Application de la théorie des ondelettes
|
|
- Bernadette Roberge
- il y a 8 ans
- Total affichages :
Transcription
1 - Application de la théorie des ondelettes Valérie Perrier Laboratoire de Modélisation et Calcul de l IMAG Institut National Polytechnique de Grenoble Valerie.Perrier@imag.fr Enseignement UNESCO Traitement du signal et des images numériques, Tunis, ENIT, 4-8 mars 25
2 Planning des cours Cours Transformée en Ondelettes Continue D et applications Cours 2 Transformée en Ondelettes Continue 2D. Partie I : théorie et implémentation. Cours 3 Transformée en Ondelettes Continue 2D. Partie II : Applications en imagerie médicale. Cours 4 Bases d ondelettes D et applications. Cours 5 Bases d ondelettes 2D. Applications au traitement d images (compression, débruitage).
3 Bibliographie générale Livres : - S. Mallat, Une exploration des signaux en ondelettes, Les Editions de l Ecole Polytechnique, 2. - B. Torresani, Analyse continue par ondelettes, Savoirs actuels - Interéditions/CNRS éditions, 995. Liens intéressants : - WaveLab : bibliothèque de TO -gratuite- tournant sur matlab : - Wavelet Digest : le site de la communauté ondelettes : évènements, bibliographie, softwares, liens, Let It Wave : la première startup française vendant des ondelettes, bandelettes, etc.., créée par S. Mallat :
4 Cours : Transformée en Ondelettes Continue D et applications - I - Transformée en Ondelettes Continue - Généralités - Introduction : de Fourier aux ondelettes 2 - Définitions : ondelettes, TOC. 3 - Propriétés de la TOC. Formules d inversion. 4 - Implémentation. 5 - Exemples. Représentation temps-échelle. 6 - Analyse de la régularité locale d une fonction - II - Applications de la transformée en Ondelettes continue - Détection et calcul de singularités par la technique de suivi des maxima lines de Mallat 2 - Turbulence : analyse spectrale locale. Comparaison spectres Fourier/ondelettes.
5 - I -Transformée en Ondelettes Continue - Généralités - De l analyse de Fourier à l analyse par ondelettes L analyse de Fourier est une analyse en fréquence d un signal f(x) (x=temps) Si la fonction f est périodique de période T: c n (f) = T ou, si f appartient à L (R) : T f(x)e 2iπ n T x dx ˆf(ν) = + f(x)e 2iπνx dx donne le contenu fréquentiel de f pour la fréquence n T ou ν.
6 Exemple : deux notes de musique jouées en même temps 2 representation temporelle representation frequentielle Signal f(x) = sin(4πx) + sin(7πx) (haut), et module de sa transformée de Fourier b f(ν) (bas)
7 Perte de localisation temporelle : Exemple de deux notes de musique jouées l une après l autre : l analyse en fréquence n informe pas sur la localisation temporelle du changement de régime dans le signal. representation temporelle representation frequentielle Signal composé d une succession de deux sinusoïdes (de 2 et 85 Hertz) et module de sa transformée de Fourier
8 Transformée de Fourier à fenêtre glissante : Il s agit de calculer la transformée de Fourier du signal temporel découpée en morceaux! Multiplication du signal f(x) par une fenêtre glissante h(x b) (réelle) et calcul de la transformée de Fourier de ce produit : G f (ν, b) = f(x) h(x b) e 2iπνx dx b est le temps, ν est la fréquence.
9 Transformée de Fourier à fenêtre glissante Exemple des deux notes de musique : L analyse temps-fréquence permet de retrouver à la fois les fréquences (les notes) et l information temporelle (l ordre dans lequel elles sont jouées). fonction a analyser coefficients Fourier Fenetre
10 Limitations de la TF à fenêtre glissante En dessous d une échelle d étude a, correspondant à la taille de la fenêtre h, la transformée de Fourier à fenêtre glissante présente les mêmes limitations que la transformée de Fourier. Considérons par exemple le signal f 2 = f + δ + δ 2 (où f est la succession de deux notes précédentes) : il est impossible de trouver en pratique une valeur de a qui permette une visualisation simultanée des deux phénomènes : cela impliquerait que la fenêtre h soit bien localisée à la fois en temps et en fréquence, ce qui est impossible d après le principe d incertitude de Heisenberg (le meilleur compromis restant la gaussienne). L analyse en ondelettes a pour objectif de rendre compte de ces deux phénomènes simultanément, en introduisant une fenêtre dont la taille varie avec la fréquence.
