Modélisation de sons bruités par la Synth`ese Granulaire
Modélisation de sons bruités par la Synth`ese Granulaire
Modélisation de sons bruités par la Synth`ese Granulaire
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Ayant une espérance nulle pour <strong>la</strong> fonction <strong>de</strong> corré<strong>la</strong>tion, l’algorithmen’est ainsi pas en mesure <strong>de</strong> détecter dans le signal le grain pourtant <strong>de</strong>structure i<strong>de</strong>ntique à celui du dictionnaire. Cet exemple simple n’est pasréellement carctéristique d’analyse réelle mais il nous montre tout <strong>de</strong> mêmecomment les composantes stochastiques <strong>de</strong>s grains du dictionnaire peuventfausser <strong>la</strong> détection. Il nous faut donc, si l’on souhaite gar<strong>de</strong>r <strong>la</strong> même structurepour l’algorithme, trouver une autre fonction <strong>de</strong> corré<strong>la</strong>tion adaptée aussignaux non-<strong>de</strong>terministes. Une idée serait d’utiliser le produit sca<strong>la</strong>ire <strong>de</strong>l’autocovariance empirique pour com<strong>par</strong>er le contenu spectral <strong>de</strong> l’atome gavec le signal x reduit au domaine <strong>de</strong> g suivant :C(x, g) = 〈acov x , acov g 〉 avec acov z (d) =N−d∑k=0z(k) ∗ z(k + d)Mais plusieurs problèmes surviennent alors. D’une <strong>par</strong>t on perd l’information<strong>de</strong> phase qui peut lors <strong>de</strong> <strong>la</strong> soustraction du grain au signal ajouter<strong>de</strong> l’energie plutôt qu’en enlever. En effet, <strong>de</strong>ux grains sinusoidaux g 1 et g 2 enopposition <strong>de</strong> phase ayant <strong>la</strong> même autocovariance, <strong>la</strong> soustraction <strong>de</strong> l’un<strong>par</strong> l’autre donnera x = 2 ∗ g1. De plus, l’autocovariance ne conserve pasnon plus les évolutions temporelles dans <strong>la</strong> structure du grain. Deux grainsg 1 (t) et son renversé temporel g 2 (t) = g 1 (N − t) auront aussi <strong>la</strong> même autocovariance,l’algorithme perdant ainsi un pouvoir <strong>de</strong> discrimination essentielentre différents grains complexes. Ces constats nous empêchent donc d’envisagerl’utilisation <strong>de</strong> l’autocovariance comme fonction <strong>de</strong> corré<strong>la</strong>tion. Il nousfaut donc trouver une métho<strong>de</strong> permettant <strong>de</strong> com<strong>par</strong>er <strong>la</strong> structure à <strong>la</strong>fois temporelle et spectrale <strong>de</strong>s grains avec celle du signal. Nous venons <strong>de</strong>voir les limites du travail dans le domaine temporel pour prendre en compteces spécifications. Il y a bien <strong>de</strong>s possibilités d’extension <strong>de</strong> <strong>la</strong> fonction <strong>de</strong>corré<strong>la</strong>tion mais elles ne font qu’alourdir le principe <strong>de</strong> dé<strong>par</strong>t simple <strong>de</strong>l’algorithme.L’idée est alors <strong>de</strong> gar<strong>de</strong>r le principe <strong>de</strong> décomposition adaptative <strong>de</strong> MatchingPursuit et <strong>de</strong> l’adapter au domaine spectral qui permet une représentationbien plus fine <strong>de</strong>s propriétés structurelles <strong>de</strong> signaux variés. En effet, <strong>par</strong> <strong>de</strong>stechniques <strong>de</strong> lissage <strong>de</strong> spectre, on peut représenter <strong>de</strong>s signaux non <strong>de</strong>terministedonnant approximation <strong>de</strong> leur <strong>de</strong>nsité spectrale <strong>de</strong> puissance. Il nes’agit plus <strong>de</strong> com<strong>par</strong>er le signal avec les atomes sous leur forme temporellemais d’utiliser plutôt pour ce<strong>la</strong> leur spectrogramme. L’avantage <strong>de</strong>s spectrogrammes<strong>par</strong> rapport à une unique transformée <strong>de</strong> Fourier est <strong>de</strong> conserver<strong>de</strong>s informations temporelles re<strong>la</strong>tivement précises, chose que ne peut pasfaire <strong>la</strong> TF, comme nous l’avons vu plus haut. Cette idée pourrait s’ap<strong>par</strong>enterà <strong>de</strong>s techniques <strong>de</strong> reconnaissance <strong>de</strong> formes spectrales à <strong>par</strong>tir d’un45