les Thèses Soutenues à l'USTO MB
vous cherchez une thèse?
A partir de cette page vous pouvez :
Retourner au premier écran avec les dernières notices... | Votre compte |
Catégories
Faire une suggestion Affiner la recherche
Contribution à l'amélioration des réseaux de neurones probabilistes pour l'identification biométrique. / LOTFI Abdelhadi
Titre : Contribution à l'amélioration des réseaux de neurones probabilistes pour l'identification biométrique. Type de document : document électronique Auteurs : LOTFI Abdelhadi, Auteur ; BENYETTOU Abdelkader, Directeur de thèse Année de publication : 2016 Importance : 129 p. Accompagnement : CD Langues : Français (fre) Catégories : Informatique:RFIA Mots-clés : probabilistic neural networks, optimization, cross validation, biometrics, classification, large databases.
réseaux de neurones probabilistes, optimisation, validation croisée, biométrie, classification, grandes bases de données.Résumé : During the last decade, probabilistic neural networks have been used extensively to solve a wide range class of problems. Most of time, these networks are used for classification problems. This is because the mathematical basis behind probabilistic neural networks is more solid than most other neural networks. When it comes to classification problems, PNNs perform well as long as the training data set is small. However, when the size of the training database grows bigger, performance of PNNs decreases dramatically because of the number of neurons in the hidden layer, which is equal to the number of training samples.
Recent advances in the field of pattern recognition impose solving problems with large training databases. Databases with thousands and sometimes millions of samples have become a common reality for applications like biometrics and big data. In such applications, the choice of the appropriate method is essential for a good reliable solution. Hence, the scientific community is recently reconsidering all old pattern recognition techniques to make them respond to these new urgent stakes.
Motivated by this need, we proposed in this thesis two new training algorithms for probabilistic neural networks. The proposed network was called RPNN (Reduced PNN) and has a very small hidden layer even for huge databases. This goal was achieved by adopting a process similar to cross validation in the training step to reduce considerably the size of the network. As a result, the generalization of the network is improved with a high processing speed for classification of unseen samples (generalization).
The proposed algorithms were tested for a variety of benchmarking databases. They were also tested for some biometric challenging applications (face recognition). Performance of the RPNN and standard PNN were compared in terms of the size of the hidden layer, the processing speed and the generalization of the network to show the difference between the new and standard training algorithms.
Results presented at the end of this thesis show that the new proposed solutions outperform standard PNNs for all cases treated in this thesis. Significant improvements were reported not only in the size of the network and its processing speed but also in the generalization of the network. Actually, the proposed solution can be used for all cases where the database is large and where standard PNNs find serious problems with their huge hidden layer. It has been also shown that this network performs also as well for very small databases with a more added complexity for the training algorithm.
Au cours de la dernière décennie, les réseaux de neurones probabilistes ont été largement utilisés pour résoudre une large gamme de problèmes. La plupart du temps, ces réseaux sont utilisés pour les problèmes de classification. En effet, la base mathématique derrière les réseaux probabilistes est plus solide que celle de la plupart des réseaux de neurones. Quand il s'agit de problèmes de classification, les PNNs fonctionnent très bien tant que l'ensemble des données d’apprentissage est restreint. Cependant, lorsque la taille de la base de données d’apprentissage devient assez grande, les performances du PNN diminuent considérablement en raison du nombre de neurones dans la couche cachée qui est égal au nombre d'échantillons d'apprentissage.
Les progrès dans le domaine de la reconnaissance des formes ont récemment abouti à des problèmes avec de grandes bases de données d’apprentissage. Les bases de données contenant des milliers et parfois des millions d'échantillons sont devenues une réalité courante pour des applications comme la biométrie et le big data. Dans de telles applications, le choix des méthodes appropriées est indispensable pour une bonne solution. Par conséquent, la communauté scientifique a commencé récemment à reconsidérer toutes les anciennes techniques d’apprentissage machine en vue de les adapter pour répondre à ces nouveaux enjeux tant urgents.
Motivé par ce besoin, nous avons proposé dans cette thèse deux nouveaux algorithmes d’apprentissage pour les réseaux de neurones probabilistes. Le nouveau réseau baptisé RPNN (Reduced PNN), a une couche cachée très réduite. Pour ce faire, nous avons adopté ici un processus similaire à la validation croisée à l'étape d’apprentissage afin de réduire considérablement la taille du réseau. En conséquence, la généralisation du réseau est améliorée avec une vitesse de traitement élevée pour la classification des nouveaux échantillons (généralisation).
