Académique Documents
Professionnel Documents
Culture Documents
NASRI
Par N.Nasri
1 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Introduction
Très souvent l’information utile d’un signal se situe dans ses singularités et
ses structures irrégulières.
Une autre alternative est l’analyse par transformée en ondelettes qu’est une
extension de la TFCT, puisque l’analyse s’effectue sue une fenêtre glissante de taille
variable. Cette analyse est appelée : analyse temps- échelle
2 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Chapitre I :
I- Introduction :
Les séries temporelles appelées aussi séries chronologiques, occupent une
place importante dans tous les domaines de l’observation ou de collecte de données.
II- Définitions :
Exemple simple : Un bilan du flux des gens qui entrent dans un magasin et qui en
sortent, touts les demi heures, peut former une série temporelle.
On aura par exemple : {1 0 4 -3 8 -1 ….}.
D’autres caractéristiques évolutives, comme les chocs, peuvent être observés, mais
sont moins liées à la structure de la série.
Il est utile de séparer ces composantes, pour les raisons suivantes :
Répondre à des questions du bon sens, comme celle de la croissance ou
la décroissance générale du phénomène observé.
Mettre en évidence la présence éventuelle d’une variation périodique
grâce à l’analyse de la composante saisonnière.
Débarrasser le phénomène de sa tendance et de ses variations
périodiques pour observer plus aisément le phénomène aléatoire.
3 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
4 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Problème !
En général, les processus ne sont pas stationnaires. Ainsi pour les étudier, il
faut le « stationnariser ».
III- Notion de fenêtre :
D’une façon générale, on appelle fenêtre la suite des coefficients utilisés pour
pondérer un signal afin de le rendre stationnaire localement.
5 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Problème !
La fenêtre rectangulaire n'est pas forcément la meilleure. On peut le
comprendre indifféremment dans le domaine temporel ou fréquentiel :
Domaine temporel : le signal « fenêtré » s'interrompt brusquement aux temps t=T0
et t=Tf de la fenêtre. Ceci génère des hautes fréquences au spectre du signal.
Domaine fréquentiel : la fonction Sinc a des lobes non négligeables loin de f=0.
Afin de compenser ces défauts, une variété de fenêtres a été imaginée. Bien sur
aucune n'est idéale !
6 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
III- 2- Résolution :
On peut définir la résolution en fréquence par l’écart minimal qui doit exister
entre les fréquences de deux sinusoïdes d’amplitudes différentes pour observer sur
le spectre de leur somme un creux de plus de 3 dB entre les deux maxima. Il s’agit
de séparer deux fréquences voisines.
7 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Chapitre II :
I- Introduction :
L’analyse spectrale a pour objectif la recherche de la répartition de l’énergie
ou la puissance du signal, en fonction de la fréquence. Le problème majeur est le
nombre fini d’échantillons des signaux physiques, ce qui induit automatiquement
une perte en résolution fréquentielle.
II- Définitions :
II- 2- Le spectre :
Le spectre d’un signal nous donne une indication sur la rapidité de variation
du signal dans le domaine temporel. (ie : un spectre étendu traduit que le signal est
à variations rapides et ainsi l’échantillonnage doit être rapide afin de ne pas perdre
d’informations).
8 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
j .n. .t
Avec : Cn 1
T x (t ).e dt
0
II- 5- La densité spectrale : C’est une énergie donnée par :
S ( ) R( x).e .d
j
Avec :
R(x) est la fonction d’autocorrélation.
Problème !
Un calculateur numérique ne peut traiter qu’un nombre fini de valeurs
discrètes, on est conduit alors à la transformée de Fourier discrète.
N 1
j 2. / N
Avec : wN =e n, k= 0 : N-1
9 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Problème !
La TFD s’applique en théorie, sur un signal infiniment long ou complété
d’une infinité de zéros. Mais, en pratique, le signal à analyser est fini. Ceci est
équivalent à la multiplication du signal infini par une fenêtre de pondératio
V- Conclusion :
La transformée de Fourier a l’inconvénient de perdre toute localisation
temporelle. Il est intéressant d’avoir une représentation conjointe qui nous informe
sue le comportement fréquentiel et temporel.
10 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Chapitre III :
I- Introduction :
La nature des signaux physiques étant non stationnaire, conduit forcément à
les multiplier par une fenêtre de pondération afin de les « stationnariser ».
