R EVUE DE STATISTIQUE APPLIQUÉE
M. M ISITI
Y. M ISITI
G. O PPENHEIM
J. M. P OGGI
Ondelettes en statistique et traitement du signal
Revue de statistique appliquée, tome 41, n
o4 (1993), p. 33-43
<http://www.numdam.org/item?id=RSA_1993__41_4_33_0>
© Société française de statistique, 1993, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une in- fraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
ONDELETTES EN STATISTIQUE
ET TRAITEMENT DU SIGNAL
M. Misiti
(2),
Y. Misiti(1),
G.Oppenheim (1,3),
J.M.Poggi (1,4)
(1) Université Paris XI-Orsay, Laboratoire de ModélisationStochastique
etStatistique
CN.R.S. URA 743, Bât. 425,
Mathématiques,
91405Orsay
cedex (2) Ecole Centrale deLyon
(3) Université de Marne la Vallée (4) Université Paris X - Nanterre
RÉSUMÉ
Ce texte montre
l’apport
de la transformée en ondelettes pour lastatistique.
Onprésente
un bilan
bibliographique
sur sesapplications
en traitement dusignal
et enstatistique.
Onanalyse
enfin unexemple
dedescription
locale pardécomposition
en ondelettes, d’une courbe decharge électrique.
Mots-clés : Ondelettes, statistique, traitement du
signal,
sériestemporelles,
courbe decharge électrique.
SUMMARY
This text shows the wavelet transform contribution in statistics and contains a survey of
applications
of wavelets insignal processing
and statistics. Wefinally analyze
anexample
oflocal
description
of an electrical loadconsumption
curve,using
wavelets methods.Key-words :
Wavelets, statistics,signal
processing, time series, electrical loadconsumption.
1. Introduction
Les ondelettes ont connu
depuis quelques
années unremarquable développe-
ment, tant du
point
de vuethéorique qu’en
cequi
concerne lesapplications.
Cesdernières sont nombreuses et touchent à des domaines extrêmement variés.
Ce texte vise à montrer
l’apport
de la transformée en ondelettes pour lastatistique.
Un bilan(arrêté
en fin1992)
de ses utilisations enstatistique
est dressé etil nous a paru utile
d’y adjoindre
un bilan similaireportant
sur le traitement dusignal,
tant certaines
questions
examinées et lesapproches
choisies sont sinonsemblables,
du moins très
proches.
D’autre part, un
exemple
sur des données réelles illustre l’intérêt desapproches
par ondelettes pour la
description
locale des sériestemporelles
non stationnaires.La transformée en ondelettes
permet
de traiter efficacement de telssignaux, puisque
son
principe
est dedécrire,
en fournissant des informations sur larégularité locale,
l’évolution
temporelle
d’unsignal
à différentes échelles de temps.L’article intitulé
«Analyse
designaux classiques par décomposition
en ondelettes » dû aux auteurs etfigurant
dans ce même numéro de la revue,présente
les ondelettes et leur utilisation pourl’analyse
dessignaux
usuels dans les modèles dedécomposi-
tion de séries
temporelles
non stationnaires. Nous y renvoyons enparticulier
pour lespoints terminologiques
etbibliographiques qui
ne seront pasrepris
ici.Le
plan
que nous suivrons est le suivant : leparagraphe 2,
suivant cetteintroduction,
contient un bilanbibliographique
sur lesapplications
des ondelettesà des
champs
connexes àl’analyse
des sériestemporelles :
le traitement dusignal
etla
statistique.
Dans le dernierparagraphe,
nousprésentons
les résultats d’une étude dedescription
locale d’une courbe decharge électrique.
2. Un bilan des ondelettes en
statistique
et traitement dusignal
2.1. Ondelettes en traitement du
signal
Flandrin
(dans l’exposé
n° 6 de Lemarié90) présente
l’utilisation en traitement dusignal,
des variantes de la transformée de Fourier(on
pourra aussi consulterRioul,
Flandrin92).
Il les classe en deuxcatégories :
les méthodestemps-fréquence
commela transformée de
Wigner-Ville
et les méthodestemps-échelle.
La transformée enondelettes est classée par l’auteur dans cette deuxième
catégorie.