Les modèles proposés ont été testés pour une variété de bases de données de référence souvent rencontrées dans la littérature. Ils ont également été testés pour des applications biométriques de référence. Les performances du réseau RPNN et du PNN ont été comparées en considérant la taille de la couche cachée, la vitesse de traitement et la généralisation du réseau pour montrer la différence entre les nouveaux et les anciens algorithmes d'apprentissage.
Les résultats présentés à la fin de cette thèse montrent que les nouvelles solutions proposées surpassent le PNN standard pour tous les cas traités dans ce travail. Des améliorations significatives ont été enregistrées, non seulement par rapport à la taille du réseau et à la vitesse de traitement mais également eu égard à la généralisation du réseau. En fait, la solution proposée peut être utilisée pour tous les cas où la base de données est grande et où les PNN standards trouvent de sérieux problèmes avec leur couche cachée gigantesque. Il a été également montré que ce réseau classifie bien les petites bases de données aussi avec une complexité algorithmique ajoutée à l’étape d'apprentissage.
Contribution à l'amélioration des réseaux de neurones probabilistes pour l'identification biométrique. [document électronique] / LOTFI Abdelhadi, Auteur ; BENYETTOU Abdelkader, Directeur de thèse . - 2016 . - 129 p. + CD.
Langues : Français (fre)
Catégories : Informatique:RFIA Mots-clés : probabilistic neural networks, optimization, cross validation, biometrics, classification, large databases.
réseaux de neurones probabilistes, optimisation, validation croisée, biométrie, classification, grandes bases de données.Résumé : During the last decade, probabilistic neural networks have been used extensively to solve a wide range class of problems. Most of time, these networks are used for classification problems. This is because the mathematical basis behind probabilistic neural networks is more solid than most other neural networks. When it comes to classification problems, PNNs perform well as long as the training data set is small. However, when the size of the training database grows bigger, performance of PNNs decreases dramatically because of the number of neurons in the hidden layer, which is equal to the number of training samples.
Recent advances in the field of pattern recognition impose solving problems with large training databases. Databases with thousands and sometimes millions of samples have become a common reality for applications like biometrics and big data. In such applications, the choice of the appropriate method is essential for a good reliable solution. Hence, the scientific community is recently reconsidering all old pattern recognition techniques to make them respond to these new urgent stakes.
Motivated by this need, we proposed in this thesis two new training algorithms for probabilistic neural networks. The proposed network was called RPNN (Reduced PNN) and has a very small hidden layer even for huge databases. This goal was achieved by adopting a process similar to cross validation in the training step to reduce considerably the size of the network. As a result, the generalization of the network is improved with a high processing speed for classification of unseen samples (generalization).
The proposed algorithms were tested for a variety of benchmarking databases. They were also tested for some biometric challenging applications (face recognition). Performance of the RPNN and standard PNN were compared in terms of the size of the hidden layer, the processing speed and the generalization of the network to show the difference between the new and standard training algorithms.
Results presented at the end of this thesis show that the new proposed solutions outperform standard PNNs for all cases treated in this thesis. Significant improvements were reported not only in the size of the network and its processing speed but also in the generalization of the network. Actually, the proposed solution can be used for all cases where the database is large and where standard PNNs find serious problems with their huge hidden layer. It has been also shown that this network performs also as well for very small databases with a more added complexity for the training algorithm.
Au cours de la dernière décennie, les réseaux de neurones probabilistes ont été largement utilisés pour résoudre une large gamme de problèmes. La plupart du temps, ces réseaux sont utilisés pour les problèmes de classification. En effet, la base mathématique derrière les réseaux probabilistes est plus solide que celle de la plupart des réseaux de neurones. Quand il s'agit de problèmes de classification, les PNNs fonctionnent très bien tant que l'ensemble des données d’apprentissage est restreint. Cependant, lorsque la taille de la base de données d’apprentissage devient assez grande, les performances du PNN diminuent considérablement en raison du nombre de neurones dans la couche cachée qui est égal au nombre d'échantillons d'apprentissage.
Les progrès dans le domaine de la reconnaissance des formes ont récemment abouti à des problèmes avec de grandes bases de données d’apprentissage. Les bases de données contenant des milliers et parfois des millions d'échantillons sont devenues une réalité courante pour des applications comme la biométrie et le big data. Dans de telles applications, le choix des méthodes appropriées est indispensable pour une bonne solution. Par conséquent, la communauté scientifique a commencé récemment à reconsidérer toutes les anciennes techniques d’apprentissage machine en vue de les adapter pour répondre à ces nouveaux enjeux tant urgents.
