https://dspace.univ-ouargla.dz/jspui/handle/123456789/205 2026-04-30T02:24:40Z 2026-04-30T02:24:40Z Djilani, Belila https://dspace.univ-ouargla.dz/jspui/handle/123456789/40310 2026-02-10T09:18:08Z 2026-01-01T00:00:00Z

Titre: Image Representation Using The Intrinsic Texture Properties Auteur(s): Djilani, Belila Résumé: Texture is fundamental to computer vision, yet analyzing its structure re mains difficult due to variations in scale and pattern. By employing multi scale analysis based on wavelet theory, this thesis bridges the gap between classical signal analysis and modern deep learning to address these challenges and conduct an in-depth analysis of intrinsic texture properties. We introduce two complementary methods. The Wavelet Texture De scriptor (WTD) combines fixed wavelet decomposition with rigorous feature selection to maximize efficiency in limited data environments. The Data Driven Wavelet Transform (DDWT) takes this further by embedding a train able wavelet layer into a neural network, allowing the model to learn task specific wavelet filters rather than relying on rigid, fixed ones. Experimental evaluation confirms that WTD achieves state-of-the-art re sults, while DDWT offers superior adaptability for complex, heterogeneous textures with negligible additional parameters and minimal computational cost. Ultimately, this work proves that blending wavelet theory with modern learning creates robust, interpretable representations for visual recognition, extending the value of wavelets into the deep learning era. Description: Artificial Vision

2026-01-01T00:00:00Z Mohammed Elsadiq, BARMATI https://dspace.univ-ouargla.dz/jspui/handle/123456789/39871 2026-01-11T09:38:35Z 2026-01-01T00:00:00Z

Titre: A Transfer Learning-Based Approach for Arabic Sentiment Analysis Auteur(s): Mohammed Elsadiq, BARMATI Description: Artificial Intelligence

2026-01-01T00:00:00Z Fares, Bennaceur https://dspace.univ-ouargla.dz/jspui/handle/123456789/39709 2025-12-17T10:35:32Z 2025-01-01T00:00:00Z

Titre: Intelligent Forecasting and Control Strategies for Multi-Source Renewable Energy Systems Auteur(s): Fares, Bennaceur Résumé: The integration of multi-source renewable energy systems into smart grids remains chal- lenging due to the intermittent nature of renewable sources, load variability, and the need for efficient control and stability. This thesis proposes an intelligent framework integrating forecasting, control, and energy management to enhance the performance and reliability of hybrid renewable systems. The first contribution focuses on solar irradiation forecasting, which provides the foun- dation for intelligent decision-making in hybrid systems. Deep learning and machine learn- ing techniques CNN, LSTM, CNN–LSTM, and SVM are employed to predict short-term solar irradiance with high accuracy, allowing better planning and real-time adaptation of control strategies. The second contribution addresses maximum power point tracking (MPPT), where three intelligent controllers ANFIS with subtractive clustering, a GWO based controller, and an IT2FL controller are developed to maximize PV energy extraction under rapidly changing conditions. The third contribution concerns battery State of Charge (SOC) estimation, achieved through a Cascade Forward Neural Network (CFNN) model capable of handling nonlin- earities and temporal variations. The proposed SOC estimator improves accuracy and ensures optimal energy utilization and battery health. Finally, an Energy Management System (EMS) based on hybrid metaheuristic algo- rithms GWOPSO and ALO is designed to maintain DC bus voltage stability and manage power flow between PV, wind, and storage units. Simulation results demonstrate that the proposed AI-driven framework outperforms conventional approaches in terms of forecasting accuracy, MPPT efficiency, SOC reliabil- ity, and EMS stability, contributing to the realization of intelligent and sustainable smart grids.; L’intégration des systèmes hybrides à sources d’énergie renouvelable dans les réseaux in- telligents demeure un défi en raison du caractère intermittent des ressources renouvelables, de la variabilité de la charge et de la nécessité d’un contrôle efficace et stable. Cette thèse propose un cadre intelligent intégrant la prévision, le contrôle et la gestion énergétique afin d’améliorer les performances et la fiabilité des systèmes hybrides. La première contribution concerne la prévision de l’irradiation solaire, qui constitue la base de la prise de décision intelligente dans les systèmes hybrides. Des techniques d’ap- prentissage profond et d’apprentissage automatique CNN, LSTM, CNN LSTM et SVM sont utilisées pour prédire l’irradiation solaire à court terme avec une grande précision, permettant une meilleure planification et une adaptation en temps réel des stratégies de contrôle. La deuxième contribution traite du suivi du point de puissance maximale (MPPT), où trois contrôleurs intelligents ANFIS avec partitionnement soustractif, un contrôleur basé sur le GWO, et un contrôleur IT2FL sont développés afin de maximiser l’extraction de puissance photovoltaïque sous des conditions rapidement variables. La troisième contribution est liée à l’estimation de l’état de charge (SOC) des batteries, réalisée à l’aide d’un modèle Cascade Forward Neural Network (CFNN) capable de gérer les non-linéarités et les variations temporelles. L’estimateur proposé améliore la précision et garantit une utilisation énergétique optimale et une meilleure durée de vie des batteries. Enfin, un système de gestion de l’énergie (EMS) fondé sur des algorithmes méta- heuristiques hybrides GWOPSO et ALO est conçu pour maintenir la stabilité de la tension du bus CC et gérer les flux d’énergie entre les unités PV, éoliennes et de stockage. Les résultats de simulation montrent que le cadre intelligent proposé dépasse les ap- proches conventionnelles en termes de précision de prévision, d’efficacité MPPT, de fiabi- lité SOC et de stabilité EMS, contribuant ainsi au développement de réseaux intelligents durables et autonomes. Description: Electronic