Nousprésentons
iciquelques exemples d’application
des ondelettes en traitement dusignal.
Notons que laplupart porte
sur dusignal
à temps continu.Dans un article de
vulgarisation, Meyer et
al. mentionnentquelques exemples significatifs d’applications
des ondelettes en traitement dusignal.
Parmi euxl’analyse
du
signal
sonore,l’acoustique.
Par
exemple,
J.C. Valière et al.(cf.
Courrier du CNRS p.55)
utilisent ladécomposition
en ondelettes d’unsignal
sonore issu d’undisque
78 tours afin derestaurer
l’enregistrement.
Ladécomposition permet
derepérer
les craquements, lesignal
est ensuite localementinterpolé
afin de les ôter.D. Arfib et R. Kronland Martinet
(cf.
Courrier du CNRS p.31) exploitent l’analyse
et lasynthèse
par ondelettes eninformatique
musicale. Ladécomposition
du
signal
sonore fournit des coefficients visualisés en uneimage.
Celle-ci est retraitéedirectement suivant
l’objectif
visé. Cetteimage
modifiée est l’information àpartir
delaquelle
estresynthétisé
unsignal
sonore.Ce
type
deprocédure
consistant à modifier les coefficients de ladécomposition puis
àappliquer
unereconstruction,
est naturellement utilisé encompression d’images (cf.
Froment Mallat91,
Froment90,
Courrier du CNRS p.50).
La modification est alors une annulation de certains coefficients selon des critères divers.L’analyse
par ondelettes a aussi été utilisée pour l’étude designaux neurophy-
siologiques.
On trouve dans Carrault et al. 91 un travailpréliminaire
visant à en évaluerles
apports potentiels, portant
sur unsignal électrocardiographique.
La transformée enondelettes est d’abord utilisée pour «débruiter» le
signal
parsuppression
des hautes etbasses
fréquences.
Ensuite elle sert dans la détection d’événements à des fins de dia-gnostic (extra systoles
parexemple).
Dans cettephase, l’aspect multiéchelle joue
unrôle
important.
Plusglobalement,
les élémentsjugés
intéressants de ladécomposition
sont codés et
intégrés
à desprocédures
de reconnaissance des formes.Dans les
signaux
deparole, l’analyse
par ondelettes se révèle fructueuse(cf.
Meyer
dans Lemarié 90 p.23).
Eneffet,
parexemple
lesvoyelles
et les consonnesont des structures locales très différentes
(cf.
Rossi87)
et lesstratégies
dedécodage automatique
de laparole
sont basées surl’analyse
de l’évolutiontemporelle
descaractéristiques
locales dusignal.
L’analyse
des fractals(cf. Mandelbrot,
Van Ness68)
par ondelettes suscitebeaucoup
d’intérêts en raison de la traduction par des «lois d’échelle» despropriétés
d’autosimilarité des
trajectoires
des processussous-jacents.
Parexemple,
A. Arnéodoet al.
(cf.
Lemarié 90 p.125)
utilisent la transformée en ondelettes pour caractériser despropriétés
d’invariance d’échelle locales desobjets
fractals. Dans Flandrin91,
la
décomposition
d’un processus brownien fractionnaire sur une base d’ondelettesest
exploitée
pour simuler desapproximations
detrajectoires
de processus de cettefamille,
de similitude donnée.D’autres
applications
ont étéfaites,
enparticulier
dans le domaine de laphysique,
en voiciquelques exemples.
M. Feissel et D. Gambis
(cf.
Courrier du CNRS p.107) proposent
d’utiliser ladécomposition
en ondelettes pouranalyser
lesignal
«rotation de la terre». Celui-ciest la
superposition
designatures géophysiques multiples
etl’analyse
par ondelettespermet
de mettre en évidence des concomitances entres diversesplages
defréquence.
Les auteurs
pensent qu’en
cequi
concernel’explication
desobservations,
cette voieapporte
unéclairage
nouveau sur la variabilité de la rotation terrestre, vis-à-vis desenseignements
tirés des méthodesclassiquement
utilisées.Dans
l’analyse
de laturbulence,
J.P. Cerisier et al.(cf.
Courrier du CNRS p.33)
s’intéressent auxdécompositions
d’unecomposante
duchamp électrique
turbulent et des fluctuations simultanées de la concentration
électronique
dans leplasma ionosphérique.
