) est présenté. Cet algorithme essentiellement basé sur la technique RLS appliquée d'une manière alternée estime les paramètres de tels modèles de Volterra. Enfin, de nouvelles méthodes d'identification robuste dites à erreur bornée sont présentées. Elles sont utilisées pour l'identification de modèles linéaires issus des BOG, travail qui vise à étendre au cas des systèmes non linéaires incertains des résultats obtenus récemment pour des systèmes linéaires incertains. Parmi les techniques d'identification à erreur bornée présentées, l'approche polytopique est plus particulièrement considérée. Cette approche nous permet d'estimer les intervalles d'incertitude des coefficients de Fourier du développement sur les différentes bases orthogonales étudiées. Ces mêmes méthodes d'identification sont utilisées aussi afin d'identifier les intervalles d'incertitude des paramètres du modèle SVD-PARAFAC-Volterra. Les méthodes proposées permettent de réaliser une importante réduction de complexité numérique et un gain en temps de calcul considérables.

Une large classe de systèmes physiques peut être représentée à l'aide du modèle de Volterra. Il a notamment été montré que tout système non-linéaire, invariant dans le temps et à mémoire évanouissante peut être représenté par un modèle de Volterra de mémoire et d’ordre finis. Ce modèle est donc particulièrement attrayant pour les besoins de modélisation et d'identification de systèmes non-linéaires. Un des atouts majeurs du modèle de Volterra est la linéarité par rapport à ses paramètres, c’est à dire les coefficients de ses noyaux. Cette caractéristique permet d'étendre à ce modèle certains résultats établis pour l'identification des modèles linéaires. Il est à noter que le modèle de Volterra peut, par ailleurs, être vu comme une extension naturelle de la notion de réponse impulsionnelle des systèmes linéaires aux systèmes non-linéaires. Toutefois, certaines limitations sont à circonvenir: un nombre de paramètres qui peut être très élevé et un mauvais conditionnement de la matrice des moments de l'entrée intervenant dans l’estimation du modèle au sens de l’erreur quadratique moyenne minimale (EQMM). Il est à noter que ce mauvais conditionnement est aussi à l’origine de la lenteur de convergence des algorithmes adaptatifs de type LMS (Least Mean Squares). Cette thèse traite principalement de ces deux questions. Les solutions apportées sont essentiellement basées sur la notion d'orthogonalité. D'une part, l'orthogonalité est envisagée vis à vis de la structure du modèle en développant les noyaux de Volterra sur une base orthogonale de fonctions rationnelles. Ce développement est d'autant plus parcimonieux que la base est bien choisie. Pour ce faire, nous avons développé de nouveaux outils d'optimisation des bases de Laguerre et BFOR (Base de Fonctions Orthonormales Rationnelles) pour la représentation des noyaux de Volterra. D'autre part, l'orthogonalité est envisagée en rapport avec les signaux d'entrée. En exploitant les propriétés statistiques de l’entrée, des bases de polynômes orthogonaux multivariables ont été construites. Les paramètres du modèle de Volterra développé sur de telles bases sont alors estimés sans aucune inversion matricielle, ce qui simplifie significativement l’estimation paramétrique au sens EQMM. L’orthogonalisation des signaux d’entrée a aussi été envisagée via une procédure de Gram-Schmidt. Dans un contexte adaptatif, il en résulte une accélération de la convergence des algorithmes de type LMS sans un surcoût de calcul excessif. Certains systèmes physiques peuvent être représentés à l’aide d’un modèle de Volterra simplifié, à faible complexité paramétrique, tel que le modèle de Hammerstein et celui de Wiener. C’est le cas d’un canal de communication représentant l'accès à un réseau sans fil via une fibre optique. Nous montrons notamment que les liaisons montante et descendante de ce canal peuvent respectivement être représentées par un modèle de Wiener et par un modèle de Hammerstein. Dans le cas mono-capteur, en utilisant un précodage de la séquence d'entrée, nous développons une solution permettant de réaliser l'estimation conjointe du canal de transmission et des symboles transmis de manière semiaveugle. Il est à noter que, dans le cas de la liaison montante, une configuration multi-capteurs peut aussi être envisagée. Pour une telle configuration, grâce à un précodage spécifique de la séquence d’entrée, nous exploitons la diversité spatiale introduite par les capteurs et la diversité temporelle de sorte à obtenir une représentation tensorielle du signal reçu. En appliquant la technique de décomposition tensorielle dite PARAFAC, nous réalisons l'estimation conjointe du canal et des symboles émis de manière aveugle. Mots clés: Modélisation, Identification, Bases orthogonales, Base de Laguerre, Base de fonctions orthonormales rationnelles, Polynômes orthogonaux, Optimisation de pôles, Réduction de complexité, Egalisation, Modèle de Volterra, Modèle de Wiener, Modèle de Hammerstein, Décomposition PARAFAC.