Motivé par ce besoin, nous avons proposé dans cette thèse deux nouveaux algorithmes d’apprentissage pour les réseaux de neurones probabilistes. Le nouveau réseau baptisé RPNN (Reduced PNN), a une couche cachée très réduite. Pour ce faire, nous avons adopté ici un processus similaire à la validation croisée à l'étape d’apprentissage afin de réduire considérablement la taille du réseau. En conséquence, la généralisation du réseau est améliorée avec une vitesse de traitement élevée pour la classification des nouveaux échantillons (généralisation).
Les modèles proposés ont été testés pour une variété de bases de données de référence souvent rencontrées dans la littérature. Ils ont également été testés pour des applications biométriques de référence. Les performances du réseau RPNN et du PNN ont été comparées en considérant la taille de la couche cachée, la vitesse de traitement et la généralisation du réseau pour montrer la différence entre les nouveaux et les anciens algorithmes d'apprentissage.
Les résultats présentés à la fin de cette thèse montrent que les nouvelles solutions proposées surpassent le PNN standard pour tous les cas traités dans ce travail. Des améliorations significatives ont été enregistrées, non seulement par rapport à la taille du réseau et à la vitesse de traitement mais également eu égard à la généralisation du réseau. En fait, la solution proposée peut être utilisée pour tous les cas où la base de données est grande et où les PNN standards trouvent de sérieux problèmes avec leur couche cachée gigantesque. Il a été également montré que ce réseau classifie bien les petites bases de données aussi avec une complexité algorithmique ajoutée à l’étape d'apprentissage.
Exemplaires
Code-barres Cote Support Localisation Section Disponibilité 4573 02-08-413 Version numérique et papier Bibliothèque Centrale Thèse de Doctorat Exclu du prêt Documents numériques
Contribution à l'amélioration des réseaux de neurones probabilistes pour l'identification biométriqueAdobe Acrobat PDF
Titre : Description et Classification des Services Web Sémantiques Type de document : document électronique Auteurs : BEDAD Fatima, Auteur ; HAOUAS Abdelkader, Directeur de thèse Année de publication : 2013 Importance : 79 p. Accompagnement : CD Langues : Français (fre) Catégories : Informatique:RFIA Mots-clés : service web sémantique ,WSMO ,rétro -ingénierie ontologique , mesure de similarité Résumé : Avec l’évolution du Web, une nouvelle technologie a vu le jour ; il s’agit des services Web sémantiques (SWS). Cette nouvelle technologie permet d’automatiser la découverte, la composition et l’invocation des services à travers le Web. Pour profiter de ces avantages, un processus de description et de classification des services web sémantiques est nécessaire. Les travaux de recherche menés autour de la description de services Web sémantiques utilisent de plus en plus des modèles sémantiques pour fournir une représentation interprétable automatiquement à savoir OWL-S, WSMO [BOU 11].
Pour faire la classification des services web sémantiques , nous proposons à utilisé le principe de technique de rétro-ingénierie. La rétro-ingénierie (ou ingénierie inverse) est le processus d’analyse d’un système permettant l’identification des concepts et leurs corrélations. Malgré son importance, il n’y a que peu de travaux qui ont traité le problème de rétro-ingénierie des services Web sémantiques. Ces travaux ont été dédiés aux systèmes classiques et n’ont pas traité les particularités des applications service web sémantiques.
Dans ce mémoire nous proposons une approche de description et de classification des applications SWS WSMO. L’objectif de ce travail, consiste à proposer une approche à base de rétro-ingénierie ontologique et une mesure de similarité pour la description et la classification des applications SWS WSMO [BOU 11]. L’approche consiste en deux grandes phases : Tout d’abord, l’extraction d’informations pertinentes à partir du code source du web service du SWS WSMO, Deuxième phase est l’analyse de l’information extraite à l’aide de l’ontologie du domaine et la mesure de similarité.
Un ensemble d’outils, supportant l’approche proposée, ont été implémentés. Une expérimentation a été réalisée. Cela nous a permis d’évaluer et de valider l’approche sur un cas réel.
Description et Classification des Services Web Sémantiques [document électronique] / BEDAD Fatima, Auteur ; HAOUAS Abdelkader, Directeur de thèse . - 2013 . - 79 p. + CD.
