Comparaison de deux techniques de décodage pour la traduction probabiliste

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Comparaison de deux techniques de décodage pour la traduction probabiliste

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

基于PROFIBUS-DP的激光加工系统数字化控制

提出采用PROFIBUS-DP现场总线技术实现对激光柔性加工系统的数字化控制，给出了控制实现过程中的DL动态链接库方案，详述了控制中的同步问题，并将其应用于汽车覆盖件模具激光表面硬化，编程采用VC++面向对象工具加以实现。

扩散抛物化(DP)NS方程组的意义及其在计算流体力学中的应用

本文首先讨论扩散抛物化(DP)NS方程组的早期研究工作:它的提出、数学性质、意义和在CFD中的应用,然后讨论扩散抛物化理论的一些新发展。这些新发展是对NS方程组数值计算进行物理分析的基础上得到的,其中包括NS方程组差分计算时,粘性剪切流对网格间距和格式精度的要求;粘性项只保留剪切粘性项的广义扩散抛物化(GDP)NS方程组,它的性质和应用。由于高Re数流动在NS方程组的差分计算中,网格Re数彼此相差悬殊的特点,产生了计算离散单元守恒方程组的新的算法思路,即离散流体力学(DFD)算法。在DFD算法中需要同时计算三种不同的守恒方程组(Euler,DPNS和NS方程组)。本文讨论了DFD格式的构造、它的优点和应用。并以超声速绕前后台阶流动为算例,来说明GDPNS方程组的用处和DFD算法的优点。DPNS方程组、GDPNS方程组、DFD算法是高智提出的,对这些问题他和合作者从

PROFIBUS DP从站协议栈开发与测试

本文研究了PROFIBUS DP欧洲标准EN50170的协议参考模型,并据此开发了ROFIBUSDP从站通信协议栈,最后采用荷兰PROCENTEC公司的ProfiScript工具进行了测试,本文给出了详细的软件编写和测试方法。

PROFIBUS-DP从站通信控制器的设计与实现

PROFIBUS是一种国际化、开放式、不依赖于设备生产厂商的现场总线标准，PROFIBUS-DP作为PROFIBUS的一个分支，以其成熟性、实时性、可靠性和稳定性，在全球范围内的工业自动化领域获得了最为广泛的应用。PROFIBUS-DP协议比较复杂, 目前只有少数国外厂商提供专用的PROFIBUS-DP协议芯片，而国内对于PROFIBUS-DP总线的应用基本以购买国外自动化设备厂商的PROFIBUS-DP通信芯片为主，导致我国的自动化行业难以掌握核心技术。因此研究和开发具有自主知识产权的PROFIBUS-DP通信芯片具有广阔的前景和重要的意义。本文通过深入研究PROFIBUS-DP协议，提出了一套完整的设计方案，并设计出符合PROFIBUS-DP协议的IP核，为最终PROFIBUS-DP通信芯片的实现打下了坚实的基础。 本文详细的介绍了PROFIBUS-DP从站通信控制器的设计实现过程。首先通过分析PROFIBUS-DP协议以及参考国外现有的芯片资料，结合自身研究，提出了PROFIBUS-DP从站通信控制器的整体设计方案，给出了设计的整体框图；其次在整体设计方案的基础上详细介绍了各个功能模块的实现方法，以此为基础，采用自顶向下的设计方法，对各个模块进行详细的设计，并给出了Verilog语言实现RTL编码以及核心功能模块的仿真波形图；最后采用ALTERA公司的Cyclone EP1C6 的FPGA芯片和Philips公司的P89LV51RD2 MCU搭建了一个标准化的智能型从站，并采用ProfiCore和ProfiScrit搭建了PROFIBUS-DP从站控制器的系统级验证环境，进行了系统级验证，充分证实了设计方案的可行性。

Efecto del 2,4 - DP sobre el tamaño de frutos de kiwi, Actinidia deliciosa (Chevalier) - C.F. Liang - A.R.Ferguson

p.161-165

Étude de la performance d’un algorithme Metropolis-Hastings avec ajustement directionnel

Les méthodes de Monte Carlo par chaîne de Markov (MCMC) sont des outils très populaires pour l’échantillonnage de lois de probabilité complexes et/ou en grandes dimensions. Étant donné leur facilité d’application, ces méthodes sont largement répandues dans plusieurs communautés scientifiques et bien certainement en statistique, particulièrement en analyse bayésienne. Depuis l’apparition de la première méthode MCMC en 1953, le nombre de ces algorithmes a considérablement augmenté et ce sujet continue d’être une aire de recherche active. Un nouvel algorithme MCMC avec ajustement directionnel a été récemment développé par Bédard et al. (IJSS, 9 :2008) et certaines de ses propriétés restent partiellement méconnues. L’objectif de ce mémoire est de tenter d’établir l’impact d’un paramètre clé de cette méthode sur la performance globale de l’approche. Un second objectif est de comparer cet algorithme à d’autres méthodes MCMC plus versatiles afin de juger de sa performance de façon relative.

Design et implémentation sur FPGA d'un algorithme DES

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal

TONGA : un algorithme de gradient naturel pour les problèmes de grande taille

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal

Algorithme génétique spécifique à l'analyse de la susceptibilité à l'hypertension de la population du Saguenay-Lac-Saint-Jean

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal.

