Les contributions de cette thèse

Dans cette section nous résumons brièvement les contributions principales de cette thèse. Nous les classifions selon le domaine auquel elles appartiennent naturellement. Dans le domaine de l'évaluation de la qualité de flux multimédia, les contributions principales sont les suivantes : $\bullet$

• Nous proposons une nouvelle méthodologie pour mesurer la qualité en temps réel de ces flux ou ``streams'' (la parole, l'audio, et/ou la vidéo) (les publications associées sont [90,92,95,91]). Les propriétés principales de notre méthode sont les suivantes : (i) aucun accès au signal original n'est exigé, (ii) les calculs relatifs à cette méthode sont rapides, puisque, une fois qualifié, le RN donne ses évaluations dans des temps négligeables, (iii) les résultats obtenus sont bien corrélés bien avec le MOS (c.-à-d. la perception humaine), (iv) beaucoup de paramètres influant la qualité peuvent être pris en considération, (v) elle peut fonctionner en temps réel et, par exemple, elle peut être facilement intégrée avec une application de multimédia.
• Nous étudions l'applicabilité de notre méthode au cas de l'évaluation de la qualité de la parole. Nous présentons les résultats d'expériences effectuées entre des sites nationaux et internationaux. Le but de ces expériences est d'identifier les plages typiques des paramètres de réseau. Nous employons trois codecs¹² différents de la parole à savoir PCM, ADPCM et GSM. Trois langues (l'arabe, l'espagnol et le français) sont considérées. En particulier, le taux de perte, la taille de rafales des pertes aussi bien que l'intervalle de la mise en paquet sont considérés (les publications associées sont [92,90]).
• Nous explorons l'applicabilité de notre méthode pour évaluer la qualité de la vidéo temps réel. Nous employons un codec H.263 et nous avons choisi cinq paramètres importants qui ont un impact fort sur la qualité visuelle. Ces paramètres sont : le débit, le débit d'images, le taux de perte, la taille des rafales des pertes, et la quantité de l'information redondante utilisée pour remédier à la perte (la publication associée est [95]).
• Nous fournissons une étude de l'impact des paramètres sur la qualité perçue. Notre étude est pour les applications vidéo et audio. À notre connaissance, c'est la première analyse des effets combinés de plusieurs paramètres de réseau et de l'encodage sur la qualité (les publications correspondantes sont [94,96]).

Dans le domaine de contrôle de débit, notre contribution est la suivante : $\bullet$

• Nous présentons un nouveau protocole de contrôle de débit qui intègre des mesures passives de réseau (par exemple, la perte) et la perception de l'utilisateur (la qualité) de flux multimédias transmis sur le réseau. Les objectifs de notre dispositif de contrôle sont doubles : d'abord, une meilleure utilisation de la bande passante, et en second lieu, la livraison de la meilleure qualité étant donnée la situation actuelle du réseau (la publication associée est [93]). On peut voir cette contribution comme une application de la méthode d'évaluation de qualité décrite précédemment. Nous avons examiné l'applicabilité de notre protocole pour la transmission de la parole et la vidéo via l'Internet.

Dans le domaine de la prévision du trafic, notre contribution est la suivante : $\bullet$

• Nous proposons une nouvelle méthode pour la prévision du trafic qui tient compte non seulement de la dépendance à court terme du processus du trafic, mais également celle à long terme. Nous étudions et évaluons notre modèle en employant de vraies traces de trafic et nous proposons quelques applications possibles qui peuvent tirer profit de notre nouvelle technique.

Dans le domaine de l'apprentissage d'un RN, la contribution principale est la suivante : $\bullet$

• Nous proposons deux nouveaux algorithmes d'apprentissage pour les réseaux de neurones aléatoires. Ces deux algorithmes sont inspirés des algorithmes d'apprentissage les plus rapides pour le ANN, à savoir Levenberg-Marquardt (LM) et une variante récemment proposée, référée comme LM avec adaptive momentum. Nous évaluons la performance de ces algorithmes et les comparons avec l'algorithme disponible de type ``gradient descente''. En outre, nous proposons quelques éléments de comparaison entre ANN et RNN.