2025-01-01T00:00:00Z HEBBACHE, Khaled https://dspace.univ-ouargla.dz/jspui/handle/123456789/38261 2025-03-09T10:05:42Z 2024-01-01T00:00:00Z

Titre: Deep versus handcrafted approaches for improving medical image security using watermarking Auteur(s): HEBBACHE, Khaled Résumé: As advancements in computer vision continue to transform healthcare, the need to protect medical images, particularly in telemedicine, has become increasingly critical. This thesis explores the domain of medical image watermarking, offering a detailed comparison between handcrafted methods and deep learning approaches, with a specific emphasis on feature extraction techniques. A comprehensive state-of-the-art review sets the stage, identifying the strengths and limitations of various watermarking strategies aimed at safeguarding medical images. The primary contributions of this research include three proposed watermarking methods. First, a novel blind watermarking method based on Local Binary Patterns and Discrete Wavelet Transform (LBP-DWT) is presented, specifically designed for telemedicine applications. Second, a gradient-based feature extraction technique, termed "GradWater," is developed to further strengthen watermark security through rich image-driven features. Third, a deep learning-based zero watermarking technique is proposed, utilizing a pre-trained VGG16 model. This method generates the watermark without embedding any alterations into the original medical image, ensuring its quality remains intact while maintaining strong security. An extensive experimental evaluation compares the feature extraction capabilities of handcrafted methods against those of deep learning approaches, focusing on their resistance to various attacks, such as noise, compression, and geometric distortions, while preserving the quality of the medical images. The findings also offer a comparative analysis of zero and non- zero watermarking schemes, providing valuable insights into their respective advantages.; Avec les avancées de la vision par ordinateur qui continuent de transformer le domaine de la santé, la nécessité de protéger les images médicales, en particulier dans la télémédecine, devient de plus en plus cruciale. Cette thèse explore le domaine du tatouage numérique des images médicales, en offrant une comparaison détaillée entre les méthodes artisanales et les approches basées sur l'apprentissage profond, avec un accent particulier sur les techniques d'extraction de caractéristiques. Une revue complète de l'état de l'art est présentée, identifiant les forces et les limites des différentes stratégies de tatouage visant à protéger les images médicales. Les principales contributions de cette recherche comprennent trois méthodes de tatouage numérique proposées. Premièrement, une nouvelle méthode de tatouage aveugle basée sur les motifs binaires locaux (LBP) et la transformation en ondelettes discrète (DWT) est présentée, spécifiquement conçue pour les applications de télémédecine. Deuxièmement, une technique d'extraction de caractéristiques basée sur le gradient, appelée "GradWater", est développée pour renforcer davantage la sécurité des tatouages à travers des caractéristiques riches et tirées des images. Troisièmement, une technique de tatouage zéro basée sur l'apprentissage profond est proposée, utilisant un modèle pré-entraîné VGG16. Cette méthode génère le tatouage sans introduire de modifications dans l'image médicale originale, assurant ainsi la préservation de sa qualité tout en maintenant une sécurité robuste. Une évaluation expérimentale approfondie compare les capacités d'extraction de caractéristiques des méthodes artisanales à celles des approches d'apprentissage profond, en se concentrant sur leur résistance à diverses attaques, telles que le bruit, la compression et les distorsions géométriques, tout en préservant la qualité des images médicales. Les résultats offrent également une analyse comparative des schémas de tatouage zéro et non-zéro, fournissant des informations précieuses sur leurs avantages respectifs. Description: Computer Science

2024-01-01T00:00:00Z