Langues : Français (fre)
Catégories : Informatique:RFIA Mots-clés : service web sémantique ,WSMO ,rétro -ingénierie ontologique , mesure de similarité Résumé : Avec l’évolution du Web, une nouvelle technologie a vu le jour ; il s’agit des services Web sémantiques (SWS). Cette nouvelle technologie permet d’automatiser la découverte, la composition et l’invocation des services à travers le Web. Pour profiter de ces avantages, un processus de description et de classification des services web sémantiques est nécessaire. Les travaux de recherche menés autour de la description de services Web sémantiques utilisent de plus en plus des modèles sémantiques pour fournir une représentation interprétable automatiquement à savoir OWL-S, WSMO [BOU 11].
Pour faire la classification des services web sémantiques , nous proposons à utilisé le principe de technique de rétro-ingénierie. La rétro-ingénierie (ou ingénierie inverse) est le processus d’analyse d’un système permettant l’identification des concepts et leurs corrélations. Malgré son importance, il n’y a que peu de travaux qui ont traité le problème de rétro-ingénierie des services Web sémantiques. Ces travaux ont été dédiés aux systèmes classiques et n’ont pas traité les particularités des applications service web sémantiques.
Dans ce mémoire nous proposons une approche de description et de classification des applications SWS WSMO. L’objectif de ce travail, consiste à proposer une approche à base de rétro-ingénierie ontologique et une mesure de similarité pour la description et la classification des applications SWS WSMO [BOU 11]. L’approche consiste en deux grandes phases : Tout d’abord, l’extraction d’informations pertinentes à partir du code source du web service du SWS WSMO, Deuxième phase est l’analyse de l’information extraite à l’aide de l’ontologie du domaine et la mesure de similarité.
Un ensemble d’outils, supportant l’approche proposée, ont été implémentés. Une expérimentation a été réalisée. Cela nous a permis d’évaluer et de valider l’approche sur un cas réel.
Exemplaires
Code-barres Cote Support Localisation Section Disponibilité 4493 02-08-333 Version numérique et papier Bibliothèque Centrale Mémoire de Magister Exclu du prêt Documents numériques
02-08-333.pdfAdobe Acrobat PDF Détection de cibles radar par les réseaux de neurones probabilistes en milien bruité / Abdelhadi LOTFI
Titre : Détection de cibles radar par les réseaux de neurones probabilistes en milien bruité Type de document : texte imprimé Auteurs : Abdelhadi LOTFI, Auteur Année de publication : 2005 Importance : 63 p. Langues : Anglais (eng) Catégories : Informatique:RFIA Mots-clés : Les réseauxde neurons, detection,PNN,radar,RBF,MLP,gaussian Résumé : Detection of signal in noise is sometimes a difficult task , this difficulty grows bigger when the noise ‘s distribution is not Gaussian , in this work , probabilistic neural networks (PNN) are applied to radar target detection in non –gaussian noise PNN are a special class oDetection of signal in noise is sometimes a difficult task , this difficulty grows bigger when the noise ‘s distribution is not Gaussian , in this work , probabilistic neural networks (PNN) are applied to radar target detection in non –gaussian noise PNN are a special class of RBFneural networks and hence belong to MLPnetworks , however , unlike MLPs , PNNs benefit from solid mathematical basis , they are used to estimate probability density functions (pdf ) from the solid mathematical basis , they are used to estimate probality density functions (pdf ) from the input data space , tow PNNs were presented , namely gram –charlier and generalized probabilistic neural networks (GCNN and GPNN) this includes the mathematical basis , the architecture and the training algorithm for each network
Application to radar target detection presented in this work showed that probabilistic neural networks outperform other neural networks for almost all cases of noise , the performance was evaluated in terms of probability of detection versus signal to noise ratio and falso alarms (false positives ) generated by each detector , moreover , the architecture of PNNs allows a parallel computing algorithm with can reduce significantly the time of traiing and tests A computing Grid can be used successfully here
Directeur de thèse : BENYETTOU,A Détection de cibles radar par les réseaux de neurones probabilistes en milien bruité [texte imprimé] / Abdelhadi LOTFI, Auteur . - 2005 . - 63 p.