Développement d’un algorithme de branch-and-price-and-cut pour le problème de conception de réseau avec coûts fixes et capacités

De nombreux problèmes en transport et en logistique peuvent être formulés comme des modèles de conception de réseau. Ils requièrent généralement de transporter des produits, des passagers ou encore des données dans un réseau afin de satisfaire une certaine demande tout en minimisant les coûts. Dans ce mémoire, nous nous intéressons au problème de conception de réseau avec coûts fixes et capacités. Ce problème consiste à ouvrir un sous-ensemble des liens dans un réseau afin de satisfaire la demande, tout en respectant les contraintes de capacités sur les liens. L'objectif est de minimiser les coûts fixes associés à l'ouverture des liens et les coûts de transport des produits. Nous présentons une méthode exacte pour résoudre ce problème basée sur des techniques utilisées en programmation linéaire en nombres entiers. Notre méthode est une variante de l'algorithme de branch-and-bound, appelée branch-and-price-and-cut, dans laquelle nous exploitons à la fois la génération de colonnes et de coupes pour la résolution d'instances de grande taille, en particulier, celles ayant un grand nombre de produits. En nous comparant à CPLEX, actuellement l'un des meilleurs logiciels d'optimisation mathématique, notre méthode est compétitive sur les instances de taille moyenne et supérieure sur les instances de grande taille ayant un grand nombre de produits, et ce, même si elle n'utilise qu'un seul type d'inégalités valides.

Analyse de sensibilité de l’effet d’un programme de prévention avec randomisation : application de trois techniques d’appariement pour balancer les groupes contrôle et expérimental : distance de Mahanalobis, score de propension et algorithme génétique

Les analyses effectuées dans le cadre de ce mémoire ont été réalisées à l'aide du module MatchIt disponible sous l’environnent d'analyse statistique R. / Statistical analyzes of this thesis were performed using the MatchIt package available in the statistical analysis environment R.

Recyclage des candidats dans l'algorithme Metropolis à essais multiples

Les méthodes de Monte Carlo par chaînes de Markov (MCCM) sont des méthodes servant à échantillonner à partir de distributions de probabilité. Ces techniques se basent sur le parcours de chaînes de Markov ayant pour lois stationnaires les distributions à échantillonner. Étant donné leur facilité d’application, elles constituent une des approches les plus utilisées dans la communauté statistique, et tout particulièrement en analyse bayésienne. Ce sont des outils très populaires pour l’échantillonnage de lois de probabilité complexes et/ou en grandes dimensions. Depuis l’apparition de la première méthode MCCM en 1953 (la méthode de Metropolis, voir [10]), l’intérêt pour ces méthodes, ainsi que l’éventail d’algorithmes disponibles ne cessent de s’accroître d’une année à l’autre. Bien que l’algorithme Metropolis-Hastings (voir [8]) puisse être considéré comme l’un des algorithmes de Monte Carlo par chaînes de Markov les plus généraux, il est aussi l’un des plus simples à comprendre et à expliquer, ce qui en fait un algorithme idéal pour débuter. Il a été sujet de développement par plusieurs chercheurs. L’algorithme Metropolis à essais multiples (MTM), introduit dans la littérature statistique par [9], est considéré comme un développement intéressant dans ce domaine, mais malheureusement son implémentation est très coûteuse (en termes de temps). Récemment, un nouvel algorithme a été développé par [1]. Il s’agit de l’algorithme Metropolis à essais multiples revisité (MTM revisité), qui définit la méthode MTM standard mentionnée précédemment dans le cadre de l’algorithme Metropolis-Hastings sur un espace étendu. L’objectif de ce travail est, en premier lieu, de présenter les méthodes MCCM, et par la suite d’étudier et d’analyser les algorithmes Metropolis-Hastings ainsi que le MTM standard afin de permettre aux lecteurs une meilleure compréhension de l’implémentation de ces méthodes. Un deuxième objectif est d’étudier les perspectives ainsi que les inconvénients de l’algorithme MTM revisité afin de voir s’il répond aux attentes de la communauté statistique. Enfin, nous tentons de combattre le problème de sédentarité de l’algorithme MTM revisité, ce qui donne lieu à un tout nouvel algorithme. Ce nouvel algorithme performe bien lorsque le nombre de candidats générés à chaque itérations est petit, mais sa performance se dégrade à mesure que ce nombre de candidats croît.

L'algorithme de Branch and Price and Cut pour le problème de conception de réseaux avec coûts fixes et sans capacité

Le problème de conception de réseaux est un problème qui a été beaucoup étudié dans le domaine de la recherche opérationnelle pour ses caractéristiques, et ses applications dans des nombreux domaines tels que le transport, les communications, et la logistique. Nous nous intéressons en particulier dans ce mémoire à résoudre le problème de conception de réseaux avec coûts fixes et sans capacité, en satisfaisant les demandes de tous les produits tout en minimisant la somme des coûts de transport de ces produits et des coûts fixes de conception du réseau. Ce problème se modélise généralement sous la forme d’un programme linéaire en nombres entiers incluant des variables continues. Pour le résoudre, nous avons appliqué la méthode exacte de Branch-and-Bound basée sur une relaxation linéaire du problème avec un critère d’arrêt, tout en exploitant les méthodes de génération de colonnes et de génération de coupes. Nous avons testé la méthode de Branch-and-Price-and-Cut sur 156 instances divisées en cinq groupes de différentes tailles, et nous l’avons comparée à Cplex, l’un des meilleurs solveurs d’optimisation mathématique, ainsi qu’à la méthode de Branch-and- Cut. Notre méthode est compétitive et plus performante sur les instances de grande taille ayant un grand nombre de produits.