En examinant pour les deuxsignaux séparément,
le modulede la transformée en ondelettes dans le
plan temps-fréquence,
ils mettent en évidencela faible cohérence
spatio-temporelle
de la turbulence del’ionosphère
terrestre.On trouvera dans Lemarié 90 p.
153,
une autre étude portant sur laturbulence,
effectuée par Arnéodo etal.,
d’unsignal
de vitesse turbulent obtenu parenregistrement
en soufflerie.
Signalons
enfin que lesanalyses
multirésolution et les ondelettes se rattachent naturellement au traitementnumérique
del’image.
Elles fournissent en effet pourune
image
uneapproximation
à une échelledonnée, complétée
par des retouches dedétails,
de résolution croissante(cf.
Mallat89),
ou encore une suited’images
à deséchelles de
plus
enplus grossières.
Ceci est utilisé enparticulier
pour la transmissiond’images (cf.
parexemple
Lemarié 90 p.23)
où l’onpeut parfois
transmettre uneapproximation
basse résolutioncomplétée
éventuellement de détails dans des zones restreintes del’image
comme enimagerie
médicale. Cetaspect
est utile dans ladescription
par ondelettes des sériestemporelles puisque
lesimages numériques
sontdes
signaux
à temps discret et desanalogies
entre les deux domaines sont utiles.2.2 Ondelettes en
statistique
En
statistique,
de nombreux travaux utilisent la théorie des ondelettes enestimation non
paramétrique,
en tirantparti
du fait que les ondelettespermettent
de caractériser de nombreux espaces fonctionnelsclassiquement
utilisés dans ce contexte(Hôlder, Sobolev, Besov,
cf.Meyer 90).
Genon-Catalot et al. définissent un estimateur fonctionnel de la variance d’une diffusion par une méthode de
projection
sur une base d’ondelettes. De telles méthodes deprojection orthogonale
pour estimer une fonction deL2(R),
ont été étudiées parexemple,
à l’aide des fonctions d’Hermite ou de la base de Haar(cf. Doukhan,
Leon90).
Le choix d’une base d’ondelettespermet,
d’unepart
depouvoir
estimer toutefonction de
L2 (R)
enimposant
à l’estimateur undegré
derégularité
fixé et d’autrepart,
de relier larégularité
de la fonction à estimer à celle del’analyse
multirésolution.La
possibilité
de définir des ondelettes à supportcompact
derégularité
fixée a donnélieu à d’autres travaux en estimation non
paramétrique.
En1990, Kerkyacharian
etPicard ainsi que Donoho et Johnstone
exploitent
le fait que les espaces de Besovpeuvent
êtreanalysés
par des ondelettes dues à Daubechies(cf. Meyer
90 p.49,196
et Daubechies88)
pour construire des estimateurs déduits desondelettes,
de la densité d’une variable aléatoire réelle. Ce travail estpoursuivi
dansKerkyacharian,
Picard 92en
particulier
dans lacomparaison
des cas des espaces de Besov et de Sobolev.Dans le cadre de l’estimation de la fonction de
régression
d’un modèleautorégressif
non linéaire d’ordre 1 à tempsdiscret, Ango
Nzé et Portier suivant la démarche de P. Doukhan etaprès
avoir établi des résultats de convergence,comparent
parsimulation,
lesperformances
de divers estimateurs à noyau(cf.
Duflo90)
et d’un estimateur à base d’ondelettes(l’ondelette
considérée est celle deHaar).
Les résultats obtenus s’avèrent intéressants etprometteurs
pour ce dernier estimateur dans les casoù la fonction à estimer
possède
dessingularités
bien isolées etsuggèrent
d’autrestraitements avec des ondelettes
plus régulières.
Plus
récemment,
enrégression
nonparamétrique,
on trouve dans Antoniadiset al. 92 une étude des
analogues
à based’ondelettes,
d’estimateurs à noyau. Des résultats deconsistance,
de vitesse de convergence et de normalitéasymptotique
sontobtenus. Le
problème
de l’instabilité de la varianceasymptotique
des estimateurs à base d’ondelettes est étudié. Lacomparaison
des estimateurs construits à l’aide des ondelettes et des estimateurs à noyau est illustrée par uneapplication
à des donnéeslargement analysées
dans lalittérature,
montrant l’intérêt de telles méthodes dans ce contexte, enparticulier
lesperformances
semblent être notablement améliorées par le choix d’une ondelette suffisammentrégulière.
