Discussion :

[Guirndo]

Bonjour à tous,

Je suis en dernière année d'école d'ingénieur en science des matériaux. Je travaille actuellement sur l'inhibition de la corrosion sur les armatures de béton précontraint. J'effectue des mesures électrochimiques couplées à des enregistrements de signaux acoustiques tout au long des mesures. Le but est d'analyser les processus intervenant dans les phénomènes de corrosion. Chaque signal peut-être relié a une étape clé de la corrosion (amorçage, propagation, etc.). Je cherche donc à corréler chaque signal entre eux et à dégager un tendance sur un graphique selon deux paramètres (exemple : l'énergie du signal et sa fréquence moyenne).

Ces signaux sont filtrés par mes soins. J'obtiens finalement un fichier excel (voir pièce jointe "Recap_salves.xlsx") recensant chaque signal avec ses différents paramètres (énergie, temps de montée, fréquence moyenne, etc.). Je souhaite traiter ces signaux par le biais de Matlab et notamment par la méthode en analyse composante principale.

J'ai déjà effectué un programme "brouillon" mais n'étant pas sûr et n'ayant pas de résultats prometteurs je souhaiterai vous partager mon code afin d'en discuter et de l'améliorer.

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
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
function ACP_EA ()
 
Donnees = xlsread('Recap_salves.xlsx','Data1','a2:s966');
 
 
NumSig = Donnees(:,19);
Rise = Donnees(:,6);
Count = Donnees(:,7);
Energy = Donnees(:,8);
Duration = Donnees(:,9);
Amplitude = Donnees(:,10);
Freq = Donnees(:,11);
 
Variables = [Rise Count Energy Duration Amplitude Freq];
 
Donnees=Donnees(:,6:11);
 
[vect_propres,scores,val_propres,t2] = princomp(zscore(Donnees));
 
figure('Name','NumSig','NumberTitle','off'); 
plot(scores(:,1),scores(:,2),'r+');
text(scores(:,1),scores(:,2),NumSig); 
a  = axis;
xl = a(1);xu = a(2);yl = a(3);yu = a(4);
xlabel('Amplitude')
ylabel('Rise')
hold on
line([xl xu],[0 0])
line([0 0],[yl yu])
 
[ATTACH]225401[/ATTACH]
figure('Name','Variables','NumberTitle','off'); 
plot(vect_propres(:,1),vect_propres(:,2),'.');
text(vect_propres(:,1),vect_propres(:,2),Variables);    
hold on
[x,y,z] = cylinder(1,200);
plot(x(1,:),y(1,:))
hold on
line([-1 1],[0 0])
line([0 0],[-1 1])
axis equal

Je vous remercie par avance :-)

Guillaume R

[Guirndo]

Bonjour la communauté,

Je relance mon sujet, je bute toujours autant sur le réalisation de cet algorithme sur Matlab.

Je joins un screen de résultat "référence" obtenu par le logiciel NOESIS qui est un logiciel spécialement dédié à ce genre d'étude. J'ai effectué une classification non supervisée suivant la méthode des K-means en 3 classes puis j'ai effectué une ACP et tracé le résultat sur un plan 2D en composantes principales.

Je vous remercie pour votre aide,

Guill.

[Matlanoob]

Salut,

pas besoin de t'embêter à programmer tout ça. Utilise la fonction "pca" sur matlab.

Selon moi l'ACP en EA est très limitée. Néanmoins si tu veux aller plus loin dans le choix de tes descripteurs et l'optimisation du nombre de classes à considérer je te conseil la thèse d'Anne Marec faite au Mans il y a quelques années.