La modélisation de systèmes est un problème classique en automatique. Elle a pour objectif de représenter, avec une précision satisfaisante, le comportement d'un processus. Généralement, les processus réels sont non-linéaires, multi-variables et variant dans le temps. Il est donc difficile d'obtenir une représentation globale de tels systèmes qui soit valide pour l'ensemble de ses points de fonctionnement. L'approche multi-modèles repose sur l'établissement de plusieurs modèles simples, encore appelés modèles locaux. Chaque modèle local est valable autour d'un point de fonctionnement, dont la zone d'influence est définie au moyen d'une fonction poids. Ces modèles locaux sont ensuite agrégés au moyen d'une expression barycentrique, afin de fournir une forme algébrique permettant de lier les entrées du processus à ses sorties et d'obtenir ainsi une représentation globale. Différentes architectures multi-modèles sont envisageables en vue de représenter le comportement réel de processus complexes. Néanmoins, le problème commun à l'ensemble de ces structures est lié au nombre important de paramètres qu'il est nécessaire d'identifier. C'est pourquoi, nous avons développé une structure multi-modèles de type« Hammerstein généralisé», qui permet d'obtenir une représentation plus « parcimonieuse » du système considéré. Les paramètres caractéristiques d'une structure multi-modèles interviennent de manière non linéaire. Nous avons donc proposé différents algorithmes permettant d'obtenir une estimation de ces paramètres. En particulier, nous avons développé une méthode itérative globale basée sur le calcul de fonctions de sensibilité, qui permet d'estimer l'ensemble des paramètres caractéristiques du modèle, c'est-à-dire les paramètres des fonctions poids. Ces modèles locaux et de la partie dynamique. Nous avons comparé les performances et la robustesse de ces algorithmes d'identification sur un exemple de simulation. Nous nous sommes également intéressés à la recherche de la structure optimale multi-modèles. Pour cela, nous avons cherché à déterminer les entrées les plus représentatives du comportement du système, le nombre de modèles locaux, ainsi que l'ordre de la partie dynamique du modèle, en étendant les outils statistiques disponibles en linéaire.