L’analyse
designaux
aléatoires par des bases d’ ondelettes de Daubechies a été étudiée par Cohen et al. 91(voir
aussi Cohen 90 p. 107 et 161 ainsi que Froment p. 84 et113).
Ce travailporte
sur le lien entre larégularité
en moyennequadratique (i.e.
la vitesse de décroissance à l’infini de la densitéspectrale)
dusignal
aléatoirestationnaire considéré et le nombre de moments nuls de l’ondelette
analysante.
DansIstas
92,
des estimateurs de cetterégularité
sont étudiés. Ce lien a servi deguide
à desméthodes de
compression
pour descodages économiques d’images numériques (cf.
Cohen 90 p.
183).
Les conclusionspratiques
sont que dès que l’on choisit une ondelette de Daubechies suffisammentrégulière,
les résultats visuels sont très semblables. Onaura alors intérêt à choisir celle dont la
réponse impulsionnelle
est laplus
courte,puisque l’algorithme
dedécomposition
est decomplexité proportionnelle
au nombrede termes de celle-ci.
On trouve
aussi,
dans Istas92,
des résultatsplus généraux
concernant ladécomposition
par ondelettes de processusgaussiens
stationnaires continus. Enparticulier
sont étudiés les liens entre le processusgaussien original
et trois autresprocessus issus de sa
décomposition
en ondelettes. A savoir les processusgaussiens
à temps discret que sont les coefficients de détail et de
tendance,
et d’autre part le processusprojeté qui
est un processus à temps continu. Les relations entre les fonctions de covariance et les densitésspectrales
sont considérées ainsi que la convergence en loi duprojeté
vers le processusoriginal.
En restauration
d’image,
la modélisation del’image
par unchamp
de Markovest souvent utilisée. Blanc-Féraud et Barlaud proposent une méthode de restauration utilisant une modélisation markovienne multirésolution de
l’image.
L’utilisation des ondelettespermet
d’accélérer la convergence desalgorithmes
de traitementd’images
et d’améliorer la
qualité
de larestauration,
enadaptant
lesparamètres
du modèlemarkovien à
chaque
niveau de résolution.Dans le domaine des
probabilités,
Benassi s’intéresse àl’analyse
multiéchelle deschamps gaussiens
markoviens d’ordre p indexés par[0,1].
Ceci a desapplications
en
physique théorique,
à la théorie de la renormalisation. L’auteur expose enparticulier
les liens entre lesobjets probabilistes
étudiés et les arbresdyadiques.
Plus
généralement,
Benveniste et al. étudient les processus définis sur les arbreset construisent une théorie des
systèmes
multiéchelle. Parexemple
dansBasseville,
Benveniste90,
les auteurs définissent des modèlesautorégressifs
sur les arbres excités par un bruit blanc et obtiennent un résultatanalogue
à ladécomposition
de Wold.3.
Description
locale d’une courbe decharge électrique
par
décomposition
en ondelettes3.1 Le
problème électrique,
les donnéesLes données sont des extraits d’un
enregistrement
de la consommation électri- que sur l’ensemble du territoirefrançais métropolitain,
échantillonné à la minute(le
pas
d’échantillonnage
est laprincipale originalité
de ces donnéesélectriques)
durantcinq
semaines des mois dejuin et juillet
1990. Lafigure
1(les figures
sontregroupées
en fin
d’article)
est lasuperposition
d’un mercredi et d’un dimanche surlaquelle
on peut noter la
régularité globale
de la série. Elle estaccompagnée
de lafigure
2constituée de leurs différences
premières.
On remarque ici la forteirrégularité
localede la série.