Langues : Anglais (eng)
Catégories : Informatique:RFIA Mots-clés : Les réseauxde neurons, detection,PNN,radar,RBF,MLP,gaussian Résumé : Detection of signal in noise is sometimes a difficult task , this difficulty grows bigger when the noise ‘s distribution is not Gaussian , in this work , probabilistic neural networks (PNN) are applied to radar target detection in non –gaussian noise PNN are a special class oDetection of signal in noise is sometimes a difficult task , this difficulty grows bigger when the noise ‘s distribution is not Gaussian , in this work , probabilistic neural networks (PNN) are applied to radar target detection in non –gaussian noise PNN are a special class of RBFneural networks and hence belong to MLPnetworks , however , unlike MLPs , PNNs benefit from solid mathematical basis , they are used to estimate probability density functions (pdf ) from the solid mathematical basis , they are used to estimate probality density functions (pdf ) from the input data space , tow PNNs were presented , namely gram –charlier and generalized probabilistic neural networks (GCNN and GPNN) this includes the mathematical basis , the architecture and the training algorithm for each network
Application to radar target detection presented in this work showed that probabilistic neural networks outperform other neural networks for almost all cases of noise , the performance was evaluated in terms of probability of detection versus signal to noise ratio and falso alarms (false positives ) generated by each detector , moreover , the architecture of PNNs allows a parallel computing algorithm with can reduce significantly the time of traiing and tests A computing Grid can be used successfully here
Directeur de thèse : BENYETTOU,A Exemplaires
Code-barres Cote Support Localisation Section Disponibilité 4308 02-08-148 version papier Bibliothèque Centrale Mémoire de Magister Exclu du prêt Evaluation génétique de l'utilisation des réseaux de neurones MLP dans la classification d'images satellitaires / Malika MOKHTARI
Titre : Evaluation génétique de l'utilisation des réseaux de neurones MLP dans la classification d'images satellitaires Type de document : texte imprimé Auteurs : Malika MOKHTARI, Auteur Année de publication : 2013 Importance : 93 p. Langues : Français (fre) Catégories : Informatique:RFIA Mots-clés : Classification, matrice de cooccurrence , image satellitaire, texture, RN MLP,AG Résumé : La classification basée sur l’information spectrale des images satellitaires reste parfois incapable de donner des résultats pertinents , ces insuffisances ont donc poussé les spécialistes à utiliser la classification texturale pour des résultats intéressants , la texture permet une meilleure interprétation des données de télédétection , elle a pour but l’extraction de paramétres dits indice de texture ,pour cela plusieurs approches ont été proposées , l’acent a été mis sur la matrice de coocurrence , dans notre travail , on à réalisé deux approches de classification : la poremiére consiste à une classification neuronale MIP avec algorithme de rétro propagation du gradient intégrant intégrant les données brute des trois canaux TMI , TM3 ,TM4 la deuxiéme consiste a une classification en utilisant en utilisant les algorithme génétique qui seront appliqué à la classification multi source des images satellitaire en intégrant la texture dans les deux approches ceci en procédant multi source des images satellitaire en intégrant la texture dans les deux approche ceci en procédant à l’extraction des indices de texture ( la moyenne , la variance , la corrélation , le contraste , l’homogénéité) par la matrice de cooccurrence afin de les injecter dans le meme processus classifiucation avec les données brutes des trois canaux ceci nous permettra de faire l’identification et l’extraction des information contenue dans les images satellitaires ainsi la comparaison des résultats obtenus , ces derniers montrent que la classification texturale a permis une meilleure discrimination entre les thmées ( foret , sebkha ) ayant de fort similitude Directeur de thèse : FIZAZI ,Hadria Evaluation génétique de l'utilisation des réseaux de neurones MLP dans la classification d'images satellitaires [texte imprimé] / Malika MOKHTARI, Auteur . - 2013 . - 93 p.