Ces travaux de thèse visent à développer une méthode originale de modélisation du comportement des systèmes complexes. L'objectif est de construire un modèle phénoménologique d'évolution d'un système en régime chaotique, sous la forme d'équations différentielles ordinaires, à partir de la donnée d'une variable scalaire régulièrement échantillonnée. La technique de modélisation mise en place s'appuie sur l'utilisation d'une bibliothèque exhaustive de modèles, bibliothèque construite mathématiquement de façon formelle et rigoureuse. La méthode théorique d'identification a été intégrée au sein d'une méthode numérique générale pour laquelle la série chronologique analysée est la seule donnée d'entrée et qui permet de construire des modèles d'approximation du comportement dynamique du système étudié. Elle se décompose en trois modules. Dans un premier temps, la série scalaire est débruitée et ses séries dérivées, requises pour la reconstruction, sont calculées. Ensuite, la construction des équations est effectuée à l'aide de la bibliothèque de modèles ce qui permet d'identifier un ensemble de systèmes différentiels, dont la compatibilité avec la série chronologique initiale est ensuite vérifiée. Dans le cas positif, les systèmes reconstruits sont validés comme modèles phénoménologiques du système complexe étudié. La méthode de modélisation développée a été validée en traitant des séries scalaires générées par des systèmes différentiels numériques. L'analyse de séries numériques non bruitées a tout d'abord permis de vérifier les performances de la méthode mise en place par comparaison directe des équations identifiées avec les équations originales. La modélisation à partir de séries numériques bruitées a ensuite montré que la dynamique inscrite dans la série scalaire initiale était retrouvée au sein du système reconstruit. Enfin, nous avons appliqué cette technique de modélisation globale à des séries expérimentales de deux types. Les premières sont des tensions enregistrées en régime chaotique sur des circuits électroniques réalisés dans le cadre de cette thèse ; quant aux secondes, il s'agit de l'intensité générée par une réaction d'électrolyse et fournie par une équipe américaine. Dans tous les cas, des modèles phénoménologiques ont été établis et validés

CE TRAVAIL SE PROPOSE D'ETUDIER DES OUTILS PERMETTANT DE MODELISER ET D'IDENTIFIER DES SYSTEMES MECANIQUES NON LINEAIRES. NOUS CONSIDERONS AU DEPART DES NON-LINEARITES ANALYTIQUES. LA THEORIE DE LA FORME NORMALE SERA UN OUTIL PRIVILEGIE DE CETTE ETUDE. NOUS MONTRERONS COMMENT GRACE A ELLE, NOUS POUVONS RETROUVER LES RESULTATS CLASSIQUES OBTENUS AILLEURS PAR D'AUTRES METHODES ANALYTIQUES OU NUMERIQUES: LIEN ENTRE FREQUENCE ET CONDITIONS INITIALES, PRISE EN COMPTE DES RESONANCES, DEFINITIONS DE NOMBREUSES FAMILLES DE MODES NON LINEAIRES (DES MODES NORMAUX NON LINEAIRES (NNM), DES MODES NORMAUX A L'UNISSON (SNM)...) ANALYSE DE LEUR STABILITE PAR LA TRANSFORMATION DE POINCARE, ANALYSE DES PHENOMENES DE BIFURCATION SERONT POSSIBLES POUR DES SYSTEMES AUTONOMES A NOMBRE FINI DE DEGRES DE LIBERTE, DANS UN CADRE HAMILTONIEN OU PLUS GENERAL. LE CALCUL NUMERIQUE EFFECTIF DE SOLUTIONS PERIODIQUES SERA MENE POUR DES SITUATIONS NON REGULIERES: EQUATIONS AVEC RETARD, EQUATIONS AVEC DISCONTINUITES. LE PROBLEME DU CALCUL APPROCHE ET DE LA GESTION DE L'ERREUR SERA ABORDE AVEC LE PROBLEME DES GRANDES AMPLITUDES. NOUS VERRONS ENSUITE COMMENT L'ON PEUT PRENDRE EN COMPTE L'AMORTISSEMENT ET LES PHENOMENES DE FORCING PERIODIQUE D'UN SYSTEME DISCRET. NOUS GENERALISERONS LA SYNTHESE MODALE AU CAS DE STRUCTURES NON LINEAIRES DE FACON NATURELLE. NOUS TRAITERONS LE CAS D'EXCITATIONS