Ce travail est issu d’une étude effectuée pour et en collaboration avec EDF
(cf. Malgouyres et
al. 90 et Misiti et al.91)
visant l’amélioration des méthodes ac-tuellement mises en oeuvre, pour la
prévision
de la consommation d’électricité. Laprévision
est actuellementopérée
sur des données échantillonnées à 30minutes,
l’ob-jectif
d’EDF est de fournir desprévisions
aux horizonsmultiples
de 5 minutes. Lesdonnées
disponibles
au pas de 1minute,
pourlesquelles
peu de méthodes se sontrévélées efficaces et pour
lesquelles
aucun modèle n’estconstruit, permettent
d’en-visager
d’améliorer laprévision précédente
par insertion des informations extraites de ladescription
et de la modélisation aux pasd’échantillonnage
inférieurs à 30 mi- nutes. L’utilisation de ladécomposition
en ondelettes estalors,
dans ce contexte, très naturelle. En effet elle fournit unedécomposition
multiéchelle dusignal
de consom-mation
électrique
en une somme designaux orthogonaux correspondant
à des échelles detemps
différentes. Cecipermettra d’apprécier l’apport
d’information de chacune d’elles.3.2 Les résultats
On
décompose
doncl’enregistrement
notéS,
en la somme designaux
ortho-gonaux suivante :
où j
est un entierpositif
convenablement choisi vis-à-vis desobjectifs
dedescription, T(-j)
est la tendance deniveau - j,
contenant les composantes de S de«période»
supérieure
à 2jminutes,
D(-k)
est le détail de niveau-k,
contenant les composantes dusignal
de«période»
comprise
entre2k-1
et2k
minutes(on pourrait
dire à l’échelle1/2k).
Pour les
analyses locales,
on choisiradonc j
= 5(car 25
=32)
defaçon
àétudier les
composantes
dusignal
depériode
inférieure à la demi-heure.Nous
présentons
deuxexemples d’analyses (l’ondelette
utilisée est l’ondelette due à I.Daubechies,
d’ordre 3 notéedaub3).
L’uneporte
sur unepériode
danslaquelle
la structure du
signal
estcomplexe (la période
de lami-journée,
cf.figure 3)
car l’intensité de l’activité des consommateurs d’électricité est forte autour demidi,
cequi
se traduit par de fortes variationsrapides
dusignal.
Lors de la seconde en revanche(la période
de la fin denuit,
cf.figure 4)
lesignal
est de structureplus
pauvre en raison de la faible activité entre 3 et 6 h du matin.Les deux
analyses
sontprésentées semblablement,
en troisgraphiques qui comportent :
- la
chronique
et la tendance de niveau-5, superposées (figures
3 et 4resp.)
afin devisualiser
globalement
la différence entre la consommationélectrique
échantillonnée à la minute et sonapproximation
à l’échellecorrespondant
à lademi-heure; l’analyse
des détails
permet d’expliquer
etd’interpréter
cette différence en mesurantl’apport
d’information de chacun
d’eux,
d’où les autresgraphiques présentés :
- les détails de
niveau -1,
-2 et-3, superposés (figures
5 et 6resp.);
- les détails de niveau -4 et
-5, superposés (figures
7 et 8resp.).
Faisons
quelques
commentaires de cesgraphiques.
Analyse
de lapériode
de lami-journée (cf. figures 3,
5 et7) :
L’allure de la consommation
électrique
durant cettepériode (en
traitplein
sur lafigure 3)
est une bosse centrale de 12h30 à13h, précédée
et suivie par un creux,puis
une deuxième bosse nettement moins
marquée
vers 13h 15. La tendance de niveau -5(en
tirets sur lafigure 3) qui
constitue uneapproximation
duphénomène électrique
à l’échelle
correspondant
à 32minutes,
est uneapproximation
de mauvaisequalité.
En
particulier
pour la bosse centrale :décalage
dupic
de consommation entemps
eten ordre de
grandeur.
Il y a donc desphénomènes
essentiels à des échelles de tempsinférieures,
examinons les détailscorrespondants.
Les détails des niveaux -1 et -2
(cf. figure 5,
les courbes enpoints
et tiretsrespectivement)
sont du même ordre degrandeur jugé
faible(environ 0,3%
de la consommationmoyenne)
et rendent compte desirrégularités
locales de courtepériode
liées aux bruits de mesure et dedynamique,
à hautefréquence présents
dansl’enregistrement.
