Abstract FR:

Soumis à une forte concurrence, les opérateurs des réseaux mobiles sont amenés à s'engager sur la qualité de service offerte aux clients, devenue un enjeu majeur dans le choix de l'infrastructure et des services associés. Ces opérateurs ont recours à des simulations durant la phase de déploiement et d'optimisation du réseau. Ces simulations doivent être robustes afin de donner une idée fiable du comportement du réseau. Cette thèse a deux contributions principales. La première contribution propose une méthode de simulation bénéficiant des avantages évitant les inconvénients des approches existantes. La méthode proposée combine l'utilisation des modèles a priori et l'utilisation des informations \emph{a posteriori} afin de garantir une simulation robuste, semi-couplée, et applicable à toutes les configurations. Pour y parvenir, les modèles mathématiques sont utilisés pour calculer, dans une première approximation, des distributions des indicateurs de performance. Les distributions des indicateurs de performances simulées présentent, par rapport à celles mesurées, un biais dû aux différentes simplifications faites dans les modèles a priori. La relation entre les mesures et les simulations est apprise par un système d'apprentissage, de type réseau de neurones, et elle est utilisée pour corriger le biais existant. La seconde contribution de cette thèse est l'utilisation d'une technique de pré-traitement des données, en aval du réseau de neurones, pour remédier aux problèmes de complexité et d'apprentissage rencontrés pendant la phase d'apprentissage: les indicateurs de performances sont corrélés et les distributions utilisées doivent être des distributions muti-dimensionelles conjointes, ce qui augmente le nombre d'entrées/sorties du réseau de neurones. La technique de pré-traitement d'analyse en composantes indépendantes a permis d'utiliser des distributions indépendantes et de réduire la complexité de l'apprentissage. Le principal intérêt de la méthode proposée est la possibilité de généraliser le résultat de l'apprentissage à des nouvelles configurations pour lesquelles l'opérateur ne possède pas des mesures correspondantes. La capacité de généralisation du système d'apprentissage a été testée et une amélioration a été proposée pour garantir une généralisation acceptable. Il s'agit de contrôler la taille de l'espace d'apprentissage pour trouver un compromis entre la minimisation de l'erreur réelle et la minimisation de l'erreur empirique et un arbitrage entre la réduction du biais et la réduction de la variance de l'estimation. Ces compromis sont contrôlés par une classification de l'espace d'apprentissage en sous espaces dans lesquels les performances de généralisation du réseau des neurones sont meilleures.