thesis

Régularisation de problèmes inverses linéaires avec opérateur inconnu

Defense date:

Jan. 1, 2011

Edit

Institution:

Toulouse 3

Disciplines:

Applied mathematics

Authors:

Directors:

Abstract EN:

We study regularization methods for different kinds of linear inverse problems. The objective is to estimate an infinite dimensional parameter (typically a function or a measure) from the noisy observation of its image through a linear operator. We are interested more specifically to discret inverse problems, for which the operator takes values in a finite dimensional space. For this kind of problems, the non-injectivity of the operator makes impossible the identification of the parameter from the observation. An aspect of the regularization is then to determine a criterion to select a solution among a set of possible values. We study in particular some applications of the maximum entropy on the mean method, which is a Bayesian regularization method that allows to choose a solution from prior informations. We also treat stability issues in inverse problems under compacity assumptions on the operator, in a general nonparametric regression framework with indirect observations.

Abstract FR:

Dans cette thèse, nous étudions des méthodes de résolution pour différents types de problèmes inverses linéaires. L'objectif est d'estimer un paramètre de dimension infinie (typiquement une fonction ou une mesure) à partir de l'observation bruitée de son image par un opérateur linéaire. Nous nous intéressons plus précisément à des problèmes inverses dits discrets, pour lesquels l'opérateur est à valeurs dans un espace de dimension finie. Pour ce genre de problème, la non­injectivité de l'opérateur rend impossible l'identification du paramètre à partir de l'observation. Un aspect de la régularisation consiste alors à déterminer un critère de sélection d'une solution parmi un ensemble de valeurs possibles. Nous étudions en particulier des applications de la méthode du maximum d'entropie sur la moyenne, qui est une méthode Bayésienne de régularisation permettant de définir un critère de sélection à partir d'information a priori. Nous traitons également des questions de stabilité en problèmes inverses sous des hypothèses de compacité de l'opérateur, dans un problème de régression non-paramétrique avec observations indirectes.