Ceux-ciproviennent
d’une part des bruits decapteurs
et d’autre part des fluctuationsrapides
dusignal
causés par leschangements
d’état de millionsd’appareils
à usagedomestique.
Le détail de niveau -3
(en
traitplein
sur lafigure 5) présente
de fortes valeurs audébut et à la fin de la «bosse»
principale
et permet derepérer
les creuxcorrespondants.
Le détail de niveau -4
(en
traitplein
sur lafigure 7)
faitapparaître
les aspectsmorphologiques plus grossiers
de la série(trois
bossessuccessives)
et estremarquablement
conforme à l’allure de la courbe. L’ordre degrandeur
des valeursest
cinq
foisplus important
que pour les autres niveaux(le
détail deniveau -5,
d’unordre de
grandeur cinq
foisplus faible,
contient peud’informations).
Cette échelle detemps
est laplus
porteuse d’informations tantquantitativement
quequalitativement puisqu’elle
capture la forme de la consommation d’électricité durant cettepériode.
En
conclusion,
vis-à-vis de la tendance de niveau-5,
on voit donc que la correction essentielle à retenir est constituée du détail de niveau-4,
i.e. les composantes dusignal électrique
depériode comprise
entre 8 et 16 minutes.Analyse
de lapériode
de lafin
de nuit(cf. figures 4,
6 et8) :
L’allure de la consommation
électrique
durant cettepériode
de la fin de nuit(en
traitplein
sur lafigure 4)
est une lente descente localement trèsirrégulière,
maisglobalement
trèsrégulière
danslaquelle
on peut néanmoinsdistinguer quatre
bosses successives vers4h, 4h40,
5h20 et 5h40. La tendance de niveau -5(en
tirets sur lafigure 4)
constitue uneapproximation
satisfaisante de la consommation saufpeut-être
de 5h20 à 6h où les maxima locaux de la tendance
correspondent
à des minima de laconsommation et vice versa.
La
qualité globalement
bonne del’approximation
est uneconséquence
de lastructure de la consommation d’électricité
pendant
la nuit. Eneffet,
parrapport
à lajournée,
ne subsistent essentiellement que les bruits et unsignal
à bassefréquence
lié aux activités
industrielles,
à l’exclusion d’utilisationsdomestiques
massives etconcomitantes.
Les détails des niveaux -1 à -3
(cf. figure 6)
sont du même ordre degrandeur
et rendent
compte
desirrégularités
locales de courtepériode
liées aux bruits.Le détail de niveau -4
(en
traitplein
sur lafigure 8)
fait ressortir les bosses de lachronique
initiale.Le détail de niveau -5
(en
tirets sur lafigure 8)
faitapparaître
laquatrième
bosse et
agglomère
les deux bosses centrales.En
conclusion,
les détails ont des ordres degrandeur
peu différents sauf en de très rarespoints,
ceci traduit la faible variation de la consommation autour d’unsignal
à variation lente. Dans ce cas, aucune des échelles de temps ne sembleapporter
d’informations trèsintéressantes,
c’est-à-dired’amplitude
suffisammentimportante
parrapport
à l’ordre degrandeur
des bruits affectant lesystème,
vis-à-visde
l’approximation
à l’échelle detemps correspondant
à la demi-heure.3.3
Remarques méthodologiques
Les ondelettes utilisées dans ce travail sont celles dues à I. Daubechies d’ordre 1 à 10 ainsi que les ondelettes
splines symétriques
d’ordre 2 et 4. Les essais effectués ont conduit à éliminer trois ondelettes : daub1 (l’ondelette
deHaar),
daub2 etsp2.
Ellesne permettent pas de
séparer
defaçon
satisfaisante lesphénomènes
aux différentes échelles de temps et se révèlent insuffisammentrégularisantes.
Enrevanche,
les autres ondelettesessayées
donnent des résultatsqualitativement
semblables et les différences tiennent à larégularité
de l’ondelette se traduisant par des fonctions de baseplus
lisses.Ces conclusions
rejoignent
celles formulées dans Froment 90 et Cohen90,
dans le traitementd’images numériques.
De
façon surprenante,
les coefficients d’ ondelettes sont rarementinterprétables
pour
l’analyse
de cettechronique.
On ne retrouve pas les élémentsdisponibles
àtemps continu,
comme parexemple
la détection dessingularités.