Cette approche nous permet aussi de localiser « temporairement » le spectre du
signal. Ce chapitre introduira principalement la transformée de Fourier à court
terme (TFCT) et la transformée de Weigner-Ville.
II- 1- Le spectrogramme :
Le spectrogramme est défini comme une densité d’énergie, soit :
N 1
S ( k , v) h(n).x(k n).e 2 . j. .n
2
n 0
Remarque :
La transformée de Fourier à court terme ou son module élevé au carré (ie :
spectrogramme) considère implicitement un signal non stationnaire comme une
succession de situations quasi-stationnaires, à l’échelle de la fenêtre à court terme
h(n).
11 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Problème !
Comme la TFCT suppose la stationnarité du signal sur la fenêtre d’analyse, la
nature du signal dépendra alors de la fenêtre à utiliser, ce qui fixe la résolution.
La résolution temporelle est fixée par la largeur de la fenêtre.
La résolution fréquentielle est fixée par la largeur de la transformée de Fourier
de la fenêtre.
Ces deux largeurs étant antagonistes, on se trouve donc en présence d’un
compromis entre les résolutions temporelle et fréquentielle. Un choix judicieux de la
fenêtre d’analyse s’avère nécessaire.
12 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
II- 4- Comparaison :
En général on caractérise une fenêtre par l'atténuation X (en dB) du premier lobe
secondaire. La valeur de X est indépendante du nombre de points N.
13 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Convolution :
y(t ) x(t ) * h(t ) W y (t , f ) Wx (t , f ) *Wh (t , f )
Modulation :
Conservation du support :
x(t ) 0 t T W y (t , f ) 0 t T
x(t ) 0 f B Wy (t , f ) 0 f B
Problème !
La distribution énergétique temps-fréquence Wx(t, f ) est réelle mais pas
toujours positive ! ?
Interférences : la forme quadratique de TWV génère des termes
d’interférence.
Si x(t) = x1(t) + x2(t)
Wx(t, f ) = Wx1 (t, f ) +Wx2 (t, f ) +Wx1,x2 (t, f ) +Wx2,x1 (t, f )
Ceci à fait penser de lisser Wigner-Wille (par convolution) pour réduire les
interférences.
14 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Conclusion :
Du fait qu’elle s’appuie sur la décomposition du signal, contenu dans une
fenêtre glissante de taille fixe, La transformée de Fourier à court terme s’est
affranchit du problème de stationnarité. Mais reste toujours difficile à interpréter
physiquement dans certains cas. La transformée de Wigner-Ville est une bonne
solution à ce problème, bien que sa forme quadratique génère des termes
d’interférences indésirables.
15 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Chapitre IV :
I - Introduction :
La plupart des signaux du monde réel ne sont pas stationnaires, et c’est
justement dans l’évolution de leurs caractéristiques (statistiques, fréquentielles,
temporelles, spatiales) que réside l’essentiel de l’information qu’ils contiennent. Or
l’analyse de Fourier propose une approche globale du signal, les intégrations sont
faites de moins l’infini à plus l’infini, et toute notion de localisation temporelle
disparaît dans l’espace de Fourier ; il faut donc trouver un compromis : une
transformation qui renseigne sur le contenu fréquentiel tout en préservant la
localisation afin d’obtenir une représentation temps/fréquence ou espace/échelle
du signal. D’où l’importance de l’analyse par ondelettes.
Les ondelettes permettent, comme les sinus et les cosinus, de décomposer un signal,
à la différence qu’elles sont localisées en temps et en fréquence. Ceci se traduit par le
fait que l’ondelette s’exprime par une fonction non nulle sur un intervalle fini et nul
partout ailleurs. Avec les ondelettes, on sait donc en quelque sorte quand un
événement se produit et comment il se produit, avec une certaine incertitude.
16 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
avec :
a : le facteur d’échelle
b : le facteur de translation.
17 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
En termes mathématiques, si f(t) est une fonction du temps donnée, la fonction f(at)
est une version compressée de f(t) si a>1 et une version dilatée de f(at) si a<1.
Problème !
Dans le cas de dé-bruitage, par exemple, est ce qu’on peut reconstituer,
fidèlement, le signal avec la transformée en ondelettes inverse ?
Pour surpasser ce problème, il faut que la condition d’admissibilité soit vérifiée.
