Série N°3 : Administration système -- Correction
Série N°3 : Administration système -- Correction
UNIX System Administration · lab
Voir tous les documents en systèmes d'exploitation et cloudTous les exercices en systèmes d'exploitation et cloud
Fiche de révisionGuide de TP
Rédigée à partir de ce document, puis vérifiée avant publication.
Ce TP porte sur la résolution du problème inverse en EEG par régularisation. Il présente deux méthodes principales : la régularisation de Tikhonov (norme L2) et la régularisation TV-L1, appliquées respectivement via les algorithmes MNE et SISSY. L’objectif est d’implémenter ces algorithmes, d’étudier l’influence des paramètres de régularisation et de comparer différentes heuristiques pour leur choix. Pour réaliser ce TP, il faut disposer des données EEG simulées, des matrices de gain A et de l’opérateur variation T, ainsi que d’un environnement de calcul permettant la manipulation matricielle et la visualisation 3D.
Le problème inverse régularisé de Tikhonov s’écrit :
min_s ||x − As||2^2 + λ||s||2^2
La solution analytique est donnée par :
s = Aᵀ (A Aᵀ + λ I)⁻¹ x
où I est la matrice identité. Cette formule permet d’obtenir directement la solution sans itération.
Étapes :
MNE(x, A, lambda) qui calcule s selon la formule ci-dessus.trisurf pour observer la distribution des sources.Un résultat correct montre une solution lisse qui équilibre la fidélité aux données et la régularisation.
Pour approfondir la compréhension :
GCV(λ) = ||x − As||2^2 / (trace{I − A (AᵀA + λ I)⁻¹ Aᵀ})^2
= ||x − As||2^2 / (trace{I − A Aᵀ (A Aᵀ + λ I)⁻¹})^2
Comparer les performances des trois heuristiques et conclure sur leur efficacité dans le contexte EEG.
Le problème d’optimisation est :
min_s ||x − As||2^2 + λ (||z||1 + α ||y||1)
s.t. z = Ts, y = s
avec T l’opérateur variation (gradient sur la surface du maillage cortex). L’algorithme ADMM met à jour les variables s, z, y et les multiplicateurs de Lagrange u, v selon :
s^(k+1) = (AᵀA + ρ (TᵀT + I))⁻¹ [Aᵀ x + ρ Tᵀ z^(k) + Tᵀ u^(k) + ρ y^(k) + v^(k)]
z^(k+1) = prox_(λ/ρ)(T s^(k+1) − u^(k)/ρ)
y^(k+1) = prox_(λα/ρ)(s^(k+1) − v^(k)/ρ)
u^(k+1) = u^(k) + ρ (z^(k+1) − T s^(k+1))
v^(k+1) = v^(k) + ρ (y^(k+1) − s^(k+1))
où prox_β(y) est l’opérateur proximal associé à la norme L1, défini par :
prox_β(y)_i =
y_i − β si y_i > β
y_i + β si y_i < −β
0 sinon
avec ρ = 1.
Pour réduire la complexité numérique lors de la mise à jour de s, on utilise une décomposition de Cholesky et un lemme d’inversion. Au début de l’algorithme, insérer :
P = sparse(ρ * (T.' * T + speye(size(T, 2))));
APi = A / P;
L = chol(eye(size(A, 1)) + APi * A.', 'lower');
s1 = A.' * x;
Dans la boucle d’itérations (fixée à 60), mettre à jour s par :
b = s1 + ρ * (T.' * (z + u / ρ) + y + v / ρ);
s = P \ b - APi.' * (L.' \ (L \ (APi * b)));
Étapes :
SISSY(x, A, T, lambda, alpha) implémentant ADMM avec les mises à jour ci-dessus.f(s) = ||T s||_0 + α ||s||_0
où ||·||_0 est la norme L0 (nombre d’éléments non nuls). Pour calculer cette norme, considérer que tous les éléments s_d tels que :
|s_d| < 0.01 * max_{d} |s_d|
sont nuls. Tester cette heuristique pour λ et comparer avec le résultat obtenu par le principe de discrepancy.