11 Transformée de Fourier à fenêtre glissante fonction a analyser coefficients Fourier Fenetre Signal f 2 et sa transformée de Gabor avec a = α sinusoides =.5
12 Transformée de Fourier à fenêtre glissante fonction a analyser coefficients Fourier Fenetre Signal f 2 et sa transformée de Gabor avec a = α Dirac =.5
13 Dans la transformée en Fourier à fenêtre : G f (ν, b) = + = < f / ψ b,ν > les fonctions analysantes sont : f(x) h(x b) e 2iπνx dx ψ b,ν (x) = h(x b) e 2iπνx
14 Dans la transformée de Gabor, la fenêtre h est une Gaussienne d échelle σ : h(x) = σ e π( x σ )2. Les fonctions de Gabor sont alors (σ = ): ψ b,ν (x) = e π(x b)2 e 2iπνx Fonction de Gabor frequence 2 Fonction de Gabor frequence 5 Fonction de Gabor frequence Fonctions de Gabor pour ν = 2, 5, 5 (partie réelle)
15 2 - Transformée en ondelettes continue - Définition y ~ a ~ a 2 f(t) x x 2 x Wf(a, b) = + f(x) ψ a,b (x) dx a >, b R Les fonctions analysantes ou ondelettes sont définies par : ψ a,b (x) = ( ) x b ψ a a
16 fonction a analyser coefficients d ondelettes Signal f 2 (deux notes+scratch) et sa transformée en ondelettes
17 2 - Définition d une ondelette Une fonction ψ(x) L (R) L 2 (R) est une ondelette si elle vérifie la condition d admissibilité : C ψ = bψ(ν) ν 2 dν <. Ce qui implique R + Exemples : ψ(x)dx = (équivalent si xψ intégrable). L ondelette de Morlet (complexe) : ψ(x) = e πx2 e iπx On a ˆψ(ν) = e π(ν 5)2. Les dérivées de la Gaussienne : ψ n (x) = dn dx n e πx2, n. (pour n = 2, l ondelette est appelée chapeau mexicain ). On a ˆψ n (ν) = (2iπν) n e πν2.
18 Ondelettes dans l espace physique : ψ a,b (x) = x b ψ a a «Ondelette de Morlet echelle Ondelettes de Morlet d échelles a = /2,, 2 (partie réelle). L échelle a donne la taille du support (inverse d une fréquence), b donne la position.
19 Transformée de Fourier des ondelettes : ˆψ a,b (ν) = a ˆψ(aν) e 2iπbν.9 Transformee de Fourier des ondelettes echelle 2,, / Transformée de Fourier (module) des ondelettes de Morlet d échelles a = /2,, 2. Les ondelettes sont des filtres passe-bande autour de la fréquence ν = ν a. Pour l ondelette de Morlet ν = 5 (maximum de ˆψ).
20 2 - Définition équivalente Soit f L 2 (R). On a de façon équivalente : pour tout a >, b R, Wf(a, b) = Wf(a, b) = a Z + a «x b f(x) ψ dx a ˆf(ν) b ψ(aν) e 2iπνb dν Vu du coté temporel (ou spatial) x, Wf(a, b) renseigne sur le signal f autour du point b dans un voisinage de taille a. Vu du coté fréquentiel (ν), Wf(a, b) renseigne sur le signal ˆf autour de la fréquence a. L analyse en ondelettes est une analyse temps-échelle. Dém : Il suffit d appliquer la formule de Parseval : Wf(a, b) =< f/ψ a,b >=< ˆf/ ˆψ a,b >
21 3 - Transformée en ondelettes continue : Inversion Soit f une fonction réelle. La Transformée en Ondelettes Continue : s 2 W : L 2 (R, dx) L 2 R + R, dadb C ψ a 2 f(x) s 2 C ψ Wf(a, b) est une isométrie. On a donc la conservation de l énergie : f(x) 2 dx = 2 C ψ dadb Wf(a, b) 2 a, 2 et la formule de synthèse :» 2 f(x) = Re C ψ Wf(a, b) ψ a,b (x) dadb. a 2
22 Démonstration (de la formule de conservation de l énergie). De la définition équivalente de la TOC, et en utilisant la formule de la transformée de Fourier inverse, on déduit que la transformée de Fourier de la fonction b Wf(a, b) est ν a ˆf(ν) ψ(aν). b La formule de Parseval appliquée à cette fonction donne : Donc I = Wf(a, b) 2db = a dadb Wf(a, b) 2 = a 2 d après le théorème de Fubini. ˆf(ν) 2 ψ(aν) 2dν b ˆf(ν) 2» da ψ(aν) 2 b dν a On souhaite alors faire le changement de variable en a : ξ = aν, celui-ci impose que ν soit de signe constant. On coupe alors l intégrale : I = R + h R ˆf(ν) 2 + da b i ψ(aν) 2 dν + R h R ˆf(ν) 2 + da b i ψ(aν) 2 dν a a = R + h R ˆf(ν) 2 + dξ ξ b ψ(ξ) 2 i dν + R h R ˆf(ν) 2 dξ ξ b ψ(ξ) 2 i dν
23 Il faut alors distinguer le cas ψ réelle de ψ complexe analytique (i.e. ˆψ nulle sur R ): - Si ψ est réelle, alors b ψ est une fonction paire et On a alors Z I = C ψ 2 dξ ξ b ψ(ξ) 2 = dξ ξ ˆf(ν) 2dν = C ψ 2 b ψ(ξ) 2 = C ψ 2 f(x) 2dx - Si ψ est complexe analytique, alors b ψ s annule sur R et I = C ψ ˆf(ν) 2dν Comme f est supposée réelle, on a R + I = C ψ 2 ˆf(ν) 2dν = 2 f(x) 2dx R + ˆf(ν) 2dν, et
24 3 - Formule d inversion avec une ondelette de synthèse différente Décomposition avec une ondelette d analyse g : a >, b R, «x b W g f(a, b) = f(x) ḡ dx a a Synthèse avec une ondelette de reconstruction h : f(x) = 2 c gh W g f(a, b) a h x b a «da a 2 db Condition d admissibilité sur les fonctions g et h (g,h L 2 (R)) : c gh = ĝ(k)ĥ(k) dk < + k Il suffit dans ce cas que l une ou l autre des fonctions h et g soit une ondelette (i.e. de moyenne nulle).
25 4 - Implémentation On peut voir la transformée en ondelettes continue comme un produit de convolution, pour a fixé: où l on a noté : Wf(a, b) = Z + a = (f ˇψ a )(b) ˇψ a (x) = ψ x «a a «x b f(x) ψ dx a
26 4 - Exemple de programme matlab % ondelette.m % PROGRAMME DE TRANSFORMEE EN ONDELETTES % Le signal a analyser doit s appeler y ii=sqrt(-) %..y=signal a analyser (en mémoire) n=length(y)-; p=fix(log(n)/log(2)); dx=/n; t=:dx:; x=-:dx:; % calcul de l ondelette a=/2;a=a^ (/2);p=2*p; for i=p-:-: a=a^ i; % échelle xx=x/a; g=exp(-xx.^ 2/2).*exp(ii*5*xx)./sqrt(a); % ondelette de morlet
27 ou g=(-2*xx.^ 2).*exp(-2*xx.^ 2)./sqrt(a); % chapeau mexicain % calcul des coefficients d ondelettes a l echelle a W=zeros(p,n+); wa=conv(y,g); W(i+,:n)=abs(wa(n+:2*n)); end % trace subplot(3,,),plot(t(:n),y(:n)),title( fonction a analyser ) subplot(3,,2),imagesc(w(:p,:n)), title( coefficients d ondelettes )
28 5. Interprétation, exemples La transformée en ondelettes continue Wf(a, b) est une analyse temps-échelle : b est le temps, a est l échelle, qui joue le rôle de l inverse d une fréquence. Exemples : () Si f est une fréquence pure f(x) = cos(2πkx), alors «e 2iπkx + e 2iπkx Wf(a, b) = ψ a,b (x) dx 2 = h ˆψa,b (k) + 2 ˆψ a,b ( k)i a h = ˆψ(ak) e 2iπkb + 2 ˆψ( ak) e 2iπkbi Si l ondelette ψ est complexe analytique : a Wf(a, b) = ˆψ(ak) e 2iπkb 2 Si l ondelette ψ est réelle : Wf(a, b) = a Re ˆψ(ak) e 2iπkb
29 Exemple : fréquence pure f(x) = cos(2πx) (k = ) fonction a analyser coefficients d ondelettes Module de la transformée en ondelettes, en utilisant l ondelette de Morlet (ondelette complexe analytique)
30 Exemple : fréquence pure f(x) = cos(2πx) (k = ) fonction a analyser coefficients d ondelettes Transformée en ondelettes, en utilisant la dérivée seconde de la Gaussienne (ondelette réelle)
31 Exemples : (2) Si f est un Dirac f(x) = δ(x x ) (mesure ponctuelle en x ), alors : Wf(a, b) = δ(x x ) ψ a,b (x) dx = ψ a,b (x ) «x b = ψ a a A chaque échelle a, b Wf(a, b) est l ondelette d échelle a centrée en x (à une symétrie + conjugué près).
32 Exemple 2 : le Dirac δ x fonction a analyser coefficients d ondelettes Signal Dirac et sa transformée en ondelettes (module, ondelette de Morlet), (division par a)
33 Exemples : le créneau fonction a analyser coefficients d ondelettes Créneau et sa transformée en ondelettes (module, ondelette de Morlet) (division par a)
34 Exemples : l onde modulée fonction a analyser coefficients d ondelettes Onde modulée et sa transformée en ondelettes (division par a)
35 Exemples : 2 sinusoides + bruit 4 fonction a analyser coefficients d ondelettes signal et sa transformée en ondelettes (division par a)
36 Exemples : fonction höldérienne d exposant 2 fonction a analyser coefficients d ondelettes f(x) = p cos(2πx) et sa transformée en ondelettes (division par a)
37 6. Analyse de la régularité locale d une fonction Régularité lipschitzienne/höldérienne α d une fonction f α : paramètre de régularité. α : f est Lipschitz-α en x (f C α {x }) si : h R, f(x + h) f(x ) C h α. Extension à α R + non entier : f C α {x } si f est de classe C n avec n = [α] et h R, f (n) (x + h) f (n) (x ) C h α n. f uniformément Lipschitz-α sur [A, B] si C >, x [A, B], h R, f(x + h) f(x ) C h α (idem pour α > ) Extension aux α négatifs (distributions) : f uniformément Lipschitz-α sur ]A, B[ si sa primitive est Lipschitz-(α + ) sur ]A, B[.
38 Remarques, exemples Une fonction Lipschitz-α en x, avec < α <, est continue mais a priori non dérivable. Une fonction de classe C en x est Lipschitz- en x. La régularité α avec n < α < n + permet de classifier la régularité entre de classe C n et de classe C n+. Une fonction bornée est Lipschitz-. Par exemple la fonction de Heavyside H(x) = si x et si x <. La distribution δ est Lipschitz-( ) (comme dérivée-distribution de H). La fonction x x α ( < α < ) est Lipschitz α, la fonction p cos(2πx) est Lipschitz- 2.
39 Lien entre la régularité lipschitzienne d une fonction et les coefficients d ondelettes Soit α fixé. On considère ψ une ondelette de classe C n, à support compact, supp ψ [ C, C], avec n α moments nuls. Caractérisation de la régularité de f en un point x : Théoreme Si f L 2 (R) est Lipschitz-α n en x, alors A > tel que b (a, b) R R +, Wf(a, b) A a α+ x α 2 ( + a ) Réciproquement, si α non entier et α < n et s il existe A > et α < α tels que (a, b) R R +, Wf(a, b) A a α+ 2 ( + b x a alors f est Lipschitz-α en x. α )
40 Conséquence pratique Si supp ψ = [ C, C], le cône d influence de x dans le plan temps-échelle est constitué des points (b, a) tels que x soit dans le support de ψ a,b = [b Ca,b + Ca]. Si f est Lipschitz-α en x, alors il existe K >, tel que pour tout b vérifiant b x < Ca (i.e. b dans le cône d influence de x ), on a : Wf(a, b) Ka α+ 2 La réciproque est vraie (pour une autre constante K), si α est non entier. α peut être calculé en pratique par la pente de la courbe : log a log Wf(a, b)
41 -II - Applications de la transformée en Ondelettes continue - Détection et calcul de singularités par la technique de suivi des maxima lines de Mallat Références : - S. Mallat, W.L. Hwang Singularity detection and processing with wavelet, IEEE Trans. Info. Theory, 38(2):67-643, Mars S. Mallat, S.Zhong Characterization of Signals from Multiscale Edges, IEEE Trans. Patt. Anal. and Mach. Intell., 4(7):7-732, Juillet 992.