PARAMETRIQUES DE TELS SYSTEMES, EN METTANT EN AVANT LE TRAITEMENT DES EQUATIONS DE MATHIEU, ET DE HILL. NOUS INTRODUISONS ENSUITE LA NOTION DE MODES COMPLEXES NON LINEAIRES. LA TRANSFORMATION NORMALE SERA ADAPTEE AU TRAITEMENT D'EQUATIONS AUX DERIVEES PARTIELLES DE LA MECANIQUE (EQUATION DE POUTRES VIBRANTES, VIBRATION DE PLAQUES SELON LE MODELE DE VON KARMAN); NOUS PROPOSERONS D'UTILISER CET OUTIL POUR MODELISER LES PHENOMENES NON LINEAIRES SUR DES SYSTEMES CONNUS, APRES UTILISATION DES TECHNIQUES DE DISCRETISATION OU NOUS TENTERONS UNE APPROCHE DE LA THEORIE DE LA FORME NORMALE DIRECTEMENT SUR LES EQUATIONS AUX DERIVEES PARTIELLES MODELISANT LA STRUCTURE. NOUS EVOQUERONS POUR TERMINER LES COMPORTEMENTS COMPLEXES DE SYSTEMES DISCRETS A PETIT NOMBRE DE DEGRES DE LIBERTE, ET NOUS MONTRERONS QUE SI LA TRANSFORMATION NORMALE EST UN OUTIL ADAPTE A LA DESCRIPTION (DE TRANSITIONS VERS DES COMPORTEMENTS COMPLEXES) A LA CONSTRUCTION DE GRANDEURS INTRODUISANT UNE MANIERE D'ORDRE DANS CES COMPORTEMENTS COMPLEXES (EXPOSANTS DE LYAPUNOV, NOMBRE DE ROTATION) D'UN POINT DE VUE THEORIQUE, LE CALCUL EFFECTIF DES CYCLES DANS LA TRANSITION EST BIAISE PAR LE PROBLEME POSE PAR LE CALCUL EN GRANDES AMPLITUDES. NOUS PROPOSONS ALORS DES METHODES NUMERIQUES ET L'ETUDE D'EXEMPLES SIMPLES D'OSCILLATEURS DANS L'OPTIQUE DE LA CONTROLABILITE DE SYSTEMES CHAOTIQUES. NOUS SIGNALERONS L'EXISTENCE DE TRAVAUX PERMETTANT D'OUVRIR UNE VOIE VERS LA CONSTRUCTION DE LA THEORIE DANS LE CAS D'EXCITATIONS ALEATOIRES OU DISCONTINUES. TOUT AU LONG DE CE TRAVAIL DES ELEMENTS DE COMPARAISON AVEC DES METHODES TANT ANALYTIQUES QUE NUMERIQUES, PERMETTRONT UN PASSAGE EN REVUE DE NOMBREUSES METHODES UTILES DANS L'ETUDE DE SYSTEMES MECANIQUES DYNAMIQUES ET NON LINEAIRES. NOUS SIGNALERONS LES PERSPECTIVES DE DEVELOPPEMENT DE CE TRAVAIL

Le mémoire traite de l'identification de systèmes dynamiques non-linéaires par l'approche multi-modèle. Cette approche consiste à représenter le système par un ensemble de modèles simples (modèles affines ou linéaires) valables dans certaines zones de fonctionnement du système. Le modèle global du système est une interpolation des modèles locaux par l'intermédiaire de fonctions de validité associées à ces modèles. La problématique soulevée par cette approche comprend : la caractérisation de l'espace de fonctionnement du système, le découpage de cet espace en zones de fonctionnement, le choix de la structure des modèles locaux, l'estimation des paramètres et la validation du multi-modèle. Le travail porte essentiellement sur l'optimisation paramétrique et structurelle d'un multi-modèle. Des algorithmes d'optimisation paramétrique sont proposés. Ce sont des méthodes à deux niveaux qui alternent entre l'estimation des paramètres des modèles locaux, ceux des fonctions de validité étant fixés et l'estimation des paramètres des fonctions de validité pour ceux des modèles locaux fixés. Au titre de l'identification structurelle, des techniques de simplification de la structure des modèles locaux ont été développées. Elles permettent de supprimer les paramètres superflus des modèles locaux. Des méthodes de réduction du nombre de modèles locaux sont présentées : elles consistent en l'élimination de modèles locaux peu explicatifs et/ou la fusion de modèles voisins redondants. Ces développements théoriques ont été appliqués à un problème de modélisation des variations du taux d'ozone en milieu urbain à différents pas de temps. Un modèle de prévision des niveaux maxima quotidiens d'ozone a été identifié. L'autre aspect de l'application a porté sur la détermination de modèle descriptif des variations horaires de la concentration d'ozone.