Langues : Français (fre)
Catégories : Informatique:RFIA Mots-clés : Classification, matrice de cooccurrence , image satellitaire, texture, RN MLP,AG Résumé : La classification basée sur l’information spectrale des images satellitaires reste parfois incapable de donner des résultats pertinents , ces insuffisances ont donc poussé les spécialistes à utiliser la classification texturale pour des résultats intéressants , la texture permet une meilleure interprétation des données de télédétection , elle a pour but l’extraction de paramétres dits indice de texture ,pour cela plusieurs approches ont été proposées , l’acent a été mis sur la matrice de coocurrence , dans notre travail , on à réalisé deux approches de classification : la poremiére consiste à une classification neuronale MIP avec algorithme de rétro propagation du gradient intégrant intégrant les données brute des trois canaux TMI , TM3 ,TM4 la deuxiéme consiste a une classification en utilisant en utilisant les algorithme génétique qui seront appliqué à la classification multi source des images satellitaire en intégrant la texture dans les deux approches ceci en procédant multi source des images satellitaire en intégrant la texture dans les deux approche ceci en procédant à l’extraction des indices de texture ( la moyenne , la variance , la corrélation , le contraste , l’homogénéité) par la matrice de cooccurrence afin de les injecter dans le meme processus classifiucation avec les données brutes des trois canaux ceci nous permettra de faire l’identification et l’extraction des information contenue dans les images satellitaires ainsi la comparaison des résultats obtenus , ces derniers montrent que la classification texturale a permis une meilleure discrimination entre les thmées ( foret , sebkha ) ayant de fort similitude Directeur de thèse : FIZAZI ,Hadria Exemplaires
Code-barres Cote Support Localisation Section Disponibilité 4507 02-08-347 version papier Bibliothèque Centrale Mémoire de Magister Exclu du prêt Modelisation et simulation du controle d'attitude d'un satellite sur son orbite / Saliha BELMAHI HAKIKI
Titre : Modelisation et simulation du controle d'attitude d'un satellite sur son orbite Type de document : document électronique Auteurs : Saliha BELMAHI HAKIKI, Auteur Année de publication : 2010 Importance : 78 p. Accompagnement : CD Langues : Français (fre) Catégories : Informatique:RFIA Résumé : Dans ce mémoire, nous nous intéressons au mouvement autour du centre d’inertie d’un satellite en orbite autour de la terre ainsi que sa stabilisation en utilisant un contrôle passif tel que la stabilisation par gradient de la gravité. Ce travail est consacré au développement des équations d’attitude ; nous présentons les systèmes de coordonnées utilisés pour décrire l’orientation du vaisseau spatial, la représentation de l’attitude puis les équations dynamiques et cinématiques du mouvement du satellite. Nous modélisons aussi les différents couples perturbateurs agissant sur l’attitude du satellite, le gradient de gravité, la pression de radiation solaire et aérodynamique. Nous finalisons notre travail par un simulateur de contrôle d’attitude afin d’obtenir des résultats graphiques décrivant d’une manière simple et directe l’attitude satellitaire ainsi que sa vitesse et son évolution en fonction du temps Directeur de thèse : CHOURAQUI ,Samira Modelisation et simulation du controle d'attitude d'un satellite sur son orbite [document électronique] / Saliha BELMAHI HAKIKI, Auteur . - 2010 . - 78 p. + CD.
Langues : Français (fre)
Catégories : Informatique:RFIA Résumé : Dans ce mémoire, nous nous intéressons au mouvement autour du centre d’inertie d’un satellite en orbite autour de la terre ainsi que sa stabilisation en utilisant un contrôle passif tel que la stabilisation par gradient de la gravité. Ce travail est consacré au développement des équations d’attitude ; nous présentons les systèmes de coordonnées utilisés pour décrire l’orientation du vaisseau spatial, la représentation de l’attitude puis les équations dynamiques et cinématiques du mouvement du satellite. Nous modélisons aussi les différents couples perturbateurs agissant sur l’attitude du satellite, le gradient de gravité, la pression de radiation solaire et aérodynamique. Nous finalisons notre travail par un simulateur de contrôle d’attitude afin d’obtenir des résultats graphiques décrivant d’une manière simple et directe l’attitude satellitaire ainsi que sa vitesse et son évolution en fonction du temps Directeur de thèse : CHOURAQUI ,Samira Exemplaires
Code-barres Cote Support Localisation Section Disponibilité 4404 02-08-244 Version numérique et papier Bibliothèque Centrale Mémoire de Magister Exclu du prêt Documents numériques
MODELISATION ET SIMULATION DU CONTROLE D’ATTITUDE D’UN SATELLITE SUR SON ORBITEAdobe Acrobat PDF PermalinkPermalinkTechniques de visualisation avancées pour le datamining / Mohammed REBBAH
Permalink
BUC USTOMB'Thèses
Service Thèse de la BUC met à votre votre disposition L'ensemble des thèses de doctorat et mémoires de magister soutenues à l'USTO MB
Adresse
BUC USTOMB'ThèsesBibliothèque centrale USTOMB
BP 1505 EL M'Naouer USTO ORAN
Algérie
(213)041627180
contact