(w).e
jwt
( w) w 0 dt
18 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Cette condition est nécessaire pour assurer d’avoir le signal d’origine x(t) à partir de
la transformée en ondelettes inverse.
1 t b 1
x(t )
c TO . (
x
a
). 2 .da.db
a
Sous la condition que : c
x 1 (t ) 2 .dx. soit fini.
19 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
V- Le scalogramme :
Le scalogramme est une distribution d’énergie représentée en temps-échelle.
Pour des signaux physiques présentant des variations très rapides; l’analyse
en ondelettes est adaptée car l’ondelette va détecter ses singularités et
analyser celles-ci. Cette particularité rend l’analyse en ondelettes
complémentaire à l’analyse de Fourier. En effet, avec cette dernière, les
discontinuités d’un signal ne sont pas facilement analysables, car les
coefficients des fréquences correspondantes sont étalés dans toute la
transformée.
VIII- Conclusion :
L’analyse temps-échelle reste l’outil le plus fort, puisque l’analyse s’effectue
sue une fenêtre glissante de taille variable.
20 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Chapitre V :
I- Introduction :
La variabilité apparente du Soleil (variations de sa luminosité) est aisément
détectable (ne serait-ce qu'en observant le nombre de taches sur le disque) et est
connue depuis près de deux siècles et demi. En revanche, des mesures directes des
variations de sa luminosité n'ont été obtenues que depuis une dizaine d’années.
L'irradiance totale, indicateur de la luminosité, est définie comme étant l'énergie
rayonnante (en Watt par mètre carré) émise par le soleil arrivant chaque seconde sur
une surface de un mètre carré à l'extérieur de l'atmosphère terrestre.
Exemple :
Un groupe de taches solaires mesurait plus de 160000 Km (13 fois la Terre) et était
visible à l'oeil nu le 25 mars 2001.
21 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
22 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Le périodogramme :
Les graphes suivant représentent le periodogramme de la série Sunspot, un
est donné en fonction des « cycle/année » et l’autre par « année/cycle »:
On remarque que le pic se produit pour une période de 11 ans. Cela confirme que
l'activité du soleil mesurée varie selon des cycles assez réguliers de onze ans.
La transformée en ondelettes:
Pour cette analyse, nous avons choisi d’appliquer l’ondelette mère de Morlet
qui est la plus utilisée. Son expression est donnée comme suit :
t ( 1 / 4) exp(iw0t ) exp( t 2 / 2)
w0 : est le nombre d’oscillation (choisi w0 =6).
D’où :
Fc qui est la fréquence centrale de l’ondelette mère est calculée comme suit :
Fc w0
2* 0.96Hz
23 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
a t
1
( 1 / 4 ) exp (iw0t / a) exp ( (t / a) 2 / 2)
a
Une fois l'ondelette mère choisie (ondelette de Morlet), le calcul commence avec
a=0.005, puis, pour toutes les valeurs de a jusque a=0.95, on calcule la CWT.
Une CWT complète est rarement nécessaire, dans le cas pratique, les signaux ont
une largeur de bande limitée et le calcul de la transformée est effectué sur un
intervalle d'échelles borné, tel est le cas pour notre signal. Nous utiliserons un
intervalle de valeurs de a borné pour notre étude.
a=0.4633 a=0.04877
2 2
0 0
-2 -2
-5 0 5 10 -5 0 5 10
a=0.5133 a=5404
2 2
0 0
-2 -2
-5 0 5 10 -5 0 5 10
a=0.5688 a=0.5987
1 1
0 0
-1 -1
-5 0 5 10 -5 0 5 10
a=0.6302 a=0.6634
1 1
0 0
-1 -1
-5 0 5 10 -5 0 5 10
a=0.6983 a=0.7351
1 1
0 0
-1 -1
-5 0 5 10 -5 0 5 10
24 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Le scalogramme :
Figure 13 : Scalogramme.
Commentaire :
Conclusion :
Ces études sont importantes non seulement pour mieux comprendre les
mécanismes qui régissent l'activité solaire mais aussi pour permettre de vérifier la
relation entre activité solaire et climat terrestre.
25 www.blogmatlab.blogspot.com/
Analyse spectrale des séries temporelles N.NASRI
Conclusion :
26 www.blogmatlab.blogspot.com/
visiter le site :
blogmatlab.blogspot.com