http://dspace.univ-mascara.dz:8080/jspui/handle/123456789/10 2026-06-09T09:01:20Z http://dspace.univ-mascara.dz:8080/jspui/handle/123456789/1452 Titre: Etude des propriétés électroniques et magnétiques des matériaux II-VI et III-V dopé par les ions terre rares pour les applications en électronique de spin Auteur(s): MEKRI, Abdelaziz Résumé: Dans cette étude, en utilisant les calculs DFT + U, nous examinons les propriétés structurelles, optiques et magnétiques du ZnS et GaP dopé au Ce, en mettant l'accent sur l'ingénierie de la bande interdite et l'induction d'états ferromagnétiques. Notre analyse théorique indique que le dopage au Ce modifie substantiellement la structure électronique du ZnS et GaP, réduisant la bande interdite du ZnS de 3,37 eV dans le matériau pur à 2,8 eV pour un niveau de dopage de 12 %. Cette réduction de la bande interdite est attribuée à la formation d'états localisés Ce-4f dans la bande interdite, permettant des transitions optiques sub-bandes interdites, comme le montre l'augmentation de l'absorption à la fois dans les spectres infrarouge et visible. Pour Le GaP l’incorporation de Ce introduit des états localisés dérivés de 4f proches du niveau de Fermi, conduisant à une réduction marquée de la bande interdite. De plus, l'incorporation d'ions Ce3+ introduit des états ferromagnétiques en raison des orbitales 4f partiellement remplies, rompant la symétrie temporelle et permettant des fonctionnalités dépendantes du spin. En contrôlant précisément le dopage au Ce, les propriétés optiques et magnétiques du ZnS peuvent être finement ajustées, ce qui en fait un matériau prometteur pour des applications avancées telles que les diodes électroluminescentes, les phosphores, les détecteurs infrarouges et les dispositifs spintroniques. Cette étude offre un examen complet des effets du dopage au Ce dans le ZnS et souligne son potentiel dans les technologies optoélectroniques et spintroniques de nouvelle génération. 2026-05-31T00:00:00Z http://dspace.univ-mascara.dz:8080/jspui/handle/123456789/1449 Titre: Fonctions Convexes et les Barycentres dans des Variétés Différentielles Auteur(s): BOUREGAA, Senouci Résumé: Cette thèse étudie les barycentres et les moyennes de Fréchet sur les variétés riemanni-ennes, dans le but de généraliser la notion classique de moyenne aux données situées sur des espaces géométriques non linéaires. En s’appuyant sur les propriétés des fonctions convexes et géodésiquement convexes, elle introduit la notion de barycentre convexe dans ce cadre. Les résultats théoriques sont appliqués à des variétés matricielles importantes, notam-ment la variété de Stiefel, la variété de Grassmann et la variété des matrices symétriques définies positives (SPD), largement utilisées en analyse statistique et en traitement de données géométriques. La thèse propose également des méthodes numériques et des algorithmes géodésiques permettant de calculer efficacement les barycentres riemanniens, en exploitant la structure géométrique des variétés. Une application majeure concerne l’analyse du risque sur les marchés financiers. Les matrices de covariance, représentant les dépendances entre actifs, sont modélisées comme des points sur la variété SPD. Le barycentre riemannien fournit alors une estimation robuste de la structure globale du marché, permettant d’évaluer le risque structurel, d’analyser l’évolution des corrélations et de mieux comprendre la dynamique des marchés financiers. 2026-05-25T00:00:00Z http://dspace.univ-mascara.dz:8080/jspui/handle/123456789/1448 Titre: Polycopié de cours : Chimie de l'environnement : Domaine : Sciences de la Matière : 2éme Année Master - Spécialité : Catalyse Auteur(s): ZAHAF, Faiza 2026-05-20T00:00:00Z http://dspace.univ-mascara.dz:8080/jspui/handle/123456789/1441 Titre: Design of Bio-Inspired Metaheuristics for Medical Image Classification Auteur(s): KHALDI, Brahim Résumé: Breast cancer diagnosis relies fundamentally on histopathological examination of tissue samples; however, manual microscopic evaluation by pathologists is subjective, time-consuming, and prone to inter-observer variability. While deep learning has demonstrated remarkable success in medical image analysis, conventional single-architecture models exhibit inherent limitations. Convolutional neural networks excel at local feature extraction but fail to capture global contextual relationships, whereas Vision Transformers effectively model long-range dependencies but may be inefficient in representing fine-grained local details that are critical for histopathological interpretation. Moreover, optimizing deep learning models through hyperparameter tuning and feature selection remains computationally expensive and often suboptimal when relying solely on gradient-based optimization techniques. This thesis proposes HNet, a novel hybrid deep learning architecture that strategically integrates three complementary neural paradigms for histopathological image classification. HNet combines EfficientNet for efficient local feature extraction from tissue morphology, an Advanced Vision Transformer (AVT) for capturing global contextual relationships and long-range tissue patterns, and Capsule Networks (CapsNet) for explicitly modeling spatial hierarchies and part-whole relationships inherent in tissue organization. To address the challenges of high-dimensional feature spaces and suboptimal parameter tuning, a Genetic Algorithm (GA)-based feature selection mechanism is incorporated as a critical preprocessing step between the concatenated EfficientNet-AVT feature representations and the CapsNet input. This metaheuristic-driven optimization enables automatic identification of the most discriminative features while reducing dimensionality and computational complexity. Comprehensive experimental validation is conducted on the BreakHis dataset, encompassing binary (benign vs. malignant) breast cancer classification tasks. Detailed ablation studies quantify the individual contributions of each architectural component as well as the impact of GA-based feature selection on overall performance. Comparative evaluation against recent state-of-the-art methods demonstrates that the proposed HNet architecture achieves superior classification accuracy, sensitivity, specificity, and F1-score, establishing a new benchmark for breast cancer histopathology classification. The integration of metaheuristic-driven optimization with hybrid deep learning significantly enhances model robustness, generalization to unseen data, and computational efficiency compared to non- optimized approaches. Beyond empirical performance gains, this work demonstrates how hybrid metaheuristic, deep learning frameworks can be effectively integrated into clinical workflows by addressing real-world deployment constraints, including inference latency, computational resource utilization, and model interpretability. The proposed methodology provides a generalizable template for applying metaheuristic-optimized 5 hybrid deep learning to a wide range of medical image classification tasks, offering substantial potential for advancing automated computer-aided diagnosis systems and digital pathology. 2026-05-06T00:00:00Z