42 Lien entre les ondelettes et la régularité lipschitzienne ψ n moments nuls, α n, supp ψ = [ C,C]. f est uniformément Lipschitz-α au voisinage d un point x si pour tout (b, a) vérifiant b x < Ca, on a : Wf(a, b) K a α+ 2, et inversement, si α non entier. α est estimé asymptotiquement en calculant la pente de la courbe log Wf(a, b) en fonction de log a. échelle a Chaine de maxima d ondelettes x Position x
43 Les lignes de maxima Point de module max : tout point (b, a ) t.q. la courbe b Wf(b, a ) est localement maximum en b = b. Lignes de maxima : toute courbe connexe (b, a(b)) de points de module max dans le demi-plan position-échelle. Toutes les singularités (α < ) sont détectées en suivant les modules maximaux d ondelettes dans les fines échelles. Si ψ = ( ) n θ (n) avec θ gaussienne, alors les points de module max de W ψ f(a, b) appartiennent à des courbes connexes, qui ne s interrompent jamais quand l échelle diminue.
44 Exemple : le Dirac representation temporelle (a) Le Dirac (b) les coefficients d ondelettes Chaînage des maxima 8.8 chaîne : 9 log2(scale) (c) chaînage (d) évaluation de la singularité en.5
45 Exemple : f(x) = x x representation temporelle (a) La fonction Chaînage des maxima (b) les coefficients d ondelettes chaîne 2 et 3: log2(scale) (c) chaînage (d) évaluation de la singularité en.7 (trait continu) et.25 (trait pointillé)
46 La fonction f(x) = x x bruitée (SNR=.) 2 representation temporelle log2(scale) (a) La fonction Chaînage des maxima (c) chaînage (b) les coefficients d ondelettes chaîne 2 et 3: (d) évaluation de la singularité en.7 (trait continu) et.25 (trait pointillé)
47 2. Analyse spectrale locale. Comparaison spectres Fourier/ondelettes, et application en turbulence Références : - Thierry Philipovitch, Applications de la Transformée en Ondelettes Continue à la Turbulence Homogène Isotrope Bidimensionnelle, Thèse de Doctorat de l Université Paris VII, Valérie Perrier, Thierry Philipovitch, Claude Basdevant, Wavelet spectra compared to Fourier spectra, J. Math. Phys. 36(3), pp , Marie Farge, Wavelet Transforms and their Applications to Turbulence, Annual Review of Fluid Mechanics, 4, (992).
48 (a) Spectre de Fourier d un signal. Définition Soit s(x) un signal réel. Sa transformée de Fourier est définie par : ŝ(k) = + et son spectre de puissance : s(x) e 2iπkx dx E(k) = ŝ(k) 2 pour k. L énergie totale E du signal s vérifie : E = 2 + s(x) 2 dx = 2 + ŝ(k) 2 dk = + E(k)dk.
49 (b) Spectre local, spectre global en ondelettes. Définition Soit ψ L (R) L 2 (R) une ondelette avec p moments nuls : x n ψ(x) dx = for n =,... p, and x p ψ(x) dx. Cette condition est équivalente à l existence d une fonction continue bornée ϕ, telle que ϕ() =, lim x ϕ(x) = et ˆψ(ω) = ω p ϕ(ω). La transformée en ondelettes s du signal s est : s(a, b) = W ψ s(a, b) = a s(x)ψ( x b a ) dx,
50 La conservation de l énergie de la transformée en ondelettes s écrit : avec : c ψ = R + E = c ψ ˆψ(ω) 2 ω dω. s(a, b) 2 da a 2 db, Le spectre local en ondelettes est défini pour k et x R : Ẽ(k,x) = c ψ k s( k k, x) 2 où k est la fréquence la plus importante de l ondelette ψ. Ce spectre local mesure la contribution à l énergie totale provenant du voisinage du point x et du nombre d onde k, le voisinage dépendant de la forme de l ondelette ψ dans l espace physique et dans l espace de Fourier. A partir du spectre local, on peut définir un spectre moyen en ondelettes Ẽ(k) : Ẽ(k) = Ẽ(k,x) dx qui est relié à l énergie totale par : E = R + Ẽ(k) dk
51 Relation entre le spectre de Fourier et le spectre moyen en ondelettes On a la relation entre le spectre de Fourier E(k) et le spectre moyen en ondelettes Ẽ(k) : Ẽ(k) = c ψ k E(ω) ˆψ( k ω k ) 2 dω Le spectre en ondelette est une moyenne du spectre de Fourier pondéré par le carré de la transformée de Fourier de ψ centrée en k. On montre plus loin que le comportement du spectre en ondelettes à haute fréquence dépend du comportement de l ondelette à petits nombres d onde - et donc du nombre de moments nuls.
