Présentation
EnglishRÉSUMÉ
Le principal argument souvent avancé en physique pour utiliser les tenseurs est leur définition intrinsèque permettant l’invariance de leurs propriétés vis-à-vis du système de coordonnées. Dans cet article, un autre intérêt des tenseurs est mis en avant, à savoir l’unicité de leur décomposition en somme de tenseurs simples. Cette unicité permet d’identifier ces tenseurs simples à des grandeurs ayant un sens physique. Cette propriété unique, décrite en détail dans cet article, a inspiré de nombreux travaux ces dernières années dans des domaines applicatifs très variés, notamment en science des données, dont il est donné un aperçu.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Pierre COMON : Directeur de recherche Université Grenoble Alpes, CNRS, Grenoble INP, Gipsa-Lab, Grenoble, France
INTRODUCTION
Les tenseurs sont des objets utilisés depuis longtemps en physique, car ils jouissent de propriétés d’invariance vis-à-vis des systèmes de coordonnées utilisés. Ils apparaissent aussi lorsque l’on veut évaluer la complexité arithmétique de certains problèmes. Enfin, on les rencontre en statistiques, avec les moments et les cumulants de variables aléatoires multivariées. Mais plus récemment, les tenseurs ont fait leur entrée dans d’autres secteurs du monde de l’ingénieur, tels que les télécommunications, l’ingénierie biomédicale, la chimiométrie, le traitement du signal, et bien d’autres. Pourtant ce n’est pas l’indépendance du système de coordonnées dans leur définition qui a permis aux tenseurs de revenir au cœur des outils algébriques utilisés par les ingénieurs. Alors que s’est-il passé ?
Une des propriétés fondamentales des tenseurs est qu’ils peuvent se décomposer de manière unique en une somme de tenseurs plus simples, sous des hypothèses assez faibles. Et dans bien des situations, ces termes plus simples revêtent une signification physique intéressante. C’est cette propriété d’unicité qui leur a valu ce regain d’intérêt depuis une douzaine d’années. Nous décrivons cette propriété fondamentale dans la section 2. Toutefois, en présence d’erreurs de mesure (e.g. bruit), le tenseur mesuré n’a pas le rang escompté de sorte qu’il faudrait calculer la meilleure approximation de rang faible. Or cette approximation n’existe pas toujours comme nous le montrons dans la section 3, ce qui complique l’implantation des algorithmes. Enfin plusieurs applications phares sont décrites dans la section 4.
MOTS-CLÉS
rang tensoriel séparation aveugle des sources décomposition canonique polyadique (CP) MLSVD traitement d'antenne
DOI (Digital Object Identifier)
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
6. Annexe
Les petites démonstrations que nous incluons dans cette section ne sont pas disponibles dans la littérature, sans doute à cause de leur caractère évident. Toutefois il semble utile de les inclure dans un article de synthèse qui se veut accessible, au moins à titre illustratif. Il convient d’introduire des notations supplémentaires pour que les démonstrations restent concises et lisibles. En revanche, ces notations ne sont pas indispensables pour comprendre le reste de l’article.
6.1 Notations supplémentaires
-
Étant donné un vecteur u de taille K, on note Diag{u} la matrice diagonale K × K comprenant les éléments de u sur sa diagonale.
À toute matrice M de dimension K × R, on peut associer le vecteur v = vec{M} de dimension KR défini en empilant les colonnes de M les unes en dessous des autres ; autrement dit vi +( r− 1) K = Mir. Un tel opérateur peut aussi être défini pour des tableaux à plus de 2 indices. Par exemple pour un tenseur d’ordre 3 et de dimensions I × J × K, on définirait :
Exemple 21 : vectorisation d’un tenseurSoit u le vecteur de dimension 8 défini par υπ = π, 1 ≤ π ≤ 8. Alors nous avons :
TEST DE VALIDATION ET CERTIFICATION CerT.I. :
Cet article vous permet de préparer une certification CerT.I.
Le test de validation des connaissances pour obtenir cette certification de Techniques de l’Ingénieur est disponible dans le module CerT.I.
de Techniques de l’Ingénieur ! Acheter le module
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Annexe
BIBLIOGRAPHIE
-
(1) - HACKBUSCH (W.) - Tensor Spaces and Numerical Tensor Calculus. - Series in Computational Mathematics. Berlin, Heidelberg: Springer (2012). ISBN: 978-3-642-28026-9.
-
(2) - RUIZ-TOLOSA (J.R., CASTILLO (E.) - From Vectors to Tensors. - Universitext. Berlin, Heidelberg : Springer (2005).
-
(3) - LANDSBERG (J.M.) - Tensors : Geometry and Applications. - T. 128. Graduate Studies in Mathematics. AMS publ., p. 439 (2012).
-
(4) - SHITOV (Y.) - A counterexample to Comon’s conjecture. - In: SIAM Journal on Applied Algebra and Geometry 2.3 (2018), p. 428–443.
-
(5) - COMON (P.) et al - Symmetric Tensors and Symmetric Tensor Rank. - In: SIAM Journal on Matrix Analysis Appl. 30.3. hal-00327599, p. 1254–1279, sept. 2008.
-
(6) - COMON (P., JUTTEN...
DANS NOS BASES DOCUMENTAIRES
ANNEXES
H. BECKER et al. – Brain source IMaging Algorithms (BIMA). Logiciel de localisation de sources cérébrales distribués, IDDN. FR.001.200011.000. S.P.2016.000.31230. Mai 2016.
HAUT DE PAGE
P. Comon. Method and device for blind equalization of a communication channel. Patent no 9806709, registered for Eurecom Institute. Mai 1998.
L. ALBERA et al. Procédé d’identification et de séparation autodidacte de mélanges de sources aux ordres supérieurs – Method for High-Order Blind Identification of Mixtures of Sources. patent registered for Thales Communications, FR 03.04041. US extension US2004-0260522A1, Dec. 23, 2004. Avr. 2003.
HAUT DE PAGE
N-way toolbox :
http://www.models.kvl.dk/algorithms
Tensor Toolbox :
Tensor package :
http://www.gipsa-lab.grenoble-inp.fr/~pierre.comon
Three-mode company :
http://three-mode.leidenuniv.nl/
HAUT DE PAGECet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
QUIZ ET TEST DE VALIDATION PRÉSENTS DANS CET ARTICLE
1/ Quiz d'entraînement
Entraînez vous autant que vous le voulez avec les quiz d'entraînement.
2/ Test de validation
Lorsque vous êtes prêt, vous passez le test de validation. Vous avez deux passages possibles dans un laps de temps de 30 jours.
Entre les deux essais, vous pouvez consulter l’article et réutiliser les quiz d'entraînement pour progresser. L’attestation vous est délivrée pour un score minimum de 70 %.
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive