Décompositions Modales Empiriques.

Contributions à la
théorie, l’algorithmie et l’analyse de performances
Gabriel Rilling

To cite this version:

Gabriel Rilling. Décompositions Modales Empiriques. Contributions à la théorie, l’algorithmie et
l’analyse de performances. Traitement du signal et de l’image [[Link]]. Ecole normale supérieure de
lyon - ENS LYON, 2007. Français. �NNT : �. �tel-00442634�

HAL Id: tel-00442634

[Link]
Submitted on 21 Dec 2009

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
N◦ d’ordre : 435
N◦ attribué par la bibliothèque : ENSL07435

THESE
en vue d’obtenir le grade de

Docteur de l’Université de Lyon - École Normale Supérieure de Lyon

Spécialité : Physique

Laboratoire de Physique

École doctorale de Physique

ECOLE NORMALE SUPERIEURE DE LYON

présentée et soutenue publiquement le 14 décembre 2007 par

Gabriel Rilling

Titre :
Décompositions Modales Empiriques
Contributions à la théorie, l’algorithmie et l’analyse de performances

Directeur de thèse : M. Patrick FLANDRIN

Après avis de : M. Jacques LEMOINE

Mme Valérie PERRIER

devant la commission d’examen formée de

M. Alain ARNEODO Président

M. Patrick FLANDRIN Directeur de thèse

M. Jacques LEMOINE Membre/Rapporteur

Mme Valérie PERRIER Membre/Rapporteur

Mme Béatrice PESQUET-POPESCU Membre

Remerciements

Les travaux rapportés dans ce manuscrit doivent beaucoup au soutien d’un certain nombre de
personnes. Je ne les ai pour la plupart jamais vraiment remerciés et je souhaite donc le faire ici avec
la plus grande sincérité.
Je tiens tout d’abord à remercier les membres du jury qui m’ont fait l’honneur d’évaluer ce travail.
Je remercie Alain Arnéodo d’avoir apporté son regard personnel et de m’avoir fait le plaisir de présider
le jury. Merci à Valérie Perrier et Jacques Lemoine d’avoir pris le temps de soigneusement étudier ce
manuscrit et de le rapporter en me faisant part de leurs nombreuses questions et recommandations.
Je remercie également Béatrice Pesquet-Popescu d’avoir accepté de participer à ce jury malgré les
nombreuses sollicitations et d’avoir ainsi apporté son soutien à mes travaux.
Plus que tout autre, je veux remercier Patrick Flandrin sans qui cette thèse n’aurait jamais
été. Scientifiquement, les travaux exposés ici doivent beaucoup à la justesse de ses conseils, à la
pertinence de ses réflexions ainsi qu’au recul dont il est capable dans ses analyses. À cela s’ajoutent ses
qualités de direction, notamment la grande liberté qu’il m’a laissée ainsi que sa constante disponibilité.
Il a aussi par sa présence amicale et bienveillante contribué à faire de ces années une expérience
toujours enrichissante et agréable. Enfin j’ai également beaucoup apprécié ses qualités humaines et
en particulier sa patience dont j’ai sans doute éprouvé les limites. Pour toutes ces raisons, je lui suis
infiniment reconnaissant.
Ce travail aurait aussi sûrement été très différent sans le cadre agréable du laboratoire de physique
de l’ENS Lyon. En premier lieu, je remercie les membres de l’équipe Sisyphe qui formaient mon
entourage direct et sont devenus mes amis : Pierre, dont la générosité et la disponibilité semblent
inépuisables, Stéphane, bonne humeur et chaleur humaine personnifiées, Patrice, « le chef cool »,
Herwig, Jun et Bruno avec qui j’ai eu le plaisir de partager le bureau des thésards ainsi que Nico
et Antoine, qui résidaient un peu plus loin mais répondaient toujours présent à l’appel du café. Au
delà de l’équipe signal, je remercie également les autres partenaires de mes (très) nombreuses pauses,
Yoann, Mathieu, Éric, Hervé ainsi que Mathieu et Sébastien, amis travailleurs du soir et de la nuit
(qui m’ont plus souvent empêché de travailler qu’autre chose).
Plus généralement, je salue l’ensemble des membres du laboratoire, sans oublier les personnels
administratifs et techniques, toujours prompts à résoudre les moindre problèmes.
Il me reste enfin à remercier mes parents et mon frère, à qui je dois la curiosité et la rigueur qui
m’ont amené jusqu’ici, et dont le soutien même tacite m’a été précieux au long de ces années.
ii
Table des matières

1 Décompositions modales empiriques 5

1 Motivations et contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Méthodes dévolues à l’analyse des signaux non stationnaires . . . . . . . . . . . 8
2 Présentation des décompositions modales empiriques . . . . . . . . . . . . . . . . . . . 14
2.1 La décomposition modale empirique originale . . . . . . . . . . . . . . . . . . . 14
2.2 Transformée de Hilbert–Huang (HHT) . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Définition plus générale d’une EMD . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4 L’EMD : une méthode « intuitive » . . . . . . . . . . . . . . . . . . . . . . . . . 20
3 Propriétés élémentaires de la décomposition . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1 Non-linéarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Covariances vis-à-vis de certaines transformations . . . . . . . . . . . . . . . . 22
3.3 Quasi-orthogonalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4 Localité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5 Multirésolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4 Propriétés des IMFs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.1 Une définition en toute rigueur trop restrictive . . . . . . . . . . . . . . . . . . 34
4.2 Les IMFs d’indice supérieur à 2 sont des splines . . . . . . . . . . . . . . . . . . 37
5 Questions liées à l’implantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.1 Conditions aux bords . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.2 Arrêt du processus de tamisage . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.3 Interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.4 Problèmes liés à l’échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . 54
6 Variantes et extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.1 EMD locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.2 EMD en ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.3 « Ensemble Empirical Mode Decomposition » . . . . . . . . . . . . . . . . . . . 74
6.4 EMD pour les images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.5 Signal bivarié . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

2 Analyse 97
1 Cadre déterministe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
1.1 Cas d’un mélange de 2 sinusoı̈des . . . . . . . . . . . . . . . . . . . . . . . . . . 97
1.2 Généralisations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
1.3 Cas d’un mélange à n > 2 ondes . . . . . . . . . . . . . . . . . . . . . . . . . . 150
1.4 Application à l’EMD bivariée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
1.5 Conclusions sur l’EMD de sommes de composantes déterministes « simples » . 161
2 Cadre stochastique : décomposition d’un bruit large bande . . . . . . . . . . . . . . . . 164
2.1 Bruits blancs de densités variées . . . . . . . . . . . . . . . . . . . . . . . . . . 164

iii
iv Table des matières

2.2 Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle . . . 186
2.3 EMD bivariée d’un bruit « blanc » complexe . . . . . . . . . . . . . . . . . . . 217
2.4 Liens avec le modèle déterministe . . . . . . . . . . . . . . . . . . . . . . . . . . 250
Introduction

Dans tous les domaines de sciences, à l’exception peut-être de certaines branches des mathéma-
tiques, la connaissance progresse par la conjonction d’une approche théorique ou de modélisation
et d’une approche d’observation du sujet d’étude. Dans le cadre de la seconde, un souci constant
est de s’assurer que ce qui est observé est bien relatif à l’objet étudié. Pour étudier par exemple les
phénomènes de marées, on peut s’intéresser à l’évolution du niveau de la mer en un point donné en
fonction du temps. Cependant, cette évolution ne dépend pas que des marées mais peut être influen-
cée par beaucoup d’autres phénomènes comme des ondes de gravité, des courants marins, des ondes
de surface dues au vent, le passage de bateaux, la vie aquatique, etc. Pour pouvoir étudier les marées,
il en découle que l’observateur doit nécessairement faire la part dans les observations de ce qui est
relatif aux marées et de ce qui ne l’est pas. Plus généralement, dans toutes les situations d’observation
se pose le problème d’extraire les informations « qui nous intéressent », c’est-à-dire celles qui sont
pertinentes en vue d’une modélisation ou d’une application donnée. Dans certains cas, les données
expérimentales sont suffisamment simples pour que le cerveau de l’observateur puisse extraire ces
informations. Dans d’autres, il peut avoir besoin de l’aide d’outils d’analyse de données.
Les travaux rapportés dans ce manuscrit ont pour sujet central un nouvel outil d’analyse de don-
nées dévolu à des situations difficiles où les outils classiques sont mal adaptés. Plus qu’un outil, il
s’agit en fait d’une approche novatrice qui, à partir d’un outil appelé « Empirical Mode Decompo-
sition » [28], a donné lieu par la suite à une famille d’outils, les décompositions modales empiriques,
variantes ou extensions de la méthode originale. Séduisante par son aspect particulièrement intuitif,
la nouvelle approche souffre d’un défaut de jeunesse dans la mesure où elle n’est encore définie que
par la sortie d’un algorithme complexe sans fondement théorique bien établi. En outre, la mise en
œuvre de l’algorithme nécesssite un certain nombre de choix pour lesquels les solutions proposées ini-
tialement sont fonctionnelles mais clairement pas optimales. Enfin, le principe de base de la méthode
est certes très intuitif mais le fait qu’il soit inhabituel, que sa mise en œuvre dépende d’un certain
nombre de degrés de liberté, et qu’il soit de plus utilisé de manière itérée fait que la sortie de l’al-
gorithme n’est pas forcément si intuitive qu’on pourrait le penser a priori. Néanmoins, les propriétés
uniques de cette nouvelle approche ont rapidement suscité l’intérêt dans des domaines d’application
divers avant d’intéresser la communauté traitement du signal.
Lorsque les tous premiers travaux à l’origine de cette thèse ont été commencés en 2002 à l’occasion
d’un stage, la méthode avait commencé à être diffusée en dehors du domaine de l’océanographie et
de la climatologie où elle avait été introduite, mais rien ou presque n’avait encore été fait, ni pour
proposer des choix plus performants pour les degrés de liberté de l’algorithme, ni pour en améliorer
la compréhension.
Au cours de cette thèse, c’est précisément cet objectif de comprendre le fonctionnement de la
décomposition modale empirique qui a été le moteur principal avec l’objectif annexe de lui apporter
une base théorique. Il a fallu pour cela commencer par réaliser une implantation de l’algorithme.
Cette étape a été l’occasion d’aborder les problématiques liées aux différents choix algorithmiques
nécessaires mais on ne s’est pas attardé outre mesure sur ces questions, l’objectif étant plus d’avoir
un algorithme fonctionnel rapidement pour commencer à analyser son fonctionnement. De plus, il
paraı̂t difficile de construire une implantation optimale à tout point de vue si on ne sait pas quel sens
2 Introduction

donner à la notion d’optimalité, faute d’avoir une compréhension précise du fonctionnement de la

méthode. L’implantation réalisée alors a été publiée sur internet en tant que logiciel libre et constitue
la base d’une petite boı̂te à outils pour MATLAB consacrée aux décompositions modales empiriques
qui a été développée au cours de cette thèse.
Une fois cette implantation réalisée, on a pu se pencher sur l’objectif premier qu’est l’étude des
proriétés de la méthode. Dans ce but, on peut envisager schématiquement deux approches : une
approche théorique consistant à partir de l’algorithme pour construire un cadre théorique adapté
permettant par la suite d’en décrire les propriétés, ou une approche empirique consistant à détermi-
ner les propriétés de l’algorithme à partir d’observations de son comportement dans des situations
bien contrôlées. Pour de nombreuses raisons, la décomposition modale empirique se montre rêtive
à l’approche théorique. Sa forme algorithmique aux nombreux degrés de liberté est clairement un
obstacle important mais même l’élément central de l’algorithme, décrit par la succession de seule-
ment quelques opérations, est suffisamment inhabituel pour constituer un obstacle majeur. Face à
ces difficultés, l’approche empirique s’est naturellement imposée dans un premier temps. N’ayant a
priori aucune connaissance précise des propriétés de l’algorithme, on a choisi d’étudier son comporte-
ment dans un petit nombre de situations simplifiées à l’extrême pour faciliter l’interprétation. On est
ainsi parti de l’étude de la décomposition modale empirique de trois types de signaux : les signaux
sinusoı̈daux, les sommes de deux signaux sinusoı̈daux et les bruits blancs gaussiens. La première si-
tuation a permis d’aborder la thématique de l’influence de l’échantillonnage. Les deux suivantes ont
permis d’approcher le fonctionnement de la décomposition par des points de vue complémentaires :
d’une part le cas de deux composantes déterministes simples et d’autre part le cas du bruit blanc
qui peut-être vu comme la somme d’un grand nombre de composantes déterministes indépendantes.
Dans tous les cas, des simulations extensives ont été réalisées pour observer l’influence des différents
paramètres des modèles de signaux ainsi que celle des paramètres clés de l’algorithme de décompo-
sition modale empirique. Les caractéristiques observées dans les deux premières situations ont alors
motivé un certain nombre de simplifications de l’algorithme permettant d’aboutir dans chaque cas
à une modélisation de son comportement justifiant en partie les observations et pouvant s’étendre
à des cas plus généraux. La troisième situation s’est montrée plus difficile à approcher directement.
Les résultats des simulations sont cependant riches d’observations et clairement pas déconnectés de
ceux observés pour les sommes de deux signaux sinusoı̈daux.
Indépendamment de l’objectif principal qu’est l’analyse du fonctionnement de la décomposition
modale empirique, on s’est également intéressé à une extension permettant de traiter des signaux
à valeur complexe, la méthode initiale étant limitée aux signaux réels. Ces travaux, initialement
motivés par une collaboration en océanographie, ont abouti à la conception de nouveaux algorithmes
étendant le principe de l’algorithme initial aux signaux complexes. Les propriétés de ces derniers sont
étudiées au cours de cette thèse en parallèle de celles de la méthode originale.
Ce document est organisé de la façon suivante. Après une introduction rappelant le contexte dans
lequel elles ont été introduites les décompositions modales empiriques, le chapitre 1 propose une pré-
sentation de la famille des décompositions modales empiriques ainsi que des considérations relatives
aux questions liées à l’implantation ou aux conditions d’emploi de ces méthodes. Certaines de ces
considérations reprennent et étendent les observations faites dans [55]. On trouvera également dans
ce chapitre un compte rendu des travaux réalisés sur la question de l’influence de l’échantillonnage
publiés dans [50, 51, 54]. Enfin, parmi les variantes et extensions de la décomposition modale em-
pirique originale, une attention particulière est consacrée à celle permettant de traiter des signaux
complexes présentée dans [57].
Le chapitre 2 est centré sur l’analyse du fonctionnement de la décomposition. Il se divise en deux
grandes parties. La première part de l’étude de la décomposition d’une somme de deux sinusoı̈des pour
aboutir à un modèle qui est ensuite généralisé à des sommes de composantes périodiques faiblement
non linéaires ainsi qu’aux sommes d’exponentielles complexes pour les algorithmes dédiés au cas
Introduction 3

complexe. Cette partie reprend et étend les résultats proposés dans [53]. La seconde grande partie part
de l’étude de la décomposition d’un bruit blanc gaussien et est consacrée plus généralement à l’étude
de la décomposition de bruits large bande. On s’est intéressé notamment au cas de bruits présentant
des caractéristiques d’invariance d’échelle ainsi qu’à l’estimation de l’exposant caractéristique de cette
invariance à l’aide de la décomposition modale empirique. Les résultats rapportés dans cette partie
reprennent en plus détaillé ceux proposés dans [21, 19, 20, 56]. On trouvera également dans cette
partie une extension au cas de bruits à valeur complexe prolongeant les résultats rapportés dans [52].
4 Introduction
Chapitre 1

Décompositions modales empiriques

1 Motivations et contexte
1.1 Contexte
Le contexte dans lequel s’inscrivent les méthodes de décompositions modales empiriques est très
généralement celui de l’analyse de données. Plus précisément, ces méthodes ont été introduites pour
faire face à une contradiction courante dans ce domaine, à savoir que la grande majorité des outils
utilisés sont basés sur des hypothèses de stationnarité et de linéarité qui ne sont en réalité jamais
strictement vérifiées. Elles le sont dans de nombreux cas de manière approximative, ce qui justifie
l’emploi des outils, mais il existe aussi des situations où elles ne le sont pas, même approximativement,
auquel cas les outils basés sur ces hypothèses sont alors inadaptés.
À ces difficultés s’ajoute aussi bien souvent le fait qu’il est impossible d’agir sur le système physique
sous-jacent et qu’on ne peut reproduire le processus qui a généré les données. C’est en particulier le
cas des données issues de systèmes comportant un très grand nombre de degrés de libertés comme les
données climatiques ou économiques. Dans ces conditions, on ne dispose généralement que d’un seul
enregistrement de données, ou une réalisation du processus aléatoire associé au processus physique
comprenant la génération des données et leur mesure, et encore, une réalisation partielle dans la
mesure où l’enregistrement est nécessairement de durée finie.
Dans ce contexte, les décompositions modales empiriques ont été introduites dans le but de
proposer des méthodes souples d’emploi permettant de faciliter la lecture des données, c’est-à-dire
l’extraction d’informations, généralement en vue d’une application donnée. Pour remplir au mieux
l’objectif de souplesse, il faut idéalement relâcher les conditions de stationnarité et de linéarité et
autant que possible limiter tout a priori sur le contenu des données. Cette dernière nécessité exclut
de fait toutes les approches paramétriques qui consistent à décrire les données à partir des paramètres
d’un modèle prédéterminé, calculés pour que la sortie du modèle ressemble au mieux aux données.
Pour préciser le cadre dans lequel les décompositions modales empiriques ont été introduites, on
se propose maintenant de discuter les notions de stationnarité et de linéarité.

1.1.1 (Non-)stationnarité

[Link] Définitions La notion de stationnarité est une propriété relative aux processus aléatoires.

Définition 1. Un processus aléatoire {x(t), t ∈ R} est dit strictement stationnaire si pour tout τ ∈ R,
le processus translaté de τ {xτ (t), t ∈ R} défini par ∀t ∈ R, xτ (t) = x(t + τ ) est identique au processus
{x(t), t ∈ R} :
d
{x(t), t ∈ R} = {xτ (t), t ∈ R} , (1.1)
6 Chapitre 1. Décompositions modales empiriques

Pour une fonction déterministe f (t), la propriété de stationnarité telle qu’énoncée ci-dessus im-
plique que f (t + τ ) = f (t) pour tout τ et donc que f (t) est constante. En pratique cependant, on
qualifie également de stationnaires les fonctions périodiques. Cette pratique se justifie en considérant
l’astuce suivante : étant donnée une fonction f (t) périodique de période T , on peut lui associer le
processus aléatoire f˜(t) défini par

∀t ∈ R, f˜(t) = f (t + ϕ), (1.2)

où ϕ est une variable aléatoire uniformément distribuée dans [0, T ]. f˜(t) est alors strictement sta-
tionnaire.
L’hypothèse de stationnarité stricte étant une hypothèse forte, on utilise bien souvent la notion
de stationnarité « au sens large ».

Définition 2. Un processus aléatoire {x(t), t ∈ R} est dit faiblement stationnaire (ou « au sens
large », ou « à l’ordre 2 ») ssi ∀t ∈ R,
(i) Ex(t) = mx = constante,
(ii) E{(x(t) − mx )(x(s) − mx )∗ } = rx (t, s) = γx (t − s).

En pratique, la notion de stationnarité est pratiquement toujours considérée au sens large et c’est
donc cette dernière définition qu’il faut avoir à l’esprit quand on parle d’outils consacrés au traitement
des signaux stationnaires.

[Link] Lien avec la transformée de Fourier La transformée de Fourier est spécialement

bien adaptée à la description des signaux stationnaires à l’ordre 2. En effet, on peut montrer que la
stationnarité à l’ordre 2 garantit une représentation de Cramér de tout signal x(t) [18]
Z ∞
x(t) = e2iπf t dX(f ), (1.3)
−∞

où l’intégrale est de type Fourier-Stieltjes et où l’égalité est à prendre au sens de la moyenne qua-
dratique. Le grand intérêt de cette décomposition est que les incréments spectraux, qui mesurent les
poids aléatoires dX(f ) associés aux fonctions de décomposition t 7→ e2iπf t sont orthogonaux entre
eux
∀(f, f ′ ) ∈ R2 , f 6= f ′ =⇒ E{dX(f )dX ∗ (f ′ )} = 0. (1.4)
En d’autres termes les signaux stationnaires admettent une décomposition fréquentielle en variables
décorrélées. Ce résultat peut se voir comme une conséquence de l’adéquation entre la localisation
fréquentielle idéale induite par la décomposition de Fourier et la permanence au cours du temps du
contenu spectral d’un signal stationnaire.

[Link] Non-stationnarité L’hypothèse de stationnarité, même faible, n’est pas vérifiée dans
un grand nombre de situations pratiques [45, 28]. Il y a à cela plusieurs origines. La première est
qu’un signal 1 expérimental a toujours une durée finie et n’est donc au mieux que la troncature d’un
processus stationnaire. En pratique, on peut s’accomoder de cet aspect si l’échelle d’évolution du
signal est courte devant sa durée, ce qui se traduit pour un processus stationnaire par le fait que
le support de sa fonction d’autocorrélation γx (τ ) = E{x(t)x∗ (t + τ )} − E{x(t)}E{x∗ (t + τ )} est de
longueur petite devant la durée du signal. En revanche, cet aspect peut représenter une cause de non-
stationnarité si cette condition n’est pas vérifiée, bien que le processus physique sous-jacent puisse
être effectivement considéré comme stationnaire sur une plus longue durée.
1. La notion de signal correspond ici essentiellement à la notion de processus aléatoire mais on l’utilisera aussi pour
désigner des fonctions, éventuellement rendues aléatoires par l’ajout d’une phase aléatoire.
1.1. Contexte 7

Au-delà des problèmes dus à l’acquisition nécessairement limitée dans le temps des signaux, de
nombreux signaux expérimentaux sont aussi intrinsèquement non stationnaires. On peut citer parmi
d’autres les signaux de radar et de sonar, les ondes sismiques, les signaux hydrodynamiques dans le
régime turbulent, les signaux biomédicaux comme l’électrocardiogramme, les signaux de parole, les
signaux musicaux ou encore les bruits de moteurs. Dans tous ces cas, les outils stationnaires sont mal
adaptés et donnent lieu à des descriptions bien souvent plus difficiles à lire que les signaux eux-mêmes.
Pour faire face aux situations non stationnaires, un certain nombre d’outils spécifiques ont été
développés. On fera une présentation générale des méthodes non paramétriques en 1.2.

1.1.2 (Non-)linéarité
[Link] Définition La notion de signal non linéaire se rattache à celle de système non linéaire,
le premier étant un signal généré par le second [61, 17]. La définition d’un système non linéaire
se rattache quant à elle au modèle mathématique décrivant le système : un système est linéaire
si et seulement si sa dynamique est régie par une (des) équation(s) linéaire(s). Suivant le cas, ces
équations peuvent être de plusieurs types : des équations différentielles, des équations aux différences,
des équations fonctionnelles, etc.

[Link] Lien avec la transformée de Fourier La transformée de Fourier et plus généralement

celle de Laplace sont particulièrement bien adaptées à l’analyse des systèmes linéaires. Ce résultat est
très généralement lié au fait que les fonctions exponentielles t 7→ ept , p ∈ C, sont les vecteurs propres
des opérateurs linéaires invariants dans le temps. Si on considère un système linéaire, la transformée
de Fourier (ou de Laplace) constitue alors une décomposition en vecteurs propres des opérateurs
linéaires définissant le système et est donc naturellement bien adaptée pour décrire les signaux qui
en sont issus.

[Link] Non-linéarité De manière générale, l’hypothèse de linéarité d’un système physique est
une approximation valable uniquement lorsque les grandeurs physiques en jeu ne sont pas trop
grandes. On peut considérer à ce propos l’exemple canonique du pendule simple. L’équation dif-
férentielle régissant la dynamique du système est de la forme

d2 θ 2
2 + ω0 sin θ = constante. (1.5)
dt
Cette équation est non linéaire sous cette forme, mais lorsque l’amplitude des oscillations est faible
θ ≪ 1, on sait qu’on peut la remplacer par l’approximation

d2 θ
+ ω02 θ = constante. (1.6)
dt2
Plus précisément, cette approximation est valable quand la durée et la précision de l’acquisition du
signal θ(t) ne sont pas suffisantes pour détecter d’une part le caractère non sinusoı̈dal des oscillations
et d’autre part l’écart entre la période de l’oscillateur harmonique 2π/ω0 et la période vraie de
l’oscillateur non-linéaire (1.5). Plus généralement, cet exemple permet de voir que bon nombre de
signaux issus de systèmes non linéaires peuvent être considérés comme linéaires si la précision de leur
mesure n’est pas suffisante pour détecter les effets non linéaires.
En revanche, lorsqu’un système est étudié suffisamment finement pour percevoir les effets non
linéaires, il devient nécessaire pour le décrire d’utiliser des outils adaptés aux situations non linéaires,
ou plutôt qui ne reposent pas sur une hypothèse de linéarité. Si on reprend l’exemple du pendule
simple non linéaire (1.5), les fonctions propres de l’opérateur différentiel non linéaire d2 /dt2 +ω02 sin(·)
ne sont plus les fonctions exponentielles et il en résulte que l’oscillation propre θ(t) est non sinusoı̈dale.
8 Chapitre 1. Décompositions modales empiriques

On sait alors que la transformée de Fourier de θ(t) est constituée de plusieurs harmoniques qui n’ont
pas de sens en elles-mêmes, ce qui permet de voir que la transformée de Fourier n’est pas adaptée à
l’analyse d’une oscillation non linéaire.
L’analyse des signaux non linéaires commence généralement par une phase exploratoire non para-
métrique. Cette phase consiste de manière générale à représenter des caractéristiques du signal dans
un espace de plus grande dimension pour déceler à l’œil des structures particulières. La première
étape est en général une simple représentation temporelle du signal. Si celui-ci est stationnaire, elle
peut être suivie d’une analyse en corrélation, en densité spectrale de puissance, et plus généralement
tous les outils de l’analyse des signaux stationnaires/linéaires peuvent être utilisés. Au-delà de ces
méthodes, existent aussi un certain nombre d’outils spécialement adaptés à l’analyse de signaux non
linéaires [61]. L’exemple canonique de tels outils est sans doute le diagramme de phase pour les sys-
tèmes à temps continu qui est la représentation de la trajectoire du signal dans le plan x(t), dx/dt.
Pour les systèmes à temps discret, ce dernier se décline en diagramme de dispersion (scatter plot).
À ces deux méthodes s’ajoutent un certain nombre d’outils parmi lesquels, l’analyse du bispectre [7],
les histogrammes bivariés (histogramme 2D du couple (x(t), x(t + 1))), les diagrammes de récurrence
(recurrence plot) [7] ou encore la régression retardée (lagged regression) [61]. De plus, tous ces outils
peuvent être appliqués sur le signal directement ou sur un signal « délinéarisé », différence entre
le signal et une modélisation linéaire de ce dernier, par exemple à l’aide d’un modèle autorégres-
sif (linéaire). En pratique, on constate que la quasi-totalité de ces méthodes requièrent de fait une
hypothèse de stationnarité ou d’ergodicité pour être efficaces.
En dehors de la phase exploratoire, les méthodes d’analyse non linéaires consistent généralement
à adapter un modèle générique aux données. Il existe pour ce faire une grande variété de modèles
non linéaires aux propriétés diverses, dont on pourra trouver une liste détaillée dans [23]. En dehors
de ces approches paramétriques, existent aussi des approches non paramétriques d’« apprentissage »
(machine learning), utilisant des outils tels que les réseaux de neurones ou plus récemment les ma-
chines à vecteurs de support [58]. Ces approches sont particulièrement utiles pour prédire l’évolution
du signal en dehors de l’intervalle où il est connu mais, en revanche, elles ne facilitent généralement
pas sa description dans la mesure où la représentation de ce dernier déterminée par ces méthodes est
souvent dans un espace de grande dimension (voire infinie) qui n’a pas de sens en soi.

1.2 Méthodes dévolues à l’analyse des signaux non stationnaires

Une première solution pour décrire les signaux non stationnaires consiste à étendre l’outil sta-
tionnaire qu’est la transformée de Fourier au cadre non stationnaire. On aboutit alors aux approches
temps-fréquence dont on pourra trouver des présentations modernes dans [18, 10, 6, 5, 24].

1.2.1 Représentations temps-fréquence / temps-échelle

Les approches temps-fréquence peuvent être classées en deux catégories suivant qu’elles sont
linéaires par rapport au signal ou bilinéaires.

[Link] Représentations linéaires Une manière simple d’adapter la transformée de Fourier au

cadre non stationnaire consiste à l’appliquer de manière locale à l’aide d’une fenêtre de pondération
bien localisée en temps. On aboutit alors à la transformée de Fourier à court terme :
Z ∞
F (t, f ) = x(τ )w(τ − t)e−2iπf τ dτ, (1.7)
−∞

où w(t) est non nulle uniquement sur un voisinage de 0. Cette relation est de plus inversible si w(t)
est d’énergie unité, ce qui permet de représenter le signal comme une combinaison linéaire d’atomes
temps-fréquence de la forme w(t − τ )e2iπf t . En pratique, on peut voir qu’une telle représentation
1.2. Méthodes dévolues à l’analyse des signaux non stationnaires 9

impose le choix d’une échelle caractéristique donnée par le support temporel de la fenêtre w(t).
Ce choix a un certain nombre de conséquences. Sur la localisation des événements dans le plan
temps-fréquence tout d’abord : ces derniers pourront d’autant mieux être localisés en temps que le
support de w(t) sera petit ; à l’inverse ils pourront d’autant mieux être localisés en fréquence que le
support sera grand. L’autre conséquence importante est que la transformée de Fourier à court terme
ne permet pas vraiment d’analyser les évolutions à des échelles plus grandes que le support de la
fenêtre. L’information donnée par cette dernière aux grandes échelles se résume de fait à l’évolution
temporelle du signal lissée par la fenêtre w(t).
Face à ces limites, une autre solution populaire consiste d’une certaine manière à faire varier la
taille de la fenêtre en fonction de la fréquence. De fait, la notion de fréquence est alors remplacée par
la notion d’échelle et on arrive au cadre de la transformée en ondelettes continue qui s’exprime sous
la forme Z ∞  
1 ∗ τ −t
W (t, a) = x(τ ) √ ψ dτ. (1.8)
−∞ a a
où ψ(t) est l’ondelette « mère ». Il faut noter que cette seule définition ne définit pas vraiment une
transformée en ondelettes continue : il faut y ajouter au minimum la condition d’admissibilité
Z ∞
df
|Ψ(f )|2 = 1, (1.9)
−∞ |f |

où Ψ(f ) est la transformée de Fourier de ψ(t). Cette relation est en fait la condition nécessaire et
suffisante à l’inversion de la transformée en ondelettes et donc à la décomposition du signal x(t)
sur la famille d’ondelettes ψ((t − τ )/a), de paramètres τ et a. Une conséquence de cette condition
d’admissibilité est que ψ(t) doit être de moyenne nulle et qu’ainsi elle présente au moins quelques
oscillations, d’où le nom d’ondelette. De manière générale, la décomposition en échelles ainsi définie
ne peut se ramener à une interprétation en fréquence. Cependant, pour l’analyse exploratoire des
données, il est fréquent d’utiliser des ondelettes raisonnablement localisées en fréquence autour d’une
fréquence f0 , ce qui permet d’interpréter le coefficient W (t, a) comme une contribution à la position
(t, f0 /a) du plan temps-fréquence. La transformée en ondelettes s’est très largement développée de-
puis son introduction et a donné naissance à une grande variété d’outils d’analyse des signaux non
stationnaires dont on pourra trouver un éventail dans [42].
De manière générale, ces représentations linéaires sont à valeur complexe comme la transformée de
Fourier. En pratique, tout comme pour la transformée de Fourier, on ne s’intéresse bien souvent qu’au
module carré de ces transformations avec une interprétation en terme de distribution d’énergie dans
le plan temps-fréquence ou temps-échelle. On parle alors de « spectrogramme » pour la transformée
de Fourier à court terme et de « scalogramme » pour la transformée en ondelettes.
De manière plus générale, il n’est pas nécessaire de partir d’une décomposition linéaire pour
construire une distribution d’énergie temps-fréquence ou temps-échelle mais il est au contraire avan-
tageux de considérer directement la question à travers la construction de représentations bilinéaires.

[Link] Représentations bilinéaires Les représentations temps-fréquence et temps-échelle bili-

néaires peuvent être vues comme toutes construites autour d’un élément central qu’est la distribution
de Wigner-Ville Z ∞ 
τ ∗ τ  −2iπf τ
W V (t, f ) = x t+ x t− e dτ. (1.10)
−∞ 2 2
Cette distribution présente par rapport au spectrogramme un certain nombre de bonnes propriétés
dont une meilleure localisation dans le plan temps-fréquence et une localisation parfaite des modula-
tions de fréquences linéaires. En revanche, ces bonnes propriétés viennent avec l’inconvénient qu’est
la présence de termes d’interférences oscillants qui compliquent l’interprétation de la décomposition.
De plus, la distribution de Wigner-Ville est contrairement au spectrogramme difficile à interpréter
10 Chapitre 1. Décompositions modales empiriques

en terme de distribution d’énergie parce qu’elle n’est pas nécessairement positive. Plus généralement,
on pourra trouver une étude détaillée des propriétés de cette distribution dans [18, 10].
Pour limiter ou supprimer les difficultés liées à l’analyse de la représentation de Wigner-Ville, une
solution consiste à lisser en quelque sorte la distribution par un filtre linéaire dans le plan temps-
fréquence. On aboutit alors à ce qui est appelé la classe de Cohen dont les membres prennent la forme
générale Z Z
∞ ∞
C(t, f ) = Π(t − τ, f − ν)W V (τ, ν)dτ dν, (1.11)
−∞ −∞
et qui regroupe en fait toutes les méthodes temps-fréquence bilinéaires covariantes par rapport aux
translations en temps et en fréquence [18], ce qui inclut en particulier le spectrogramme. La liberté
supplémentaire par rapport à la représentation de Wigner-Ville contenue dans le noyau de lissage
permet d’obtenir un certain nombre de propriétés supplémentaires par rapport à cette dernière comme
la positivité, la causalité et surtout une réduction des termes d’interférences. Cependant, on peut
noter que toutes ces améliorations éventuelles viennent au prix d’une détérioration de la localisation
temps-fréquence de la représentation de Wigner-Ville, ce qui est évident si on considère la forme
(1.11) comme un filtrage linéaire passe-bas dans le plan temps-fréquence. On pourra trouver dans
[18] une approche générale pour construire les noyaux de lissage à partir des propriétés souhaitées.
En dehors de la classe de Cohen, il existe d’autres classes de représentations bilinéaires dont
une en particulier généralise la notion de scalogramme : la classe affine. Comme la classe de Cohen,
elle peut être définie comme une forme de lissage de la distribution de Wigner-Ville, cette fois en
temps-échelle Z ∞Z ∞
t−τ
A(t, a) = Π( , aν)W V (τ, ν)dτ dν. (1.12)
−∞ −∞ a
La richesse des représentations appartenant à cette classe est similaire à celle de la classe de Cohen
et on pourra trouver également dans [18] une approche générale pour les construire en fonction des
propriétés souhaitées.

[Link] Réallocation Pour améliorer la lisibilité des représentations temps-fréquence et temps-

échelle, une technique particulièrement intéressante, proposée dans [3], est la technique de réallo-
cation. Il s’agit d’un post-traitement qui peut être appliqué de manière générale sur toutes les dis-
tributions temps-fréquence et temps-échelle évoquées précédemment et qui permet d’améliorer la
localisation de ces distributions pour en faciliter la lisibilité. La présentation proposée ici est inspi-
rée de [24] où un chapitre est consacré à la méthode de réallocation, à sa mise en œuvre et à ses
applications.
Si on prend l’exemple d’une distribution de la classe de Cohen
Z ∞Z ∞
C(t, f ) = Π(t − τ, f − ν)W V (τ, ν)dτ dν, (1.13)
−∞ −∞
le principe de la réallocation part du constat que le coefficient C(t, f ) peut être vu comme une
moyenne pondérée de la distribution de Wigner-Ville sur une surface centrée en (t, f ) correspondant
au domaine où Π(t − τ, f − ν) est non nul. Par analogie avec la mécanique, on peut voir que le fait
d’affecter cette contribution en (t, f ) revient à affecter la masse d’un solide à son centre géométrique.
En mécanique, il est bien connu qu’il est plus naturel d’affecter la masse au centre de gravité et
c’est justement le point de vue adopté par la réallocation. À chaque point du plan temps-fréquence,
deux quantités complémentaires t̂ et fˆ sont calculées. Elles correspondent aux coordonnées du centre
de gravité des valeurs de la distribution de Wigner-Ville, pondérées par la fenêtre temps-fréquence
Π(t − τ, f − ν), et c’est au point (t̂, fˆ) que la valeur de la représentation temps-fréquence C(t, f )
calculée en (t, f ) est ré-affectée. La distribution temps-fréquence réallouée se définit alors comme
Z ∞Z ∞
C̃(t, f ) = C(τ, ν)δ(t − t̂(τ, ν))δ(f − fˆ(τ, ν))dτ dν, (1.14)
−∞ −∞
1.2. Méthodes dévolues à l’analyse des signaux non stationnaires 11

où t̂(t, f ) et fˆ(t, f ) sont définis par

Z ∞Z ∞
1
t̂(t, f ) = τ Π(t − τ, f − ν)W V (τ, ν)dτ dν, (1.15)
C(t, f ) −∞ −∞
Z ∞Z ∞
1
fˆ(t, f ) = νΠ(t − τ, f − ν)W V (τ, ν)dτ dν. (1.16)
C(t, f ) −∞ −∞

Il est bon de préciser que la méthode de réallocation permet certes une meilleure localisation dans
le plan temps-fréquence ou temps-échelle mais elle ne permet pas une meilleure résolution. En effet,
si la représentation temps-fréquence ou temps-échelle sous-jacente ne permet pas de distinguer deux
contributions proches en temps ou en fréquence/échelle, la méthode de réallocation ne permettra
pas non plus de les distinguer mais elle ré-affectera l’énergie correspondant aux deux contributions
quelque part entre leurs deux localisations idéales.

1.2.2 Fréquence instantanée

Parallèlement aux approches temps-fréquence et temps-échelle présentées précédemment, une
autre approche particulièrement séduisante est celle de la fréquence instantanée qui représente une
tentative d’outrepasser la limitation intrinsèque à l’analyse conjointe en temps et en fréquence repré-
sentée par le principe d’incertitude d’Heisenberg-Gabor. Ce principe d’incertitude qui est l’expression
de l’impossibilité d’une localisation parfaite en temps et en fréquence R [18] peut s’énoncer de la ma-
2
R
2
nière suivante. Étant donnée une fonction x(t), on définit ∆t = t |x(t)|2 dt −
2 t|x(t)|2 dt /Ex
R 2 2
(où Ex = |x(t)| dt est l’énergie de x(t)), qui mesure le support en temps de x(t), et ∆f =
R R
2 
f 2 |x̂(t)|2 df − f |x̂(f )|2 df /Ex (où x̂(f ) est la transformée de Fourier de x(t)), qui mesure
son support en fréquence. Le principe d’incertitude d’Heisenberg-Gabor s’écrit alors

1
∆t ∆f ≥ . (1.17)
4π
Compte tenu de cette limitation, la définition d’une fréquence instantanée paraı̂t a priori délicate.
On pourra consulter à ce sujet l’excellent chapitre consacré à la fréquence instantanée dans [24].
Le problème général prend la forme suivante. Étant donné un signal de type sinusoı̈de modulée en
amplitude et en fréquence
x(t) = a(t) cos ϕ(t) (1.18)
on cherche à remonter aux paramètres a(t) et ϕ(t) qui sont son amplitude et sa phase instantanée,
dont la fréquence instantanée peut être définie comme la dérivée à un facteur 2π près

1 dϕ
f (t) = . (1.19)
2π dt
On peut d’ores et déjà voir que le problème est particulièrement mal posé dans la mesure où, s’il
est clair que la donnée de a(t) et ϕ(t) définit sans ambiguı̈té x(t), il existe une infinité de couples
(a(t), ϕ(t)) différents conduisant au même signal x(t). De plus, toutes ces paramétrisations ne sont
pas équivalentes du point de vue de l’interprétation et seules certaines peuvent effectivement être
interprétées comme une amplitude et une phase instantanée. Par exemple, on peut tout à fait choisir
comme paramétrisation a(t) = x(t) et ϕ(t) = 0. Si l’on veut donc déterminer une paramétrisation
pertinente du point de vue de l’interprétation, il faut introduire un certain nombre de conditions,
la plus évidente étant que a(t) doit être une fonction positive. L’autre condition nécessaire à une
interprétation en amplitude et fréquence instantanée est plus délicate à formaliser et correspond à
l’idée que a(t) et (dϕ/dt)(t) doivent évoluer lentement par rapport cos ϕ(t).
12 Chapitre 1. Décompositions modales empiriques

[Link] Méthode du signal analytique En pratique, la méthode standard pour définir les
paramètres a(t) et ϕ(t) consiste à construire à partir du signal réel x(t) = a(t) cos ϕ(t) un signal
complexe y(t) = a(t)eiϕ(t) où les paramètres a(t) et ϕ(t) peuvent alors être déterminés de manière
univoque comme le module et l’argument de y(t). Une solution à ce problème consiste à utiliser les
propriétés de la transformée de Hilbert définie par
Z ∞
1 x(t′ ) ′
(Hx)(t) = V P ′
dt , (1.20)
π −∞ t − t

où V P indique que l’intégrale impropre est calculée selon la valeur principale au sens de Cauchy. De
là, on définit le signal analytique y(t) associé à x(t) par

y(t) = x(t) + i(Hx)(t). (1.21)

y(t) est alors un signal complexe analytique, c’est-à-dire que sa transformée de Fourier est nulle
pour les fréquences négatives. La transformée de Hilbert a en particulier la propriété de transformer
un cosinus en sinus (H{cos t} = sin t), ce qui fait que le signal analytique associé au cosinus cos t
est l’exponentielle complexe eit . De manière plus générale, cette propriété reste approximativement
valide, sous certaines conditions, si le cosinus est modulé en amplitude et en fréquence

H{a(t) cos ϕ(t)} ≃ a(t) sin ϕ(t). (1.22)

Les conditions pour que cette égalité soit stricte sont particulièrement délicates. Une première condi-
tion est parfois présentée sous le nom de théorème de Bedrosian [4] et s’énonce sous la forme suivante.
Si la transformée de Fourier de a(t), â(f ), est nulle pour |f | > B et que celle de cos ϕ(t) est nulle
pour |f | < B, alors
H{a(t) cos ϕ(t)} = a(t)H{cos ϕ(t)}. (1.23)
Cette condition est une manière de formaliser la condition précédemment énoncée de manière floue
selon laquelle a(t) doit évoluer lentement par rapport à cos ϕ(t). Au-delà de cette condition, l’égalité
dans (1.22) requiert de plus que
H{cos ϕ(t)} = sin ϕ(t), (1.24)
qui exige des propriétés particulièrement complexes sur ϕ(t) [24]. En pratique, ces considérations sont
d’un intérêt assez limité puisque la décomposition de x(t) en x(t) = a(t) cos ϕ(t) n’est généralement
pas connue a priori et qu’on cherche justement à la calculer. Une condition plus intéressante est en
revanche celle sous laquelle la paramétrisation (a(t), ϕ(t)) déterminée par le module et l’argument
du signal analytique peut effectivement donner lieu à une interprétation pertinente en termes d’am-
plitude et de phase instantanées. Celle-ci est généralement donnée sous la forme d’une condition
de « bande étroite », c’est-à-dire que la transformée de Fourier du signal x̂(f ) doit être non nulle
uniquement pour |f | appartenant à un intervalle [f0 − ∆f , fo + ∆f ] dont la largeur est étroite par
rapport à sa fréquence centrale ∆f ≪ f0 . Cette formulation est malheureusement très restrictive
dans la mesure où elle impose à la fréquence instantanée de rester dans les environs de f0 alors que
la méthode du signal analytique permet tout-à-fait de définir une fréquence et une amplitude instan-
tanées pertinentes même si la fréquence varie beaucoup sur la durée du signal tant qu’elle ne varie
pas trop vite par rapport à la période locale. De manière générale, ces conditions sont une émanation
du principe d’incertitude d’Heisenberg-Gabor qui ne permet une interprétation en fréquence que si
celle-ci « dure » suffisamment longtemps, ce qui est analogue à l’idée que la fréquence ne doit pas
trop varier à l’échelle de la période locale.
Dans le contexte de l’analyse de signaux non linéaires, l’approche de la fréquence instantanée est
en quelque sorte moins inadaptée que les représentations temps-fréquence et temps-échelle évoquées
précédemment. En effet, si celles-ci ont tendance naturellement à décomposer une onde non linéaire
1.2. Méthodes dévolues à l’analyse des signaux non stationnaires 13

périodique en ses composantes de Fourier, l’approche de la fréquence instantanée lui associera au

contraire toujours un unique couple amplitude/fréquence instantanées. Ce couple ne peut alors pas
vraiment être interprété en termes d’amplitude et de fréquence au sens de Fourier mais l’évolution
de ces grandeurs sur une période constitue une représentation de l’onde non linéaire qui n’est pas
forcément dénuée d’intérêt [28]. En revanche, l’interprétation peut devenir délicate si, par exemple,
la fréquence instantanée prend des valeurs négatives au cours de la période. Pour cette raison, cette
description n’est a priori pertinente que pour des ondes faiblement non linéaires.
Enfin la méthode de la fréquence instantanée présente une limitation forte dans la mesure où elle
n’est pertinente que quand le signal contient une seule composante analogue à une sinusoı̈de modulée
en amplitude et en fréquence. En effet, si le signal contient deux composantes de cette forme, la
définition du couple amplitude/fréquence instantanée à partir du signal analytique ne fournit qu’un
seul couple amplitude/fréquence instantanées pour les deux composantes et l’interprétation de ce
couple est alors loin des fréquences et amplitudes instantanées des deux composantes. On verra
au paragraphe suivant une approche permettant de remonter à des couples amplitude/fréquence
instantanées multiples à partir d’une transformée en ondelettes continue ou d’une transformée de
Fourier à court terme. Les décompositions modales empiriques qui constituent le sujet central de
cette thèse ont également été introduites dans cette optique [28].

[Link] Plusieurs fréquences instantanées : extraction de lignes de crête La méthode

d’extraction de lignes de crêtes (ridges) est généralement utilisée dans le cadre de la transformée en
ondelettes continue mais elle peut également s’appliquer sur des représentations temps-fréquence à
interférences réduites comme le spectrogramme. On pourra en trouver une présentation dans [42]
et de manière plus détaillée dans [6]. On ne présentera ici que le principe de base dans le cas du
spectrogramme, les détails des méthodes évoluées se trouvant dans les deux ouvrages précités.
Étant donné un signal composé de plusieurs composantes sinusoı̈dales modulées en amplitude et
en fréquence
XK
x(t) = ak (t) cos ϕk (t), (1.25)
k=1

le problème consiste à remonter aux amplitudes et fréquences instantanées de chacune des compo-
santes. L’idée de base des méthodes d’extraction de lignes de crêtes est alors que si à un instant
donné t0 , les fréquences instantanées des différentes composantes sont suffisamment éloignées, alors
la section du spectrogramme en t0 , |F (t0 , f )|2 , doit en fonction de f présenter K lobes centrés chacun
sur la fréquence instantanée d’une des composantes. De plus, sous certaines conditions relatives à la
fenêtre utilisée pour la transformée de Fourier à court terme et dans la mesure où les fréquences et
amplitudes instantanées des composantes n’évoluent pas trop vite, ces lobes ne présentent qu’un seul
maximum local dont la position permet de remonter à la fréquence instantanée de la composante
correspondant au lobe. L’amplitude de |F (t0 , f )| au niveau des maxima de chacun des lobes permet
quant à elle de remonter aux amplitudes instantanées. Partant de là, on voit qu’on peut remonter
aux couples amplitude/fréquence instantanées de chacune des composantes en analysant pour chaque
valeur de t où le spectrogramme est calculé, les extrema de |F (t, f )| en tant que fonction de f : les po-
sitions donnent les fréquences instantanées, et les valeurs de |F (t, f )| à ces mêmes positions donnent
les amplitudes instantanées. Un post-traitement simple permet alors de relier les différentes valeurs
d’amplitude/fréquence instantanées obtenues à différents instants pour reconstituer les évolutions
temporelles des amplitudes/fréquences instantanées de chacune des composantes constituant x(t).
En pratique, les méthodes utilisées pour extraire les lignes de crêtes sont très différentes de
l’approche simpliste proposée ici mais le principe reste le même. Ces méthodes sont en fait bien
plus performantes et prennent notamment en compte la présence de bruit dans les données pour
fournir une estimation robuste des amplitudes et fréquences instantanées. De plus, elles permettent
14 Chapitre 1. Décompositions modales empiriques

également d’estimer la phase instantanée des composantes ϕk (t) en prenant en compte la phase du
spectrogramme F (t, f ).
Les méthodes d’extraction de lignes de crêtes ont aussi un certain nombre de limites. Tout d’abord,
elles héritent naturellement des limites de la représentation temps-fréquence ou temps-échelle sur
laquelle elles sont basées. En particulier, elles ne peuvent pas en améliorer ni la résolution fréquentielle
ni la résolution temporelle. De plus, les fréquences et amplitudes instantanées estimées sont en quelque
sorte lissées par le noyau caractérisant la représentation. Enfin, si la représentation temps-fréquence
ou temps-échelle décompose une onde non linéaire en ses composantes harmoniques, l’extraction de
lignes de crêtes verra une ligne de crête par harmonique. Par conséquent, la représentation des ondes
faiblement non linéaires en termes de fréquence et amplitude instantanées suggérée précédemment
n’est pas possible par cette approche. Par rapport à toutes ces limites, le point de vue proposé par
les décompositions modales empiriques constitue une alternative a priori attrayante.

2 Présentation des décompositions modales empiriques

Par rapport à des méthodes proposant une représentation globale du signal (approches temps-
fréquence/temps-échelle) ou des méthodes permettant d’analyser finement une composante oscillante
(fréquence instantanée), se pose aussi le problème étant donné un signal constitué de plusieurs compo-
santes de séparer les différentes contributions, éventuellement dans le but de les analyser finement par
la suite. Les méthodes de décompositions modales empiriques offrent pour ce problème une approche
automatique originale présentant un certain nombre de propriétés remarquables.

2.1 La décomposition modale empirique originale

Cette section est consacrée à la présentation de la méthode de decomposition modale empirique
sous sa forme originale telle qu’introduite dans [28]. La présentation qui est faite ici est assez différente
de la présentation initiale et vise à mettre en valeur les concepts clés de la méthode.

2.1.1 Principe récursif

Au plus haut niveau hiérarchique, la décomposition modale empirique (EMD pour « Empirical
Mode Decomposition ») peut être vue comme l’application récursive d’une opération de décom-
position élémentaire D permettant d’extraire de tout signal oscillant x sa composante qui oscille
localement le plus rapidement Dx. La différence x − Dx est alors la partie de x qui oscille plus lente-
ment, dont on peut à nouveau extraire la partie oscillant localement le plus rapidement. On obtient
ainsi le principe général de l’EMD qu’on peut formuler par

EM D(x) = {Dx} ∪ EM D(x − Dx), (1.26)

où la décomposition s’arrête quand x − Dx n’est plus un signal oscillant, auquel cas son EMD est
par convention simplement lui-même.
À terme, le principe précédent aboutit à une décomposition de la forme
K
X
x(t) = aK [x](t) + dk [x](t), (1.27)
k=1

où on utilise les notations

dk+1 [x](t) = Dak [x](t), (1.28)

ak+1 [x](t) = ak [x](t) − Dak [x](t), (1.29)
2.1. La décomposition modale empirique originale 15

avec la convention a0 [x](t) = x(t). La composante aK [x](t) étant ce qui reste du signal x(t) après
avoir extrait toutes les composantes oscillantes, elle est souvent appelée « résidu ». En pratique, la
décomposition se limite toujours à un nombre fini de composantes dk [x](t) même si ce résultat n’est
pas prouvé dans le cas général.
Pour préciser la présentation de l’EMD, il convient d’expliquer ce qu’on entend d’une part par
« signal oscillant » et d’autre part par « composante oscillant le plus rapidement ». Le premier est
simple et correspond bien à l’idée intuitive d’oscillation : on appelle signal oscillant tout signal qui est
tantôt croissant, tantôt décroissant. Plus précisément, on pourra considérer qu’un signal est oscillant
à partir du moment où il présente au moins deux extrema locaux, le cas d’un seul extremum étant
plus éloigné de l’idée intuitive d’oscillation.
La notion de « composante oscillant le plus rapidement » est plus spécifique à l’EMD. Il s’agit
tout d’abord d’un signal oscillant autour de zéro, ce qu’on peut définir par les deux caractéristiques
– tous les minima locaux sont strictement négatifs, tous les maxima locaux sont strictement
positifs,
– le signal est raisonnablement symétrique par rapport à la ligne zéro.
La deuxième caractéristique est volontairement présentée de manière floue à ce stade. La définition
plus précise étant en lien direct avec la manière de calculer Dx, elle sera présentée en même temps
que cette dernière. De plus, il existe un certain nombre de variantes d’EMD qui utilisent en pra-
tique des définitions légèrement différentes mais qui correspondent toutes au cadre de la définition
floue proposée ici. De manière générale, la définition proposée ici de signal oscillant autour de zéro
correspond à la définition de ce que les créateurs de l’EMD ont appelé « Intrinsic Mode Function »
(IMF), qu’on peut traduire par « fonction modale intrinsèque », l’idée étant que les composantes
dk [x](t) sont censées représenter des modes d’oscillations intrinsèques au signal x(t). En pratique,
la définition d’IMF englobe une grande variété de signaux : toute forme d’onde périodique avec un
maximum positif et un minimum négatif par période peut être un IMF si les valeurs absolues du
signal à ses minima et à ses maxima sont égales, et toute telle forme d’onde modulée en amplitude
et en fréquence est aussi un IMF.
En plus d’être un signal oscillant autour de zéro, la « composante oscillant le plus rapidement »
Dx doit aussi, comme son nom l’indique, osciller plus rapidement que le reste du signal x − Dx. Là
encore, il n’existe pas de définition précise, mais l’idée est en gros que la composante oscillant le plus
rapidement doit avoir localement plus d’extrema que la composante oscillant plus lentement. Pour
préciser cette notion, on pourrait proposer par exemple d’imposer que la composante oscillant plus
lentement présente au maximum un extremum sur tout intervalle entre deux minima (ou maxima)
locaux du signal. Cependant, une telle définition reste très floue et, de plus, l’EMD ne garantit pas
une telle propriété, même si elle est souvent vérifiée.
Le cadre général de l’EMD qui vient d’être présenté n’est pas sans rappeler le cadre de la transfor-
mée en ondelettes discrète (dyadique) [42]. Cette dernière est en fait également réalisée en pratique de
manière récursive : le signal est d’abord décomposé en « détail » et « approximation », correspondant
respectivement à une partie haute fréquence et une partie basse fréquence, puis la même décomposi-
tion est appliquée à la partie « approximation ». La différence entre transformée en ondelettes discrète
et EMD se trouve en fait dans la manière dont est calculée la décomposition élémentaire en « détail »
plus « approximation » ou « oscillations rapides » plus « oscillations lentes ». Pour la transformée
en ondelettes discrète, les deux composantes sont calculées par une opération prédéfinie de filtrage
linéaire invariante dans le temps dont la réponse en fréquence est simplement contractée d’un facteur
2 lorsque la décomposition est ensuite appliquée à la partie « approximation ». Comme on le verra
par la suite, les caractéristiques de la décomposition pour l’EMD sont à l’inverse déterminées par le
signal et de manière locale. De plus, la transformée en ondelettes discrète est fondée sur une base
mathématique bien établie alors que l’EMD n’est jusqu’ici définie que par la sortie d’un algorithme
aux multiples degrés de liberté.
16 Chapitre 1. Décompositions modales empiriques

2.1.2 Extraction de la composante oscillant le plus rapidement : processus de tamisage

[Link] Les extrema locaux comme repères de la plus petite échelle du signal Si on
considère dans un premier temps le cas simpliste d’un signal sinusoı̈dal, une manière efficace de
mesurer ses caractéristiques, fréquence, amplitude et phase, consiste à repérer un certain nombre de
points de contrôle. La fréquence peut par exemple être mesurée en repérant l’espacement entre les
passages à zéro. Pour l’amplitude et la phase, ces derniers sont insuffisants mais on peut y accéder en
considérant par exemple les extrema locaux, qui ne sont autres que les passages à zéro de la dérivée du
signal. De manière plus générale, il est possible d’analyser le contenu d’un signal stationnaire composé
d’une mixture de composantes sinusoı̈dales simplement en étudiant les caractéristiques de ses passages
à zéro et des passages à zéro de ses dérivées successives [34]. L’idée de base est simple : lorsqu’on prend
la dérivée du signal, les amplitudes relatives des composantes sont multipliées par leur fréquence. De
là, lorsque l’ordre de la dérivée tend vers l’infini, les amplitudes des différentes composantes deviennent
négligeables devant celle de la composante de plus haute fréquence, ce qui permet d’analyser en détail
cette dernière. Par la suite, celle-ci est soustraite au signal pour analyser les composantes suivantes. En
pratique cependant, cette technique est difficilement applicable, simplement parce que toute mesure
est intrinsèquement bruitée et que les opérations de dérivées successives amplifient le bruit à haute
fréquence. Par conséquent, l’analyse par les passages à zéro des dérivées successives est généralement
limitée aux passages à zéro du signal et de sa dérivée, c’est-à-dire les extrema du signal.
Si on considère maintenant un signal non stationnaire composé d’une mixture de composantes
sinusoı̈dales non stationnaires, c’est-à-dire modulées en amplitude et en fréquence, on peut légitime-
ment supposer que ce qui est vrai pour un signal stationnaire devrait rester à peu près vrai pour
un signal non stationnaire, surtout si l’évolution de la non-stationnarité est relativement lente par
rapport aux périodes (locales) des composantes sinusoı̈dales non stationnaires.
C’est ainsi que les créateurs de l’EMD proposent de définir la « composante oscillant localement
le plus rapidement » à l’aide des extrema locaux du signal [28]. Par ailleurs, ils considèrent également
la possibilité d’utiliser les passages à zéro de dérivées d’ordre supérieur dans le cas où le signal ne
présente pas d’extrema. Dans une contribution ultérieure [25], ils proposent même de remplacer les
extrema locaux dans l’EMD par les « extrema de courbure » qui sont analogues aux passages à zéro
de la dérivée troisième.
Dans le cas de l’EMD standard, la décomposition est basée sur les extrema locaux du signal. Plus
précisément, si on considère par exemple l’évolution du signal entre deux minima locaux successifs t0
et t1 , l’idée est en gros de considérer que le signal est sur cet intervalle la somme d’une composante
oscillante d(t) et d’une tendance lente a(t) à peu près constante sur l’intervalle [t0 , t1 ] et apparentée à
la valeur moyenne de x(t) sur cet intervalle. De fait, la composante a(t) est souvent appelée « moyenne
locale » du signal, parce que sur chaque intervalle entre deux minima elle est localement proche, ne
serait-ce que philosophiquement, de la moyenne du signal sur cet intervalle. Si on suppose maintenant
a(t) et d(t) définis proprement sur toute la durée du signal, alors d(t) est a priori un bon candidat
pour être la composante du signal oscillant localement le plus rapidement. En pratique, toute la
difficulté se trouve en fait dans la manière de définir proprement les deux composantes a(t) et d(t).

[Link] Détermination de la moyenne locale à partir des extrema locaux Pour calculer
la moyenne locale d’un signal, on pourrait penser intuitivement à une opération de la forme
Z  
1 u−t
a(t) = x(u)w du, (1.30)
α(t) α(t)
avec w(u) une fonction de pondération (i.e. de masse unité) dont la masse serait concentrée autour de
zéro et α(t) l’échelle locale à laquelle le signal est moyenné pour calculer a(t). En pratique, proposer
un choix de fonction de pondération n’est pas nécessairement difficile, mais le choix de l’échelle locale
α(t) est un problème bien plus délicat pour lequel il n’existe pas de solution simple dans le cas général.
2.1. La décomposition modale empirique originale 17

En outre, à supposer qu’on dispose d’une définition adéquate pour α(t), la définition (1.30) resterait
insuffisante. Dans le cas d’une modulation de fréquence linéaire, par exemple, chaque demi-période est
plus courte (ou plus longue) que la précédente. Ceci fait que si on se place par exemple au niveau d’un
passage à zéro en t0 , entouré à gauche par un minimum et à droite par un maximum, la demi-période
négative à gauche de t0 est plus longue que la demi-période positive à droite. De ce fait, la moyenne
locale a toutes les chances d’être non nulle en t0 et même probablement négative si la fréquence
du signal est croissante. À l’inverse, si on considère un passage à zéro entre un maximum et un
minimum, le problème est identique (à supposer que l’échelle locale est inversement proportionnelle
à la fréquence instantanée) mais inversé et on en déduit que le signe de la moyenne locale est alors
opposé au cas précédent. Finalement, on aboutit donc à une moyenne locale qui présente au moins
autant d’extrema que le signal initial, ce qui est en désaccord avec l’idée selon laquelle la moyenne
locale doit osciller plus lentement que le signal. Dans le cas d’une modulation d’amplitude linéaire, un
raisonnement analogue aboutirait à la même conclusion. De fait, pour améliorer la définition (1.30),
il faudrait que la forme de la fonction de pondération dépende des évolutions locales du signal, ce qui
complique encore le problème.
Face à ces difficultés les créateurs de l’EMD proposent de définir la moyenne locale géométrique-
ment à l’aide de la notion intuitive d’enveloppes d’un signal oscillant. Plus précisément, les enveloppes
considérées s’appuient sur les extrema locaux du signal, l’enveloppe supérieure étant une courbe lisse
interpolant les maxima et l’enveloppe inférieure une courbe lisse interpolant les minima. En pratique,
elles sont le plus souvent calculées à l’aide d’une interpolation spline cubique mais la question du
choix optimal de technique à utiliser pour calculer les enveloppes est ouverte. On discutera de ce
problème plus en détail en 5.3.
Une fois les enveloppes déterminées, la moyenne locale est simplement définie comme la demi-
somme de ces dernières. Par conséquent, la composante oscillant le plus rapidement peut a priori
être obtenue à partir du signal en lui soustrayant la moyenne de ses enveloppes. Cependant, rien
ne garantit que la composante ainsi définie vérifie la définition d’un IMF proposée précédemment.
En effet, lorsqu’on soustrait la moyenne des enveloppes au signal, il est tout à fait possible de faire
apparaı̂tre de nouveaux extrema qui ne sont pas nécessairement bien placés par rapport à la ligne zéro.
Pour remédier à ce problème, les créateurs de l’EMD proposent d’itérer l’opération de soustraction
de la moyenne des enveloppes jusqu’à ce que tous les maxima soient strictement positifs et tous les
minima strictement négatifs. De plus, après un certain nombre d’itérations, on peut s’attendre à ce
que la moyenne des enveloppes du signal soit proche de zéro, c’est-à-dire que les enveloppes sont
presque symétriques par rapport à la ligne zéro. Il s’agit là en fait de la définition plus précise de la
deuxième caractéristique de la définition d’un IMF qu’on avait laissée floue précédemment. En réalité,
cette définition n’est pas très précise non plus et on la discutera plus en détail en 4.1. De plus, cette
imprécision fait qu’on ne peut pas en pratique utiliser la définition d’un IMF comme critère pour
décider quand arrêter l’itération et donc un autre critère doit être utilisé. Ce problème sera discuté
en 5.2.

[Link] Opérateur de tamisage En résumé, la composante oscillant le plus rapidement est

obtenue à partir du signal en itérant l’opération de soustraction de la moyenne des enveloppes. Cette
procédure itérative est appelée dans la littérature « sifting process », ce qu’on peut traduire par
« processus de tamisage ». Formellement, on définit ce processus comme l’itération d’un opérateur
élémentaire de tamisage S défini par la procédure Algo. 1. La composante oscillant le plus rapidement
est alors définie par l’itération de cet opérateur

(Dx)(t) = (S n x)(t), (1.31)

où n est le nombre d’itérations déterminé selon un certain critère, par exemple l’un de ceux proposés
en 5.2.
18 Chapitre 1. Décompositions modales empiriques

Algorithme 1 : Opérateur élémentaire de tamisage

1 Extraire les maxima et les minima de x(t) : {tmaxi , xmax
i }, {tmin
i , xmin
i }.
2 Interpoler les ensembles de maxima {ti , xi } et les ensembles de minima {tmin
max max
i , xmin
i }
pour obtenir les enveloppes supérieure et inférieure : emax (t), emin (t).
3 Calculer la moyenne des enveloppes : m(t) = (emax (t) + emin (t)) /2
4 Soustraire la moyenne au signal : S[x](t) = x(t) − m(t)

2.2 Transformée de Hilbert–Huang (HHT)

Dans la contribution originale, l’EMD n’est pas présentée individuellement mais comme la pre-
mière étape d’un procédé d’analyse conçu pour les signaux non stationnaires et/ou non linéaires qui
consiste à
1. appliquer l’EMD au signal : x(t) −→ {dk (t), 1 ≤ k ≤ K} ∪ {aK (t)}
2. pour chaque IMF dk (t), calculer sa fréquence instantanée fki (t) (avec un exposant « i » pour
instantané) et son amplitude instantanée aik (t) par la méthode du signal analytique (cf [Link]).
La combinaison de l’EMD et de l’estimation des fréquence et amplitude instantanées est connue sous
le nom de transformée de Hilbert–Huang, (Hilbert–Huang Transform (HHT)).
Si on reprend la discussion, abordée en [Link], des conditions nécessaires à l’interprétation des
paramètres déterminés par la méthode du signal analytique en termes d’amplitude et de fréquence
instantanées, on avait vu qu’une formulation standard de ces conditions était la condition de « bande
étroite » selon laquelle la bande de fréquence occupée par le signal est étroite devant sa fréquence
centrale. On avait également vu qu’un inconvénient de cette condition était qu’elle ne permettait pas
de grandes variations de la fréquence instantanée, même lentes. Qualitativement, la définition d’IMF
peut être vue comme proche d’une version locale de la condition de bande étroite et correspond donc
à une tentative de formulation plus générale de cette dernière. En pratique, les signaux vérifiant cette
définition ont en général effectivement des fréquences et amplitudes instantanées pertinentes mais il
existe aussi des cas où les valeurs obtenues sont aberrantes [59].
Depuis la première présentation de la transformée de Hilbert–Huang [28], la méthode de calcul
des paramètres instantanés par le signal analytique a montré un certain nombre de limites [26, 59],
dues à la définition d’IMF qui n’est pas si bien adaptée à l’extraction des amplitude et fréquence
instantanées par cette méthode. Ces limites ont conduit les créateurs de l’EMD et les membres de la
communauté à envisager d’autres techniques [26, 8, 30]. À ce jour, un certain nombre de techniques
sont étudiées et d’autres sont en cours d’élaboration. Le problème reste largement ouvert.

2.3 Définition plus générale d’une EMD

Réduite à ses principes les plus élémentaires, l’EMD se distingue essentiellement par deux carac-
téristiques :
– le choix de définir une échelle en s’appuyant sur les extrema locaux,
– l’extraction successive des échelles composant le signal de la plus fine à la plus grossière.
Plus généralement, on peut même proposer de ne pas considérer uniquement les extrema locaux mais
un ensemble de points caractéristiques qui peuvent comprendre, par exemple, les extrema locaux, les
points d’inflexion, les extrema de courbure, etc.
Partant de là, on peut proposer une formulation générale pour l’EMD ne retenant que ces éléments
clés. Le cadre général reste donné par la formulation récursive proposée précédemment :

EM D(x) = {Dx, EM D(x − Dx)} . (1.32)

Si Dx correspond à la plus petite échelle du signal x, alors ce principe récursif rend compte de l’aspect
« extraction successive des échelles de la plus fine à la plus grossière ».
2.3. Définition plus générale d’une EMD 19

Pour définir D, on considère tout d’abord un ensemble de points caractéristiques du signal aux
positions {ti , i ∈ I}, correspondant par exemple aux extrema du signal. À cet ensemble de points, on
associe le signal échantillonné X
xe (t) = x(ti )δ(t − ti ) (1.33)
i∈I
De là, on peut définir une moyenne locale du signal par une opération de filtrage généralisé
 ∼ 
m(t) = h ∗ xe (t), (1.34)
∼
où h est un filtre passe-bas généralisé et ∗ représente une convolution généralisée. Dans cette formu-
lation, il est important de noter que le filtre passe-bas généralisé h n’agit pas comme un filtre linéaire
indépendant du signal échantillonné xe (t). En fait, l’opération de filtrage généralisé doit avoir un
certain nombre de propriétés de covariance qui sont typiquement celles vérifiées par une opération
d’interpolation :
 ∼   ∼ 
multiplication par un scalaire : ∀λ ∈ R, x′e (t) = λxe (t), =⇒ h ∗ x′e (t) = λ h ∗ xe (t)
 ∼   ∼ 
dilatation/inversion du temps : ∀λ ∈ R, x′e (t) = xe (λt), =⇒ h ∗ x′e (t) = h ∗ xe (λt)
 ∼   ∼ 
décalage temporel : ∀λ ∈ R, x′e (t) = xe (λ + t), =⇒ h ∗ x′e (t) = h ∗ xe (λ + t)
 ∼
  ∼

ajout d’une constante : ∀λ ∈ R, x′e (t) = λ + xe (t), =⇒ h ∗ x′e (t) = λ + h ∗ xe (t)

Étant donnée la moyenne locale m(t) ainsi définie, on définit alors Dx

(Dx)(t) = x(t) − m(t) (1.35)

 
∗
= x(t) − h ∼ xe (t). (1.36)

Dans cette formulation, on a choisi de définir Dx de manière directe sans processus itératif,
contrairement à ce qui est fait dans l’algorithme de l’EMD. Pour expliquer ce choix, on peut remarquer
que l’itération du processus de tamisage dans l’EMD a essentiellement deux rôles : faire apparaı̂tre de
nouveaux extrema qui étaient cachés du fait de la superposition d’échelles dans le signal et rendre les
enveloppes plus symétriques. De fait, on peut voir que l’apparition d’extrema au cours du processus
de tamisage peut être compensée dans la formulation générale par une meilleure sélection des points
de contrôle {ti , i ∈ I}. De même, l’amélioration de la symétrie des enveloppes peut être compensée
par une meilleure définition de la moyenne locale.
On a également choisi de ne pas définir la moyenne locale à partir d’enveloppes mais directement à
partir des points de contrôle par une opération analogue à un filtrage passe-bas. De fait, dans l’EMD
standard, les enveloppes semblent jouer un rôle important qui pourrait justifier qu’on les inclue dans
la formulation générale proposée ici. Cependant, il existe aussi des variantes de l’EMD standard aux
propriétés très similaires qui n’utilisent pas la notion d’enveloppes et estiment la moyenne locale
directement à partir des points de contrôle. Parmi ces variantes, on peut citer le cas où la moyenne
locale est calculée en interpolant les points d’inflexion du signal [15], ou encore la méthode dite « B-
spline EMD » [9]. Pour cette dernière méthode, la moyenne locale est définie directement à partir
des extrema comme une somme de B-splines ayant pour ensemble de nœuds l’ensemble des extrema
du signal. Les coefficients des B-splines dans la somme sont obtenus par des moyennes pondérées des
extrema présents dans le support de chaque B-spline. La moyenne locale ainsi définie est comme dans
le cas de l’EMD standard une spline ayant pour ensemble de nœuds les extrema mais elle n’est pas
définie à partir d’enveloppes. Par rapport à l’EMD standard, cette méthode a l’avantage de mieux
se prêter à une analyse théorique.
20 Chapitre 1. Décompositions modales empiriques

2.4 L’EMD : une méthode « intuitive »

L’EMD est souvent présentée comme une méthode intuitive. Pour éclairer cet aspect, on peut
rappeler que l’EMD a été conçue pour imiter certains aspects de la vision de l’œil. Dans la contribution
originale [28], les auteurs font en effet directement référence à la vision de l’œil en citant [17], selon
qui « la première étape de l’analyse de données est d’examiner les données à l’œil ». Si on étudie en
détail l’algorithme de l’EMD, on peut voir que deux étapes clés sont inspirées par la vision de l’œil :
le choix des extrema comme points de contrôle et l’utilisation d’enveloppes.
Pour ce qui est des extrema, on sait que le cerveau humain lorsqu’il perçoit une image n’attribue
pas la même attention à tous les endroits de l’image mais privilégie au contraire un certain nombre
de points caractéristiques. Très grossièrement, ces points peuvent être vus comme les points où
localement l’image varie le plus. La similarité avec l’EMD est ici patente puisque dans le cadre de
l’EMD, on choisit également de s’appuyer sur un certain nombre de points caractéristiques et de
plus les extrema sont assez proches de l’idée de points où le graphe du signal varie beaucoup. En
fait, les extrema ne sont en général probablement pas exactement les points que l’œil aurait choisi
comme points caractéristiques. En effet, pour repérer les extrema à partir du graphe du signal, il
faut repérer des tangentes horizontales alors que la direction horizontale n’est pas nécessairement
connue si on ne dispose que du graphe du signal. Si on considère par exemple un signal composé
d’une onde sinusoı̈dale à laquelle est superposée une tendance linéaire, l’œil percevra sans difficulté
la direction correspondant à la tendance linéaire mais pas nécessairement la direction horizontale.
Pour se rapprocher de la vision humaine, il faudrait donc choisir des points de contrôle qui puissent
être définis directement à partir du graphe du signal sans orientation privilégiée. Pour ce faire, on
peut par exemple s’intéresser à la courbure du graphe du signal et repérer par exemple les points de
courbure maximale qui correspondent bien à l’idée de points où le graphe varie le plus. C’est en fait
à peu de chose près ce qu’ont proposé les créateurs de l’EMD dans [25] : ils proposent de remplacer
les extrema du signal dans l’algorithme de l’EMD par les extrema de sa courbure définie par

d2 x
dt2
c(t) =
3/2 . (1.37)
1 + dx
dt

En pratique, un tel choix de points de contrôle peut paraı̂tre assez séduisant au premier abord mais
il présente aussi un inconvénient important : le fait que les points de contrôle changent lorsque le
signal est multiplié par un scalaire. Ce point est en particulier gênant si les grandeurs représentées
en abscisse et en ordonnée sont de dimensions différentes (par exemple un temps et une position),
auquel cas le graphe du signal n’a de sens qu’à des dilatations en abscisse et en ordonnée près. Ce
problème explique peut-être pourquoi il n’y a pas eu à ce jour de suite à la proposition d’utiliser ces
points pour l’EMD.
Plus encore que le choix des extrema comme points de contrôle, la notion d’enveloppes est ty-
piquement visuelle. D’une certaine manière, la perception d’enveloppes par l’œil est un moyen de
simplifier la représentation du graphe du signal : les enveloppes délimitent une forme globale et les
évolutions du signal entre les enveloppes sont perçues à la manière d’une texture. L’utilisation des
enveloppes dans l’EMD adopte une perspective très proche : les enveloppes contiennent l’information
à grande échelle, la moyenne locale étant calculée uniquement à partir de ces dernières, alors que l’in-
formation à petite échelle est contenue dans les évolutions du signal entre les enveloppes. Toutefois,
les enveloppes utilisées pour l’EMD sont clairement une version pauvre des enveloppes de la vision
humaine. En effet, la vision humaine est capable de percevoir des enveloppes bien plus complexes à
plusieurs échelles alors que les enveloppes de l’EMD sont limitées à l’échelle des oscillations du signal
repérées par les extrema locaux. Si on considère par exemple le mouvement Brownien représenté
Fig. 1.1, l’œil est capable de percevoir des enveloppes à plusieurs échelles, alors que les enveloppes de
l’EMD sont limitées à la plus petite échelle. De fait, l’EMD est capable d’explorer les plus grandes
3. Propriétés élémentaires de la décomposition 21

−1

−2

−3
2

−1
2

1.5

0.5

−0.5
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000

Figure 1.1 – Exemple d’un mouvement Brownien fractionnaire à plusieurs échelles. Les graphes du
milieu et du bas représentent des agrandissements des parties encadrées des graphes du haut et du
milieu respectivement. À chaque échelle, l’œil perçoit la courbe sous la forme d’un trait avec une
certaine épaisseur, ce qui est très voisin de la perception d’enveloppes.

échelles après avoir extrait les plus petites alors que l’œil est capable de percevoir directement les
grandes échelles. En revanche, l’œil n’est capable de percevoir effectivement les grandes échelles que
quand celles-ci sont suffisamment importantes alors que l’EMD pourra théoriquement toujours les
percevoir après avoir extrait les plus petites échelles.

3 Propriétés élémentaires de la décomposition

3.1 Non-linéarité
L’algorithme de l’EMD est globalement non linéaire. En effet, l’EMD d’une somme de deux
signaux est en général différente de la somme des EMD des signaux séparés :
– le nombre d’IMF de la somme n’est pas contrôlé par les nombres d’IMFs des signaux séparés
– un IMF de la somme n’est pas généralement descriptible en termes de somme d’un ensemble
quelconque d’IMFs des signaux séparés ni même une combinaison linéaire.
Dans l’algorithme de l’EMD, il y a au plus trois sources de non-linéarité. La première et la plus
importante est dans le fait de s’appuyer sur les extrema. En effet, le nombre et la position des extrema
dans une somme de signaux sont en général différents de ceux des signaux pris individuellement. Cette
source de non-linéarité est fondamentale dans l’EMD dans la mesure où on choisit explicitement de
définir les échelles de variations rapides d’un signal à l’aide de ses extrema.
22 Chapitre 1. Décompositions modales empiriques

Les deux autres sources de non-linéarité éventuelles sont l’interpolation et le critère d’arrêt du
processus de tamisage qui selon l’implantation peuvent être non linéaires. En pratique, l’interpolation
la plus utilisée (spline cubique) est linéaire mais la quasi-totalité des critères d’arrêt proposés sont
susceptibles de créer des non linéarités (cf 5.2) en faisant varier les nombres d’itérations. En effet, si
on suppose le reste de l’algorithme linéaire (en remplaçant par exemple une itération de tamisage par
un filtrage linéaire prédéfini), la seule solution pour que le critère d’arrêt ne cause pas de non-linéarité
est que les nombres d’itérations pour chaque IMF soient définis a priori 2 , de manière à avoir

d1 [x + y] = S n [x + y] = S n [x] + S n [y] = d1 [x] + d1 [y], (1.38)

et de même pour tous les IMFs extraits par la suite. En pratique, les critères d’arrêt sont justement
faits pour adapter les nombres d’itérations au signal et ils créent donc par là même des non-linéarités
supplémentaires. Cependant, utiliser des nombres d’itérations fixés a priori peut aussi être intéressant
pour traiter des lots de données pour lesquels on voudrait autant que possible appliquer le même
traitement à chaque échantillon. C’est en particulier le cas dans le cadre de l’une des variantes de
l’EMD dite EMD d’ensemble (EEMD pour « Ensemble EMD ») qui sera décrite en 6.3. Enfin,
on utilisera au cours de cette thèse essentiellement des nombres d’itérations fixés a priori, d’une
part parce que tout critère d’arrêt aboutit in fine à un nombre d’itérations et d’autre part parce
que les propriétés de l’EMD s’expriment plus simplement à partir des nombres d’itérations que des
paramètres d’un critère d’arrêt.

3.2 Covariances vis-à-vis de certaines transformations

L’EMD est covariante par rapport aux transformations linéaires de l’espace et du temps, c’est-à-
dire qu’elle commute avec les opérations suivantes

multiplication par un scalaire : L’opérateur élémentaire de tamisage commute avec les multipli-
cations par un scalaire :
S {λx} = λS {x} . (1.39)

Cette propriété provient du fait que la position des extrema d’un signal est inchangée par les
multiplications par un scalaire positif. La sélection des extrema étant l’unique étape non linéaire
de l’opérateur de tamisage, on en déduit que celui-ci commute avec les multiplications par des
scalaires positifs. De plus, l’opérateur commute aussi avec l’opération de changement de signe
puisque celle-ci a pour effet d’interchanger les deux enveloppes et de changer leur signe, ce qui
résulte finalement en un simple changement de signe de leur moyenne. Au final, on obtient donc
que l’opérateur de tamisage commute avec toutes les multiplications par un scalaire.
Si le critère d’arrêt utilisé pour arrêter le processus de tamisage est également indépendant de
l’amplitude et du signe du signal, ce qui est le cas en général, l’EMD entière est alors covariante
avec les multiplications par un scalaire.

inversion du sens du temps : Cette propriété est en fait dépendante du schéma d’interpolation.
Si celui-ci est covariant par rapport à l’inversion du sens du temps

∀t ∈ R, I({−ti , xi })(−t) = I({ti , xi })(t), (1.40)

alors l’EMD aussi. En pratique, sauf cas particulier, il est généralement souhaitable d’avoir une
telle propriété et tous les schémas d’interpolation envisagés pour l’EMD la vérifient.

2. Il n’est pas nécessaire qu’ils soient les mêmes pour tous les IMFs, tant qu’ils ne dépendent pas du signal.
3.3. Quasi-orthogonalité 23

dilatation du temps : L’algorithme de l’EMD est covariant par rapport aux dilatations du temps
si et seulement si le schéma d’interpolation utilisé l’est

∀t ∈ R, I({λti , xi })(λt) = I({ti , xi })(t). (1.41)

À nouveau, cette propriété est généralement souhaitable et tous les schémas d’interpolation
envisagés pour l’EMD la vérifient.

décalage temporel : L’EMD est covariante par rapport aux décalages temporels si et seulement si
l’interpolation l’est, ce qui est encore une fois systématique

∀t ∈ R, I({ti + δ, xi })(t + δ) = I({ti , xi })(t). (1.42)

ajout d’une constante : L’opérateur de tamisage est invariant par rapport à l’ajout d’une constante :

S{x + α} = S{x}. (1.43)

Il en découle que les IMFs sont invariants par rapport à l’ajout d’une constante et les approxi-
mations, dont le résidu, sont covariantes.

dk [x + α](t) = dk [x](t), (1.44)

ak [x + α](t) = ak [x](t) + α. (1.45)

3.3 Quasi-orthogonalité
3.3.1 Le problème de l’orthogonalité
La quasi-orthogonalité de la décomposition est étroitement liée à son aspect multirésolution dans
la mesure où le produit scalaire de deux ondes de fréquences différentes est habituellement faible
et que les IMFs sont construits de telle manière qu’à tout instant ils oscillent avec des périodes
différentes. Dans cet esprit, il est suggéré dans la contribution originale [28] que la décomposition en
« oscillations rapides » et « oscillations lentes » serait (quasi-)orthogonale. Le raisonnement sous-
jacent est d’assimiler localement la partie « oscillations lentes » à la composante continue (au sens
de Fourier) du signal décomposé. La partie « oscillations rapides » n’ayant alors (localement) pas
de composante continue, serait nécessairement (localement) orthogonale à la partie « oscillations
lentes ».
Selon ce raisonnement, essentiellement deux aspects sont susceptibles de faire obstacle à l’ortho-
gonalité de la décomposition :
1. L’orthogonalité est une propriété globale et non locale. La non-stationarité peut compromettre
l’orthogonalité globale alors qu’elle semble localement assurée.
2. La moyenne des enveloppes d’un signal ne coı̈ncide pas nécessairement avec la moyenne au sens
intégrale, même localement.
S’il est clair que le premier point peut nuire à l’orthogonalité globale de la décomposition (cf Fig. 1.2),
cela n’a pas forcément de conséquences fâcheuses dans la mesure où le problème est peut-être plutôt
que la notion d’orthogonalité globale est inadaptée à une méthode qui veut analyser les signaux
localement. La notion d’orthogonalité locale en revanche, tout comme les concepts de fréquence
locale, pose des problèmes de définition, ce qui explique qu’on se contente de l’orthogonalité globale
en pratique.
La différence entre moyenne intégrale et moyenne des enveloppes est plus gênante dans la mesure
où celle-ci ne pose pas de problème de définition de l’orthogonalité. En effet, on peut aisément
trouver des cas de signaux périodiques simples pour lesquels les deux moyennes diffèrent, par exemple
24 Chapitre 1. Décompositions modales empiriques

1
signal

−1

−2
1

0.5

0
d1

−0.5

−1
1

0.5

0
d2

−0.5

−1
1

0.5
résidu

−0.5

−1
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000

Figure 1.2 – Exemple où les non-stationnarités sont à l’origine d’une décomposition (très légèrement)
non orthogonale. Du fait des non-stationnarités, les deux composantes ont une valeur moyenne non
nulle et ne sont donc pas parfaitement orthogonales.
3.3. Quasi-orthogonalité 25

x(t) = cos t + 0.2 cos(2t) a une moyenne intégrale nulle et une moyenne d’enveloppes de 0.2. Ainsi le
signal
x(t) = cos t + 0.2 cos(2t) + cos f t + 0.2 cos(2f t), (1.46)
avec f ≫ 1 est décomposé par l’EMD en (cf Fig. 1.3) :

d1 (t) = cos t + 0.2 cos(2t) − 0.2 (1.47)

d2 (t) = cos f t + 0.2 cos(2f t) − 0.2, (1.48)
m2 (t) = 0.4 (1.49)

où il est clair que les termes constants compromettent l’orthogonalité de la décomposition.
Enfin, toujours dans un contexte périodique, on remarque qu’au-delà de la différence entre moyenne
intégrale et moyenne des enveloppes, il existe des situations où la non-orthogonalité peut avoir d’autres
origines moins évidentes. Ainsi, le signal [31]

x(t) = cos 2t + 0.25 cos t + 0.25 cos 3t (1.50)

est décomposé par l’EMD en (cf Fig. 1.4) :

d1 (t) = cos 2t + 0.25 cos 3t − 0.25 cos t + 0.0563 (1.51)

d2 (t) = 0.5 cos t − 0.0563. (1.52)

Il s’agit d’un cas un peu particulier où l’EMD a un comportement contraire à l’intuition qui s’explique
très bien par le modèle développé en 1.1.

3.3.2 Quantifier l’orthogonalité

L’orthogonalité entre deux IMFs peut être quantifiée directement par un indice d’orthogonalité
égal à leur produit scalaire normalisé

hdi (t), dj (t)i

IOij = p . (1.53)
hdi (t), di (t)i · hdj (t), dj (t)i

Globalement, l’orthogonalité de la décomposition peut alors être décrite par une matrice d’orthogona-
lité IO de terme général IOij . Cependant, une telle représentation présente l’inconvénient de donner
la même importance aux IMFs de petite et de grande énergie alors qu’en pratique, il est clair que
la non-orthogonalité est d’autant plus problématique que les énergies des IMFs correspondants sont
grandes. Pour cette raison, il est généralement plus judicieux lorsqu’on s’intéresse à l’orthogonalité
globale de la décomposition de ne pas normaliser les produits scalaires, ou de tous les normaliser par
la même quantité, par exemple la norme L2 du signal analysé. De là, on peut alors définir un indice
d’orthogonalité global pour la décomposition de la forme
P
i<j | hdi (t), dj (t)i |
IO = . (1.54)
hx(t), x(t)i

Dans la contribution originale [28], un indice d’orthogonalité est également défini comme
X  di (t) dj (t) 
IO = , . (1.55)
x(t) x(t)
i<j

Il est bon de souligner que cette définition provient en fait d’un raisonnement faux et qu’elle ne
mesure donc en rien l’orthogonalité de la décomposition (sans parler de problèmes de définition si
26 Chapitre 1. Décompositions modales empiriques

1
signal

−1

−2
1

0.5

0
d1

−0.5

−1
1

0.5

0
d2

−0.5

−1
1

0.5
résidu

−0.5

−1
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000

Figure 1.3 – Exemple de décomposition peu orthogonale due à la présence de composantes continues
dans les IMFs. La décomposition a été limitée à 2 IMFs pour plus de clarté. Le signal analysé est
(1.46)

x(t) s’annule sur l’intervalle considéré). En corrigeant le raisonnement, on aboutit à la définition

suivante :
X hdi (t), dj (t)i
IO = . (1.56)
hx(t), x(t)i
i<j

Il est clair avec cette dernière définition que si la décomposition est orthogonale, l’indice d’ortho-
gonalité est nul. Malheureusement, la réciproque est fausse, raison pour laquelle on préférera par
exemple la définition (1.54). Néanmoins, il semble que la définition originale (1.55), ou peut-être sa
version corrigée (1.56), ait été employée dans un certain nombre de travaux utilisant l’EMD, certains
s’appuyant dessus dans leurs analyses [29, 32].

3.4 Localité
Lors de l’étape centrale de l’EMD, on soustrait au signal une « moyenne locale », définie comme
la demi-somme de son enveloppe supérieure et de son enveloppe inférieure. En pratique, le terme de
3.4. Localité 27

1
signal

−1

−2
1

0.5

0
d1

−0.5

−1
1

0.5

0
d2

−0.5

−1
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000

Figure 1.4 – Exemple de décomposition peu orthogonale où la non-orthogonalité n’est pas unique-
ment due aux composantes continues. Le signal analysé est (1.50)
28 Chapitre 1. Décompositions modales empiriques

moyenne locale est un oxymore, ce qui fait qu’il n’est pas évident de comprendre sa signification. Une
terminologie plus appropriée serait sans doute de parler de « moyenne à l’échelle locale », qui permet
de mettre en évidence le fait que la moyenne locale est intimement liée à une échelle qui dépend de la
position. Dans le cadre de l’EMD, l’échelle locale est définie par les extrema. Pour s’en convaincre, il
suffit de rappeler que la moyenne locale est définie à partir des enveloppes du signal qui interpolent
les maxima et les minima. La notion d’enveloppe étant intrinsèquement locale, on en déduit que la
valeur, par exemple de l’enveloppe supérieure, en un point donné dépend essentiellement des deux
maxima qui entourent ce point et dans une moindre mesure des autres maxima plus éloignés. Par
conséquent, on peut considérer que les enveloppes, et donc la moyenne locale, sont définies localement
à l’échelle correspondant à l’espacement entre les maxima/minima, c’est-à-dire grossièrement deux
fois l’échelle correspondant à l’espacement entre les extrema, maxima et minima confondus.
La moyenne locale d’un signal x étant définie de manière locale à l’échelle de l’espacement entre
les maxima/minima, il en découle que le signal après une itération de tamisage Sx dépend lui aussi
de x de manière locale à l’échelle de l’espacement entre les maxima/minima. Si on itère maintenant
le tamisage, le même raisonnement reste valable, du moins si on suppose qu’il n’y a pas apprition de
nouveaux extrema et que les extrema présents initialement ne se déplacent pas trop d’une itération à
la suivante. Si au contraire des extrema apparaissent au cours du processus de tamisage à l’itération
k, alors S k+1 x dépend de S k x à l’échelle correspondant à ses extrema et donc de x à l’échelle des
extrema de S k x. À terme, si on suppose que les extrema initialement présents dans x ne se sont pas
trop déplacés au cours du processus de tamisage, on peut considérer selon ce raisonnement que S n x,
n étant le nombre d’itérations final, dépend de x localement à l’échelle correspondant aux extrema de
S n x. En réalité, ce raisonnement ne donne qu’une borne inférieure de l’échelle à laquelle S n x dépend
de x, l’écart venant du fait que la valeur d’une enveloppe en un point ne dépend pas uniquement
des deux maxima/minima voisins mais aussi de ceux qui sont plus éloignés, du moins dans le cas
de l’interpolation spline cubique. Pour s’apercevoir de ce problème, on peut observer Fig. 1.5 que
les enveloppes de S n x où x est un bruit blanc gaussien sont de plus en plus lisses à mesure qu’on
augmente le nombre d’itérations. Le fait que les enveloppes soient lisses implique que les échantillons
de S n x sont corrélés à une échelle correspondant au moins à l’échelle de variation des enveloppes.
Les échantillons du bruit blanc étant par définition décorrélés, on en déduit que nécessairement S n x
dépend de x à une échelle qui augmente avec le nombre d’itérations. Malheureusement, déterminer
l’échelle à laquelle S n x dépend de x en fonction de n n’est pas simple dans le cas général. Néanmoins,
le problème pourrait être approché dans des situations simples à l’aide du modèle développé en 1.1.
Sachant que S n x dépend de x localement à une échelle au moins de l’ordre de l’espacement entre
les maxima/minima de S n x, on a que le premier IMF d1 [x] dépend de x localement à une échelle
au moins de l’ordre de l’espacement entre les maxima/minima de d1 [x]. Par conséquent, la première
approximation a1 [x] dépend aussi de x à la même échelle. Si on poursuit le raisonnement, on obtient
que le deuxième IMF d2 [x] dépend de a1 [x] à une échelle au moins de l’ordre de l’espacement des
maxima/minima de d2 [x]. Par conséquent, l’échelle à laquelle le deuxième IMF dépend du signal
est au moins de l’ordre de la somme de l’espacement des maxima/minima de d2 [x] et de d1 [x].
En pratique, l’espacement des maxima/minima de d2 [x] étant supérieur à celui de d1 [x], on pourra
souvent considérer que l’échelle à laquelle d2 [x] dépend du signal est essentiellement contrôlée par les
extrema de d2 [x] mais le résultat peut-être faux en particulier si le nombre d’itérations de tamisage
utilisé pour calculer d1 [x] est très supérieur à celui utilisé pour calculer d2 [x].
Finalement, si on applique le raisonnement aux IMFs et approximations suivants, on aboutit aux
résultats :
– l’approximation ak [x] dépend localement de x à une échelle au moins de l’ordre de la somme
des espacements des maxima/minima (autour du point considéré) dans les IMFs dk′ [x], k ′ < k.
– l’IMF dk [x] dépend localement de x à une échelle au moins de l’ordre de la somme des espace-
ments des maxima/minima (autour du point considéré) dans les IMFs dk′ [x], k ′ ≤ k.
3.4. Localité 29

signal
(1)
d1
(10)
d1
(100)
d1
(1000)
d1

Figure 1.5 – Évolution du premier IMF issu d’un bruit blanc gaussien en fonction du nombre
d’itérations. Au fur et à mesure que le nombre d’itérations augmente, les enveloppes sont de plus en
plus lisses.
30 Chapitre 1. Décompositions modales empiriques

3.5 Multirésolution

L’EMD réalise une décomposition multi-échelles, ou multirésolution, dans la mesure où elle explore
successivement les échelles du signal de la plus fine, représentée par le premier IMF, à la plus grossière,
représentée par le dernier IMF ou le résidu.
Par rapport à d’autres méthodes d’analyse multirésolution, dont la référence est la transformée en
ondelettes, l’EMD présente un certain nombre de particularités. Tout d’abord, à l’instar de la trans-
formée en ondelettes discrète, elle propose une décomposition en échelles discrètes dans la mesure où
la décomposition est constituée d’un nombre fini de composantes. En revanche, les échelles de l’EMD
diffèrent significativement des échelles de la transformée en ondelettes discrète. Elles se distinguent
par les caractéristiques suivantes :

définies par les extrema La notion d’échelle dans l’EMD est associée à l’espacement entre les
extrema. Cette notion diffère fortement de la notion d’échelle dans le cadre de la transformée
en ondelettes, par exemple, où l’échelle est définie de manière relative par comparaison avec une
forme d’onde donnée, à savoir l’ondelette. De fait, le concept d’échelle dans l’EMD est tellement
différent qu’il a été proposé d’utiliser à la place du terme « échelle », le terme « empiquency » [39]
de la contraction de « empirical mode frequency » qui correspond à l’inverse de l’échelle et qui
est défini comme
1
fe = , (1.57)
2d

où d est l’espacement entre les deux extrema qui entourent le point considéré. Le point de vue
adopté par l’EMD permet d’associer une même échelle à des formes d’ondes très différentes. Cet
aspect est mis en évidence par l’exemple proposé Fig. 1.7 où l’EMD réalise une décomposition
en échelles avec des formes d’ondes variables. Ceci contraste avec le cas où les échelles sont
définies par comparaison avec une forme d’onde donnée. Dans ce cas, une forme d’onde très
différente de la forme d’onde de référence est généralement décrite par plusieurs échelles.

adaptativité Les échelles des IMFs sont déterminées par les échelles présentes dans le signal et non
par une grille prédéterminée comme dans le cas des transformées en ondelettes discrètes. Pour
ces dernières, les échelles sont le plus souvent de la forme a2k , k ∈ N (transformée en ondelettes
dyadique), où a est une échelle de référence.

localité En vertu de la propriété de localité de l’EMD étudiée en 3.4, l’échelle d’un IMF n’est pas
définie de manière globale mais de manière locale, le caractère local étant relatif à l’espacement
entre les extrema.

Les propriétés d’adaptativité et de localité des échelles sont bien mises en évidence par l’exemple
proposé Fig. 1.6.
L’adaptativité et la localité sont aussi à la source d’un des défauts de l’EMD connu sous le nom de
« mélange de modes » (ou « mode mixing »). Ce problème se rencontre notamment quand le signal est
constitué de plusieurs composantes dont certaines ne sont pas présentes sur toute la durée du signal.
Il arrive dans ce cas que des composantes qu’on aurait aimé voir dans un seul IMF soient réparties sur
plusieurs comme dans le cas de l’exemple représenté Fig. 1.8. Pour corriger ce phénomène, diverses
possiblités ont été envisagées qui reviennent toutes à imposer l’échelle d’un IMF [25] ou du moins à
fortement la guider [65, 14].
3.5. Multirésolution 31

5
signal

−5
5

0
d1

−5
5

0
d2

−5
5

0
d3

−5

signal d1
fréquence

d2 d3
fréquence

temps temps

Figure 1.6 – Le signal de la rangée du haut est décomposé par l’EMD en les 3 IMFs présentés et 6
autres qu’on n’a pas représentés parce qu’ils sont pratiquement nuls (ils ne contiennent que 0.3% de
l’énergie du signal). L’analyse temps-fréquence (spectrogramme réalloué) du signal montre la présence
de 3 composantes temps-fréquence dont les supports temporels et fréquentiels se recouvrent, ce qui
exclut de les séparer par une méthode non adaptative. Les représentations temps-fréquence des 3 IMFs
principaux mettent en évidence le fait qu’ils capturent efficacement la structure en 3 composantes du
signal.
32 Chapitre 1. Décompositions modales empiriques

signal
d1
d2
d3
d4
d5
a5

Figure 1.7 – Le signal de la rangée du haut est constitué de trois composantes : deux composantes
oscillantes triangulaires, l’une à haute fréquence, l’autre à basse fréquence et une composante si-
nusoı̈dale entre les deux. La décomposition proposée par l’EMD reproduit presque exactement les
3 composantes, la seule différence étant que la composante triangulaire de basse fréquence voit ses
extrema adoucis.
3.5. Multirésolution 33

signal
d1
d2
d3

signal d1
fréquence

d2 d3
fréquence

temps temps

Figure 1.8 – Le signal de la rangée du haut est constitué de trois composantes : une composante
sinusoı̈dale permanente et deux composantes sinusoı̈dales localisées en temps, une de fréquence plus
haute que celle de la composante permanente et une de fréquence plus basse. Les représentations
temps-fréquence (spectrogrammes réalloués) des IMFs montrent que le premier IMF capture à tout
instant la composante de plus haute fréquence et qu’il contient donc la composante permanente sauf
lorsque la composante localisée de plus haute fréquence est présente. La partie de la composante
permanente située à l’emplacement de la composante localisée haute fréquence est alors décalée dans
le deuxième IMF.
34 Chapitre 1. Décompositions modales empiriques

4 Propriétés des IMFs

4.1 Une définition en toute rigueur trop restrictive
4.1.1 Définition d’un IMF
Définition 3. Une fonction f : [a, b] −→ R est une « fonction modale intrinsèque » ssi [28] :
(i) tous les maxima locaux de f sont strictement positifs, tous les minima locaux sont strictement
négatifs.
(ii) la somme de l’enveloppe supérieure interpolant les maxima de f et de l’enveloppe inférieure
interpolant les minima est nulle.

Quelques remarques sur cette définition. Tout d’abord, la première condition est plus souvent
donnée sous la forme :

« le nombre d’extrema et de passages à zéro doivent différer d’au plus un »

Les deux formes sont équivalentes dès lors que les extrema et passages à zéro sont en nombre fini.
De ce fait, la première forme, telle que donnée dans la définition, est un peu plus générale que la
forme usuelle et peut donc être intéressante dans une perspective théorique. En revanche, les signaux
étant en pratique discrets et de taille finie, les deux définitions sont totalement équivalentes dans
la pratique. La différence est alors essentiellement une question de point de vue : la forme utilisée
dans la définition prend un point de vue local alors que la forme alternative, plus courante dans
la littérature, prend un point de vue global. L’EMD ayant été créée pour traiter de manière locale
les signaux non stationnaires, il semble naturel que la définition d’un IMF soit formulée de manière
locale.
Deuxièmement, il s’agit d’une définition incomplète. En effet, si la première clause est sans ambi-
guı̈té, ce n’est pas le cas de la seconde qui nécessite de préciser ce qu’on entend par « interpolation ».
Le problème est que les enveloppes dépendent en fait non seulement du schéma d’interpolation utilisé
mais également de la manière dont sont traitées les conditions aux bords. De ce fait, la définition
d’un IMF est en fait indissociable d’une implantation de l’EMD.

4.1.2 Effet d’une interpolation polynomiale par morceaux

On s’intéresse ici à préciser les conséquences de la deuxième clause de la définition d’un IMF
dans le cas où le schéma d’interpolation est polynomial par morceaux entre les maxima/minima.
On montre que la prise en compte rigoureuse de la deuxième clause contraint de manière excessive
les enveloppes en imposant qu’elles soient non plus polynomiales par morceaux mais globalement
polynomiales, le degré du polynôme étant a priori le même que celui de l’interpolation.
Pour démontrer ce résultat, considérons une fonction f : [a, b] −→ R et t0 la position de l’un de ses
minima locaux. Au voisinage de t0 , l’enveloppe inférieure interpolant les minima est composée d’un
polynôme Pg (t) à gauche de t0 et Pd (t) à droite. En supposant que t0 n’est pas également la position
d’un maximum local de f — toujours vérifié en pratique —, l’enveloppe supérieure est localement
autour de t0 décrite par un polynôme Pu (t). Dans ces conditions, si f est un IMF, la deuxième clause
de la définition au voisinage de t0 s’écrit alors :

Pu (t) = −Pg (t), si t < t0 (1.58)

Pu (t) = −Pd (t), si t > t0 . (1.59)

Étant donné que Pu , Pg et Pd sont des polynômes, on en déduit que nécessairement Pg = −Pu = Pd .
Le raisonnement étant valable pour tous les extrema, les enveloppes supérieure et inférieure d’un IMF
4.1. Une définition en toute rigueur trop restrictive 35

signal
(1)
d1
(10)
d1
(100)
d1
(1000)
d1

Figure 1.9 – Effets de lissage des discontinuités des enveloppes ainsi que de leurs dérivées première
et seconde. Les trois colonnes correspondent de gauche à droite aux discontinuités des enveloppes, de
leur dérivée première et de leur dérivée seconde. Le signal initial est représenté sur la première ligne,
ses premiers IMFs obtenus avec 1, 10, 100 et 1000 itérations sur les lignes suivantes. Le gommage
de la discontinuité de la dérivée seconde est difficile à voir sur cette figure mais on peut le voir en
agrandissant l’enveloppe, voir Fig. 1.10.

sont alors globalement des polynômes. Dans le cas relativement courant d’interpolations cubiques par
morceaux, les enveloppes sont donc contraintes à être des polynômes de degré 3 3 .
En pratique, le fait que les points fixes de l’opérateur de tamisage aient des enveloppes nécessai-
rement cubiques ne signifie pas que le processus de tamisage itéré à l’infini converge nécessairement
vers des IMFs aux enveloppes cubiques. En revanche, on peut dire que les enveloppes tendent vers
une allure cubique localement dans la mesure où le processus de tamisage gomme plus ou moins
rapidement les discontinuités des enveloppes ou de leurs dérivées 1 et 2 (cf Fig. 1.9).

4.1.3 Vers une définition pratique d’un IMF

Pour les raisons évoquées précédemment, la deuxième clause de la définition d’un IMF est peu
utilisable en l’état car trop rigoureuse. Une possibilité est alors de considérer que la somme des deux
enveloppes d’un IMF ne vaut pas strictement zéro mais est par exemple plus petite en valeur absolue

3. Les auteurs de [59] aboutissent quant à eux à la conclusion que les enveloppes sont nécessairement des polynômes
de degré 2. La raison en est vraisemblablement qu’ils supposent que l’ensemble de définition de f peut être R. Dans ce
cas en effet, l’enveloppe supérieure d’un IMF étant typiquement positive, elle ne peut-être décrite que par un polynôme
de degré pair.
36 Chapitre 1. Décompositions modales empiriques

Figure 1.10 – Agrandissement de l’enveloppe supérieure du signal (trait plein) correspondant à la

colonne de droite dans Fig. 1.9 et l’enveloppe supérieure de son premier IMF calculé à l’aide de
1000 itérations de tamisage (tirets). Le déplacement de l’enveloppe correspond à un gommage de la
discontinuité de la dérivée seconde de l’enveloppe du signal.

qu’une certaine quantité ǫ > 0 [59] :

∀t ∈ [a, b], |U (t) + L(t)| ≤ ǫ. (1.60)

Une telle définition, si elle présente des intérêts théoriques, est en pratique limitée pour deux raisons :
– Elle dépend de la normalisation du signal. Pour que la définition d’IMF soit indépendante de
toute normalisation, il conviendrait que ǫ soit par exemple proportionnel à une certaine norme
du signal.
– Elle n’est pas locale. La valeur de ǫ est la même à tout instant même si l’amplitude du signal
varie de manière importante au cours du temps. Ainsi, la fonction x(t) = et (α+sin t) avec α < 1
serait une IMF sur ] − ∞, ln ǫ/α[ et ne le serait pas sur ] ln ǫ/α, +∞[ alors que l’allure locale de
la fonction ne change pas au cours du temps si ce n’est par son amplitude x(t+2kπ) = e2kπ x(t).
Pour pallier à ces deux défauts, on peut par exemple remplacer ǫ par une quantité proportionnelle à
une « amplitude locale » du signal A(t) :

∀t ∈ [a, b], |U (t) + L(t)| ≤ ǫA(t), avec A(t) = |U (t) − L(t)|, (1.61)

où on définit A(t) comme l’écart entre l’enveloppe supérieure et l’enveloppe inférieure. On aurait
bien sûr pu imaginer d’autres définitions pour l’« amplitude locale ». En pratique cependant, on peut
remarquer que pour définir une amplitude locale on rencontre essentiellement le même problème que
pour définir une moyenne locale, à savoir le choix d’une échelle d’observation locale adaptée aux
données. Dans la mesure où la moyenne des enveloppes est introduite dans l’EMD justement comme
un moyen d’estimer cette moyenne locale sans avoir à explicitement définir une échelle locale, définir
l’amplitude locale comme — ou à partir de — l’écart entre les enveloppes semble nécessaire pour
rester dans un cadre cohérent.
Si on remplace la deuxième clause de la définition d’un IMF par cette nouvelle formulation (1.61),
on obtient une définition relativement satisfaisante dans la mesure où elle est a priori utilisable en
pratique sans trop contraindre les enveloppes et qu’elle respecte les exigences de localité nécessaires
à un traitement adéquat des signaux non stationnaires.
Enfin, le processus de tamisage étant censé être arrêté dès lors que le signal en cours de traitement
est un IMF, une telle définition est a priori directement utilisable comme critère d’arrêt du processus
de tamisage. Le critère d’arrêt « local » (cf 5.2) est basé sur ce principe. La forme utilisée est
toutefois un peu plus souple encore pour éviter des situations de blocage où le critère |U (t) + L(t)| ≤
ǫ|U (t) − L(t)| ne serait jamais vérifié pour tout t alors qu’il le serait sur quasiment tout l’intervalle
de définition [a, b].
4.2. Les IMFs d’indice supérieur à 2 sont des splines 37

4.2 Les IMFs d’indice supérieur à 2 sont des splines

On se propose de montrer ici que les approximations ainsi que les IMFs autres que le premier sont
des sommes d’interpolations. Dans le cas particulier où l’interpolation utilisée est de la famille des
splines, ce qu’on supposera par la suite, ce résultat a comme conséquence que les approximations et
IMFs autres que le premier sont également des splines. Cette propriété provient du fait que la somme
de deux splines de même degré est une spline du même degré. Plus précisément, si s1 (t) et s2 (t) sont
des splines de degré n avec pour ensembles de nœuds respectifs N1 et N2 , alors s1 (t) + s2 (t) est une
spline de degré n sur N1 ∪ N2 . Pour se convaincre de ce résultat, il suffit de rappeler qu’une spline de
degré n sur un ensemble ordonné de nœuds {ti }i∈I n’est autre qu’une fonction polynomiale de degré
n sur chacun des intervalles [ti , ti+1 ] dont les dérivées successives sont continues en chaque ti jusqu’à
l’ordre n − 1 [13].
Dans la suite, nous utiliserons les notations suivantes :
m[x](t) : moyenne des enveloppes de x(t).
di [x](t) : ie IMF.
ai [x](t) : ie approximation. Par convention a0 [x](t) = x(t).
ni [x] : nombre d’itérations

de tamisage utilisé pour calculer le ie IMF. di [x](t) =
S n i [x] ai−1 [x] (t)], où S est l’opérateur élémentaire de tamisage correspondant à l’opé-
ration de soustraire la moyenne des enveloppes : (Sx)(t) = x(t) − m[x](t).
(j) (j)

di [x](t) : ie IMF en cours de calcul après j itérations de tamisage. di [x](t) = S j ai−1 [x] (t)],
(0)
avec j ≤ ni [x]. Par convention di [x](t) = ai−1 (t).
(j) (j)
ai [x](t) : ie approximation en cours de calcul après j itérations de tamisage. ai [x](t) =
(j)
ai−1 [x](t) − di [x](t).
(j)
Eij [x] : ensemble des abscisses des extrema de di [x](t).
SEn : espace des splines de degré n dont les nœuds sont dans E. Dans la suite, le degré des
splines étant systématiquement celui des splines de l’interpolation, l’exposant n sera
omis.

Proposition 1. Les approximations successives par EMD, ak [x](t) d’un signal x(t) sont toutes des
splines
ni [x]−1
[
ak [x] ∈ SEk [x] , où Ei [x] = Eij [x]. (1.62)
j=0

Démonstration. Commençons par remarquer que la moyenne des enveloppes d’un signal x(t) est une
spline sur les extrema de x(t). En effet, l’enveloppe supérieure étant une spline sur les maxima et
l’enveloppe inférieure une spline sur les minima leur demi-somme est alors une spline sur les extrema.
(1)
Ainsi, ak [x] étant simplement la moyenne des enveloppes de ak−1 [x], on peut écrire :

(1)
ak [x] ∈ SE 0 [x] .
k

De là, on démontre aisément par récurrence que

(i)
ak [x] ∈ SSi−1 E j [x] ,
j=0 k

sachant que
(i+1) (i) (i) (i+1)
ak [x](t) = ak [x](t) + dk [x](t) − dk [x](t),
c’est-à-dire
(i+1) (i) (i)
ak [x](t) = ak [x](t) + m[dk [x]](t).
38 Chapitre 1. Décompositions modales empiriques

Corollaire 1. Les IMFs dk [x](t) d’ordre k ≥ 2 d’un signal x(t) sont des splines

ni [x]
[
dk [x] ∈ SEk [x]∪Ek−1 [x] , où Ei [x] = Eij [x]. (1.63)
j=0

Démonstration.
dk (t) = ak−1 (t) − ak (t).

5 Questions liées à l’implantation

5.1 Conditions aux bords
L’algorithme de l’EMD s’appuie intensivement sur la notion d’enveloppes d’un signal qui sont
définies comme interpolant les maxima et minima locaux. S’il est clair qu’une telle définition est
suceptible de fournir des enveloppes pertinentes pour tout point situé entre deux extrema, elle pose
en revanche le problème de ne pas définir les enveloppes sur les bords du signal, au-delà du dernier
extremum. De plus, la solution consistant à ne considérer que la portion du signal entre son second et
son avant-dernier extremum (pour avoir les premiers et derniers maxima et minima) est vouée à l’échec
parce que les positions des extrema peuvent changer d’une itération à la suivante, ce qui peut obliger
à réduire à chaque itération la partie du signal réellement analysée. Enfin, si l’interpolation utilisée est
suffisamment lisse, on peut toujours extrapoler la valeur des enveloppes au-delà des derniers extrema,
mais il se trouve que les enveloppes ne sont dans ce cas pas suffisamment bien contrôlées aux bords
et peuvent prendre des valeurs rapidement aberrantes. Ce problème ne serait pas très gênant si les
variations aberrantes des enveloppes aux bords n’affectaient que la décomposition aux bords, mais
il se trouve que les effets de bords ainsi créés se propagent bien au-delà des bords quand on itère le
tamisage.
Pour mettre en œuvre l’algorithme de l’EMD, il faut donc une méthode pour définir les enveloppes
jusqu’aux bords du signal qui doit
1. limiter l’erreur au niveau des bords
2. limiter la propagation de l’erreur vers la partie centrale du signal
En pratique, il est clair qu’on ne peut définir une telle erreur que si l’on connait a priori la décomposi-
tion en IMFs, ce qui fait qu’on ne peut pas l’évaluer dans le cas général. En dehors des cas où l’erreur
introduite est suffisamment importante pour être visible à l’œil, il est donc difficile de percevoir l’in-
fluence que peut avoir la méthode utilisée pour prolonger les enveloppes sur la décomposition finale.
Pour évaluer différentes méthodes, on choisira donc de les appliquer sur des signaux de synthèse dont
on connait a priori la décomposition en IMFs.
À ce jour, plusieurs solutions ont été proposées, qu’on peut regrouper en trois familles

utilisation d’une fonction fenêtre l’idée est ici de multiplier le signal par une fonction fenêtre,
valant 1 sur la partie centrale du signal et s’atténuant doucement jusqu’à zéro aux bords. Grâce
à cette opération, on peut résoudre le problème de définition aux bords des enveloppes en leur
imposant de valoir zéro aux bords. Proposée comme un pis-aller par [14], puis plus sérieusement
par [46], cette méthode est en fait très limitée puisque le simple fait de rajouter une constante,
ou pire une tendance non stationnaire, au signal peut aboutir à de grandes variations aux bords
après avoir multiplié par la fenêtre.

prolonger le signal l’idée est ici de prolonger le signal au-delà des bords de manière à faire ap-
paraı̂tre de nouveaux extrema permettant de définir correctement les enveloppes aux bords
du signal. Le problème est vaste et constitue à lui seul tout le domaine de recherche de la
« prédiction des séries temporelles ». Plusieurs techniques ont été envisagées, notamment des
5.1. Conditions aux bords 39

méthodes à base de réseaux de neurones [16] et de machines à vecteurs de support [33, 63]. Les
auteurs de [33] proposent ainsi d’utiliser un outil actuellement populaire dans le domaine : la
régression par machine à vecteurs de support (SVM). Malheureusement, ils n’envisagent dans
leur article que le noyau linéaire et n’appliquent leur méthode que sur des signaux parfaitement
linéaires (sommes de trois modes de Fourier) ou avec une forte composante périodique (signal
réel). De fait, il semble que la manière dont la méthode est employée la limite à une simple
prédiction linéaire, ce qui explique qu’elle marche bien sur les exemples proposés, mais que pour
des signaux plus compliqués comme ceux utilisés dans la suite pour évaluer un certain nombre
de méthodes, elle échoue très fréquemment, simplement parce que l’apprentissage n’arrive pas
à converger. Les auteurs de [63] proposent une méthode a priori plus performante à base de
machine à vecteur de support utilisant un noyau apparemment gaussien. Le fait d’utiliser un
noyau non linéaire constitue une amélioration très nette par rapport au noyau linéaire dans la
mesure où cela permet de mieux prédire des données non linéaires. De plus, les auteurs pro-
posent une méthode de choix automatique des paramètres de la machine à vecteurs de support
(algorithme dit « particle swarm optimization »), nécessaire pour rendre la méthode utilisable
dans le cas général.

prolonger les ensembles d’extrema plus simple que prolonger le signal on peut aussi se conten-
ter de prolonger les ensembles d’extrema. D’un point de vue théorique, le problème est tout
aussi compliqué que prévoir le signal mais le fait qu’en pratique il suffise de rajouter quelques
points laisse la place à des méthodes empiriques avec disjonctions de cas qui auraient été trop
compliquées à définir si l’on avait voulu prévoir le signal au complet. Le coût en temps de calcul
de la prédiction d’extrema est aussi naturellement bien moindre que celui de la prédiction du
signal. Une telle méthode de prédiction d’extrema consistant essentiellement à opérer une sy-
métrie miroir aux bords du signal a été proposée dans [55], malheureusement sans la détailler,
et est implantée dans les programmes que nous mettons à disposition sur internet. Deux autres
méthodes ont été proposées dans [12]. La première s’apparente à une symétrie miroir et la
seconde se rapproche d’une prédiction linéaire des extrema.

Dans la suite de cette section, on se propose d’évaluer les performances de plusieurs méthodes de
prolongation du signal ou des extrema. Dans ce but, on se donne un modèle de signal constitué d’une
tendance lente déterministe xt (t) et d’une composante oscillante aléatoire xo (t) dont l’amplitude
varie lentement de manière déterministe et la période rapidement de manière aléatoire. Les échelles
de temps des deux composantes sont choisies suffisamment différentes pour qu’on puisse considérer
sans ambiguı̈té que la composante oscillante est le premier IMF de la décomposition et que la tendance
est la première approximation (ou le résidu). Plus précisément, la composante oscillante est définie
comme le produit d’une modulation d’amplitude lente et d’une fonction oscillante d’amplitude unité.
Cette dernière est définie par sa fréquence instantanée qui est elle-même un bruit basse fréquence
auquel on ajoute une constante pour le rendre positif. La fréquence de coupure du filtre utilisé pour
définir le bruit et la constante qui lui est ajoutée sont choisies de telle manière que la fréquence
instantanée varie à l’échelle d’une période. L’idée derrière ce choix est de mettre en difficulté toute
méthode peu robuste qui s’appuierait fortement sur une quasi-périodicité du signal à proximité des
bords. Finalement,
x(t) = xt (t) + xo (t), (1.64)
avec xt (t) une tendance lente déterministe

xo (t) = a(t)f (t), (1.65)

avec a(t) > 0 une modulation d’amplitude lente déterministe et f (t) une modulation de fréquence
aléatoire variant rapidement à l’échelle de sa période.
40 Chapitre 1. Décompositions modales empiriques

60

50

40

30
x(t)

20

10

−10
0 2 4 6 8 10 12 14 16 18 20
t

Figure 1.11 – Exemple de signal utilisé pour l’étude des performances des techniques de gestion
des effets de bords. La composante oscillante a une période presque fixe mais qui fait des sauts
relativement régulièrement.

Pour cette étude, on a choisi les paramètres suivants :

t ∈ [0, 20] (1.66)

(t − 10)2
xt (t) = (1.67)
2
a(t) = 1 + et/5 . (1.68)

La fréquence instantanée de f (t) est construite à partir d’un bruit blanc filtré à l’aide d’un filtre
passe-bas de Butterworth d’ordre 2 et de fréquence de coupure 0.25. Le bruit basse fréquence ainsi
obtenu est ensuite redimensionné pour avoir une valeur minimale de 0.1 et une valeur maximale de
1.6 avant d’être utilisé comme fréquence instantanée pour f (t). Le signal f (t) ainsi créé a une période
qui varie en général relativement peu de proche en proche mais qui peut présenter des variations
importantes avec une probabilité non négligeable. Un exemple d’une réalisation du signal x(t) défini
avec ces paramètres est proposé Fig. 1.11.
Pour présenter les méthodes testées, on explique comment prolonger les ensembles d’extrema (ou
le signal) au niveau du bord gauche, le cas du bord droit étant symétrique. Le bord gauche sera
associé à l’abscisse 0 pour simplifier. On utilisera les notations suivantes

x(t) : signal

tmax/min (k), 1 ≤ k ≤ nmax/min : abscisse du ke maximum/minimum

xmax/min (k), 1 ≤ k ≤ nmax/min : ordonnée du ke maximum/minimum

Les extrema rajoutés sur le bord gauche seront notés avec des indices k ≤ 0. Ne connaissant pas le
signal au-delà des bords, les points situés aux extrémités ne sont a priori pas considérés comme des
5.1. Conditions aux bords 41

extrema. Certaines méthodes de prolongement proposeront de les rajouter comme extrema supplé-
mentaires.
Les méthodes testées sont les suivantes :
p1 Cette méthode traite les enveloppes indépendamment et consiste simplement à rajouter un extre-
mum par enveloppe en projetant le premier extremum à l’abscisse 0 en conservant son ordonnée
tmax (0) = 0, xmax (0) = xmax (1).
Idem pour les minima.
p2 Idem p1 si x(0) < xmax (1), xmax (0) = x(0) sinon. Idem pour les minima. Cette variante permet
de mieux contrôler la valeur au bord.
s1 Deux maxima rajoutés par symétrie miroir par rapport au bord
xmax (0) = xmax (1), tmax (0) = −tmax (1) (1.69)
xmax (−1) = xmax (2), tmax (−1) = −tmax (2). (1.70)
Idem pour les minima.
s2 Deux maxima rajoutés par symétrie miroir avec contrôle de la valeur au bord. Pour commencer,
le point du bord (0, x(0)) est rajouté à l’ensemble des maxima si x(0) > xmax (1) ou à celui des
minima si x(0) < xmin (1). Ensuite, 2 maxima et 2 minima sont ajoutés par symétrie miroir, ou
éventuellement 1 si le point du bord a déjà été ajouté à l’ensemble considéré. L’axe de symétrie
est le même pour les maxima et les minima. Il est situé généralement à l’abscisse de l’extremum
le plus proche du bord (celui-ci compte s’il a été rajouté précédemment) mais il est remplacé
par le bord lui-même si pour l’une des deux enveloppes, les 2 extrema ainsi rajoutés ont des
abscisses toutes deux positives. Cette méthode est celle proposée dans [55] et implantée dans
les codes que nous mettons à disposition sur internet.
DS1 Deux maxima rajoutés selon
xmax (0) = xmax (1), tmax (0) = tmax (1) − (tmax (2) − tmax (1)) (1.71)
xmax (−1) = xmax (1), tmax (−1) = tmax (1) − 2(tmax (2) − tmax (1)). (1.72)
Idem pour les minima. Cette méthode est proche de la première méthode proposée dans [12],
seul un extremum étant rajouté dans la version originale. Le fait d’ajouter un extremum sup-
plémentaire rend la méthode plus robuste au cas où tmax (2) − tmax (1) < tmax (1).
DS2 Deux extrema sont ajoutés à chaque enveloppe en itérant 2 fois la procédure suivante décrite
dans le cas où le premier extremum est un maximum :
 
xmax (2) − xmin (1) xmax (1) − xmin (1)
xmax (0) = xmax (1) + + (tmax (2) − tmax (1)) , (1.73)
tmax (2) − tmin (1) tmax (1) − tmin (1)
tmax (0) = tmax (1) − (tmax (2) − tmax (1)) (1.74)
 
xmax (2) − xmin (1) xmax (1) − xmin (1)
xmin (0) = xmin (1) + + (tmin (2) − tmin (1)) , (1.75)
tmax (2) − tmin (1) tmax (1) − tmin (1)
tmin (0) = tmin (1) − 2(tmin (2) − tmin (1)). (1.76)
Cette procédure est pratiquement identique à la deuxième méthode proposée dans [12]. Comme
précédemment, seul un extremum est rajouté dans la version originale. De plus, la méthode
est normalement accompagnée de conditions aux limites pour l’interpolation spline cubique qui
n’ont pas été utilisées ici faute de code performant permettant d’ajuster ces conditions aux
limites. Le fait de rajouter un point de plus que dans la méthode originale permet dans une
certaine mesure de compenser ce problème.
42 Chapitre 1. Décompositions modales empiriques

pl Prolongement linéaire des extrema avec gestion de cas particuliers. Pour commencer, deux extrema
sont ajoutés selon (pour les maxima)

xmax (0) = xmax (1) − (xmax (2) − xmax (1)), tmax (0) = tmax (1) − (tmax (2) − tmax (1))
(1.77)
xmax (−1) = xmax (1) − 2(xmax (2) − xmax (1)), tmax (−1) = tmax (1) − 2(tmax (2) − tmax (1)),
(1.78)

si tmax (1) − 2(tmax (2) − tmax (1)) < 0 et selon

xmax (0) = x(0), tmax (0) = 0 (1.79)

xmax (−1) = x(0) − (xmax (1) − x(0)), tmax (−1) = −tmax (1), (1.80)

sinon.
Dans le second cas, le point (0, x(0)) est ajouté à l’ensemble des maxima s’il se trouve au dessus
de la ligne brisée reliant les maxima tels que définis à l’étape précédente. Les maxima ajoutés
sont alors recalculés selon le premier cas.

SVM Prédiction du signal à l’aide d’une régression par machine à vecteurs de support. Le signal est
prédit sur une durée variable de telle manière qu’au moins deux maxima et minima apparaissent
sur cette durée. On utilise un noyau gaussien comme proposé dans [63] mais contrairement à
ce qui est préconisé dans l’article, on utilise une méthode simple pour choisir les paramètres
de la machine à vecteurs de support. La taille est choisie proportionnellement à la période
moyenne (relative à l’écart entre les extrema) du signal au voisinage du bord, la valeur précise
du paramètre ayant été réglée à la main pour avoir une prédiction satisfaisante sur le modèle
de signal envisagé. La machine à vecteurs de support est entraı̂née sur les 4 périodes les plus
proches du bord. Le paramètre de tolérance à l’erreur (parfois appelé « largeur du tube ») est
réglé de manière à avoir une erreur faible devant l’amplitude d’oscillation (écart entre les valeurs
des maxima et des minima) au voisinage du bord. Il en résulte que le nombre de vecteurs de
support peut être important et le temps de calcul conséquent, de l’ordre de 5000 fois supérieur
à celui des autres méthodes.

Considérant le modèle de signal décrit précédemment, on en génère 1000 réalisations et on calcule

le premier IMF à l’aide des différentes méthodes proposées. Dans chaque cas, on définit la fonction
erreur comme la différence entre la première approximation et la tendance lente du signal

err(t) = a1 (t) − xt (t). (1.81)

À partir de cette erreur, on calcule alors deux quantités dans le but d’évaluer d’une part l’erreur aux
bords du signal et d’autre part la propagation de cette dernière au centre du signal

errmoy moyenne quadratique de l’erreur

s
Z 20
1
errmoy = err(t)2 dt. (1.82)
20 0

errcentre moyenne quadratique de l’erreur sur la partie centrale du signal (entre max(t)/4 et 3 max(t)/4)
s
Z 15
1
errcentre = err(t)2 dt (1.83)
10 5
5.1. Conditions aux bords 43

12

10

8
errmoy

0
0.5

0.45

0.4

0.35

0.3
errcentre

0.25

0.2

0.15

0.1

0.05

0
p1 p2 s1 s2 DS1 DS2 pl SVM

Figure 1.12 – Erreurs générées par les différentes méthodes sous formes de boı̂tes à moustaches. La
boı̂te correspond aux premiers et derniers quartiles et le trait au milieu à la médiane. Les moustaches
s’étendent jusqu’aux 5e et 95e centiles. En haut, la moyenne quadratique de l’erreur sur toute la durée
du signal errmoy . En bas, la moyenne quadratique de l’erreur sur la partie centrale du signal errcentre .
Du fait des différences d’ordres de grandeurs entre les deux, errmoy correspond en fait essentiellement
à l’erreur sur les bords du signal.
44 Chapitre 1. Décompositions modales empiriques

L’erreur étant naturellement plus importante sur les bords, on peut considérer que errmoy rend
essentiellement compte de l’erreur aux bords, ce qui est confirmé par les ordres de grandeur de
errmoy et errcentre observés en pratique.
Les résultats des simulations sont présentés Fig. 1.12. Les différentes méthodes peuvent être
réparties en trois grandes classes en fonction de leurs performances dans la situation de test proposée.
Les méthodes DS2 et SVM sont de loin les plus mauvaises, les méthodes p1, p2, s1, s2 et DS1 ont
des performances moyennes et la méthode pl est nettement meilleure que toutes les autres.
Les mauvaises performances de DS2 et SVM ont des origines différentes. DS2 ne donne des
résultats corrects que quand l’intervalle entre deux extrema successifs est stable près du bord. Le
signal test ayant été créé spécifiquement pour avoir des intervalles entre extrema successifs variables,
la méthode DS2 est souvent mise en échec. Quant à la méthode SVM, ses mauvaises performances
ont deux origines. La première est que de manière générale on observe que la méthode arrive bien
à prédire un signal oscillant au-delà du bord mais souvent avec une amplitude légèrement différente
et décalé verticalement par rapport aux oscillations de l’autre côté du bord. En fait, la prédiction
par SVM prédit bien souvent la « bonne » allure de signal mais ne conserve pas forcément des
caractéristiques comme l’amplitude d’oscillation qui peuvent avoir leur importance pour prédire les
extrema. La deuxième origine des performances mauvaises de la méthode SVM est qu’il arrive aussi
que le signal prédit au-delà du bord n’ait tout simplement pas d’extremum, ou alors très loin du bord.
Dans ces cas, l’erreur finale est beaucoup plus importante, ce qui explique que 5% des cas aboutissent
à une erreur finale errmoy de l’ordre de 105 ou plus.
Parmi les méthodes aux performances moyennes, on observe que la méthode DS1 est généralement
un peu moins bonne que les autres. Ce résultat est difficile à interpréter dans la mesure où DS1
est conceptuellement assez proche de p1 et que les cas où 2(tmax (2) − tmax (1)) < tmax (1) pour
lesquels on pourrait penser que DS1 va poser problème ne font même pas apparaı̂tre de différences
de performances par rapport aux autres. La seule explication plausible semble être que le fait de ne
pas contraindre explicitement les enveloppes sur le bord comme le fait p1 permet de plus grandes
fluctuations. En dehors de DS1, il est intéressant de comparer les résultats obtenus par les méthodes
p1, p2, s1 et s2. En particulier, il semble que le fait de prendre en compte la valeur au bord dans
les versions 2 des deux méthodes ait une influence directe sur l’amplitude de l’erreur au niveau des
bords. En revanche, la différence de performances entres les méthodes de projection p1 et p2 et de
symétrie s1 et s2 semble tout aussi difficile à expliquer que précédemment pour les méthodes DS1
et p1.
La méthode pl donne des résultats nettement meilleurs que les autres dans la situation de test
proposée. Ce résultat est encourageant mais il doit être nuancé. En effet, il n’est pas difficile de voir
que la situation de test proposée est clairement plus favorable à une méthode de prolongement linéaire
qu’à une méthode de symétrie ou de projection. En pratique, dans des situations plus générales, il
semble en revanche qu’une telle méthode est susceptible de produire de plus grandes déviations
aux bords que par exemple la méthode s2. Par conséquent, on peut penser que la méthode pl
est peut-être moins robuste que s2 qui a fait ses preuves, puisqu’elle est implantée depuis 2003
dans le programme que nous mettons à disposition sur internet. Les performances observées ici sont
cependant encourageantes et demandent à être confirmées plus largement.
Enfin, on s’est attaché pour cette étude à observer à la fois l’amplitude de l’erreur au niveau des
bords du signal et la propagation de cette dernière vers le centre du signal. Un aspect qu’on n’a pas
étudié et qui est sans doute important est aussi la propagation de l’erreur au fur et à mesure qu’on
extrait des IMFs. En pratique, cet aspect peut se révéler assez délicat à étudier dans la mesure où
plus on augmente le nombre d’IMFs extraits, plus on réduit la probabilité de retrouver comme résidu
la tendance lente qu’on avait mise initialement dans le signal. Par conséquent l’erreur mesurée par
(1.81), où a1 (t) serait remplacé par le résidu, a plus de chances de ne pas être due uniquement aux
effets de bords, ce qui complique la tâche.
5.2. Arrêt du processus de tamisage 45

5.2 Arrêt du processus de tamisage

Différentes approches ont été proposées pour déterminer quand arrêter le processus de tamisage.
De manière générale, elles remplissent toutes deux objectifs
1. lors de l’arrêt du processus de tamisage, le signal en cours de traitement doit vérifier la définition
d’un IMF Déf. 3.
2. le tamisage ne doit pas être itéré un trop grand nombre de fois au risque de dénaturer l’infor-
mation contenue dans les IMFs. (cf 4.1.2)

5.2.1 Approche originale

Essentiellement focalisée sur le premier objectif, l’approche proposée dans la contribution d’origine
[28] consiste à arrêter le processus de tamisage dès que
1. tous les maxima locaux sont strictement positifs et tous les minima locaux strictement négatifs
2. la différence entre l’IMF en cours et sa version à l’itération précédente mesurée par

Z !2
T (n) (n−1)
d1 (t) − d1 (t)
SD = (n−1)
dt (1.84)
0 d1 (t)

doit être inférieure à un seuil, par exemple de l’ordre de 0.2-0.3 pour un signal de 1024 points.
Le problème de cette approche est essentiellement que le critère évalué pour mesurer la différence
entre l’IMF en cours et sa version à l’itération précédente ne remplit pas la fonction requise. En effet,
l’intégrande diverge généralement aux points où le dénominateur s’annule ce qui fait que la valeur
(n−1)
du critère SD est plus contrôlée par le comportement de d1 (t) au voisinage des ses passages à
zéro que par la valeur du numérateur. Il n’est pas rare d’observer avec ce critère des comportements
aberrants où SD est très grand (105 · seuil) alors que la moyenne du signal peut très raisonnablement
être considérée comme nulle. En corrigeant le raisonnement derrière la définition de SD, on aboutit
à la définition
R T (n) (n−1)
0 (d1 (t) − d1 (t))2 dt
SD = R T (n−1) , (1.85)
0 (d1 (t))2 dt

également corrigée par les auteurs dans [26, 64]. Cette définition remplit mieux l’objectif recherché
mais elle a le défaut d’être globale. De fait, pour une même valeur de SD, la moyenne peut s’écarter
fortement de zéro très localement ou s’en écarter beaucoup moins mais partout à la fois. En pra-
tique, les deux situations ne sont pas forcément identiques : on peut par exemple tolérer une forte
erreur locale si elle s’accompagne d’une faible erreur partout ailleurs plus facilement qu’une erreur
relativement moins forte mais répartie.
Du point de vue de l’interprétation, on constate également que cette définition compare de fait
(n−1)
l’amplitude de la moyenne de d1 (t) (au numérateur) à sa propre amplitude (au dénominateur),
(n)
pour savoir si on arrête le processus de tamisage à d1 (t). De fait, on ne vérifie donc pas vraiment que
la moyenne de l’IMF final est faible mais plutôt que la moyenne de sa version à l’itération précédente
l’est. On n’est donc pas vraiment dans le cadre de la vérification de la définition d’un IMF comme
on aurait pu le penser mais plutôt dans celui d’un critère de convergence de type Cauchy.

5.2.2 Approche « locale »

Une deuxième approche d’inspiration voisine a été proposée dans [55] et est implantée dans les
programmes que nous mettons à disposition sur internet. L’idée est ici de s’appuyer sur la définition
pratique d’un IMF élaborée en 4.1.3. Le processus de tamisage est arrêté dès que
46 Chapitre 1. Décompositions modales empiriques

1. tous les maxima locaux sont strictement positifs et tous les minima locaux strictement négatifs
2. les enveloppes de l’IMF en cours vérifient

|U (t) + L(t)| ≤ ǫ|U (t) − L(t)|

sur un ensemble de mesure supérieure à (1 − α)T , avec T la durée totale du signal et

|U (t) + L(t)| ≤ ǫ2 |U (t) − L(t)|

pour tout t.
Contrairement à l’approche globale proposée précédemment, cette définition est conçue pour contrôler
le plus localement possible la qualité de l’IMF en construction. Idéalement, on voudrait pouvoir
imposer partout la même contrainte |U (t) + L(t)| ≤ ǫ|U (t) − L(t)|, mais on s’est aperçu en pratique
que la quantité |U (t) + L(t)|/|U (t) − L(t)| avait bien souvent tendance à présenter des pics très
localisés alors que sa valeur ailleurs est relativement proche de 0. Sachant qu’imposer une condition
|U (t) + L(t)| ≤ ǫ|U (t) − L(t)| partout avec un paramètre ǫ faible de l’ordre de 0.1 avait tendance
pour cette raison à aboutir à des nombres d’itérations importants, on a relâché un peu la contrainte
en l’imposant par exemple sur seulement 95% de la durée du signal alors qu’ailleurs on impose une
contrainte beaucoup moins forte avec par exemple ǫ2 = 0.5. 4
Le simple fait d’accorder cette tolérance a permis de réduire fortement les nombres d’itérations
en général. Cependant, il arrive pour certains signaux que cette tolérance ne soit pas suffisante et on
observe alors de grands nombres d’itérations alors qu’une analyse plus fine montre que la moyenne
peut être considérée comme raisonnablement nulle sur une très large partie du signal pour des nombres
d’itérations moins élevés. Bien entendu, la notion d’IMF acceptable est très subjective et en pratique
liée à une application donnée. Il est donc illusoire de vouloir trouver un critère d’arrêt qui convienne
à toutes les situations pratiques. Néanmoins, puisqu’il n’est que rarement possible d’avoir un IMF
dont la moyenne est suffisamment faible partout, la plupart des situations peuvent se ramener à un
compromis entre une moyenne suffisamment nulle presque partout et un ensemble de points sur lequel
une moyenne plus importante est tolérée. Malheureusement, la diversité des situations et des signaux
fait qu’il est nécessaire d’ajuster les paramètres d’un tel compromis à chaque cas.
Par ailleurs, on a relâché pour ce critère la condition |U (t) + L(t)| ≤ ǫ|U (t) − L(t)| évaluant la
deuxième clause de la définition d’un IMF (Déf. 3) mais on a laissée intacte la première clause parce
qu’elle est en général moins contraignante que la seconde. Ce résultat est en fait uniquement valable
pour des signaux pas trop longs. Pour des signaux ayant plus de 100000 extrema, il est possible que
la première clause devienne plus restrictive que la seconde et qu’elle cause à elle seule de très grands
nombres d’itérations. En pratique, ce cas n’a pas encore été vraiment étudié pour la bonne raison
qu’il n’y a pas à l’heure actuelle de programme permettant de réaliser une EMD sur des signaux aussi
longs en des temps courts. Dans les rares cas approchés au cours de cette thèse, tolérer que 0.01%
des extrema puissent ne pas satisfaire à la première clause a toujours permis de ramener les nombres
d’itérations à des ordres de grandeur raisonnables.

5.2.3 Approche « robuste »

Plus axée sur l’objectif de ne pas itérer le processus de tamisage plus que nécessaire, les auteurs de
la contribution originale ont aussi proposé une autre méthode pour déterminer les nombres d’itéra-
tions qui ne vérifie explicitement que la première clause de la définition d’un IMF [29]. Cette méthode
consiste à arrêter le processus de tamisage quand pour un nombre donné S d’itérations successives,
– tous les maxima sont positifs et tous les minima négatifs
4. En pratique, on constate bien souvent que la valeur de ǫ2 choisie n’influe pas vraiment sur les nombres d’itérations,
du moins tant qu’elle n’est pas trop faible. Dans beaucoup de cas, la contrainte |U (t) + L(t)| ≤ ǫ2 |U (t) − L(t)|, sert donc
plus à assurer un certain niveau de nullité de la moyenne pour l’utilisateur qu’à déterminer les nombres d’itérations.
5.3. Interpolation 47

– le nombre d’extrema ne change pas

Étant donnée la difficulté qu’il peut y avoir à évaluer le degré de nullité de la moyenne d’un IMF,
cette méthode propose tout simplement de ne pas le mesurer mais de supposer que S itérations de
tamisage sont suffisantes pour que la moyenne soit suffisamment nulle. De fait, on observe de manière
générale que lors d’une itération de tamisage, la moyenne après l’itération est presque toujours plus
faible qu’avant sauf aux points où de nouveaux extrema sont apparus, ce qui justifie le point de vue
selon lequel une itération de tamisage durant laquelle aucun extremum n’apparait a pour effet de
ramener la moyenne vers zéro sur toute la durée du signal.
En pratique, on observe que de faibles valeurs de S, entre 3 et 5 comme le suggèrent les auteurs,
permettent très souvent d’arriver à des nombres d’itérations raisonnables. De plus, toujours dans
l’objectif d’éviter de trop itérer le processus de tamisage, les auteurs recommandent aussi de fixer une
limite aux nombres d’itérations pour faire face à toute éventualité. En revanche, contrairement aux
méthodes évoquées précédemment, l’utilisateur n’a pas de contrôle explicite sur les caractéristiques
des IMFs obtenus.
Enfin, on peut noter également que ce critère peut poser des problèmes s’il est utilisé pour traiter
des signaux de durée variable. En effet, pour un signal stationnaire, si p est la probabilité qu’un
extremum apparaisse à l’itération k du processus de tamisage pour un signal de durée T , elle sera
entre p et 2p pour un signal de durée 2T . Par conséquent, le nombre d’itérations déterminé par cette
méthode pour extraire le premier IMF du signal de durée 2T peut être supérieur à celui utilisé pour
le signal de durée T avec la même valeur de S dans les deux cas alors que les contenus des deux
signaux sont identiques.

5.2.4 Approche « fixe »

Pour terminer, une dernière approche consiste simplement à déterminer les nombres d’itérations
a priori sans se préoccuper du fait que les IMFs obtenus vérifient la définition. Cette approche est
a priori à éviter de manière générale pour traiter des signaux isolés mais elle peut être intéressante
pour traiter des lots de données puisqu’elle garantit une certaine forme d’égalité de traitement qui
peut se révéler interessante pour comparer par la suite les résultats. C’est en particulier le cas dans
le cadre de l’une des variantes de l’EMD dite EMD d’ensemble (EEMD pour « Ensemble EMD »)
qui sera décrite en 6.3.

5.3 Interpolation
Pour passer des ensembles de maxima et minima locaux du signal à ses enveloppes supérieure
et inférieure, on utilise généralement une technique d’interpolation. Comme on l’a observé en 4.2,
le choix de la technique d’interpolation utilisée n’est pas anodin dans la mesure où les IMFs, en
dehors du premier, sont tous des sommes d’un plus ou moins grand nombre d’interpolations. De plus,
comme on le montrera en 1.1, le comportement de l’algorithme en fonction du nombre d’itérations
de tamisage dépend très fortement du schéma d’interpolation utilisé.
Pour approcher la problématique de l’interpolation, il convient pour commencer de préciser les
objectifs recherchés. Dans le contexte de l’EMD, il y en a essentiellement deux :
localité : L’un des objectifs de l’EMD étant de proposer une méthode permettant de traiter des
signaux non stationnaires, il faut qu’elle soit capable de s’adapter aux évolutions du signal.
Dans ce but, il est nécessaire que la valeur d’une enveloppe en un instant donné dépende
essentiellement des évolutions du signal à proximité de cet instant et moins, voire pas du
tout, d’instants plus éloignés où le signal est susceptible d’évoluer très différemment. Ainsi,
des interpolations particulièrement non locales telle l’interpolation de Lagrange, pour prendre
un exemple extrême, sont totalement inadaptées. À l’inverse, il est a priori souhaitable que
la valeur de l’interpolation en un instant donné dépende du signal à horizon fini, c’est-à-dire
48 Chapitre 1. Décompositions modales empiriques

modèle linéaire Akima

4

−1

−2
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10

Figure 1.13 – Sur l’exemple de signal proposé, il est clair que la moyenne des enveloppes doit
présenter au moins un minimum vers le centre du signal, mais les ondulations introduites par les
interpolations linéaire par morceaux et Akima sont plus discutables.

1 itération 2 itérations 3 itérations

2
interpolation linéaire

1.5

0.5

−0.5

−1

−1.5
2

1.5
interpolation spline

0.5

−0.5

−1

−1.5
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10

Figure 1.14 – Le manque de régularité de l’interpolation linéaire par morceaux peut être la cause de
l’apparition d’extrema parasites causant de plus des problèmes de convergence. Le problème persiste
pour des interpolations plus régulières comme la spline cubique, mais seulement lorsque le signal
présente des extrema particulièrement « plats ».
5.3. Interpolation 49

qu’elle ne dépende que d’un nombre limité de points d’interpolation, ou nœuds, de part et
d’autre de l’instant considéré. Au minimum, il faut que l’influence d’un nœud sur la valeur de
l’interpolation en un instant donné décroisse en fonction de sa distance (exprimée, par exemple,
en termes de nombre de nœuds) à l’instant considéré et tende vers zéro quand celle-ci tend vers
l’infini. En pratique, la plupart des schémas d’interpolation usuels sont dans ce dernier cas mais
la manière dont l’influence d’un nœud décroı̂t en fonction de la distance peut varier selon le
schéma.
régularité : L’origine de cet objectif est un peu plus subtile. Elle apparaı̂t plus clairement si on
prend en compte le fait que les approximations successives du signal par EMD sont toutes
des sommes d’interpolations. Si on calcule par exemple le premier IMF avec différents schémas
d’interpolation, on obtient en le soustrayant au signal différentes premières approximations qui
en particulier ont des nombres d’extrema différents. Parmi ces extrema, certains sont claire-
ment la trace d’échelles caractéristiques du signal analysé mais d’autres sont en fait introduits
artificiellement par l’interpolation. Pour s’en convaincre, il suffit d’imaginer une interpolation
particulièrement mauvaise qui produirait des ondulations entre chaque nœud : une somme
de telles interpolations pourrait alors conserver un certain nombre de ces ondulations qui, si
des extrema y sont associés, pourraient alors être perçues par l’EMD comme des échelles de
temps caractéristiques du signal. Par conséquent, il est a priori souhaitable que l’interpolation
n’ondule pas trop : au plus un extremum ou une inflexion entre deux nœuds semble un ob-
jectif raisonnable. De plus, si l’interpolation présente des extrema, il faut autant que possible
que ces extrema ne soient pas trop piqués. Ainsi, sur l’exemple proposé Fig. 1.13, il est clair
que la moyenne des enveloppes doit présenter au moins un minimum vers le centre du signal,
mais la pertinence des extrema supplémentaires présents lorsque l’interpolation est linéaire par
morceaux ou Akima (dérivée première continue seulement) est quant à elle plutôt discutable,
puisqu’ils résultent directement des extrema des enveloppes. De plus, le manque de régularité
de l’interpolation linéaire par morceaux pose même des problèmes de convergence pour l’EMD
dans la mesure où il est fréquent de voir apparaı̂tre de nouveaux extrema très douteux lorsque
la moyenne des enveloppes est soustraite au signal. Plus généralement, le problème persiste
pour des schémas d’interpolation plus réguliers mais il ne se manifeste que quand les extrema
du signal sont particulièrement « plats », c’est-à-dire que les dérivées successives au voisinage
des extrema sont particulièrement faibles (cf Fig. 1.14).
À ces deux objectifs principaux, on peut ajouter un troisième qui est que les enveloppes res-
pectent bien la notion intuitive d’enveloppe, c’est-à-dire que le signal doit toujours se trouver entre
l’enveloppe inférieure et l’enveloppe supérieure. En pratique, on observe que les enveloppes calculées
par l’interpolation spline cubique présentent souvent de petits dépassements où le signal se trouve
localement du mauvais côté de l’enveloppe. Dans des cas plus extrêmes, il arrive même que l’enve-
loppe supérieure soit localement inférieure à l’enveloppe inférieure. Pour cette raison, les recherches
effectuées sur la question de l’interpolation cherchent généralement à atteindre l’objectif de supprimer
ces dépassements ou du moins de les limiter [15, 47, 36, 35]. Toutefois, comme précisé dans la contri-
bution originale [28], l’effet de ces dépassements est indirect puisque c’est la moyenne des enveloppes
qui intervient finalement dans le processus de tamisage et rien ne prouve que ces dépassements soient
effectivement problématiques, si ce n’est d’un point de vue esthétique. De plus, ces dépassements ne
sont pas nécessairement un défaut propre au schéma d’interpolation, mais à la procédure de calcul
des enveloppes dans sa globalité. En particulier, le choix des extrema comme points d’interpolation
n’est pas forcément idéal de ce point de vue. Si on considère par exemple le cas d’un signal de la forme
x(t) = αt + cos t avec α 6= 0, il est clair a priori que ses enveloppes doivent être rectilignes mais il est
aisé de voir que si celles-ci passent par les extrema, alors il y a nécessairement des dépassements au
voisinage de ces derniers. Pour ces raisons, on n’insistera pas sur cet objectif pour comparer différents
schémas d’interpolation.
50 Chapitre 1. Décompositions modales empiriques

nombre d’extrema de d1 (t) nombre d’extrema de a1 (t)

700 500

650 linéaire 450 linéaire

600 400

Akima Akima
550 350

500 300
PCHIP
450 250

spline spline
400 200
PCHIP
350 150

300 100
0 1 2 3 0 1 2 3
10 10 10 10 10 10 10 10
nombre d’itérations nombre d’itérations

Figure 1.15 – Nombres d’extrema du premier IMF d1 (t) et de la première approximation a1 (t) en
fonction du nombre d’itérations de tamisage pour différents schémas d’interpolation. Le signal utilisé
pour cette étude est un bruit blanc gaussien suréchantillonné d’un facteur 8 à l’aide d’une interpolation
spline cubique (on obtiendrait des résultats similaires avec l’interpolation PCHIP par exemple). Le
fait d’utiliser un signal suréchantillonné est important pour pouvoir observer les instabilités générées
par les interpolations linéaires par morceaux et Akima.

Si on cherche alors un schéma d’interpolation qui satisfasse les deux exigences de localité et de
régularité, on se heurte au fait que ces deux exigences sont en fait contradictoires : pour obtenir une
interpolation régulière, il est nécessaire que sa valeur sur un intervalle entre deux extrema dépende
au moins de son évolution sur les intervalles voisins. Le plus souvent, cette dépendance aboutit de
proche en proche au fait que la valeur de l’interpolation en un point dépend de tous les points
d’interpolation mais, heureusement, la dépendance décroı̂t avec la distance et tend vers zéro quand
celle-ci tend vers l’infini. Cependant, la vitesse de décroissance de la dépendance en fonction de la
distance peut varier sensiblement d’un schéma d’interpolation à l’autre. Ainsi, si on prend l’exemple
de la famille des splines polynomiales, il n’y a pas de dépendances entre intervalles voisins pour
les splines de degré 0 et 1 (interpolation constante et linéaire par morceaux respectivement) ; aux
ordres supérieurs, la dépendance décroı̂t exponentiellement, croı̂t avec le degré et tend vers 1/n, n
étant la distance exprimée en termes de nombre de nœuds, quand le degré tend vers l’infini [62].
Parallèlement, la régularité des splines polynomiales augmente avec le degré, une spline polynomiale
de degré n étant par définition un polynôme par morceaux de degré au plus n dont les dérivées
successives sont continues jusqu’à l’ordre n − 1.
En pratique, l’interpolation la plus utilisée pour l’EMD est la spline cubique. Celle-ci n’est clai-
rement pas optimale du point de vue de la localité, mais elle semble en revanche particulièrement
bonne du point de vue de la régularité. Pour s’en apercevoir, on peut par exemple s’intéresser à
l’évolution des nombres d’extrema du premier IMF et de la première approximation en fonction du
nombre d’itérations de tamisage utilisées pour les calculer. On observe ainsi Fig. 1.15 que, comparée
à d’autres interpolations cubiques populaires, l’interpolation Akima [2] et l’interpolation PCHIP [22],
la première approximation calculée à l’aide de l’interpolation spline cubique contient nettement moins
d’extrema que les autres. Par ailleurs, on observe aussi que les enveloppes calculées par l’interpola-
5.3. Interpolation 51

1
Akima

−1

−2
2

1
spline

−1

−2
2

1
PCHIP

−1

−2

Figure 1.16 – Premier IMF après 1000 itérations de tamisage pour différents schémas d’interpolation.
Le signal utilisé pour calculer ces IMFs est le même que celui utilisé pour la Fig. 1.15. Le nombre de
1000 itérations est très grand mais permet de bien voir les différences qualitatives entre les différentes
interpolations. En particlier le fait que les enveloppes de l’IMF soient plus lisses avec l’interpolation
PCHIP qu’avec l’interpolation spline est valable pour tous les nombres d’itérations.
52 Chapitre 1. Décompositions modales empiriques

tion spline cubique présentent en général plus d’extrema que celles calculées par les interpolations
Akima et PCHIP. Sur l’exemple Fig. 1.15, les enveloppes supérieures/inférieures présentent pour l’in-
terpolation spline cubique, pour l’interpolation Akima et pour l’interpolation PCHIP respectivement
128/134, 126/122 et 123/121 extrema et leurs moyennes respectivement 138, 145 et 147 extrema. Ceci
montre que le nombre d’extrema des enveloppes n’est pas nécessairement un critère pertinent. En
effet, l’interpolation spline cubique aboutit certes à des enveloppes avec plus d’extrema que les autres
mais la moyenne des enveloppes en contient moins ! L’origine de ce résultat est apparemment le fait
que les extrema dans les enveloppes splines cubiques sont généralement moins piqués (la dérivée se-
conde est localement plus faible) que pour les autres interpolations. Cette propriété est d’ailleurs sans
doute en lien avec la propriété de « minimum de courbure » de l’interpolation spline cubique naturelle
(cas où les dérivées secondes aux extrémités sont nulles), selon laquelle elle constitue l’interpolation
dont la norme L2 de la dérivée seconde est minimale.
Par ailleurs, l’évolution du nombre d’extrema du premier IMF permet d’observer que l’interpola-
tion Akima n’est pas suffisamment régulière pour l’EMD. En effet, le fait que le nombre d’extrema
augmente sans cesse indique une instabilité qu’on peut d’ailleurs observer très directement en regar-
dant l’allure du premier IMF : celui-ci présente de nombreux intervalles où l’amplitude est beaucoup
plus faible qu’ailleurs et où l’IMF ressemble à un bruit discret haute fréquence. En revanche, les évo-
lutions des nombres d’extrema du premier IMF calculé avec l’interpolation spline cubique et PCHIP
sont très proches, ce qui suggère que ces deux méthodes sont suffisamment régulières pour ne pas
introduire (trop) d’extrema parasites. Cette conclusion est d’ailleurs cohérente avec le fait que les
nombres d’extrema des approximations calculées par ces deux interpolations croissent relativement
lentement par rapport aux autres et semblent presque se stabiliser à partir de 100-200 itérations.
Enfin, si on s’intéresse à l’allure des IMFs produits, on observe que la méthode PCHIP, plus locale
et moins régulière que la spline cubique, conduit paradoxalement à des IMFs aux enveloppes plus
régulières. Si on analyse ce résultat en perspective avec la modélisation proposée en 1.1 du chapitre
chapitre 2, tout semble indiquer que l’EMD utilisant l’interpolation PCHIP pourrait être modéli-
sée par un modèle similaire à celui proposé pour l’interpolation spline cubique dans lequel le filtre
équivalent pour un nombre d’itérations donné aurait une fréquence de coupure plus élevée. Malheu-
reusement, l’interpolation PCHIP ne pouvant être mise sous la forme d’un filtrage linéaire quand les
nœuds sont uniformément espacés, le modèle développé en 1.1 du chapitre 2 ne peut être adapté à
cette interpolation.
En dehors des schémas d’interpolation classiques, on peut citer aussi un certain nombre de travaux
réalisés sur la question de l’interpolation qui proposent des méthodes originales optimisées pour
l’EMD :
– Dans [47], les auteurs proposent une méthode nouvelle adaptée de la méthode dite « para-
bolic parameter spline interpolation » communément utilisée pour interpoler des ensembles
quelconques de points du plan. Selon l’article, la nouvelle interpolation permet de réduire les
dépassements observés avec l’interpolation spline cubique tout en gardant un bon niveau de
régularité contrairement à une interpolation comme Akima. Cette amélioration s’accompagne
également d’améliorations sur le spectre de Hilbert–Huang qui présente moins d’artefacts, se-
lon les auteurs. En contrepartie, la méthode n’est pas encore totalement opérationnelle dans
la mesure où elle reste tributaire d’un paramètre de réglage dont la valeur n’est pas établie de
manière définitive.
– Dans une perspective très différente, il a été proposé de calculer les enveloppes à l’aide d’une
approche par équations aux dérivées partielles [15]. Contrairement au cas précédent, l’idée n’est
pas tant de perfectionner l’EMD mais plutôt d’essayer de parvenir à une formulation qui se
prête mieux à une analyse théorique que la formulation standard. En pratique, les enveloppes
sont calculées à l’aide d’équations aux dérivées partielles de la forme

sθ = −g(t)stttt (1.86)
5.3. Interpolation 53

où les indices correspondent aux dérivées partielles et θ est une variable supplémentaire telle
que s(t, θ = 0) corresponde à une condition initiale pour le problème d’estimation de l’enveloppe
et s(t, θ = ∞) à l’estimation finale. Du fait de la dérivée quatrième dans le second membre,
si g(t) est nulle pour un ensemble discret de points {ti , i ∈ I}, alors la solution asymptotique
s(t, θ = ∞) est un polynôme cubique par morceaux sur les intervalles entre les ti . Cette ca-
ractéristique peut être un avantage dans la mesure où un polynôme par morceaux peut être
décrit par un nombre restreint de caractéristiques. En revanche, la forme du second membre en
dérivée quatrième peut aussi être pénalisante si la condition initiale, proposée comme égale au
signal dans l’article, est malencontreusement un polynôme cubique sur un intervalle entre deux
extrema. Par ailleurs, le choix de la valeur de g(t) en dehors des points de contrôle (maxima
ou minima suivant le cas) permet d’ajuster le comportement de l’interpolation. Les auteurs
proposent un choix pour la fonction g(t) qui prend en compte localement les signes des déri-
vées premières et secondes du signal. L’interpolation résultante présente apparemment de très
bonnes caractéristiques. En outre, on peut observer que le choix de la fontion g(t) proposée
fait que l’interpolation utilise de fait plus d’informations que les simples positions des maxima
ou minima, ce qui n’est peut-être pas étranger aux bonnes performances observées. De ma-
nière plus générale, ce constat amène la question de la quantité d’information nécessaire pour
produire des enveloppes satisfaisantes. À ce propos, il est clair que s’il existe une méthode opti-
male (le problème d’optimisation restant à préciser) pour calculer les enveloppes, celle-ci utilise
à coup sûr plus d’informations que les simples positions des extrema. De plus, les enveloppes
optimales ne passent même très probablement pas par ces derniers. En revanche, le fait de se
limiter aux extrema permet de réduire considérablement la complexité de la tâche à accomplir
tout en fournissant des résultats acceptables en général.
– Une dernière approche très récente [36] prend le problème de manière différente : au lieu de
proposer un schéma d’interpolation basé sur un certain nombre de critères préétablis (régularité,
localité, non dépassement,...), les auteurs considèrent initialement un modèle de signal de type
somme de composantes AM-FM
N
X
x(t) = a(t) cos(2πϕi (t)), (1.87)
i=1

et se fixent comme objectif d’extraire la composante dont la fréquence instantanée (dϕi /dt) est
la plus grande. Dans ce but, ils réalisent des optimisations successives, à l’aide d’algorithmes
génétiques, pour dans un premier temps optimiser le choix des points d’interpolation et par
la suite optimiser un polynôme par morceaux s’appuyant sur ces points. Les résultats de leur
étude sur les points d’interpolation suggèrent que les extrema du signal ne sont pas les points
optimaux et qu’ils sont avantageusement remplacés par les extrema de la composante qu’on
souhaite extraire, c’est-à-dire celle dont la fréquence instantanée est localement la plus grande.
En pratique, ce constat ne résoud évidemment rien puisque la composante de plus haute fré-
quence instantanée n’est généralement pas connue initialement. Face à ce problème, les auteurs
ont suggéré plus récemment [35] une méthode permettant d’estimer ces points au sein même du
processus de tamisage qui de plus reste philosophiquement proche de l’EMD originale. La mé-
thode semble encore limitée dans la mesure où il faut un grand nombre d’itérations de tamisage
pour que ses effets apparaissent mais elle ouvre une piste prometteuse. Enfin, les conclusions
de la deuxième partie de l’étude sur l’interpolation optimale [36] sont moins claires : des inter-
polations de type Hermite d’ordre élevé (13) semblent être favorisées mais leurs performances
chutent fortement dès que les points interpolés ne sont pas les points établis comme optimaux
précédemment.
Comme le montrent ces études, la question de l’interpolation et plus généralement de la manière de
définir les enveloppes est cruciale pour l’EMD, dans la mesure où ses propriétés dépendent fortement
54 Chapitre 1. Décompositions modales empiriques

de la technique employée. De plus, comme on le mettra en évidence dans la partie 1.1 du chapitre 2,
les propriétés de résolution fréquentielle de l’EMD évoluent lorsqu’on itère le processus de tamisage,
et la manière dont elles évoluent dépend également de cette technique. Au cours de cette thèse, on
se restreindra à l’interpolation spline cubique parce que c’est la plus utilisée en pratique, l’objectif
étant plus d’améliorer la compréhension de l’EMD que de perfectionner la technique.

5.4 Problèmes liés à l’échantillonnage

L’EMD est pratiquement toujours présentée dans un contexte de temps-continu, c’est-à-dire que
les signaux sont généralement considérés comme des fonctions d’une variable de temps continue. En
pratique cependant, l’EMD est presque exclusivement implantée en temps discret, c’est à dire que les
signaux analysés sont échantillonnés ainsi que les IMFs obtenus en sortie. Il en découle que lorsqu’on
veut réaliser l’EMD d’un signal défini à temps continu, on n’a d’autre choix que de le discrétiser avant
de lui appliquer l’EMD. Or, si aucune précaution n’est prise lors de la discrétisation, celle-ci a un effet
a priori non nul sur la sortie de l’algorithme. Dans un premier temps, on s’intéresse au cas très simple
d’une sinusoı̈de et on étudie comment l’échantillonnage modifie son EMD. Par la suite, on propose
une modélisation plus poussée des effets d’échantillonnage permettant d’aboutir dans un cadre plus
général à une borne sur l’amplitude des effets d’échantillonnage pour une itération de tamisage.

5.4.1 Effets d’échantillonnage sur l’EMD d’une sinusoı̈de

Soit x(t) le signal à temps continu 5 :
x(t) = cos 2πt, t∈R (1.88)
x(t) est clairement un IMF. Dans un contexte de temps continu, on s’attend donc à ce que l’EMD
de x(t) ne fournisse qu’un seul IMF égal à x(t) et pas de résidu. En pratique, il se trouve que si on
discrétise x(t) et qu’on lui applique l’EMD à temps discret, il est rare qu’on obtienne effectivement
un seul IMF égal au signal discrétisé. À l’origine, ceci provient du fait que lorsqu’on discrétise x(t),
on perd généralement la position et la valeur du signal à ses extrema et les positions et valeurs des
extrema du signal discret sont donc généralement différentes de celles du signal à temps continu.

[Link] Simulations Pour évaluer l’influence de l’échantillonnage dans le cas d’une sinusoı̈de, on
introduit les versions échantillonnées de x(t) :
   
n 2π
xfe ,ϕ [n] = x + ϕ = cos n + 2πϕ , n ∈ Z, (1.89)
fe fe
avec fe ≥ 2 la fréquence d’échantillonnage et ϕ la phase associée. Étant donné que x(t) est un IMF,
on peut évaluer l’influence de l’échantillonnage par l’écart entre xfe ,ϕ [n] et le premier IMF de sa
décomposition dfe ,ϕ [n] :
N
X
1
e(fe , ϕ) = lim |xfe ,ϕ [n] − dfe ,ϕ [n]| . (1.90)
N →∞ 2N + 1
n=−N

Le nombre d’itérations de tamisage utilisé pour calculer l’EMD de xfe ,ϕ [n] n’est pas précisé explici-
tement ici dans la mesure où les modèles développés par la suite sont valables dès lors que celui-ci est
non nul. On utilisera également une version de cet écart moyenné par rapport à la phase, assimilée
à une variable aléatoire uniforme sur [0, 1] :
Z 1
ē(fe ) = Eϕ {e(fe , ϕ)} = e(fe , ϕ)dϕ. (1.91)
0

5. On considère le signal défini sur une durée infinie de manière à ne pas se soucier d’éventuels effets de bords.
5.4. Problèmes liés à l’échantillonnage 55

1 itération 10 itérations
0

−2
log2 e(fe , ϕ)

−4

−6

−8

−10

−12
0

−2
log2 ē(fe )

−4

−6

−8

−10

−12
1 2 3 4 5 6 1 2 3 4 5 6
log2 fe log2 fe

Figure 1.17 – Écart entre le premier IMF et le signal sinusoı̈dal pour 1 (à gauche) et 10 (à droite)
itérations de tamisage. En haut, l’écart maximum et minimum (par rapport à la phase) en fonction
de fe . La courbe en trait plein au dessus correspond à la majoration π 2 /(4fe2 ) ; la courbe en tirets à
la majoration (1 − cos(π/fe ))/2. En bas, l’écart moyenné par rapport à la phase ē(fe ). La courbe en
tirets correspond à l’approximation (1.111).

Les évolutions de e(fe , ϕ) et ē(fe ) en fonction de fe sont représentées Fig. 1.17 pour des nombres
d’itérations de tamisage fixés à l’avance et Fig. 1.18 pour des nombres d’itérations déterminés au
cours du processus de tamisage par le critère « local » (cf 5.2). Ces évolutions présentent quatre
caractéristiques remarquables :
1. e(fe , ϕ) et ē(fe ) sont bornés par une fonction proportionnelle à fe−2 .
2. e(fe , ϕ) et ē(fe ) s’annulent pour fe = 2k avec k ∈ N. e (fe , ϕ = 1/(2fe )) s’annule aussi pour
fe = 2k + 1.
3. dans les cas où le nombre d’itérations est fixé à l’avance, les comportements de e(fe , ϕ) et ē(fe )
pour 2k ≤ fe ≤ 2k + 2 sont quasi-indépendants de k à renormalisation près.
4. dans les cas où le nombre d’itérations est déterminé au cours du processus de tamisage, l’écart
s’annule pour fe supérieure à une certaine limite.

[Link] Borne de l’écart On se propose de justifier le résultat suivant :

 
1 π π2
e(fe , ϕ) ≤ 1 − cos ≤ 2, (1.92)
2 fe 4fe
la première inégalité étant une égalité pour ϕ = 0 et fe = 2k + 1, k ∈ N.
Pour ce faire, nous allons utiliser les deux approximations suivantes :
1. la valeur de l’enveloppe supérieure est comprise entre le plus petit maximum et 1. Similairement,
celle de l’enveloppe inférieure est comprise entre -1 et le plus grand minimum.
2. le premier IMF est calculé en une seule itération de tamisage.
La première approximation nous permet d’encadrer les valeurs des enveloppes par les valeurs extrêmes
des maxima et minima. Dans le cas d’une interpolation spline cubique, cette approximation est très
56 Chapitre 1. Décompositions modales empiriques

ǫ = 0.1 ǫ = 0.01
0

−2
log2 e(fe , ϕ)

−4

−6

−8

−10

−12
0

−2

−4
log2 ē(fe )

−6

−8

−10

−12
25
nb d’itérations moyen

20

15

10

0
1 2 3 4 5 6 1 2 3 4 5 6
log2 fe log2 fe

Figure 1.18 – Écart entre le premier IMF et le signal sinusoı̈dal lorsque le nombre d’itérations de
tamisage est adapté selon le critère « local » (cf 5.2). Dans le cas de signaux sinusoı̈daux, il n’y a
pas d’inconvénient à utiliser un paramètre de tolérance α = 0, ce qui permet de ramener le critère
d’arrêt au seul paramètre ǫ. Les colonnes de gauche et de droite correspondent à deux paramètres
ǫ différents, 0.1 et 0.01 respectivement. En haut, l’écart maximum et minimum (par rapport à la
phase) en fonction de fe . La courbe en trait plein au dessus correspond à la majoration π 2 /(4fe2 ) ;
la courbe en tirets à la majoration (1 − cos(π/fe ))/2. Au milieu, l’écart moyenné par rapport à la
phase ē(fe ). La courbe en tirets correspond à l’approximation (1.111). En bas les nombres moyens
d’itérations de tamisage effectuées.
5.4. Problèmes liés à l’échantillonnage 57

discutable dans le cas général mais il se trouve qu’elle est raisonnablement bien vérifiée dans le
cas particulier des sinusoı̈des. On peut par ailleurs signaler que s’il s’agit bien d’une approximation
dans le cas d’une interpolation spline cubique, ce n’est pas nécessairement le cas pour tout schéma
d’interpolation. Pour une interpolation linéaire par morceaux par exemple, elle serait exacte.
La deuxième approximation est un peu plus discutable dans la mesure où il faut généralement
plus d’une itération de tamisage pour obtenir un IMF dont les enveloppes sont « bien symétriques ».
Cependant, dans le cas d’une simple sinusoı̈de, la première itération est toujours la plus importante
et l’effet des itérations suivantes est moins important même si elles sont nombreuses. Ce résultat est
valable pour une simple sinusoı̈de parce qu’aucun extremum n’apparait au cours du processus de
tamisage. Dans des cas plus compliqués, il est fréquent que des extrema apparaissent au cours du
processus de tamisage auquel cas les itérations suivant ces apparitions peuvent avoir des effets aussi
importants que la toute première itération.
Partant de ces deux approximations, le résultat (1.92) s’obtient de la manière suivante. En utilisant
la deuxième hypothèse, on obtient que la différence entre xfe ,ϕ [n] et dfe ,ϕ [n] n’est autre que la moyenne
des enveloppes de xfe ,ϕ [n]
emax [n] + emin [n]
mfe ,ϕ [n] = . (1.93)
2
Si on considère l’une de ces enveloppes, par exemple l’enveloppe supérieure, la première hypothèse
permet d’encadrer sa valeur par
α(fe ) ≤ emax [n] ≤ 1, (1.94)

où α(fe ) est la borne inférieure des valeurs des maxima de xfe ,ϕ [n] pour ϕ quelconque. Symétrique-
ment, on a les inégalités inverses pour l’enveloppe inférieure

− 1 ≤ emin [n] ≤ −α(fe ). (1.95)

La valeur de α(fe ) s’obtient en considérant le cas particulier où 2 points d’échantillonnage consécutifs
sont placés symétriquement par rapport à un extremum de x(t) : l’écart entre ces deux points étant
la période d’échantillonnage, quelle que soit la valeur de ϕ, il y a toujours un point d’échantillonnage
entre ces deux points. Par conséquent, la valeur de x(t) en ces deux points fournit la borne inférieure
recherchée : α(fe ) = cos(π/fe ), qui est positive si fe ≥ 2. De là, on obtient

|emax [n]| − |emin [n]|

|mfe ,ϕ [n]| = (1.96)
2
1−α
≤ , (1.97)
2 
1 π
≤ 1 − cos . (1.98)
2 fe

La deuxième partie du résultat (1.92) découle alors de la formule classique « cos u ≥ 1 − u2 /2 ».

Dans le cas où fe = 2k + 1, k ∈ N et ϕ = 0, tous les maxima de xfe ,ϕ [n] valent 1 et tous les
minima − cos(π/fe ). Il en découle que la première inégalité de (1.92) est dans ce cas une égalité et
la borne est donc atteinte.
Enfin, dans le cas où le nombre d’itérations est déterminé au cours du processus de tamisage par
le critère « local », cette borne permet d’évaluer à partir de quelle fréquence d’échantillonnage, le
signal sinusoı̈dal est considéré comme étant déjà un IMF par l’algorithme. Dans le cas de signaux
sinusoı̈daux, on peut considérer que l’écart entre les enveloppes |U (t) − L(t)| vaut approximativement
2, ce qui permet d’exprimer le critère sous la forme

|mfe ,ϕ | < ǫ. (1.99)

58 Chapitre 1. Décompositions modales empiriques

On en déduit donc la condition suffisante : si

π2
< ǫ, (1.100)
4fe2

i.e.
π
fe > √ , (1.101)
2 ǫ
alors le signal sinusoı̈dal est considéré comme étant déjà un IMF par l’algorithme. Dans le cas de la
figure Fig. 1.18, on obtient ainsi que le nombre d’itérations est nul dès que fe > 5.0 pour ǫ = 0.1 et
fe > 15.7 pour ǫ = 0.01.

[Link] Estimation de l’erreur moyenne À partir des deux hypothèses utilisées pour obtenir
la borne précédente, on propose un modèle plus perfectionné permettant de retrouver l’ordre de
grandeur de ē(fe ), notamment le fait que ē(fe ) s’annule pour les fréquences fe = 2k, k ∈ N.
Sachant que ϕ est uniformément distribuée sur [0, 1], le processus xfe ,ϕ [n] est stationnaire à tout
ordre. En supposant les signaux de durée infinie, de manière à ignorer les effets de bords, et en
utilisant le fait que l’EMD est covariante par rapport aux décalages temporels, on peut montrer que
les IMFs et approximations issus de xfe ,ϕ [n] sont également stationnaires à tout ordre.
De manière générale, si x(t), t ∈ R est un processus stationnaire à tout ordre, x(t) et le processus
translaté défini par ∀t ∈ R, xτ (t) = x(t − τ ) sont identiques en distribution :
d
{x(t), t ∈ R} = {xτ (t), t ∈ R} , (1.102)

et donc le k e IMF dk [xτ ](t) vérifie

d d d
{dk [x](t), t ∈ R} = {dk [xτ ](t), t ∈ R} = {(dk [x])τ (t), t ∈ R} = {dk [x](t − τ ), t ∈ R} , (1.103)

où on a utilisé le fait que l’EMD commute avec les translations temporelles. En revanche, l’EMD étant
non linéaire, si x(t) n’est pas stationnaire à tout ordre, on ne peut rien conclure sur la stationnarité
de ses IMFs à aucun ordre.
xfe ,ϕ [n] et le premier IMF dfe ,ϕ [n] étant stationnaires, on en déduit que pour tout n,

ē(fe ) = Eϕ {|xfe ,ϕ [n] − dfe ,ϕ [n]|}, (1.104)

et donc en utilisant la deuxième hypothèse

 
|emax [n] + emin [n]|
ē(fe ) = Eϕ {|mfe ,ϕ [n]|} = Eϕ . (1.105)
2

L’étape suivante est d’estimer la valeur de la moyenne des enveloppes. Dans ce but, on fait l’approxi-
mation que la valeur d’une enveloppe est égale à celle de l’extremum le plus proche :
 
2π
emax/min [n] ≈ cos n + 2πϕ , (1.106)
fe max/min

où nmax/min correspond à l’extremum (maximum pour l’enveloppe supérieure, minimum pour l’en-
veloppe inférieure) le plus proche de n. De là, sachant que tout point n se trouve toujours entre
un maximum et un minimum, le problème se ramène à l’étude des relations entre par exemple un
maximum et le minimum suivant. Si on considère un maximum en n = nmax , la phase vérifie
 
nmax 1 1
∃k ∈ Z, ϕmax = +ϕ−k ∈ − , . (1.107)
fe 2fe 2fe
5.4. Problèmes liés à l’échantillonnage 59

Par conséquent, si on suppose que nmax est la position d’un maximum, la phase ϕmax en nmax est
uniformément distribuée sur [−1/(2fe ), 1/(2fe )]. Soit alors ñ tel que la position du minimum suivant
directement soit nmax + ñ. D’après le raisonnement qu’on vient de proposer, on a alors
  
1 2πñ(ψ)
ē(fe ) ≈ Eϕ {|mfe ,ϕ [n]|} ≈ Eψ cos ψ + cos +ψ , (1.108)
2 fe

où ψ est distribuée uniformément dans [−π/fe , π/fe ]. Si on note K la partie entière de fe /2, K =
⌊fe /2⌋ et ψ̃ = π − (2K + 1)π/fe , on peut calculer ñ(ψ) :
(
K si ψ > ψ̃,
ñ(ψ) = (1.109)
K + 1 si ψ < ψ̃.

Si on remplace maintenant ñ(ψ) dans (1.108), on obtient :

Z π/fe  
fe 2πñ(ψ)
Eϕ {|mfe ,ϕ |} ≈ cos ψ + cos + ψ dψ,
4π −π/fe fe
"Z  
π/fe
fe 2πK
≈ cos ψ + cos + ψ dψ
4π ψ̃ fe
Z ψ̃   #
2π(K + 1)
+ cos ψ + cos + ψ dψ .
−π/fe fe

Le calcul mène finalement à

         
fe Kπ (K + 1)π (K + 1)π Kπ
ē(fe ) ≈ cos 1 − sin + cos sin −1 . (1.110)
π fe fe fe fe

Enfin, cette formule peut encore être simplifiée si l’on utilise les approximations classiques « sin u ≈
u » et « 1 − cos u ≈ u2 /2 » valables quand u → 0. Si on suppose π/fe ≪ 1, il s’en suit que
|π/2 − Kπ/fe | ≪ 1 également et donc, (1.110) se simplifie en

π2
ē(fe ) ≈ (2(K + 1) − fe )(fe − 2K). (1.111)
8fe2

Finalement, on obtient donc un modèle parabolique sur chaque intervalle [2k, 2(k + 1)], k ∈ N qui
permet de retrouver à la fois le fait que l’écart s’annule pour les fréquences d’échantillonnage égales
à des entiers pairs et la décroissance globale en fe−2 mise en évidence dans le préfacteur.
De plus, on remarque que le modèle (1.110) est exact pour les fréquences d’échantillonnage entières
puisque pour ces fréquences, tous les maxima et tous les minima sont égaux et donc les enveloppes
sont effectivement égales à la valeur du maximum ou minimum le plus proche.

5.4.2 Généralisation à une itération de tamisage pour un signal quelconque

On se propose d’élargir les modèles précédents à un cadre beaucoup plus général englobant une
très grande partie des signaux oscillants. Dans ce but, il nous faut d’abord déterminer des conditions
minimales sur la fréquence d’échantillonnage d’un signal à temps continu pour pouvoir lui appliquer
l’EMD avec un minimum de garanties. Dans la mesure où l’EMD s’appuie sur les extrema locaux du
signal pour analyser les différentes échelles de temps qui le composent, il semble important que tous
les extrema locaux du signal continu aient une contrepartie dans sa version discrétisée. En effet, si
un extremum est perdu lors de l’échantillonnage, c’est en fait généralement une paire d’extrema qui
est perdue et donc une échelle de temps à un certain endroit. Dans le cas général, pour une fréquence
60 Chapitre 1. Décompositions modales empiriques

d’échantillonnage fe donnée, il est difficile d’assurer que, pour toute phase d’échantillonnage, tous les
extrema du signal continu ont une contrepartie à temps discret. Par exemple dans un cas extrême
comme celui du signal


1 si t ∈ Z,
x(t) = −1 si t + 12 ∈ Z, (1.112)


0 sinon,
il est aisé de voir que les seuls couples (fe , ϕ) tels que x(n/fe + ϕ) conserve tous les extrema de x(t)
sont ceux de la forme (fe = 2k, ϕ = k ′ /(2k)), k, k ′ ∈ N. En revanche, si l’on impose que
1. les intervalles où x(t) est constant sont au plus de longueur ∆
2. l’écart entre deux extrema de x(t) est supérieur à 2∆
alors x(n/fe +ϕ) conserve tous les extrema de x(t) dès lors que fe > 1/∆. En effet, dans ces conditions,
on est sûr qu’entre deux extrema successifs de x(t), il y a au moins deux points d’échantillonnage et
que de plus, ces deux points n’ont pas la même ordonnée, ce qui permet de repérer le « signe de la
dérivée » ou plutôt le sens croissant ou décroissant. Ainsi, si on considère un maximum de x(t) en
t0 entouré de deux minima en t1 et t−1 , le signal échantillonné x(n/fe + ϕ) a une dérivée (discrète)
strictement positive en au moins un point dans l’intervalle [t−1 , t0 ] et strictement négative en au
moins un point de [t0 , t1 ]. On en déduit que le signal discret présente nécessairement un maximum
sur [t−1 , t1 ].
Remarque : Les conditions sur l’écart entre deux extrema et sur la longueur des intervalles constants
considérées ici pour déterminer la fréquence d’échantillonnage minimale sont totalement indépen-
dantes du classique critère de Shannon selon lequel un signal est correctement échantillonné s’il est
à bande limité et que la fréquence d’échantillonnage est supérieure à la largeur de la bande. En effet
un signal à bande limité peut avoir des extrema arbitrairement proches quelle que soit la largeur √ de
la bande. Par exemple, t 7→ (1 − ǫ) sin ǫf t − ǫ sin f t présente deux extrema aux environs de ± 2ǫ/f
lorsque ǫ ≪ 1.
Étant donné un signal x(t) dont l’écart entre les extrema est supérieur à 2∆ et dont la longueur
des intervalles constants est inférieure à ∆, on définit ses versions échantillonnées
 
n
xfe ,ϕ [n] = x + ϕ , n ∈ Z, (1.113)
fe

avec fe > 1/∆ pour assurer qu’aucun extremum ne disparait au cours de l’échantillonnage. Si on
reprend le raisonnement qui a été développé pour modéliser les effets d’échantillonnages sur les
signaux sinusoı̈daux, on s’est basé sur deux hypothèses. Parmi celles-ci, la deuxième selon laquelle on
peut considérer que le premier IMF est obtenu à l’aide d’une seule itération de tamisage s’est révélée
une bonne approximation pour le cas des signaux sinusoı̈daux mais elle devient très mauvaise dans
le cas général. En effet, des extrema peuvent apparaı̂tre au cours du processus de tamisage et les
itérations suivant ces apparitions peuvent avoir des effets aussi importants que la première, ce qui
oblige à prendre en compte toutes les itérations de tamisage. Malheureusement, ceci présente deux
inconvénients majeurs pour l’analyse des effets d’échantillonnage :
1. De manière générale, le nombre d’itérations nécessaire à l’extraction d’un IMF n’est pas connu a
priori mais déterminé au cours du processus de tamisage. Il en résulte que ce nombre d’itérations
dépend en général des paramètres de l’échantillonnage fe et ϕ.
2. Si pour un couple (fe , ϕ) donné, une paire d’extrema apparait à une certaine itération de
tamisage, il n’y a aucune garantie qu’une paire d’extrema similaire apparaisse pour un autre
couple (fe , ϕ) à une quelconque itération du processus de tamisage.
Face à ces difficultés, on voit que le cadre du modèle développé précédemment est insuffisant pour
appréhender pleinement les effets d’échantillonnage. En revanche, il permet a priori d’étudier les effets
d’échantillonnage sur une seule itération de tamisage, ce à quoi on se restreindra par la suite.
5.4. Problèmes liés à l’échantillonnage 61

(1)
∆ ord.

(0)
∆ ord.

(0)
2∆ abs.
(1)
2∆ abs.

t0 t1

Figure 1.19 – Pour chacun des maxima, les rectangles en tirets délimitent les zones où sont situés les
maxima correspondants dans le signal échantillonné. La ligne épaisse rouge reliant les deux maxima
est l’enveloppe calculée à partir des extrema du signal continu dans l’approximation linéaire par
morceaux. Les lignes en tirets-points délimitent la zone où peut se trouver l’interpolation calculée
à partir des extrema du signal échantillonné. Enfin, la ligne épaisse en tirets-points correspond au
scénario aboutissant à l’écart le plus important.

[Link] Détection d’extrema Considérons un maximum de x(t) situé en t0 . Les conditions

sur x(t) permettent d’assurer que si fe > 1/∆, alors xfe ,ϕ [n] présente un maximum en n0 tel que
|n0 /fe + ϕ − t0 | < 1/fe , c’est-à-dire que soit le point d’échantillonnage immédiatement après t0 soit
celui immédiatement avant correspond à un maximum du signal échantillonné. Plus précisément, on
peut définir l’indice de l’extremum dans le signal échantillonné comme l’unique indice (ou à la rigueur
l’un des deux indices) n tel que n/fe + ϕ ∈ [t0 − a, t0 + b] avec a, b > 0 tels que a + b = 1/fe et
x(t0 − a) = x(t0 + b). On peut donc définir une incertitude en abscisse pour la position du maximum
dans le signal échantillonné
(0)
∆abs. = max{a, b}. (1.114)
L’incertitude en ordonnée correspondante vaut alors
(0)
∆ord. = |x(t0 ) − x(t0 − a)| = |x(t0 ) − x(t0 + b)| (1.115)
(0) (0)
= min{|x(t0 ) − x(t0 + ∆abs. )|, |x(t0 ) − x(t0 − ∆abs. )|}. (1.116)

[Link] Répercussions sur une itération de tamisage Connaissant les incertitudes sur les
positions des extrema, on s’intéresse maintenant à leurs répercussions sur les enveloppes. Dans ce but,
il faudrait théoriquement calculer l’impact de ces incertitudes sur la valeur de l’interpolation en tout
point du signal. En pratique, le problème est bien souvent inextricable dans la mesure où la valeur
d’une interpolation en un point dépend bien souvent de tous les points d’interpolation. C’est le cas
notamment de la plupart des schémas d’interpolation qui garantissent un certain niveau de régularité
comme les splines d’ordre supérieur ou égal à 2. Devant cette difficulté, on propose d’approcher les
effets d’échantillonnage en considérant le cas d’une interpolation linéaire par morceaux, qui présente
l’avantage de ne dépendre localement que de deux points d’échantillonnage. En pratique, il semble
que cette approximation soit en fait très raisonnable, les incertitudes obtenues étant en bon accord
avec les observations.
Pour modéliser l’incertitude sur les enveloppes, on considère deux maxima successifs de x(t) en
(t0 , x(t0 )) et (t1 , x(t1 )). Les maxima correspondants dans le signal échantillonné sont situés dans les
62 Chapitre 1. Décompositions modales empiriques

(i) (i) (i)

boı̂tes rectangulaires {[ti − ∆abs. , ti + ∆abs. ] × [x(ti ) − ∆ord. , x(ti )]; i = 0, 1} (cf Fig. 1.19). Grâce à la
figure, on peut voir que l’écart le plus important correspond dans le cas général au cas de la ligne
tirets-points épaisse sur la figure. Si on intègre cet écart entre t0 et t1 , on obtient alors une borne de
l’écart dû à l’échantillonnage sur [t0 , t1 ] pour l’enveloppe supérieure
Z t1 (0) (1) (1) (0) (1) (0)
(t1 − t0 )(∆ord. + ∆ord. ) |x(t1 ) − x(t0 ) − ∆ord. + ∆ord. |(∆abs. + ∆abs. )
|δemax (t)|dt ≤ + (t1 − t0 ) (1) (0)
,
t0 2 2(t1 − t0 − |∆abs. − ∆abs. |)
(1.117)
qu’on peut découper grossièrement pour aboutir à la borne moins stricte :

Z t1 (0) (1) (1) (0)

∆ + ∆ord. ∆ + ∆abs.
|δemax (t)|dt ≤ (t1 − t0 ) · ord. + |x(t1 ) − x(t0 )| · abs.
t0 2 2
(1) (0) (1) (0)
t1 − t0 ∆abs. + ∆abs. (1) (0) |∆abs. − ∆abs. |
+ (1) (0)
· · |∆ ord. − ∆ ord. | + (1) (0)
· |x(t1 ) − x(t0 )|,
t1 − t0 − |∆abs. − ∆abs. | 2 t1 − t0 − |∆abs. − ∆abs. |
(1.118)

Dans cette dernière formule, les deux premiers termes sont généralement les plus importants. Le
premier rend compte de l’incertitude en ordonnée de l’interpolation directement due à l’incertitude
en ordonnée des extrema. Le second dépend, lui, des positions relatives des extrema successifs :
son importance dépend donc de celle des variations en ordonnée des extrema du signal continu. Le
troisième terme correspondant à l’écart généré par la différence des incertitudes en ordonnée des deux
extrema est généralement plus faible que les deux premiers, sauf éventuellement pour des fréquences
d’échantillonnage à peine au dessus de la limite 1/∆ (voire en dessous comme dans le cas de la figure
Fig. 1.19). Enfin, le dernier terme est généralement beaucoup plus faible, d’une part parce qu’il est
proportionnel à la différence entre les incertitues en abscisse et d’autre part parce que celles-ci sont
inférieures au quart de t1 − t0 pour fe = 1/∆ et encore plus petites sinon.
Finalement, si on calcule la borne (1.117) ou (1.118) sur tous les intervalles entre deux maxima on
obtient une borne des effets d’échantillonnages moyens pour l’enveloppe supérieure. La même opéra-
tion sur l’enveloppe inférieure permet d’aboutir finalement à une borne sur les effets d’échantillonnage
moyens pour la moyenne des enveloppes qui est simplement la moyenne des deux bornes obtenues
pour les deux enveloppes. Enfin, cette borne sur les effets d’échantillonnage pour la moyenne des
enveloppes constitue également une borne des effets d’échantillonnage sur une itération de tamisage.

[Link] Estimation des paramètres à partir du signal Étant donné un signal continu x(t)
le calcul des bornes (1.117) ou (1.118) requiert un petit nombre de paramètres faciles à calculer à
(i) (i)
partir du signal : les positions des extrema (ti , x(ti )) et les incertitudes ∆abs. et ∆ord. correspondantes.
Cependant, si on ne dispose que d’une version échantillonnée du signal, on manque d’informations
pour déterminer tous ces paramètres. Les positions des extrema peuvent être estimées par leurs
positions dans le signal discret : t̂i = ni /fe + ϕ et x̂i = xfe ,ϕ (ni ), où ni est l’indice du ie extremum
du signal discret. Pour ces estimations, on remarque que les positions des extrema en abscisse sont
évaluées avec une précision de l’ordre de 1/fe . Ceci a malheureusement comme conséquence qu’il est
(i)
impossible d’estimer correctement les incertitudes en abscisse ∆abs. ∈ [1/(2fe ), 1/fe ] à partir du signal
discret, ce qui impose d’utiliser la valeur maximale 1/fe pour calculer la borne, à moins d’avoir d’avoir
plus d’informations sur le comportement du signal continu autour de ses extrema. Les incertitudes
en ordonnée posent un problème similaire mais on peut les estimer si on peut faire l’hypothèse que
le signal est au moins deux fois continuement dérivable autour de ses extrema. Dans ce cas, un
développement de Taylor au voisinage des extrema suggère un comportement localement proche de
(i)
x(t) − x(ti ) ≈ 0.5(t − ti )2 x′′ (ti ) qui mène à une évaluation de l’incertitude en ordonnée ∆ord. ≈
5.4. Problèmes liés à l’échantillonnage 63

0.5|x′′ (ti )|/fe2 . Enfin, les dérivées secondes peuvent être estimées par des méthodes de différences
finies au niveau des extrema du signal échantillonné x′′i ≈ x′′ (ti ). Si on utilise ces valeurs dans la
borne (1.118), on aboutit alors à une estimation de l’écart maximal engendré par l’échantillonage sur
une itération de tamisage sur l’intervalle [ti , ti+1 ] :
Z ti+1 (t̂i+1 − t̂i )|x̂′′i + x̂′′i+1 | |x̂i+1 − x̂i | |x̂′′i+1 − x̂′′i |
|δemax (t)|dt ≤ + + . (1.119)
ti 4fe2 fe 2fe3

Finalement, ceci mène à la borne sur la norme L1 de l’écart du à l’échantillonnage sur une itération
de tamisage :
λ µ ν
kδSxk1 ≤ + 2 + 3, (1.120)
fe fe fe
avec
!
1 X m X
λ= x̂i+1 − x̂m i + x̂M
i+1 − x̂i
M
, (1.121)
2
i i
!
1 X m
X

µ= t̂i+1 − t̂m
i x̂m′′
i + x̂m′′
i+1 + t̂M M
i+1 − t̂i x̂M
i
′′
+ x̂M ′′
i+1 , (1.122)
8
i i
1 X m′′
ν= x̂i+1 − x̂m′′
i + x̂M ′′
i+1 − x̂i
M ′′
, (1.123)
4
i

où les exposants m et M se rapportent aux minima et aux maxima respectivement. L’intégration
pour la norme L1 dans (1.120) est faite sur la durée entre le second et l’avant dernier extremum de
manière à être toujours entre deux maxima et entre deux minima. Pour des signaux comportant de
nombreux extrema jusqu’à proximité des bords, on approximera cette durée par la durée totale du
signal.
Remarque : Dans le cas sinusoı̈dal, on avait abouti à une borne proportionnelle à fe−2 . La nouvelle
borne obtenue ici (1.120) généralise ce résultat, puisque dans le cas sinusoı̈dal les paramètres λ et
ν sont nuls. En revanche, le paramètre µ calculé selon (1.122) pour un signal sinusoı̈dal est 8 fois
plus grand que ce qu’on avait calculé précédemment (1.92). Cette différence a deux origines. D’une
part, le signal sinusoı̈dal est parfaitement symétrique autour de ses extrema : ceci permet de réduire
∆abs. à 1/(2fe ) et les paramètres λ, µ et ν à λ′ = λ/2, µ′ = µ/4 et ν ′ = ν/8. D’autre part, les écarts
générés par l’enveloppe supérieure et l’enveloppe inférieure se compensent partiellement en général,
ce qui permet de réduire la borne encore de moitié dans le cas sinusoı̈dal.

[Link] Confrontation avec l’expérience Pour évaluer la validité de la borne (1.120) sur une
itération de tamisage, il nous faut pouvoir comparer le résultat d’une itération de tamisage réalisée à
temps continu sur un signal à temps continu avec celui d’une itération de tamisage réalisée à temps
discret sur une version échantillonnée du signal. Dans ce but, on a réalisé une série de simulations
basées sur un modèle de signal polynomial par morceaux. Comme on peut aisément calculer les
extrema d’un polynôme de degré inférieur ou égal à 4, il est tout à fait possible de calculer une EMD
à temps continu pour un signal polynomial par morceaux dont le degré est inférieur ou égal à 4. De
là, la procédure d’évaluation est la suivante :
1. synthétiser un signal polynomial par morceaux x(t), t ∈ [0, L] tel que la distance minimale
entre deux extrema soit supérieure à 2. T est choisi suffisamment grand pour pouvoir négliger
les effets de bords. Le modèle de signal utilisé est constitué d’extrema dont les positions ti sont
générées aléatoirement avec des temps d’attente aléatoires selon une variable exponentielle de
moyenne 1 à laquelle on ajoute 2 pour être sûr d’avoir un écart supérieur à 2. Pour les valeurs
aux extrema, on génère un bruit discret essentiellement haute fréquence b[i] (le modèle utilisé
64 Chapitre 1. Décompositions modales empiriques

est quelque peu alambiqué mais il semble que les résultats ne dépendent en pratique que peu
de ce dernier.) et on définit x(ti ) = b[i]. Enfin, le signal x(t) est défini entre les extrema par
interpolation selon le schéma d’interpolation cubique pchip de Matlab 6 . Par construction, le
signal n’a presque sûrement pas d’intervalles où il est constant.
2. appliquer l’opérateur de tamisage continu à x(t) : d∞ (t) = (Sx)(t)
3. définir les versions échantillonnées xfe ,ϕ [n] = x(n/fe + ϕ) avec 0 ≤ n ≤ N (fe ) = ⌊T fe ⌋ − 1 et
0 ≤ ϕ ≤ 1/fe .
4. pour chaque couple (fe , ϕ),
(a) estimer la borne (1.120) : b(fe , ϕ)
(b) appliquer une itération de tamisage discret à chacune des versions échantillonnées : dfe ,ϕ [n] =
(Sxfe ,ϕ )[n].
(c) calculer l’écart au continu :

N (fe )
X  
1 n
e(fe , ϕ) ≡ dfe ,ϕ [n] − d∞ +ϕ . (1.124)
N (fe ) + 1 fe
n=0

Des résultats de ces simulations sont proposés Fig. 1.20 pour deux exemples représentatifs. De manière
générale, on observe que le comportement de la borne en fonction de la fréquence d’échantillonnage
présente deux régimes : pour les faibles valeurs de fe , elle se comporte comme fe−2 alors que pour les
grandes valeurs, elle se comporte comme fe−1 . Cependant, étant donné que le paramètre λ peut être nul
si tous les maxima et tous les minima ont la même ordonnée, c’est à dire si le signal s’apparente à une
modulation de fréquence, la borne peut se comporter comme fe−2 même pour les grandes fréquences
d’échantillonnage (cf Fig. 1.20 (a)). L’écart au continu présente également les deux régimes en général
mais il arrive que le régime en fe−2 n’apparaisse pas pour les fréquences d’échantillonnage fe > 1/∆,
contrairement au cas de la borne (1.120). De plus, lorsque les deux régimes sont présents pour la
borne et pour l’écart au continu mesuré, il est rare que les fréquences de coupures séparant les deux
régimes soient les mêmes. Enfin, le comportement en fe−3 auquel on pourrait s’attendre pour les
petites valeurs de fe n’a jamais été observé.
Quantitativement, on observe que la borne est toujours de très loin supérieure à l’écart au continu
mesuré en pratique : aux environs de 12 dB au dessus dans la partie fe−1 et 25 dB dans la partie
fe−2 . Ceci est en fait normal a priori puisque la borne est établie en considérant le scénario menant
à l’écart le plus important partout alors qu’en pratique, on observe plutôt un écart moyen. Pour
évaluer plus précisément l’adéquation entre le modèle et la réalité, on peut au lieu de calculer une
borne calculer plutôt l’écart engendré en moyenne par les effets d’échantillonnage. Dans ce but, on
définit les versions moyennes des écarts en abscisse et ordonnée :

∀i, ¯ (i) = Eϕ {|ti − (ni fe + ϕ)|},

∆ abs.
¯ (i) = Eϕ {|x(ti ) − xf ,ϕ [ni ]|},
∆ ord. e

où pour estimer l’écart moyen, on moyenne simplement par rapport à la phase de l’échantillonnage ϕ
sans tenir compte des dépendances entre les différents extrema. Pour estimer ces quantités, on peut
à nouveau faire appel à l’approximation parabolique autour des extrema, ce qui fournit
(i)
¯ (i) = ∆abs. ,
∆ abs. 2
(i)
¯ (i) = ∆ord. .
∆ ord. 3
6. Le signal obtenu n’est pas nécessairement deux fois dérivable à ses extrema mais il est suffisamment régulier pour
que ça ne pose pas de problème.
5.4. Problèmes liés à l’échantillonnage 65

0
(a) (b)

−20

−40
e(fe , ϕ) – dB

−60

−80

−100

−120
0 0.5 1 1.5 2 0 0.5 1 1.5 2
log10 fe log10 fe

Figure 1.20 – Pour les deux graphes, chaque point représente une mesure d’écart au continu (1.124).
Pour chaque couple (fe , ϕ), on calcule la borne (1.120) et l’écart moyen (1.126), la moyenne de ces
quantités par rapport à la phase est représentée en trait plein noir et tirets rouges respectivement. (a)
le signal continu a des enveloppes constantes ; on peut le voir comme une modulation de fréquence
au sens large. (b) les maxima/minima du signal continu ont en moyenne une valeur de 1/-1 avec
une variance de 0.1. Les comportements asymptotiques en fe−1 ou fe−2 sont mis en évidence par des
pointillés.

(i)
Enfin, on a également surestimé l’incertitude en abscisse ∆abs. = 1/fe faute de pouvoir l’estimer
précisément. Si l’on a par ailleurs des informations sur le signal permettant de réduire cette incertitude
à α/fe , alors les coefficients λ, µ et ν deviennent :

λ′ = αλ, µ′ = α 2 µ et ν ′ = α3 ν. (1.125)

Dans le cas du modèle de signal utilisé lors des simulations, l’incertitude en abscisse est pratiquement
toujours inférieure à 0.7/fe .
La combinaison des incertitudes en abscisse réduites α/fe et des incertitudes moyennes permet
d’aboutir finalement à l’estimation de l’écart moyen

αλ α2 µ α3 ν
ē(fe ) = + + 3. (1.126)
2fe 3fe2 6fe

Cette estimation de l’écart moyen est nettement plus proche de l’écart mesuré en pratique mais
reste quelques dB au dessus, typiquement de l’ordre de 10 dB pour la partie fe−2 et 4 dB pour la
partie fe−1 . Cette inadéquation s’explique essentiellement par le fait que lorsqu’on fait la moyenne
des enveloppes les écarts au continu pour chacune des enveloppes se compensent généralement en
partie et parfois même totalement alors qu’ils sont simplement sommés dans le modèle. De plus,
cette compensation est plus importante dans la partie où l’écart se comporte comme fe−2 parce que
l’écart correspondant au premier terme de (1.117) va toujours dans le sens de la sous-estimation pour
l’enveloppe supérieure et de la surestimation pour l’enveloppe inférieure. Par conséquent, ces écarts
ne s’ajoutent jamais mais se compensent toujours au moins partiellement.
66 Chapitre 1. Décompositions modales empiriques

5.4.3 Cas de plusieurs itérations de tamisage

Pour étudier comment l’échantillonnage influence l’EMD sur plusieurs itérations de tamisage, on
peut s’intéresser comme précédemment à l’écart entre les premiers IMFs issus d’un signal à temps
continu et ceux issus de versions discrétisées de ce signal. Dans ce but, on peut par exemple reprendre
la procédure d’évaluation précédente à la seule différence que les IMFs d∞ [n] et dfe ,ϕ [n] ne sont plus
restreints au premier IMF et ne sont plus calculés en une unique itération de tamisage mais en un
nombre variable dépendant du signal, donc des paramètres d’échantillonnage (fe , ϕ). Les résultats de
ces simulations reprenant le signal utilisé Fig. 1.20 (b) sont présentés Fig. 1.21 pour un paramètre
d’arrêt ǫ = 0.05 et Fig. 1.22 pour ǫ = 0.01.
Si on s’intéresse tout d’abord au premier IMF, on observe que pour toutes les fréquences d’échan-
tillonnage, il existe le plus souvent des valeurs de phase pour lesquelles le nombre d’itérations de
tamisage est identique à celui utilisé pour le signal continu (3 pour Fig. 1.21, 13 pour Fig. 1.22). De
plus, dans ces cas, l’écart au continu pour plusieurs itérations est du même ordre que ce qui était
observé pour une itération. Tout se passe donc comme si l’essentiel de l’écart provenait de la première
itération. Dans la plupart des situations étudiées, on constate de plus que le nombre d’itérations est
égal à celui utilisé dans le cas continu lorsque la fréquence d’échantillonnage est suffisamment élevée.
En revanche, pour des fréquences d’échantillonnage plus basses, le nombre d’itérations peut différer
et aboutir à un écart significativement plus important. Il reste toutefois généralement inférieur à ǫ
fois l’amplitude du signal (écart entre les enveloppes divisé par 2, qui vaut approximativement 1 ici),
lorsque le nombre d’itérations ne diffère pas trop. Cet écart correspond typiquement à l’amplitude
maximale autorisée pour la moyenne du premier IMF et donc à peu près à l’écart entre deux itérations
de tamisage lorsque l’itération du processus de tamisage arrive à son terme.
Concernant les IMFs suivants, on observe des propriétés similaires. Comme pour le premier IMF,
lorsque les nombres d’itérations utilisés pour calculer l’IMF concerné et les précédents sont iden-
tiques au cas continu, l’écart se comporte pratiquement comme pour le premier IMF obtenu avec
1 seule itération. On observe même une diminution de l’écart entre le premier et le deuxième IMF
et à nouveau entre le deuxième et le troisième. En revanche, l’écart augmente significativement du
troisième au quatrième IMF dans le domaine des grandes fréquences d’échantillonnage. Ces variations
d’un IMF à l’autre sont encore inexpliquées. Le fait que les écarts restent généralement du même
ordre de grandeur que celui observé sur le premier IMF est probablement dû au fait que la première
approximation dont sont extraits les IMFs suivants a des extrema naturellement plus écartés que le
signal, ce qui fait que les effets d’échantillonnage sont moins prononcés. Cependant, comme la pre-
mière approximation est la différence entre le signal et le premier IMF, l’écart observé sur le premier
IMF se transmet aux IMFs suivants, ce qui justifie qu’ils présentent un écart du même ordre. Si on
s’intéresse maintenant aux cas où les nombres d’itérations diffèrent, on observe le même type d’écart
que ce qui était observé pour le premier IMF en éventuellement plus prononcé, ce qui peut s’expli-
quer par l’accumulation d’écarts entre le premier IMF et l’IMF concerné. De fait, la caractéristique
la plus importante est peut-être que les situations où les nombres d’itérations diffèrent sont de plus
en plus nombreuses à mesure que l’indice de l’IMF augmente et donc que l’écart est de plus en plus
imprévisible.

5.4.4 Conclusions sur l’étude de l’influence de l’échantillonnage

Dans les paragraphes précédents, on s’est intéressé à quantifier l’influence de l’échantillonnage

sur la décomposition. L’étude a tout d’abord été menée avec succès dans le cas simple d’un signal
sinusoı̈dal, avant de considérer un modèle plus général pour lequel les résultats sont malheureusement
plus mitigés.
Dans le cas sinusoı̈dal, une modélisation précise a permis de retrouver les principales caractéris-
tiques des résultats expérimentaux. Au terme de cette étude, la conclusion la plus importante est
5.4. Problèmes liés à l’échantillonnage 67

0
d1 d2
−10

−20

−30
e(fe , ϕ) – dB

−40

−50

−60

−70

−80

−90

−100
0
d3 d4
−10

−20

−30
e(fe , ϕ) – dB

−40

−50

−60

−70

−80

−90

−100
0 0.5 1 1.5 2 0 0.5 1 1.5 2
log10 fe log10 fe

Figure 1.21 – Écart au continu pour les 4 premiers IMFs obtenus avec un nombre variable d’itérations
déterminé par le critère d’arrêt « local » (cf 5.2) avec ǫ = 0.05 . Les cas pour lesquels les nombres
d’itérations pour l’IMF concerné et les précédents sont identiques à ceux utilisés pour le signal continu
sont représentés par un point bleu foncé ; les autres par un point vert clair. La ligne horizontale en
tirets correspond à un écart moyen de l’ordre de ǫ fois l’amplitude du signal (écart entre les enveloppes
divisé par 2) qui vaut approximativement 1. Le signal utilisé est le même que pour Fig. 1.20 (b).
68 Chapitre 1. Décompositions modales empiriques

0
d1 d2
−10

−20

−30
e(fe , ϕ) – dB

−40

−50

−60

−70

−80

−90

−100
0
d3 d4
−10

−20

−30
e(fe , ϕ) – dB

−40

−50

−60

−70

−80

−90

−100
0 0.5 1 1.5 2 0 0.5 1 1.5 2
log10 fe log10 fe

Figure 1.22 – Écart au continu pour les 4 premiers IMFs obtenus avec un nombre variable d’itérations
déterminé par le critère d’arrêt « local » (cf 5.2) avec ǫ = 0.01 . Les cas pour lesquels les nombres
d’itérations pour l’IMF concerné et les précédents sont identiques à ceux utilisés pour le signal continu
sont représentés par un point bleu foncé ; les autres par un point vert clair. La ligne horizontale en
tirets correspond à un écart moyen de l’ordre de ǫ fois l’amplitude du signal (écart entre les enveloppes
divisé par 2) qui vaut approximativement 1. Le signal utilisé est le même que pour Fig. 1.20 (b).
6. Variantes et extensions 69

sans doute la mise en évidence d’une borne sur l’écart généré par l’échantillonnage qui se comporte
comme l’inverse du carré de la fréquence d’échantillonnage. C’est en effet la seule caractéristique
observée à être susceptible d’être encore valable si l’on considère une sinusoı̈de légèrement déformée,
par exemple par une modulation de fréquence et/ou d’amplitude.
Dans cet esprit, on s’est par la suite intéressé à un modèle plus polyvalent de signal oscillant
dans l’espoir d’étendre le résultat précédent à une situation nettement plus proche du cas général.
La première conclusion de cette étude est que l’EMD s’appuyant fortement sur les extrema locaux
du signal, l’influence de l’échantillonnage se manifeste de manière très différente si le signal échan-
tillonné comporte autant d’extrema locaux que le signal continu ou si des extrema disparaissent lors
de l’échantillonnage. Dans le premier cas, il est a priori possible d’estimer un écart dû à l’échan-
tillonnage dans la mesure où les enveloppes dans les cas continu et échantillonné interpolent des
points relativement proches. Dans le second, les ensembles d’extrema du signal continu et du signal
échantillonné sont suffisamment différents pour que l’écart soit nettement plus important et bien plus
difficile à prévoir. En particulier, il est impossible à prévoir depuis le signal échantillonné uniquement,
contrairement au premier cas. En se restreignant à ce premier cas, l’étude a permis d’aboutir à un
résultat généralisant celui obtenu dans le cas sinusoı̈dal, tendant à montrer que dans le cas général,
l’écart (borne ou écart moyen) généré par l’échantillonnage sur une itération de tamisage se comporte
comme λfe−1 + µfe−2 (+νfe−3 ), le dernier terme étant mis entre parenthèse car il semble généralement
négligeable. Malheureusement, l’intérêt de ce résultat est limité dans la mesure où quand on se place
dans les conditions d’utilisation réelles de l’algorithme, le nombre d’itérations de tamisage est géné-
ralement variable et dépend des paramètres de l’échantillonnage. Dès lors les écarts entre les IMFs
issus des signaux échantillonnés et de la référence deviennent incontrôlables, même s’il semble qu’ils
aient souvent tendance à être limités en ordre de grandeur par le paramètre du critère d’arrêt ǫ
lorsqu’on utilise le critère « local ». Ce contrôle très limité est de plus essentiellement restreint aux
quelques premiers IMFs, les IMFs d’ordre supérieur étant de plus en plus incontrôlables du fait de
l’accumulation d’écarts dus aux IMFs précédents. Si au contraire, on réalise un nombre prédéterminé
d’itérations de tamisage dans tous les cas, l’étude n’a été qu’ébauchée ici mais il semble qu’on observe
dans ce cas entre les premiers IMFs continus et échantillonnés, un écart proche de celui observé sur
une seule itération de tamisage pour le premier IMF. Plus précisément, on observe même un écart
légèrement inférieur qui semble décroı̂tre avec le nombre d’itérations de tamisage par IMF et avec
l’ordre de l’IMF, du moins pour les quelques premiers IMFs. Cette évolution pour le moment inex-
pliqueé est peut être due au fait que le processus de tamisage, en rendant les enveloppes des IMFs
plus symétriques, rapproche de manière inattendue les IMFs issus du signal continu et du signal
échantillonné. Un peu à la manière dont les images de deux points par une projection orthogonale
sont nécessairement plus proches que les points eux-mêmes, on peut imaginer que lorsque les IMFs
continus et échantillonnés, par l’itération du processus de tamisage, se rapprochent de l’ensemble des
signaux vérifiant les propriétés caractéristique des d’un IMF, ils se rapprochent également les uns des
autres.

6 Variantes et extensions
6.1 EMD locale
Une caractéristique importante de l’EMD est qu’elle agit à une échelle locale, ce qui lui permet
d’être a priori bien adaptée pour traiter des signaux non stationnaires. En particulier, la définition
d’un IMF est constituée de deux caractéristiques locales, la seconde dépendant d’une échelle locale
de l’ordre de l’espacement entre les extrema. En revanche, lorsque le nombre d’itérations de tamisage
est déterminé au cours du processus de tamisage, le calcul des IMFs présente une caractéristique peu
locale dans la mesure où le tamisage est appliqué sur toute la durée du signal tant qu’il existe une
70 Chapitre 1. Décompositions modales empiriques

zone où la définition d’IMF 7 n’est pas vérifiée. Bien sûr, les effets du tamisage sont plus importants
là où la moyenne des enveloppes est plus importante, ce qui fait que le tamisage agit essentielle-
ment là où il y en a besoin. Cependant, appliquer un grand nombre d’itérations de tamisage là où
la moyenne est faible n’est pas non plus sans effet. L’effet le plus visible est que les enveloppes de-
viennent de plus en plus lisses au fur et à mesure qu’on itère le processus de tamisage, au risque
de perdre l’information contenue dans l’évolution temporelle de l’amplitude de l’enveloppe [28]. De
plus, cet effet s’accompagne d’une augmentation du nombre d’IMFs nécessaire pour reconstituer les
évolutions rapides des enveloppes, un peu à la manière dont une modulation d’amplitude sinusoı̈dale
est décomposée en trois composantes de Fourier aux amplitudes constantes.
D’un point de vue général, il est difficile d’établir si une décomposition avec plus d’IMFs aux
enveloppes plus lisses est plus ou moins bonne qu’une autre avec moins d’IMFs et des enveloppes plus
variables. De fait, il est généralement déconseillé d’itérer le tamisage jusqu’à obtenir des enveloppes
trop lisses mais les raisons ne sont pas toujours très claires et semblent s’appuyer notamment sur
l’hypothèse selon laquelle l’EMD permettrait d’extraire des composantes pertinentes d’un point de
vue physique, ou sur l’idée voisine que l’EMD doit expliquer le contenu du signal avec aussi peu de
composantes que possible. En pratique, avec l’expérience acquise au cours de cette thèse, il semble
que la seule raison valable — c’est-à-dire non basée sur un a priori discutable — pour justifier qu’on
limite l’itération du processus de tamisage de manière à ne pas trop lisser les enveloppes, soit que
celles-ci sont calculées de manière approchée et que sommer un trop grand nombre de ces estimations
approchées finit par polluer le contenu du signal analysé. Cependant, il est très difficile de justifier
rigoureusement un tel argument puisque dans tous les cas la somme des IMFs et du résidu reconstitue
le signal initial et qu’on ne trouve jamais un sous-ensemble d’IMFs dont la somme est nulle, cas où
on aurait pu indiscutablement dire que ces IMFs n’étaient pas pertinents.
En revanche, ce dont on peut être sûr, c’est qu’il n’est pas toujours souhaitable d’obtenir une
décomposition avec des enveloppes très lisses sur une partie du signal, juste parce que la méthode
utilisée pour déterminer le nombre d’itérations de tamisage a décidé qu’il fallait en faire un grand
nombre pour qu’une autre partie du signal satisfasse correctement à la définition d’IMF retenue. Pour
remédier à ce problème, on a proposé [55] une variante de l’algorithme de l’EMD où le tamisage est
appliqué seulement là où il y en a besoin. Dans sa version actuelle, disponible sur internet, cette
variante est liée à la méthode de détermination des nombres d’itérations « locale » (cf 5.2) mais on
pourrait étendre le principe à d’autres méthodes dès lors qu’elles sont en lien avec une mesure locale
de la qualité d’un IMF, c’est-à-dire une fonction binaire qui en chaque instant détermine si le signal
en cours de traitement est localement un IMF ou non. Dans la version actuelle, cette fonction est de
la forme 
emax (t)+emin (t)

1 si emax (t)−emin (t) < ǫ

s(t) = (1.127)


0 si emax (t)+emin (t)
≥ǫ
emax (t)−emin (t)

où emax (t) et emin (t) désignent respectivement les enveloppes supérieure et inférieure du signal et
ǫ est un paramètre. De là, l’algorithme de l’« EMD locale » est alors le même que celui de l’EMD
originale avec un opérateur de tamisage modifié (cf Algo. 2).
Dans cette définition, on a pris soin d’étendre les zones où la fonction d’évaluation s(t) vaut 1
par une fonction « douce ». Il y a deux raisons à cette précaution. Premièrement, le fait d’adoucir
les bords des zones où s(t) = 1 permet d’éviter de soustraire au signal une fonction discontinue, ce
qui amènerait des discontinuités dans l’IMF et dans l’approximation qui pourraient finir par créer
des extrema parasites. Le fait d’adoucir les bords permet a priori de limiter l’apparition d’extrema
parasites mais il peut rester des effets indésirables. En particulier, la manière dont f (t) décroı̂t vers
7. Cette définition peut varier suivant la méthode retenue pour déterminer le nombre d’itérations (cf 5.2) mais elle
implique toujours au moins la condition sur le signe des extrema.
6.2. EMD en ligne 71

Algorithme 2 : Opérateur de tamisage local

1 Extraire les maxima et les minima de x(t) : {tmaxi , xmax
i }, {tmin
i , xmin
i }.
2 Interpoler les ensembles de maxima {ti , xi } et les ensembles de minima {tmin
max max
i , xmin
i }
pour obtenir les enveloppes supérieure et inférieure : emax (t), emin (t).
3 Calculer la moyenne des enveloppes : m(t) = (emax (t) + emin (t)) /2
4 Calculer la fonction d’évaluation s(t) (1.127).
5 Créer une fonction positive f (t) qui vaut 1 là où s(t) vaut 1 et qui descend
doucement vers zéro autour.
6 Soustraire la moyenne multipliée par f (t) au signal : S local [x](t) = x(t) − m(t)f (t)

zéro peut influencer la forme des IMFs suivants surtout s’ils ont une amplitude plus faible ou de l’ordre
de ǫ fois l’amplitude de l’IMF en cours. Deuxièmement, après les quelques premières itérations de
tamisage la moyenne des enveloppes oscille souvent autour de zéro, ce qui fait que dans les zones où
elle n’est pas assez proche de zéro, la fonction d’évaluation s(t) s’annule en fait localement autour de
chaque passage à zéro et prend la valeur 1 autour des extrema de la moyenne. Dans ces conditions,
il semble préférable que f (t) vaille 1 uniformément sur tout l’intervalle pour limiter les risques de
contamination des IMFs suivants.
En pratique, dans la version actuelle du programme, l’extension de s(t) à f (t) est faite par une
fonction linéaire par morceaux dont les paramètres sont déterminés en fonction de la « période locale »
du signal, évaluée par l’écart entre les extrema. Le résultat semble fonctionner très correctement.
Toutefois, il faut noter qu’aucune étude n’a jamais été réalisée sur les performances de cet algorithme
modifié ce qui fait qu’il est difficile d’évaluer la confiance qu’on peut attribuer à ses résultats. De plus,
la manière de définir f (t) à partir de s(t) mériterait sans doute une étude plus poussée. La méthode
utilisée actuellement a été testée sur un certain nombre d’exemples et ne produit apparemment pas
d’artefacts visibles mais il ne fait aucun doute qu’il y aurait des bénéfices à tirer, par exemple du
remplacement de la fonction linéaire par morceaux f (t) par une fonction plus régulière.

6.2 EMD en ligne

Partant de l’algorithme de l’EMD locale décrit précédemment, il vient l’idée que si on peut
appliquer le tamisage localement, on peut aussi le faire progressivement en partant d’un bout du
signal pour arriver jusqu’à l’autre. Bien entendu, l’intérêt d’un tel point de vue est limité pour un
signal mesuré préalablement, c’est-à-dire dont on connait déjà tous les échantillons (en admettant
que le signal ait un début et une fin). En revanche, cela peut s’avérer particulièrement intéressant
pour un signal en cours de mesure où les échantillons arrivent au fur et à mesure.
En pratique, l’algorithme d’EMD en ligne est plus compliqué que la simple idée d’appliquer le
tamisage localement de façon progressive. Il est en fait composé de deux parties dont la deuxième
correspond à l’idée de tamisage local progressif et la première peut être vue comme un prétraitement
permettant d’appliquer ensuite la seconde. Ces deux parties sont appelées par la suite tamisage par
blocs et tamisage local en ligne

6.2.1 Tamisage par blocs

Comme son nom l’indique, le tamisage par blocs consiste essentiellement à découper le signal
en sous-intervalles, appliquer le tamisage sur chacun de ces sous-intervalles puis recoller ensuite les
morceaux.
Plus précisément, le tamisage par blocs est basé sur le fait que la valeur d’une enveloppe en un
point dépend essentiellement des positions des extrema proches du point considéré. Dans le cas d’une
interpolation spline cubique, l’influence d’un extremum décroı̂t exponentiellement avec la distance
72 Chapitre 1. Décompositions modales empiriques

au point considéré, exprimée par exemple en termes de nombre de nœuds. Par conséquent, si au
lieu de tenir compte de tous les extrema pour calculer la valeur de l’enveloppe en un point donné,
on n’en considère que n de part et d’autre de ce point, on peut aboutir à une valeur très proche
de celle qu’on obtiendrait avec tous les extrema. De plus, il est possible d’ajuster la précision d’un
tel calcul en prenant n plus ou moins grand. Typiquement, pour le calcul des enveloppes d’un bruit
blanc gaussien de variance 1, on observe que l’écart entre l’enveloppe calculée avec tous les extrema
et celle calculée sur un intervalle entre deux extrema en ne tenant compte que de n extrema de part
et d’autre est de l’ordre de 10−n/2 , ce qui permet d’obtenir de très bonnes estimations des enveloppes
en ne considérant qu’un nombre restreint d’extrema de part et d’autre. En pratique, il peut s’avérer
nécessaire d’adapter la valeur de n au signal analysé mais le fait que la décroissance soit a priori
toujours exponentielle permet d’assurer qu’on trouvera toujours une valeur de n satisfaisante qui ne
soit pas trop grande.
Une fois choisie une valeur pour n, le tamisage par morceaux est réalisé de la manière suivante.
(i) (i)
Soit dk (t) le k e IMF en cours d’élaboration après i itérations de tamisage. Si on connait dk (t) sur
(i+1)
un intervalle [a, b] et qu’il présente suffisamment d’extrema sur [a, b], on peut calculer dk (t) sur
(i)
[a + ǫ1 , b − ǫ2 ], avec ǫ1 et ǫ2 choisis de telle manière que dk (t) ait au moins n extrema dans [a, a + ǫ1 ]
(i)
et [b − ǫ2 , b]. Si par la suite, on connait dk (t) sur une durée plus longue [a, c], c > b, on pourra
(i+1)
calculer dk (t) sur [b − ǫ2 , c − ǫ3 ] et recoller presque parfaitement avec la partie déjà connue sur
(i+1)
[a + ǫ1 , b − ǫ2 ]. Entre-temps, ce qui est déjà calculé de dk (t) sur [a + ǫ1 , b − ǫ2 ] peut être utilisé
(i+2)
pour calculer dk (t) jusque b − ǫ2 − ǫ4 .
Avec cette méthode, on peut appliquer un nombre prédéterminé d’itérations de tamisage de
manière progressive et donc extraire des IMFs progressivement. De plus, une fois qu’une partie de
l’IMF en cours d’élaboration a subi toutes les itérations prévues, celui-ci n’est plus modifié et peut
donc être soustrait au signal (ou à l’approximation précédente) pour commencer à extraire l’IMF
suivant. On peut donc ainsi extraire plusieurs IMFs simultanément avec juste pour chaque IMF un
retard sur le précédent.
En revanche, si on souhaite appliquer un nombre variable d’itérations de tamisage déterminé au
cours du processus de tamisage, on ne peut le faire que lorsque le signal est connu sur toute sa
durée et, pour les IMFs autres que le premier, que lorsque tous les IMFs précédents ont été calculés
complètement. La solution est alors d’adapter le principe de l’EMD locale pour avoir de fait des
nombres d’itérations de tamisage qui varient en fonction de la position et qui du coup ne dépendent
plus de toute la durée du signal.

6.2.2 Tamisage local en ligne

Le tamisage local en ligne (cf Algo. 3) est obtenu en ajoutant une étape à l’opérateur de tamisage
local Algo. 2. L’opérateur de tamisage ainsi défini réalise de fait un tamisage local sur une fenêtre
glissante w(t) non nulle sur un intervalle [a, b]. L’idée est ensuite de faire progresser la fenêtre sur
le signal de telle manière qu’après son passage, l’IMF en cours d’élaboration soit considéré comme
localement achevé : s(t) = 0, t < a. Pour atteindre cet objectif, on fait avancer l’avant b et l’arrière
a de la fenêtre séparément. L’avant de la fenêtre avance en fonction des données disponibles : si le
signal est connu jusqu’à un instant t, on positionne l’avant de la fenêtre en t − ǫ de telle manière que
le signal ait n extrema dans [t − ǫ, t] pour pouvoir calculer les enveloppes de manière satisfaisante.
Le cas de l’arrière de la fenêtre est plus compliqué. L’idée est de le faire avancer quand le tamisage
local est terminé (s(t) = 0) sur un intervalle [a, c], c < b suffisamment grand devant la période locale
mesurée par l’écart entre les extrema. On fait alors avancer l’arrière de la fenêtre a jusqu’à c ou, par
précaution, seulement jusqu’à (a+c)/2. Le problème de cette méthode est que sachant que la fonction
f (t) est non nulle sur un ensemble plus grand que celui où s(t) est non nulle, il est tout à fait possible
qu’en appliquant l’opérateur de tamisage local en ligne, une zone où s(t) vaut 1 s’étende de part et
6.2. EMD en ligne 73

d’autre, par exemple du fait de l’apparition d’une paire d’extrema. Par conséquent, si s(t) est nulle
sur un intervalle [a, c] à une itération donnée, rien ne dit qu’elle le sera encore à l’itération suivante
si elle est non nulle à proximité des frontières de [a, c]. Il faut donc faire très attention lorsqu’on fait
avancer l’arrière de la fenêtre d’observation, raison pour laquelle on suggère la précaution de ne le
faire avancer que jusqu’à (a + c)/2 si s(t) = 0 sur [a, c].

Algorithme 3 : Opérateur de tamisage local en ligne

1 Extraire les maxima et les minima de x(t) : {tmax i , xmax
i }, {tmin
i , xmin
i }.
2 max max
Interpoler les ensembles de maxima {ti , xi } et les ensembles de minima {tmin i , xmin
i }
pour obtenir les enveloppes supérieure et inférieure : emax (t), emin (t).
3 Calculer la moyenne des enveloppes : m(t) = (emax (t) + emin (t)) /2
4 Calculer la fonction d’évaluation s(t) (1.127).
5 Créer une fonction positive f (t) qui vaut 1 là où s(t) vaut 1 et qui descend doucement vers
zéro autour.
6 Multiplier par une fenêtre glissante w(t) qui parcourt la durée du signal :
f2 (t) = f (t)w(t).
7 Soustraire la moyenne multipliée par f2 (t) au signal : S online [x](t) = x(t) − m(t)f2 (t)

Le tamisage local en ligne ainsi défini permet d’extraire un IMF en parcourant le signal. Sachant
de plus que l’IMF n’est plus modifié après le passage de la fenêtre, il est possible d’extraire plusieurs
IMFs simultanément avec un retard entre chaque.
Le problème de ce procédé est qu’il ne fonctionne en fait bien que quand le signal d’origine a déjà
une moyenne proche de zéro. En effet, s’il présente au contraire une moyenne grande par rapport à
son amplitude, le fait de lui soustraire la moyenne de ses enveloppes sur la partie avant de la fenêtre
w(t) peut poser de sérieux problèmes. Si on suppose que w(t) peut être divisée en trois parties [a, b],
[b, c] et [c, d], où w(t) = 1 sur [b, c] et décroı̂t doucement vers zéro sur [a, b] et [c, d], le fait de soustraire
la moyenne des enveloppes multipliée par w(t) fait qu’après une itération de tamisage local en ligne,
l’IMF en cours d’élaboration a une moyenne grande en d et proche de zéro en c. Dans ce cas, on perd
généralement une grande partie des extrema initialement présents sur [c, d] et le résultat final de la
décomposition est alors très mauvais.
Pour éviter ce problème, il suffit de combiner les deux procédés du tamisage par blocs et du
tamisage local en ligne. L’idée est de faire un petit nombre prédéterminé d’iterations de tamisage
par blocs et seulement après d’appliquer le tamisage local en ligne. Le tamisage par blocs permet de
ramener la moyenne des enveloppes pas trop loin de zéro pour qu’il soit ensuite possible d’appliquer
le tamisage local en ligne. En pratique, il suffit généralement de très peu d’itérations de tamisage par
blocs (typiquement 1 ou 2) pour ramener la moyenne suffisamment près de zéro.

6.2.3 Commentaires
Tout comme l’EMD locale, la version actuelle de l’EMD en ligne, disponible sur internet, est
encore au stade de prototype. En particulier, le programme actuel n’est pas conçu pour être appliqué
à un flot de données comme il le devrait : il s’applique en fait à des signaux complets comme l’EMD
standard et se contente de simuler en interne une arrivée progressive des données. De plus, un certain
nombre de choix ont été réalisés pour construire le programme mais ils n’ont pas été étudiés de
manière approfondie. On s’est contenté en général de vérifier sur quelques exemples que ces choix ne
créaient pas d’artefacts suffisamment importants pour être visibles à l’œil. Parmi ces choix, on peut
citer
– le nombre d’extrema n de part et d’autres d’un point donné considéré comme suffisant pour
estimer la valeur des enveloppes. Sa valeur est actuellement de 5 par défaut dans le programme.
74 Chapitre 1. Décompositions modales empiriques

Pour les enveloppes d’un bruit blanc gaussien de variance 1, ce nombre conduit à un écart par
rapport à l’enveloppe calculée avec tous les extrema de l’ordre de 10−3 , ce qui n’est pas forcément
négligeable.
– la forme de la fenêtre w(t), actuellement linéaire par morceaux.
– les règles utilisées pour décider comment on fait progresser l’avant et l’arrière de la fenêtre.
Finalement, le programme actuel permet de faire la démonstration qu’il est possible d’appliquer
le tamisage de manière progressive sur un flot de données. Cependant, si on compare ses résultats
avec l’EMD classique ou l’EMD locale, on observe généralement que les quelques premiers IMFs sont
proches mais que les autres peuvent être assez différents. Étant donnée la complexité de l’algorithme
en ligne par rapport à l’EMD classique, ou même locale, ainsi que le fait que ses paramètres ont été
déterminés empiriquement sans étude rigoureuse, il est clair que les IMFs calculés avec cet algorithme
doivent être considérés avec beaucoup de précautions.

6.3 « Ensemble Empirical Mode Decomposition »

6.3.1 Principe
Autre variante de l’EMD, très différente des deux proposées précédemment, l’EMD d’ensemble,
ou EEMD pour « Ensemble Empirical Mode Decomposition » a été introduite [65] initialement pour
limiter les effets de mélanges de modes. Étant donné un signal x(t), le principe est le suivant :
1. on génère N réalisations ni (t), 1 ≤ i ≤ N de bruit blanc gaussien de variance σ 2
(i)
2. on calcule N jeux d’IMFs dk (t), 1 ≤ i ≤ N à partir des N signaux x(t) + ni (t)
3. les IMFs EEMD sont alors les moyennes d’ensemble des IMFs précédents
N
1 X (i)
dEEM
k
D
(t) = dk (t). (1.128)
N
i=1
√
Si σ/ N est petit devant l’échelle des variations du signal x(t), l’idée est alors de considérer que la
dépendance des IMFs EEMD par rapport aux réalisations de bruit mises en jeu devient négligeable
et que les IMFs EEMD ainsi définis ne dépendent donc que du signal x(t) et de σ.
Cette méthode a en fait été initialement proposée dans [20] pour permettre de calculer l’EMD
d’une impulsion, le problème étant qu’un tel signal ne présente pas assez d’extrema pour pouvoir
être traité par l’EMD classique. De fait, le résultat obtenu dépend de l’amplitude du bruit utilisé et
ne converge pas quand celle-ci tend vers zéro ce qui fait qu’on ne peut pas vraiment parler de l’EMD
d’une impulsion, mais qu’on a au contraire affaire à une variante de l’EMD.
Dans une perspective très différente, l’auteur de [65] a vu dans cette méthode un moyen de
supprimer certains effets de mélanges de modes apparaissant lorsque le signal contient une composante
intermittente, c’est-à-dire dont l’amplitude est parfois nulle, parfois non nulle. Dans ces conditions,
comme on l’a vu en 3.5, pour peu qu’il y ait une composante plus basse fréquence dans le signal,
l’EMD produit typiquement un IMF mélangeant la composante intermittente avec la composante
plus basse fréquence alors que les évolutions de cette dernière là où la composante intermittente
est non nulle sont reléguées dans l’IMF suivant. Pour supprimer ce phénomène, une solution simple
consiste à séparer les deux composantes par un filtrage linéaire. Le principe qui fait que l’EEMD peut
se révéler efficace dans ces conditions n’est en fait pas très éloigné de l’idée d’un filtrage linéaire. Il est
basé sur le fait que l’action de l’EMD sur un bruit large bande s’apparente à celle d’un banc de filtres
quasi-dyadique (cf 2 au chapitre 2). De là, l’idée est que si on ajoute un bruit de grande amplitude
(par rapport aux amplitudes des composantes) au signal et qu’on calcule l’EMD on peut supposer a
priori que c’est essentiellement le bruit qui pilote la décomposition et que les composantes vont donc
se retrouver, noyées dans le bruit, dans l’IMF dont la bande de fréquence leur correspond le mieux.
Si ces bandes sont différentes pour les deux composantes et que celles-ci se retrouvent toujours dans
6.3. « Ensemble Empirical Mode Decomposition » 75

les mêmes IMFs quelle que soit la réalisation de bruit, les IMFs EEMD contiennent alors les deux
composantes isolées dans deux IMFs différents.
Dans cette description, il faut noter que les notions de fréquence d’une composante et de bande
de fréquence d’un IMF sont ici très différentes de leur significations habituelles liées à la transformée
de Fourier. Pour l’EMD, la notion de fréquence est en fait locale et se rapporte plus ou moins à
l’écartement entre les extrema. Une conséquence importante de cette différence de point de vue est
que l’EMD ne fait en pratique pas vraiment de différence entre un signal stationnaire et un signal
non stationnaire, contrairement aux méthodes basées sur la transformée de Fourier.

6.3.2 Questions relatives à l’implantation

Lors de l’étape finale de l’EEMD, on définit les IMFs comme les moyennes d’ensemble des IMFs
bruités. En pratique, cependant, on obtient généralement des nombres d’IMFs qui dépendent de
la réalisation. De plus, si le premier IMF correspond environ à la bande de fréquences [0.25, 0.5],
le dernier contient en général 2 à 3 extrema et correspond donc lui aussi à une certaine bande de
fréquence. Par conséquent, si on considère deux réalisations donnant des nombres d’IMFs différents,
il n’est pas du tout sûr qu’on somme des quantités cohérentes lorsqu’on somme deux IMFs de même
indice, surtout si l’indice est grand. Pour contourner ce problème, on peut envisager différentes
solutions dont aucune n’est totalement satisfaisante :
– ne définir l’ IMF EEMD d’indice k que quand toutes les réalisations ont fourni au moins k
IMFs, résidu compris ou non.
– étendre artificiellement tous les jeux d’IMFs en rajoutant des IMFs nuls après le dernier de
manière à avoir les mêmes nombres d’IMFs pour toutes les réalisations.
– réduire artificiellement tous les jeux d’IMFs à un nombre d’IMFs inférieur ou égal au nombre
d’IMFs minimal en sommant les derniers IMFs surnuméraires.
Une autre question est celle du choix de la méthode utilisée pour déterminer les nombres d’ité-
rations. Comme on le verra en 2 du chapitre 2, les nombres d’itérations sont importants parce que
les caractéristiques du banc de filtres équivalent à l’EMD dépendent essentiellement de ce paramètre.
Dans le cas de bruits (sans signal supplémentaire), on constate cela dit qu’on peut obtenir avec des
nombres d’itérations variables, un banc de filtres équivalent quasiment identique à celui obtenu avec
des nombres d’itérations fixes. Toutefois, rien ne garantit que les nombres d’itérations ne seront pas
très différents si on ajoute un signal au bruit. Pour cette raison, dans le cadre de l’EEMD, on utilise
en général des nombres d’itérations fixés à l’avance par précaution. De plus, les IMFs EEMD ne
vérifiant pas forcément la définition d’un IMF, l’intérêt que l’EMD de chaque réalisation aboutisse à
des IMFs bien formés paraı̂t plutôt limité.