52 Démonstration : Ẽ(k) = = = c ψ k c ψ k Ẽ(k,x) dx s( k k,x) 2 dx ŝ(ν) 2 ˆψ( k ν k ) 2 dν en appliquant le théorème de Parseval à la fonction x s( k k, x), et on a déjà vu que la transformée de Fourier de la fonction x s(a, x) est ν a ŝ(ν) ˆψ(aν).
53 Appli. : spectres à décroissance algébrique (turbulence) Considérons un signal dont le spectre de Fourier vérifie : E(k) = k α for k > k a > Son spectre en ondelettes est donné par : Ẽ(k) = Z ka E(ω) c ψ k ˆψ( k ω k ) 2 dω + c ψ k k a ω α ˆψ( k ω k ) 2 dω Si l ondelette ψ a exactement p moments nuls, on peut écrire : ˆψ(ω) = ω p ϕ(ω) avec ϕ continue et ϕ() =. Donc : Ẽ(k) = k (2p+) k 2p Z ka ω 2p E(ω) ϕ(k ω k ) 2 dω +k (2p+) k 2p c ψ c ψ ω 2p α k a ϕ(k ω k ) Comme ϕ( k ω ) quand k +, le premier terme se comporte k comme k (2p+) quand k (E est finie!) 2 dω
54 Le comportement du second terme dépend de 2p α. Ainsi: Si α < 2p + : le second terme du membre de droite s écrit : k α k α c ψ k ka k ω 2p α ϕ(ω) 2 dω L intégrale a une limite non nulle quand k, ce terme se comporte comme k α donc on a Ẽ(k) k α pour k + qui se comporte comme le spectre de Fourier. Si α > 2p + : par le théorème de Lebesgue, la deuxième intégrale a une limite finie non nulle quand k et le spectre en ondelettes sature à haute fréquence : Ẽ(k) k (2p+) pour k + ce qui est indépendant du signal (mais dépend de l ondelette!). Si α = 2p +, on a de la même manière k α ln k pour le comportement du second terme et Ẽ(k) k α ln k pour k +.
55 Une condition suffisante pour que le spectre moyen en ondelettes ait le même comportement en k α que le spectre de Fourier est : x n ψ(x) dx = pour n α 2 Exemple : E(k) = k 6. Nombre de moments nuls critique : Fourier p=2 p=4 p=8 log E(k) log k Spectre de Fourier E(k) = k 6, et spectres en ondelettes associés Ẽ(k) pour des ondelettes avec p cancellations, ˆψ(k) = k p exp( πk 2 ), p = 2, 4 and 8 (échelle log-log).
56 Généralisation en dimension deux pour l analyse de champs turbulents numériques Vorticity field analysis Fourier Enstrophy spectrum -2-4 p=2 p=4 p=8 p=6-6 K Spectre de Fourier et spectre en ondelettes d un champ de vorticité 2D (spectres d enstrophie ). Les ondelettes sont des dérivées de Gaussienne isotropiques ˆψ( k) = k p exp( π k 2 ) avec p = 2, 4, 8, et 6 (échelle log-log).
57 Appli. 2 : Spectres a décroissance exponentielle. (Cas du vortex Gaussien en turbulence 2D) Supposons que le spectre de Fourier vérifie : E(k) = e k2 Le spectre moyen en ondelettes s écrit : Ẽ(k) = k e ω2 ω c ψ k ˆψ( k ) 2 dω Si ˆψ(ω) = ω p ϕ(ω) avec ϕ continue bornée, ϕ() =, ϕ( ) =, on a : Ẽ(k) = k (2p+) k 2p e ω2 ω ϕ( 2p k ω c ψ k ) 2 dω D après le théorème de Lebesgue, l intégrale converge vers une limite finie non nulle quand k +, donc Ẽ(k) k (2p+) pour k +
58 Le comportement du spectre en ondelettes dépend du nombre p de moments nuls de l ondelette : Ẽ(k) k (2p+) pour k Fourier p=2 p=8 p=6 log E(k) log k Spectre de Fourier E(k) = e k2 et spectres en ondelettes associés Ẽ(k) pour des ondelettes avec p cancellations, ˆψ(k) = k p exp( πk 2 ), p = 2, 8 et 6 (échelle log-log).
