On nonparametric techniques for analyzing nonstationary signals

Dans l’analyse des signaux d’origine naturelle, nous sommes souvent confrontés à des situations où nous ne savons pas si un changement s’est produit, ni où le possible point de changement peut être localisé. Cependant, diverses méthodes en traitement du signal reposent implicitement sur une hypothès...

Full description

Bibliographic Details
Main Author: De Souza, Douglas David Baptista
Other Authors: Grenoble
Language:en
Published: 2013
Subjects:
620
Online Access:http://www.theses.fr/2013GRENT069/document
id ndltd-theses.fr-2013GRENT069
record_format oai_dc
spelling ndltd-theses.fr-2013GRENT0692018-06-22T04:56:53Z On nonparametric techniques for analyzing nonstationary signals statistiques avancees,estimation,detection,precipitation,modele de climat,methodes par apprentissage Statistiques avancées Estimation Detection Précipitation Modele de climat Methodes par apprentissage Advanced statistics Estimation Detection Precipitation Climate models Machine learning 620 Dans l’analyse des signaux d’origine naturelle, nous sommes souvent confrontés à des situations où nous ne savons pas si un changement s’est produit, ni où le possible point de changement peut être localisé. Cependant, diverses méthodes en traitement du signal reposent implicitement sur une hypothèse de stationnarité, car le cas stationnaire est bien défini dans une perspective théorique. D’un autre côté, tous les processus du monde réel sont a priori non-stationnaires et, dans la majorité des cas, cette supposition se révèle vraie. Etant donné qu’il existe de nombreuses façons par lesquelles la propriété de stationnarité peut être enfreinte, différents tests de stationnarité ont été développés pour tester les différentes formes de non-stationnarité. Cette thèse se concentre sur la conception et l’amélioration des techniques qui peuvent être appliquées aux signaux environnementaux, plus spécifiquement, les signaux hydrométéorologiques. Les techniques qui ont été développées présentent certaines caractéristiques qui sont préférables pour tester les données environnementales (i.e. être non-parametrique, être capable d’extraire automatiquement les informations des données disponibles, être capable d’identifier un changement dans les moments statistiques du premier et du second ordre). Dans cette thèse, le test de stationnarité et la détection de point de changement ont été abordés séparément: les tests de stationnarité rejettent la stationnarité de tout l’intervalle d’observation, tandis que pour détecter les points de changement, nous testons les signaux pour les quels la stationnarité a déjà été rejetée. Dans cette thèse, de nombreuses contributions et de nouvelles approches de ces sujets sont proposées. La dernière partie de la thèse consiste à appliquer toutes les approaches développées sur des données environnementales. Les données ont été générées par le Canadian Regional Climate Model (CRCM), un modéle très réaliste qui prend en compte de nombreuses interactions physiques complexes.La cohérence des résultats obtenus confirme le potentiel des approches proposées au regard des approches concurrentes. In the analysis of the signals of natural origin, we are often confronted with situations where we do not know if a change occurred, or where the possible point of change can be located(localized). However, diverse methods in signal processing rest(base) implicitly on a hypothesis of stationarity, because the still case is defined well in a theoretical prospect(perspective). On the other hand, all the processes of the real world are a priori non-still and, in the majority of the cases, this supposition shows itself true. Given that there are numerous manners by which the property of stationarity can be broken, various tests of stationarity were developed to test the various forms of non-stationarity. This thesis(theory) concentrates on the conception(design) Electronic Thesis or Dissertation Text en http://www.theses.fr/2013GRENT069/document De Souza, Douglas David Baptista 2013-10-08 Grenoble Chanussot, Jocelyn Favre Pugin, Anne-Catherine
collection NDLTD
language en
sources NDLTD
topic Statistiques avancées
Estimation
Detection
Précipitation
Modele de climat
Methodes par apprentissage
Advanced statistics
Estimation
Detection
Precipitation
Climate models
Machine learning
620
spellingShingle Statistiques avancées
Estimation
Detection
Précipitation
Modele de climat
Methodes par apprentissage
Advanced statistics
Estimation
Detection
Precipitation
Climate models
Machine learning
620
De Souza, Douglas David Baptista
On nonparametric techniques for analyzing nonstationary signals
description Dans l’analyse des signaux d’origine naturelle, nous sommes souvent confrontés à des situations où nous ne savons pas si un changement s’est produit, ni où le possible point de changement peut être localisé. Cependant, diverses méthodes en traitement du signal reposent implicitement sur une hypothèse de stationnarité, car le cas stationnaire est bien défini dans une perspective théorique. D’un autre côté, tous les processus du monde réel sont a priori non-stationnaires et, dans la majorité des cas, cette supposition se révèle vraie. Etant donné qu’il existe de nombreuses façons par lesquelles la propriété de stationnarité peut être enfreinte, différents tests de stationnarité ont été développés pour tester les différentes formes de non-stationnarité. Cette thèse se concentre sur la conception et l’amélioration des techniques qui peuvent être appliquées aux signaux environnementaux, plus spécifiquement, les signaux hydrométéorologiques. Les techniques qui ont été développées présentent certaines caractéristiques qui sont préférables pour tester les données environnementales (i.e. être non-parametrique, être capable d’extraire automatiquement les informations des données disponibles, être capable d’identifier un changement dans les moments statistiques du premier et du second ordre). Dans cette thèse, le test de stationnarité et la détection de point de changement ont été abordés séparément: les tests de stationnarité rejettent la stationnarité de tout l’intervalle d’observation, tandis que pour détecter les points de changement, nous testons les signaux pour les quels la stationnarité a déjà été rejetée. Dans cette thèse, de nombreuses contributions et de nouvelles approches de ces sujets sont proposées. La dernière partie de la thèse consiste à appliquer toutes les approaches développées sur des données environnementales. Les données ont été générées par le Canadian Regional Climate Model (CRCM), un modéle très réaliste qui prend en compte de nombreuses interactions physiques complexes.La cohérence des résultats obtenus confirme le potentiel des approches proposées au regard des approches concurrentes. === In the analysis of the signals of natural origin, we are often confronted with situations where we do not know if a change occurred, or where the possible point of change can be located(localized). However, diverse methods in signal processing rest(base) implicitly on a hypothesis of stationarity, because the still case is defined well in a theoretical prospect(perspective). On the other hand, all the processes of the real world are a priori non-still and, in the majority of the cases, this supposition shows itself true. Given that there are numerous manners by which the property of stationarity can be broken, various tests of stationarity were developed to test the various forms of non-stationarity. This thesis(theory) concentrates on the conception(design)
author2 Grenoble
author_facet Grenoble
De Souza, Douglas David Baptista
author De Souza, Douglas David Baptista
author_sort De Souza, Douglas David Baptista
title On nonparametric techniques for analyzing nonstationary signals
title_short On nonparametric techniques for analyzing nonstationary signals
title_full On nonparametric techniques for analyzing nonstationary signals
title_fullStr On nonparametric techniques for analyzing nonstationary signals
title_full_unstemmed On nonparametric techniques for analyzing nonstationary signals
title_sort on nonparametric techniques for analyzing nonstationary signals
publishDate 2013
url http://www.theses.fr/2013GRENT069/document
work_keys_str_mv AT desouzadouglasdavidbaptista onnonparametrictechniquesforanalyzingnonstationarysignals
AT desouzadouglasdavidbaptista statistiquesavanceesestimationdetectionprecipitationmodeledeclimatmethodesparapprentissage
_version_ 1718702792656289792