Ceci est dû au faitque l’on ne
dispose
que de données discrétisées et que le pas de discrétisation d’une minute semble loin du pas de basepermettant
de considérer lesignal
comme continu(peut-être
de 10secondes).
Lessingularités
sont alors nombreuses etproches
et parconséquent
semélangent rapidement
et brouillent la lecture directe des coefficients d’ondelettes. Enrevanche,
en examinant lessignaux replongés
dansl’espace initial,
on retrouve l’intérêt de
l’analyse
multiéchelle. C’estpourquoi
dans lesexemples,
seuls les
signaux replongés
sont examinés et l’ondelette utilisée est daub3.4. Conclusion
La théorie des ondelettes suscite de nombreuses
applications
dans des domaines trèsdivers,
enparticulier
enstatistique
et en traitement dusignal.
Le bilanesquissé plus
haut montre la richesse et la variété des utilisations de tellestechniques, qui
vont de l’élaboration de nouveaux estimateurs basés sur les
capacités d’analyse
fonctionnelle à
l’exploitation
de nouveaux outils pourl’analyse
et le traitementde
signaux
instationnaires réels. Pour ladescription
des sériestemporelles plus précisément,
elle se révèle intéressante comme le montrent les deuxexemples
succinctement traités ci-dessus. Pour l’étude locale d’une
chronique présentant
denombreuses
instationnarités,
ladécomposition
sur des bases d’ondelettes s’avère un outil dedescription
très utile. Les informations locales sontprécises
et nombreuses etl’analyse
par niveaux d’échelle s’avère aussiporteuse
de connaissance. En effet les aspectsmorphologiques
locaux sont bien décrits etpeuvent
être rattachés à un niveau de résolution. Notons que si toutes lespropriétés
des ondelettes ne sont pasutilisées,
certaines sont centrales dans les
analyses :
lamultirésolution,
la notion de niveaud’échelle;
ladécomposition
itérée dusignal
en détail ettendance,
obtenue par desfiltrages
suppresseurs des basses et hautesfréquences respectivement; l’orthogonalité
des bases associées aux ondelettes utilisées et la
possibilité d’interpréter
lessignaux replongés
dansl’espace
initial.Bibliographie
(1)
ANGONZÉ P.,
PORTIERB.,
Estimation desfonctions
de densité et derégression
d’un processus stationnaire absolumentrégulier, Prépublications mathématiques
de l’Université Paris-Sud92-07,
fev. 1992.(2)
ANTONIADISA., GRÉGOIRE G.,
McKEAGUEI.W.,
Waveletsmethods for
curve estimation,
Rapport
de RechercheRR890-M,
Univ. J. Fourier Grenoble1, mai
1992.(3)
BASSEVILLEM.,
BENVENISTEA.,
Multi-scaleautoregressive
processes,Rapport
de RechercheINRIA, 1202,
1990.(4)
BENASSIA., Analyse
multi-échelle et locale de processusgaussiens,
Pro-babilités
numériques,
N.Bouleau,
D.Talay eds,
INRIA coll.didactique, 10, 121-134, 1992.
(5)
BENVENISTEA.,
NIKOUKHAHR.,
WILLSKYA.S.,
Multi-scale systemtheory, Rapport
de RechercheINRIA, 1194,
1990.(6) BLANC-FÉRAUD L.,
BARLAUDM.,
Restaurationd’image
bruitée paranalyse
multirésolution etchamps
deMarkov,
Actes du treizièmecolloque GRETSI,
Juan-Les-Pins, 829-832, sept.