59 Spectre local. Connection avec les théorèmes de régularité Théorème: soit f une fonction localement intégrable, Hölderienne d ordre α > en x (i.e. f C [α] (x ) et f ([α]) (x + h) f ([α]) (x ) = O(h s ) avec α = [α] + s, < s < ). Soit ψ une ondelette telle que ψ L (R), x α ψ L (R) et ψ a [α] + cancellations, alors : f(a, x) = a α+/2 O( + x x α a α ) when a, () Réciproquement, si () est vérifié et si f C ɛ (R) pour un ɛ >, alors f ([α]) (x + h) f ([α]) (x ) = O(h α ln(/h)). Dans ce cas, le spectre local en ondelette vérifie : quand k +. Ẽ(k,x) = k (α+/2) O( + k α x x α ) k α
60 Ondelettes avec un nombre infini de moments nuls Une possibilité est de construire des ondelettes avec un nombre infini de moments nuls. Exemple : ˆψ(k) = exp( α 2 ln2 ( k )).5 Paul s Wavelets - Fourier space, alpha=2, 4 & Physical space Representation dans l espace physique et l espace de Fourier pour α = 2 (ligne continue), α = 4 (ligne pointillée) et α = 6
61 Exemple 2 : ˆπ n (k) = α n exp 2 (k2 + «k ) 2n n..5 Perrier s wavelets - Fourier space, n=2, 4 & Physical space Representation dans l espace physique et l espace de Fourier pour n = 2 (ligne continue), n = 4 (ligne pointillée) et n = 6). Le maximum de la transformée de Fourier de π n est atteint pour k n = n 2(n+) et on a k n.5
62 Comparaison spectres Fourier/Ondelettes pour E(k) = k 6 Fourier n=2 n=4-5 n=8 log E(k) - -5 log k Spectre de Fourier E(k) = k 6 et spectres en ondelettes associés calculés avec l ondelette π n pour n = 2, 4 et 8 (échelle log-log).
63 Comparaison spectres Fourier/Ondelettes pour E(k) = e k2 Pour un spectre de Fourier E(k) = e k2, le spectre en ondelettes s écrit en utilisant l ondelette π n : α2 n Ẽ(k) = c πn k n avec : β n (k) = + 2 k k n exp (β n (k) ω 2 + ) dω ω2n Par le changement de variable : ω = [β n (k)] 2(n+) ξ, on obtient : Ẽ(k) = α2 n [β n (k)] c πn k n 2(n+) n exp [β n (k)] n+ (ξ 2 + ξ 2n ) dξ La méthode de Laplace (phase stationnaire) donne : e xφ(t) dt 2π e xφ(t ) p xφ (t ) si x + pour φ atteignant son maximum en t.
64 On obtient : Ẽ(k) α2 n c πn r π 2(n + ) k exp c(n) k k n «2 2! n+, avec : c(n) = n n+ ( + n ). On ne récupère pas exactement le comportement du spectre de Fourier, mais on a une décroissance exponentielle plutôt qu algébrique. De plus pour les grands n, le spectre en ondelettes à petite échelle est proche d une Gaussienne car Ẽ(k) k e k2 k + et grand n
65 Comparaison spectres Fourier/Ondelettes pour E(k) = e k Fourier n=2 n=4 n=8 log E(k) log k Spectre de Fourier E(k) = e k2 et spectres en ondelettes associés Ẽ(k) calculés avec l ondelette π n pour n = 2, 4 et 8 (échelle log-log).
Méthodes d ondelettes pour la segmentation d images. Applications à l imagerie médicale et au tatouage d images
INSTITUT NATIONAL POLYTECHNIQUE DE GRENOBLE THESE pour obtenir le grade de DOCTEUR DE L INPG Spécialité : Mathématiques Appliquées préparée au Laboratoire de Modélisation et Calcul (LMC / IMAG) dans le
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailHÖLDER CONTINUITY AND WAVELETS
Laurent SIMONS HÖLDER CONTINUITY AND WAVELETS Dissertation présentée en vue de l obtention du grade de Docteur en Sciences Promoteurs : Françoise BASTIN Samuel NICOLAY 24 Juin 2015 Plan Partie I Continuité
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailCompression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette
Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailUne fréquence peut-elle être instantanée?
