Discussion :

[jenaCa]

Bonjour,

Je voudrais éliminer les pics d'un spectre (ci-joint) généré à partir des données de 10 ans en utilisant une méthode appelée Finite Fourier series smoothing .Mon problème c'est quand je supprime les périodes dominantes de mes données par la méthode, j’obtiens une nouvelle séquence de data que j'introduise dans le code de mon spectre qui donne le même résultat initial c-à-d un spectre non filtré.Voici le code de la méthode employée:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
K=[1.25 0.63] ;les périodes des 2 pics 
x=load('DATA.txt');
N=size(x,1);
for i=1:size(K,2)
    k=K(i) ;
    a=0;b=0;r=0;sum=0;S=0;
    for r=1:N
        sum=sum+x(r)*cos((2*pi*r)/k);
    end
    a=sum*(2/N);
    sum=0;
    for r=1:N
        sum=sum+x(r)*cos((2*pi*r)/k);
    end
    b=sum*(2/N);
    n=1:N;
    S=a*cos((2*pi.*n)/k)+b*sin((2*pi.*n)/k);
   x=x-S';
end
plot(x);

Merci de me donner un coup de main

[Gooby]

Bonjour

Pour être honnête je n'ai pas compris

Mon problème c'est quand je supprime les périodes dominantes de mes données par la méthode, j’obtiens une nouvelle séquence de data que j'introduise dans le code de mon spectre qui donne le même résultat initial c-à-d un spectre non filtré.

Pourrais tu réexpliquer? que souhaites tu faire concrètement?

[jenaCa]

Salut Gooby,
Je signale que je suis novice dans ce domaine .Je souhaite annuler les hautes fréquences observés sur mon spectre du vent qui est calculé par l'estimateur de Blackman Tukey, c'est une méthode non paramétrique consiste à estimer la DSP par TFD de l’estimée de l’autocorrélation de n points sur laquelle est appliquée une fenêtre d’apodisation. Pour cela, j'ai déja cherché des solutions a mon problème et s'est avéré que la méthode de Finite Fourier series smoothing est la plus adaptée a ce type du signal. Maintenant j'ai de la difficulté à appliquer cette méthode sachant que je l'ai déjà programmée sur matlab et j'obtiens pas ce que je veux.

[Gooby]

As tu fais la représentation de ton signal brut et de ton signal sans les oscillations périodiques pour vérifier quelles étaient bien soustraites? Je ne suis pas sûr d'avoir bien compris, x est un signal temporel ou bien une TFD d'un signal temporel?

[jenaCa]

Oui j'ai fait les représentations et les oscillations sont toujours présentes.Je crois que j'ai du mal à repérer les hautes fréquences sur le graphe.
x c'est mon signal temporel ;historique de 10 ans de vitesse horaire du vent avec un pas de 3h.
Voici le code avec lequel j'ai calculé le spectre:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
x=load('DATA.txt');    %signal temporel
N = length(x);         %Dimension du signal
fe =1/3;                  %fréq. d'échantillionage
y =(0:N-1)*fe/N;      %Vect.fréq
K=size(y,2);            %Dimension de vect.fréq
M=N/10;                 %Taille de la fenetre d'observation choisie
v=var(x);                % Variance
c=autocorr(x,(N-2))*v; %Autocovariance
w=0.5*(1+cos((pi*(0:M))./M));%fenetre d'observation "tukey"
for i=1:K
    sum=0;
    for e=1:M
        sum=sum+w(1,e)*c(e,1)*cos(y(1,i)*e);
    end
    sp(i,1)=(v+2*sum)/pi;%spectre de blackman tukey
end
plot(y,sp);

Au fait j'aimerais bien me corriger les étapes de mon code et savoir comment estimer le retard de mon signal ? la seule info. que j'ai trouvé c'est qu'il devrait être < N-1.

[Gooby]

Je ne vois pas trop comment t'aider pour le coup, je ne connais pas vraiment la méthode que tu as employé. A ta place j'utiliserai une TFD classique et j'essayerai un filtrage temporel et/ou spectrale basique pour enlever l'oscillation ciblée.

[jenaCa]

Salut,
En tout cas merci pour vos réponses !
Je voudrais savoir s'il ya un logiciel statistique qui permet de connaitre les périodes les plus représentées dans mon spectre ? c'est vrai qu'il suffit de calculer l'inverse des fréquences mais moi je veux des valeurs plus précises?