Communication Dans Un Congrès Année : 2023

MACHINE LEARNING FOR JOINT REPRESENTATION OF RANDOM AND EPISTEMIC UNCERTAINTIES

MACHINE LEARNING POUR LA REPRESENTATION CONJOINTE DES INCERTITUDES ALEATOIRES ET EPISTEMIQUES

A Reineix
C Guiffaut

Résumé

Solving electromagnetic problems requires the input of parameters that are not always precisely known. This imprecision may be due to uncertainties linked to the randomness of the problem or to a lack of information (epistemic uncertainties). We present several approaches for dealing with these two types of uncertainty in the same problem, either simultaneously or on different parameters. The dite-cut technique and polymorphic chaos polynomials in the case where one (or more) variables has both characteristics at the same time will be introduced. The representation of intervals in barycentric coordinates will enable interpolation between different interval widths. We'll also take a look at Vector Fitting in temporal processing, associated with chaos polynomials. Simple examples dealing with crosstalk between single-wire lines will illustrate these approaches.

La résolution de problèmes électromagnétiques nécessite le renseignement de paramètres qui ne sont pas toujours connus avec précision. Cette imprécision peut provenir d'incertitudes liées à l'aspect aléatoire du problème ou à un manque d'informations (incertitudes épistémiques). Nous présentons plusieurs approches traitant ces deux types d'incertitudes dans un même problème dans le cas où elles interviennent simultanément ou sur des paramètres différents. La technique dite-cut et les polynômes du chaos polymorphiques dans le cas où une (ou plusieurs) variable présente les deux caractères à la fois seront ainsi introduits. La représentation d'intervalles en coordonnées barycentriques permettra l'interpolation entre différentes largeur intervalles. De même, le traitement en temporel par Vector Fitting associé aux polynômes du chaos sera évoqué. Des exemples simples traitant de la diaphonie entre lignes monofilaires illustreront ces approches.

Fichier principal
Vignette du fichier
reineix_finalV2.pdf (1.77 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-04202717 , version 1 (11-09-2023)

Licence

Identifiants

  • HAL Id : hal-04202717 , version 1

Citer

A Reineix, C Guiffaut. MACHINE LEARNING POUR LA REPRESENTATION CONJOINTE DES INCERTITUDES ALEATOIRES ET EPISTEMIQUES. 21ème Colloque international et exposition sur la Compatibilité Electromagnétique, INP- ENSEEIHT, Jun 2023, Toulouse, France. ⟨hal-04202717⟩
93 Consultations
90 Téléchargements

Partager

  • More