Fréquence? Variable? Instantané vs. local? Conclure? Une fréquence peut-elle être instantanée? Patrick Flandrin CNRS & École Normale Supérieure de Lyon, France Produire le temps, IRCAM, Paris, juin 2012
Plus en détailPhysique quantique et physique statistique
Physique quantique et physique statistique 7 blocs 11 blocs Manuel Joffre Jean-Philippe Bouchaud, Gilles Montambaux et Rémi Monasson nist.gov Crédits : J. Bobroff, F. Bouquet, J. Quilliam www.orolia.com
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailÉVALUATION FORMATIVE. On considère le circuit électrique RC représenté ci-dessous où R et C sont des constantes strictement positives.
L G L G Prof. Éric J.M.DELHEZ ANALYSE MATHÉMATIQUE ÉALUATION FORMATIE Novembre 211 Ce test vous est proposé pour vous permettre de faire le point sur votre compréhension du cours d Analyse Mathématique.
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailRupture et plasticité
Rupture et plasticité Département de Mécanique, Ecole Polytechnique, 2009 2010 Département de Mécanique, Ecole Polytechnique, 2009 2010 25 novembre 2009 1 / 44 Rupture et plasticité : plan du cours Comportements
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes cnrs supélec ups supélec, Plateau de Moulon, 9119 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailFonctions holomorphes
Université Joseph Fourier, Grenoble Maths en Ligne Fonctions holomorphes Christine Laurent-Thiébaut Ceci est le second volet de l étude des fonctions d une variable complexe, faisant suite au chapitre
Plus en détailCHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal
III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailINTRODUCTION AUX ÉQUATIONS AUX DÉRIVÉES PARTIELLES Cours de maîtrise, L. Boutet de Monvel
EDP - Cours de Maîtrise LBdM 1 INTRODUCTION AUX ÉQUATIONS AUX DÉRIVÉES PARTIELLES Cours de maîtrise, L. Boutet de Monvel Ce polycopié regroupe les notes du cours d Équations aux dérivées partielle de la
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailTraitement numérique du signal. Première partie : Bases mathématiques
1 Traitement numérique du signal. Première partie : Bases mathématiques J.Idier H. Piet-Lahanier G. Le Besnerais F. Champagnat Première version du document : 1993 Date de la dernière remise à jour : mars
Plus en détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailLa demande Du consommateur. Contrainte budgétaire Préférences Choix optimal
La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal
Plus en détailFonctions Analytiques
5 Chapitre Fonctions Analytiques. Le plan complexe.. Rappels Soit z C, alors!(x,y) IR 2 tel que z = x + iy. On définit le module de z comme z = x 2 + y 2. On peut aussi repérer z par des coordonnées polaires,
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailChapitre I La fonction transmission
Chapitre I La fonction transmission 1. Terminologies 1.1 Mode guidé / non guidé Le signal est le vecteur de l information à transmettre. La transmission s effectue entre un émetteur et un récepteur reliés
Plus en détailFONCTION EXPONENTIELLE ( ) 2 = 0.
FONCTION EXPONENTIELLE I. Définition Théorème : Il eiste une unique fonction f dérivable sur R telle que f ' = f et f (0) =. Démonstration de l'unicité (eigible BAC) : L'eistence est admise - Démontrons
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailTraitement du signal avec Scilab : la transformée de Fourier discrète
Traitement du signal avec Scilab : la transformée de Fourier discrète L objectif de cette séance est de valider l expression de la transformée de Fourier Discrète (TFD), telle que peut la déterminer un
Plus en détailCompte rendu des TP matlab
Compte rendu des TP matlab Krell Stella, Minjeaud Sebastian 18 décembre 006 1 TP1, Discrétisation de problèmes elliptiques linéaires 1d Soient > 0, a R, b 0, c, d R et f C([0, 1], R). On cerce à approcer
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailData first, ou comment piloter l analyse par les données
CNRS & Patrick Flandrin École Normale Supérieure de Lyon Data first, ou comment piloter l analyse par les données M2 de Physique Cours 2012-2013 1 Table des matières 1 Introduction 4 2 Rappel sur les analyses
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailFonction inverse Fonctions homographiques
Fonction inverse Fonctions homographiques Année scolaire 203/204 Table des matières Fonction inverse 2. Définition Parité............................................ 2.2 Variations Courbe représentative...................................
Plus en détail