91.(7)
CARRAULTG.,
SENHADJIL.,
BELLANGERJ.J.,
PASSARIELLOG.,
MORAF., Analyse
etreprésentation
en ondelettes d’unsignal ECG,
Actesdu treizième
colloque GRETSI, Juan-Les-Pins, 141-144,
sept. 91.(8)
COHENA., Ondelettes, analyses
multirésolutions et traitementnumérique
dusignal,
Thèse dedoctorat,
Université Paris IXDauphine,
1990.(9)
COHENA.,
FROMENTJ.,
ISTASJ., Analyse
multi-résolution designaux aléatoires, C.R.A.S.,
1991.(10)
COURRIER DUCNRS, Signaux
etimages,
Le Courrier duCNRS,
Dossiersscientifiques,
CNRSed., 77, juin
1991.(11)
DAUBECHIESI.,
Orthonormal basisof compactly supported wavelets,
Comm.Pure
Appl. Math.,
vol. XLI,909-996,
1988.(12)
DONOHOD.,
JOHNSTONEI.,
Wavelets andoptimal
non linearfunctions
estimates, Technical report,Berkeley,
1990.(13)
DOUKHANP.,
LEONJ.,
Déviationquadratique
d’estimateurs de densité parprojections orthogonales, CRAS, 310,
sérieI, 425-430,
1990.(14)
DUFLOM.,
Méthodes récursivesaléatoires,
Masson, 1990.(15)
FLANDRIN P., Fractionnal Brownian Motion andWavelets,
inWavelets,
Fractals and Fourier Transforms. Newdevelopments
and NewApplications
(M. Farge,
J.C.R.Hunt,
J.C.Vassilicos, eds.),
Oxford Univ.Press,
1991.(16)
FROMENTJ.,
Traitementd’images
etapplications
de latransformée
enondelettes,
Thèse dedoctorat,
Université Paris IXDauphine, 1990.
(17)
FROMENTJ.,
MALLATS., Compression d’images
et ondelettes. Une doubleapproche
contours et textures, Actes de l’écoleCEA, EDF,
INRIA « Problèmesnon linéaires
appliquées.
Ondelettes et paquetsd’ondes», Rocquencourt,
227-247,
17-21juin
1991.(18)
GENON CATALOTV.,
LAREDOC.,
PICARD D., Nonparametric
estimationof the diffusion coefficient by
waveletsmethods,
to appear in Scand. Journ. ofStat.,
1992.( 19)
GENON CATALOTV.,
LAREDOC.,
PICARDD.,
Estimation nonparamétri- que de
la variance d’unediffusion
par méthodesd’ondelettes, CRAS, 311,
sérieI, 379-382,
1990.(20)
ISTASJ., Statistique
des processusgaussiens
stationnaires continus par méthodesd’ondelettes,
Thèse dedoctorat,
Université ParisVII,
fev. 92.(21)
KERKYACHARIANG.,
PICARDD., Density
estimation in Besov space,Prépublication
de l’Institut Elie Cartan(Nancy I), 90(11),
1990.(22)
KERKYACHARIANG.,
PICARDD., Density
estimationby
Kernel and Wave-lets methods, links between geometry
of
the kernel andregularity
constraints,Prépublication
de l’Institut Elie Cartan(Nancy I), 92(4),
1992.(23) LEMARIÉ
P.G.(ed.),
Les ondelettes en1989,
Lect. Notes inMath., 1438, Springer Verlag,
1990.(24)
MALGOUYRESG.,
MISITIY.,
OPPENHEIMG.,
POGGIJ.M.,
MISITIM.,
Courbe decharge
et méthode desondelettes, analyses descriptives, Rapport
decontrat de recherche
EDF,
déc. 1990.(25)
MALLATS., A theory for
multiresolutionsignal decomposition :
the waveletrepresentation,
IEEE Trans. onPAMI,
vol.2,
n° 7,674-693,
1989.(26)
MANDELBROTB.,
VAN NESSJ.,
Fractionnal brownian motions,fractionnal
noises and
applications,
SIAMReview, 10, 422-437,
1968.(27) MATLAB,
Mathworks Inc., Matlabreference manual,
1990.(28)
MEYERY.,
JAFFARDS.,
RIOULO., L’analyse
parondelettes,
Pour laScience, 119, sept.
87.(29)
MEYERY.,
Ondelettes etopérateurs,
Tome1,
Actualitésmathématiques,
Hermann, 1990.
(30)
MISITIM.,
MISITIY.,
OPPENHEIMG.,
POGGIJ.M.,
DENIAUC.,
VIANOM.C., Description
de la courbe decharge électrique
pardécomposition
enondelettes et modélisation brownienne
fractionnaire, Rapport
de contrat derecherche
EDF,
déc. 1991.(31)
RIOULO.,
FLANDRINP.,
Ageneral
classextending
wavelettransforms,
IEEETrans. on