6.3.3 Quelques exemples d’applications

Le premier exemple (cf Fig. 1.23) correspond à la situation décrite précédemment pour expliquer
l’intérêt de la méthode. Le signal est constitué de deux composantes : une sinusoı̈de d’amplitude
constante et une de fréquence supérieure modulée en amplitude par une gaussienne. Dans le cas
particulier considéré, on observe que les deux composantes sont séparées en plusieurs IMFs EEMD
mais la composante haute fréquence est étrangement répartie sur deux IMFs. L’origine de ce fait est
simplement que la composante haute fréquence ne se trouve pas toujours dans le même IMF. Dans
le cas particulier présenté, il semble que la composante haute fréquence soit grossièrement dans le 4e
IMF pour la moitié des réalisations et dans le 5e pour l’autre moitié. De plus, si on observe les IMFs
d’un peu plus près, on peut aussi voir que le 7e IMF contient aussi une fraction de la composante
basse fréquence. De manière générale, on voit sur cet exemple que le fait d’ajouter du bruit au signal
impose d’une certaine manière une grille quasi-dyadique en fréquence qui n’est pas nécessairement
adaptée au signal. De plus, il semble que l’appartenance d’une composante à une case de la grille soit
76 Chapitre 1. Décompositions modales empiriques

toujours un minimum aléatoire, ce qui aboutit au fait qu’on retrouve souvent au moins une faible
partie de chaque composante dans les IMFs adjacents à ceux où elles se trouvent pour la majorité
des réalisations.
Le second exemple est identique au premier à ceci près que la composante basse fréquence n’est
plus sinusoı̈dale mais triangulaire. Étant donnée la nature a priori très différente d’un filtrage linéaire
de l’EEMD, on aurait pu penser qu’elle serait capable comme l’EMD d’extraire des composantes
non linéaires. En pratique, force est de constater que ses capacités non linéaires sont en fait limitées
puisqu’elle décompose le signal triangulaire en plusieurs composantes quasi-sinusoı̈dales.
Enfin, les deux derniers exemples mettent en évidence une limitation de l’EEMD par rapport aux
signaux non stationnaires. Ces deux exemples sont d’une part une modulation de fréquence linéaire et
d’autre part une modulation d’amplitude quadratique. Dans les deux cas, l’EEMD répartit le signal
sur plusieurs composantes.

6.4 EMD pour les images

Cette extension de l’EMD n’a pas du tout été étudiée au cours de cette thèse mais elle suscite
un certain enthousiasme de la part de la communauté. Les problématiques relatives à l’EMD pour
les images étant très différentes du cas de l’EMD classique, on ne les présentera pas ici. Le lecteur
intéressé est renvoyé aux travaux de Linderhed [38, 39], Nunes [44, 43], Liu [41, 40], Damerval [11]
et Xu [66].

6.5 Signal bivarié

L’EMD a également été étendue au cas de signaux bivariés, ie à valeur dans R2 , ou dans C. Il
faut préciser cependant qu’une telle EMD ne peut avoir de sens que si les deux composantes x1 (t)
et x2 (t) du signal analysé peuvent être assimilées aux coordonnées cartésiennes d’un point mobile
au cours du temps. Ainsi, un signal bivarié donnant par exemple la direction et la vitesse du vent
au cours du temps pourra a priori être adéquatement traité par une EMD bivariée — en passant
des coordonnées polaires aux coordonnées cartésiennes — mais la décomposition d’un signal dont
les composantes correspondent par exemple aux potentiels de deux électrodes placées à des endroits
différents (même proches) d’un cerveau aurait peu de sens. Cette contrainte est simplement liée au
fait que toutes les approches proposées remplacent de fait la notion d’« oscillation » par la notion
de « rotation » dans le principe de l’EMD et que la notion de rotation sous-entend l’existence d’un
certain objet tournant dans un espace à au moins deux dimensions. Ainsi, là où l’EMD classique
décompose un signal (scalaire) en une « composante oscillant rapidement » et une « composante
oscillant lentement », le principe des extensions bivariées est essentiellement de décomposer un signal
bivarié en une « composante tournant rapidement » et une « composante tournant lentement ». De
fait, le point de vue est très similaire à celui adopté par Ptolémée dans sa description du mouvement
des planètes : on décompose un mouvement compliqué en une superposition de rotations de plus ou
moins longue période. Deux approches ont été proposées :
1. analyser séparément les composantes analytiques et antianalytiques du signal à l’aide de l’EMD
classique appliquée à leurs parties réelles. Les IMFs bivariés sont alors les parties analytiques
des IMFs réels obtenus à partir de la composante analytique et les parties antianalytiques des
autres.
2. construire un algorithme bivarié en transposant directement le processus de tamisage au cadre
bivarié.
Dans la suite, on présentera tout d’abord succinctement la première approche en en précisant les
avantages et limites puis on s’intéressera de plus près à la deuxième approche. Les signaux bivariés
seront souvent assimilés à des signaux à valeur complexe pour simplifier les écritures.
6.5. Signal bivarié 77

1
comp. 1

−1
1
comp. 2

−1
1

0
d1

−1
1

0
d2

−1
1

0
d3

−1
1

0
d4

−1
1
d5

−1
1

0
d6

−1
1
d7

−1
0 100 200 300 400 500 600 700 800 900 1000

Figure 1.23 – Exemple d’application de l’EEMD. Cas d’une composante sinusoı̈dale et d’une com-
posante intermittente. Les IMFs EEMD ont été calculés à l’aide de 10000 réalisations de bruit de
variance 1.
78 Chapitre 1. Décompositions modales empiriques

1
comp. 1

−1
1
comp. 2

−1
1

0
d1

−1
1

0
d2

−1
1

0
d3

−1
1

0
d4

−1
1
d5

−1
1

0
d6

−1
1
d7

−1
0 100 200 300 400 500 600 700 800 900 1000

Figure 1.24 – Exemple d’application de l’EEMD. Cas d’une composante sinusoı̈dale et d’une com-
posante triangulaire. Les IMFs EEMD ont été calculés à l’aide de 10000 réalisations de bruit de
variance 1.
6.5. Signal bivarié 79

1
signal

−1
1

0
d1

−1
1

0
d2

−1
1

0
d3

−1
1
d4

−1
1
d5

−1
1

0
d6

−1
1
d7

−1
0 100 200 300 400 500 600 700 800 900 1000

Figure 1.25 – Exemple d’application de l’EEMD. Cas d’une composante sinusoı̈dale modulée en
fréquence linéairement. Les IMFs EEMD ont été calculés à l’aide de 10000 réalisations de bruit de
variance 1.
80 Chapitre 1. Décompositions modales empiriques

200
signal

−200
200

0
d1

−200
100

0
d2

−100
20

0
d3

−20
2
d4

−2
0.5
d5

−0.5
0.2

0
d6

−0.2
0.1
d7

−0.1
0 100 200 300 400 500 600 700 800 900 1000

Figure 1.26 – Exemple d’application de l’EEMD. Cas d’une composante sinusoı̈dale modulée en
amplitude quadratiquement. Les IMFs EEMD ont été calculés à l’aide de 10000 réalisations de bruit
de variance 1. Dans les 4 derniers IMFs, on observe une ondulation à droite due à la grande amplitude
du signal dans cette région. Il ne s’agit pas d’un effet de bord : le signal utilisé en entrée de l’EEMD
est en fait plus long que ce qui est représenté.
6.5. Signal bivarié 81

6.5.1 « Complex Empirical Mode Decomposition »

[Link] Description Cette première approche, introduite sous le nom de « Complex Empi-
rical Mode Decomposition » [60], est basée sur le fait que prendre la partie réelle d’un signal
(anti-)analytique est une opération inversible. Ainsi, le signal bivarié à analyser x(t) est tout d’abord
séparé en ses 2 composantes analytique et antianalytique :
x+ (t) = h+ ∗ x(t) (1.129)
x− (t) = h− ∗ x(t), (1.130)
où h+ et h− sont les filtres analytique et antianalytique :
1
H+ [x](ω) = 1R∗+ (ω)X(ω) + 1{0} (ω)X(0) (1.131)
2
1
H− [x](ω) = 1R∗− (ω)X(ω) + 1{0} (ω)X(0). (1.132)
2
Ensuite, l’EMD est appliquée séparément à la partie réelle de chacune des composantes :
n+
X
Re (x+ (t)) = d+ +
i (t) + an+ (t) (1.133)
i=1
n−
X
Re (x− (t)) = d− −
i (t) + an− (t). (1.134)
i=1

Dans ces décompositions, les IMFs obtenus (réels) d+ −

i (t) et di (t) peuvent alors être vus comme les par-
ties réelles d’IMFs bivariés décomposant x+ (t) et x− (t). Ces deux signaux étant
(anti-)analytiques, il est légitime de supposer que les composantes de leurs décompositions respectives
partagent la même propriété. On peut ainsi définir les EMD complexes de x+ (t) et x− (t) en prenant
respectivement les parties analytiques et antianalytiques des décompositions de leurs parties réelles :
n+
X
x+ (t) = h+ ∗ d + +
i (t) + h+ ∗ an+ (t) (1.135)
i=1
n−
X
x− (t) = h− ∗ d − −
i (t) + h− ∗ an− (t). (1.136)
i=1

On a ainsi obtenu séparément des EMD des parties positives et négatives du spectre, l’EMD globale
est définie simplement comme la juxtaposition de ces deux décompositions :
X
x(t) = di (t) + a(t), (1.137)
−n− ≤i≤n+ ,i6=0
avec (
h+ ∗ d +
i (t), 1 ≤ i ≤ n+
di (t) = (1.138)
h− ∗ d −
−i (t), −n− ≤ i ≤ −1,
et
X
a(t) = x(t) − di (t) (1.139)
−n− ≤i≤n+ ,i6=0

a(t) = h+ ∗ a+ −
n+ (t) + h− ∗ an− (t). (1.140)
Remarque : On aurait également pu garder deux composantes séparées pour le résidu a(t). Le choix
des auteurs de les regrouper est probablement dû au fait que le résidu est généralement vu comme
une tendance globale du signal et n’est pas interprété en termes d’oscillations — ou de rotations dans
le cas présent — comme les IMFs.
82 Chapitre 1. Décompositions modales empiriques

[Link] Commentaires Le principal attrait de cette approche est qu’elle garantit dans une cer-
taine mesure que les IMFs correspondent bien à l’idée qu’on peut se faire d’un signal tournant autour
de l’origine du plan complexe. En effet les IMFs étant les parties (anti-)analytiques d’IMFs réels, ils
devraient dans une assez large mesure avoir une fréquence instantanée soit positive soit négative (voir
[59] pour des exemples d’exceptions) et donc bien correspondre à la notion de signal tournant autour
de l’origine du plan complexe. On verra que l’autre EMD bivariée proposée ci-après offre moins de
garanties quant au caractère tournant des IMFs.
Le défaut majeur de cette première approche est probablement qu’elle s’appuie fortement sur les
filtres h+ et h− qui en pratique posent les mêmes problèmes que la transformée de Hilbert, à savoir
des effets de bords très importants dus d’une part au caractère singulier de la réponse impulsionnelle
et d’autre part à sa décroissance lente en O (1/t) en ±∞.
Enfin un deuxième défaut important de cette méthode est que la décomposition n’est pas cova-
riante vis-à-vis des rotations du plan complexe. On peut remarquer en effet que le fait de prendre
la partie réelle des composantes (anti-)analytiques privilégie de fait une direction donnée du plan.
Malheureusement, s’il est évidemment possible de choisir une autre direction (en prenant par exemple
la partie imaginaire), il n’y a aucune raison pour que le résultat final soit identique. Cet aspect peut
cependant être amélioré si, comme dans les algorithmes proposés par la suite, au lieu de considérer
seulement la partie réelle, on considère une série de projections sur des directions bien réparties dans
[0, 2π]. On se rapprocherait alors très fortement de l’algorithme Algo. 5 présenté en 6.5.3.

6.5.2 Principe de la deuxième approche

Contrairement à l’« EMD complexe » qu’on vient de présenter qui définit une EMD bivariée
à l’aide d’une utilisation astucieuse de l’EMD classique, la deuxième approche propose une EMD
bivariée à tous niveaux dans la mesure où le principe même du processus de tamisage est construit
dans un cadre bivarié. Ainsi, le principe de base sur lequel sont fondés les deux algorithmes proposés
par la suite, est de donner corps au principe précédemment énoncé selon lequel un signal bivarié
peut être décomposé en la somme d’une composante « tournant rapidement » et d’une composante
« tournant lentement ».

[Link] Une enveloppe en trois dimensions Pour séparer ces deux composantes, l’idée est
comme pour l’EMD classique de définir la composante tournant lentement de manière géométrique
comme la moyenne d’une « enveloppe du signal ». Il faut pour cela représenter le signal bivarié en 3
dimensions : le temps et ses deux composantes. Dans une telle représentation, il est clair qu’on ne peut
se contenter comme dans l’EMD classique de deux enveloppes (dessus / dessous) mais qu’on a besoin
au contraire de considérer toutes les directions possibles. De fait, la notion d’enveloppe qui s’impose
est une surface tubulaire qui enserre le signal (cf Fig. 1.27). De là, il reste à définir la moyenne d’une
telle enveloppe, c’est-à-dire à chaque instant le « centre » de la section (courbe fermée) de l’enveloppe
tridimensionnelle. En pratique, la définition adoptée par les algorithmes bivariés n’est pas intuitive
et sera présentée ultérieurement. On peut remarquer que la question se pose en fait également dans
le cas univarié où on choisit de prendre la demi-somme des deux enveloppes à défaut d’une définition
plus performante [28]. On a vu par exemple en 3.3 que cette définition était peu adaptée aux signaux
fortement asymétriques. La définition du centre de l’enveloppe utilisée par les algorithmes bivariés
est certainement tout aussi discutable.

[Link] Les « armatures latérales » du tube enveloppe Pour calculer le centre de l’enve-
loppe, l’idée mise en œuvre par les deux algorithmes proposés est de s’appuyer sur des « armatures
latérales » du tube enveloppe (cf Fig. 1.27 (b)). Si l’on suppose que la section du tube entoure un
domaine convexe à tout instant, chacune de ces armatures correspond alors à une ligne de crête de
6.5. Signal bivarié 83

Figure 1.27 – Principe des extensions bivariées. (a) Un signal tournant composite. (b) Le signal
entouré de son enveloppe-tube 3D. Les lignes noires épaisses sont les « armatures latérales » utilisées
pour calculer l’axe central. (c) Composante tournant rapidement. (d) Composante tournant plus
lentement définie comme l’axe central du tube en (b).
84 Chapitre 1. Décompositions modales empiriques

l’enveloppe dans une direction donnée. Ainsi, l’armature associée à la direction « vers le haut » pour-
rait être définie comme à tout instant le point de la section du tube dont l’altitude est maximale. Si
la section est suffisamment régulière la tangente en ce point à la section est horizontale et la courbure
dirigée vers le bas . En pratique cependant il n’y a pas besoin de définir le tube enveloppe pour définir
de telles armatures latérales. En effet, ces armatures étant incluses dans le tube enveloppe, elles sont
en contact avec la trajectoire (3D) du signal en un certain nombre de points et on peut alors les
définir en tout point par interpolation. Par rapport à l’EMD classique, ces points particuliers sont
en fait les équivalents des maxima locaux (ou des minima locaux) et peuvent être vus comme des
maxima locaux dans une direction particulière. Si l’on considère une direction ϕ, les maxima locaux
dans cette direction sont les points tϕ i où la dérivée du signal est orthogonale à cette direction et la
courbure tournée dans la direction opposée :
   
dx ϕ d2 x ϕ
(t ), uϕ = 0 et (t ), uϕ < 0, (1.141)
dt i dt2 i

où uϕ est un vecteur unitaire dirigé selon la direction ϕ. On constate par ailleurs que dans la mesure
où les dérivées peuvent être sorties des produits scalaires ces maxima locaux dans la direction ϕ
coı̈ncident avec les maxima locaux de la projection du signal sur cette même direction.
À partir de ces maxima dans la direction ϕ, on peut alors définir l’armature latérale eϕ (t) comme
la spline cubique interpolante. Ce choix d’interpolation provient simplement du fait que la spline
cubique est à l’heure actuelle encore considérée comme le meilleur schéma d’interpolation pour l’EMD
classique malgré un certain nombre de défauts connus [28, 26, 47] et des travaux prometteurs sur des
interpolations potentiellement plus performantes (cf 5.3).

[Link] Le « centre » des armatures latérales À partir d’un jeu de N armatures latérales,
il y a plusieurs moyens de définir leur centre. Le centre étant défini à chaque instant par rapport
à la section du tube à cet instant, la question est en fait de définir le centre de N points dans le
plan. Si l’on prend l’exemple de 4 armatures latérales — et donc 4 points sur la section du tube —
correspondant aux 4 directions haut, bas, gauche et droite, on peut définir leur centre d’au moins
deux manières :
1. l’isobarycentre des 4 points (cf Fig. 1.28 (a)).
2. l’intersection de deux droites, l’une étant à mi-chemin entre les deux tangentes horizontales à
la section du tube passant par les points « haut » et « bas », l’autre étant à mi-chemin entre
les deux tangentes verticales passant par les points « gauche » et « droite » (cf Fig. 1.28 (b)).
Plus généralement, pour N directions ϕk , 1 ≤ k ≤ N , on a N armatures latérales eϕk (t) et leur
« centre » m(t) peut être défini comme l’isobarycentre :

N
1 X
m(t) = eϕk (t), (1.142)
N
k=1

ou comme
N
2 X
m(t) = heϕk (t), uϕk i uϕk , (1.143)
N
k=1

qui généralise la méthode utilisant les tangentes.

Remarque : La différence de normalisation entre les deux versions provient simplement du fait qu’une
tangente heϕk (t), uϕk i uϕk contient seulement une des deux composantes de l’armature eϕk (t) et qu’il
faut donc par exemple deux tangentes associées à des directions orthogonales pour obtenir l’équivalent
d’une armature.
6.5. Signal bivarié 85

(a) (b)

Y Y

X X

Figure 1.28 – Deux possibilités pour définir l’axe central de l’enveloppe.

[Link] Des méthodes inégales vis-à-vis de l’échantillonnage A priori plus compliquée,

l’intérêt de la deuxième méthode est essentiellement qu’elle s’avère plus robuste par rapport aux
erreurs dues à l’échantilonnage. En effet, tout comme pour l’EMD classique, la détection des extrema
comporte une certaine incertitude du fait de l’échantillonnage. En revanche, une différence majeure
entre les deux est que dans le cas univarié, la dérivée du signal est nulle aux extrema alors que dans le
cas bivarié, seule sa composante dans la direction considérée est nulle. Pour estimer cette incertitude
dans le cas bivarié, on peut s’intéresser au développement de Taylor du signal autour d’un de ses
extrema associé à une direction ϕ :
dx ϕ (t − tϕ 2 2
i) d x ϕ


x(t) − x(ti ) = (t − tϕ
i) (ti ) + 2
(ti ) + O (t − tϕ 3
i) . (1.144)
dt 2 dt
Si l’on projette maintenant cette expression sur uϕ et la direction orthogonale, on obtient :

(t − tϕ 2  2 


i) d x ϕ
hx(t) − x(ti ), uϕ i = 2
(ti ), uϕ + O (t − tϕ
i)
3
(1.145)
2 dt
dx ϕ

x(t) − x(ti ) − hx(t) − x(ti ), uϕ i uϕ = (t − tϕ
i) (ti ) + O (t − tϕ 2
i) , (1.146)
dt
où l’on voit que l’incertitude est beaucoup plus importante dans la direction orthogonale à uϕ que
dans la direction colinéaire, où elle est comparable à celle observée pour l’EMD classique. En pratique,
cette incertitude dans la direction orthogonale fait que la définition du centre (1.142) génère des er-
reurs relativement importantes même pour des taux de suréchantillonnage habituellement considérés
comme grands. Par contre, l’erreur générée par la définition (1.143) n’utilisant que la projection sur
la direction uϕ est beaucoup plus faible, de l’ordre de celle observée dans l’EMD classique. De ce fait,
cette dernière définition est a priori préférable si le signal analysé est assez peu suréchantillonné ou si
la précision sur la décomposition est particulièrement importante. En revanche la définition (1.142)
a sans doute son intérêt dans les cas très bien échantillonnés.

6.5.3 Algorithmes
À partir des deux définitions proposées pour le « centre » des armatures latérales, on peut écrire
deux opérateurs de tamisage différents définis par les deux algorithmes Algo. 4 et Algo. 5. Pour
86 Chapitre 1. Décompositions modales empiriques

obtenir les algorithmes d’EMD bivariées associés à ces opérateurs il suffit de remplacer l’opérateur
de tamisage dans l’algorithme de l’EMD classique par l’un de ces nouveaux opérateurs.

Algorithme 4 : EMD bivariée : opérateur de tamisage associé à la définition (1.142)

1 pour 1 ≤ k ≤ N faire
2 Projeter le signal x(t) sur la direction ϕk : pϕk (t) = hx(t), uϕk i
3 Extraire les positions {tkj } des maxima de pϕk (t).
4 Interpoler les points {(tkj , x(tkj ))} pour obtenir l’armature latérale dans la direction ϕk :
eϕk (t).
N
1 X
Calculer la moyenne des armatures latérales : m(t) = eϕk (t)
5 N
k=1
6 Soustraire la moyenne au signal : S B1 [x](t) = x(t) − m(t)

Algorithme 5 : EMD bivariée : opérateur de tamisage associé à la définition (1.143)

1 pour 1 ≤ k ≤ N faire
2 Projeter le signal x(t) sur la direction ϕk : pϕk (t) = hx(t), uϕk i
3 Extraire les maxima de pϕk (t) : {tkj , pkj }.
4 Interpoler les points {(tkj , pkj )} pour obtenir la composante selon uϕk de l’armature latérale
dans la direction ϕk : e′ϕk (t).
5 Calculer la moyenne de ces composantes :

N
2 X ′
m(t) = eϕk (t)uϕk
N
k=1

6 Soustraire la moyenne au signal : S B2 [x](t) = x(t) − m(t)

Concernant l’algorithme Algo. 5, on remarque que l’interpolation est identique à celle réalisée pour
obtenir l’enveloppe supérieure dans l’opérateur de tamisage original. Il en découle que si le nombre
N de directions considéré est pair (et que chaque direction a son opposé), on peut exprimer le
deuxième algorithme à partir de l’opérateur de tamisage de l’EMD classique (Algo. 6). Cette dernière
formulation est essentiellement intéressante dans la mesure où elle permet d’étudier le comportement
de cette EMD bivariée aux lumières des connaissances acquises — ou à venir — sur l’EMD classique.

Algorithme 6 : Reformulation de l’algorithme Algo. 5

1 pour 1 ≤ k ≤ N/2 faire
2 Projeter le signal x(t) sur la direction ϕk : pϕk (t) = hx(t), uϕk i
3 Calculer l’estimation partielle de S B2 [x](t) selon la direction ϕk : sϕk (t) = S[pϕk ](t)
N/2
B2 4 X
Finalement : S [x](t) = sϕk (t)uϕk
4 N
k=1

6.5.4 Symétries
Les algorithmes bivariés préservent les propriétés de symétrie de l’EMD classique (cf 3.2) et en
ajoutent deux sous certaines hypothèses concernant le jeu de directions utilisé : la covariance par
6.5. Signal bivarié 87

rapport à certaines réflexions dont l’axe passe par l’origine et la covariance par rapport à certaines
rotations centrées à l’origine. Si on assimile le plan R2 au plan complexe, la première de ces deux
symétries est liée à la notion de covariance par rapport à la conjugaison qui est la forme sous laquelle
elle est présentée ici.
conjugaison : Si le jeu de directions utilisé est composé de paires de directions conjuguées, avec
éventuellement en plus les directions correspondant aux arguments 0 et π, les algorithmes
bivariés commutent avec la conjugaison. En effet, si {ϕk , 1 ≤ k ≤ N } = {−ϕk , 1 ≤ k ≤ N }
(en supposant les ϕk différents les uns des autres), alors on peut trouver une permutation p
telle que ∀k, ϕp(k) = −ϕk et il en découle que la projection de x(t) sur uϕk est identique à la
projection de x∗ sur uϕp(k) :


hx(t), uϕk i = Re x(t)e−iϕk (1.147)
x(t)e−iϕk + x∗ (t)eiϕk
= (1.148)
2
x(t)eiϕp(k) + x∗ (t)e−iϕp(k)
= (1.149)
D 2E
= x∗ (t), uϕp(k) (1.150)

Par conséquent, les positions des extrema tkj [x] de la projection pϕk [x](t) de x(t) sur uϕk sont
p(k)
les mêmes que celles des extrema tj [x∗ ] de la projection de x∗ (t) sur uϕp(k) . Sachant que l’opé-
ration d’interpolation commute avec la conjugaison, on obtient ∗ la relation entre les armatures
∗
latérales pour l’algorithme Algo. 4 : eϕk [x](t) = eϕp(k) [x ](t) . Pour l’algorithme Algo. 5, la
relation est encore plus simple : e′ϕk [x](t) = e′ϕp(k) [x](t). Au final, on aboutit dans les deux cas
au fait que la moyenne des armatures latérales pour x∗ (t) est conjuguée de celle pour x(t) et
donc que
∗
∗
S B1 [x∗ ](t) = S B1 [x](t) et S B2 [x∗ ](t) = S B2 [x](t) . (1.151)
Dans la limite où le nombre de directions tend vers l’infini, le jeu de directions peut être rem-
placé par une distribution continue de directions. Si celle-ci est symétrique par rapport à 0 (en
supposant les directions dans [−π, π]), alors les algorithmes bivariés commutent asymtotique-
ment avec la conjugaison.
rotations : Si le jeu de directions possède des symétries de rotation, alors les algorithmes d’EMD
bivariée les conservent. Soit ψ ∈ [0, 2π] tel qu’il existe une permutation p telle que ∀k, ϕk =
ϕp(k) + ψ. La projection de x(t)eiψ sur la direction ϕk vérifie alors
D E  
x(t)eiψ , uϕk = Re x(t)eiψ e−iϕk (1.152)
D E
= x(t), uϕp(k) . (1.153)

Sachant que l’interpolation commute avec les rotations du plan complexe, il en résulte que
les armatures latérales pour l’algorithme Algo. 4 vérifient eϕk [xeiψ ](t) = eiψ eϕp(k) [x](t). Pour
l’algorithme Algo. 5, la relation est e′ϕk [x](t) = e′ϕp(k) [x](t). Au final, on obtient dans les deux
cas que la moyenne des armatures m(t) vérifie m[xeiψ ](t) = eiψ m[x](t) et donc que
S B1 [xeiψ ](t) = eiψ S B1 [x](t) et S B2 [xeiψ ](t) = eiψ S B2 [x](t). (1.154)
Dans la limite où le nombre de directions tend vers l’infini, les algorithmes bivariés commutent
avec les rotations qui laissent invariante la distribution de directions. En particulier, si cette
distribution est uniforme, alors les algorithmes bivariés commutent asymtotiquement avec toute
rotation du plan.
88 Chapitre 1. Décompositions modales empiriques

6.5.5 IMFs bivariés

Les algorithmes bivariés Algo. 4 et Algo. 5 sont conçus pour que des signaux tournant autour
de l’origine du plan soient a priori des IMFs admissibles. Sachant que la notion de signal tournant
autour d’un point est plutôt vague et que de plus il n’est a priori pas impossible d’obtenir des IMFs
qui ne tournent pas autour de l’origine, l’objectif de cette section est de préciser dans une certaine
mesure les caractéristiques des IMFs produits par ces algorithmes, c’est-à-dire des signaux qui sont
des points fixes — éventuellement approximatifs — des opérateurs de tamisage :
S B1 [x](t) ≈ x(t) ou S B2 [x](t) ≈ x(t). (1.155)
Étant donnée la complexité des opérateurs de tamisage bivariés, il n’existe pas actuellement de
caractérisation théorique de leurs points fixes. Par la suite, nous tenterons de cerner quelques pro-
priétés de ces points fixes à l’aide d’exemples simples. Dans la mesure où, à l’instar de l’opérateur
de tamisage classique, les opérateurs de tamisage bivariés sont construits pour agir de manière lo-
cale on peut se retreindre dans un premier temps à l’étude de leur comportement sur des signaux
périodiques. On observe en effet que le comportement de ces opérateurs sur des signaux qui sont
localement proches de périodiques est très semblable au cas de signaux rigoureusement périodiques
(cf Fig. 1.29).

[Link] Cas de signaux dont le tube enveloppe est constant On s’intéresse ici au cas de
signaux périodiques tournant autour de l’origine du plan. Pour simplifier l’étude, on peut s’intéresser
tout d’abord au cas simple où le signal n’effectue qu’un tour par période. Parmi ceux-ci, il existe un
cas très simple dans lequel on peut facilement calculer la position du centre de l’enveloppe : le cas
où les armatures sont constantes. C’est en particulier le cas si chacune de ces armatures n’interpole
qu’un point par période, c’est à dire que quelle que soit la direction sur laquelle on projette le signal,
celui-ci n’a que deux extrema par période (un maximum et un minimum). Géométriquement, ceci est
encore équivalent à dire que le sens de rotation instantané du signal est constant, ce dernier étant
décrit par exemple par le sens du produit vectoriel des vecteurs vitesse et accélération
 
dx d2 x
∧ 2 , ez , (1.156)
dt dt
où ez est un vecteur orthogonal au plan dans lequel vit le signal x(t). Ceci est aussi équivalent à dire
que la trajectoire du signal dans le plan entoure un domaine convexe. Enfin, si le signal tourne par
exemple dans le sens trigonométrique, cette propriété est encore équivalente à dire que la phase de
la dérivée de x(t), pris comme un signal à valeur complexe, est strictement croissante
dx dψ
= r(t)eiψ(t) , r(t) > 0, > 0. (1.157)
dt dt
Pour un tel signal, on peut alors expliciter les armatures latérales (pour les deux méthodes) et
donc leur centre. En identifiant le vecteur unitaire uϕ avec le nombre complexe eiϕ , on peut alors
écrire que, pour chaque période, le maximum dans la direction uϕ correspond au point où
π
ψ(t) = ϕ ± , (1.158)
2
avec un signe + si le signal tourne dans le sens trigonométrique et − sinon. Les armatures latérales
étant des constantes égales à la valeur du maximum dans la direction considérée, on en déduit les
armatures latérales pour les deux algorithmes
  π 
eϕ (t) = x ψ −1 ϕ ± , (1.159)
D   2 π  E
e′ϕ (t) = x ψ −1 ϕ ± , uϕ , (1.160)
2
6.5. Signal bivarié 89

et les centres des armatures correspondants

1 X  −1  π 
N
mB1
N (t) = x ψ ϕk ± , (1.161)
N 2
k=1
N D  
2 X π  E
mB2
N (t) = x ψ −1 ϕk ± , uϕk u ϕ k . (1.162)
N 2
k=1

Si on prend maintenant la limite de ces expressions quand N tend vers l’infini en supposant que
la distribution des ϕk est uniforme dans [0, 2π], on obtient
Z 2π
1

mB1
∞ (t) = x ψ −1 (ϕ) dϕ, (1.163)
2π 0
Z T
1 dx
= x(t) dt. (1.164)
2π 0 dt

et de même
Z T D E
1
mB2
∞ (t) = x(t), uψ(t)∓ π2 uψ(t)∓ π2 dt, (1.165)
π 0

qui donne en notation complexe

Z T  
1 iπ iπ
mB2
∞ (t) = eiψ(t)∓ 2 Re x(t)e−iψ(t)± 2 dt, (1.166)
π 0
Z T
B1 1
= m∞ (t) − e2iψ(t) x∗ (t)dt (1.167)
2π 0
= mB1
∞ (t), (1.168)

puisque
Z T h iT Z T 
2iψ(t) ∗ dψ i 2iψ(t) ∗ dx∗ 2iψ(t)
e x (t) dt = −e x (t) + e dt (1.169)
0 dt 2 0 0 dt
Z T Z T
i i dx
= r(t)eiψ(t) dt = dt = 0. (1.170)
2 0 2 0 dt

Ainsi, dans ce cas très simple, on voit que le centre des armatures est en fait le même pour les
deux algorithmes lorsque N → ∞ et correspond à la formule
Z T
1 dψ
m= mB1
∞ (t) = mB2
∞ (t) = x(t) dt, (1.171)
2π 0 dt

moyenne du signal pondérée par la dérivée de la phase de sa dérivée. Si on se place du point de vue
de la trajectoire, il s’agit en fait de la moyenne de la trajectoire pondérée par sa courbure. En effet,
la courbure de la trajectoire vaut
dx d2 x
dt dt2
γ(t) = (1.172)
dx 3
dt
90 Chapitre 1. Décompositions modales empiriques

qui donne en notation complexe

 
dx∗ d2 x
Im
dt dt2
γ(t) = (1.173)
dx 3
dt
1 dψ
= , (1.174)
r(t) dt
et l’abscisse curviligne s vérifie
dx
ds = dt = r(t)dt (1.175)
dt
d’où le résultat Z T
1
m= x(t)γ(t) r(t)dt . (1.176)
2π 0 | {z }
ds
Remarque : La formule donnant le centre de l’enveloppe (1.176) est valable dès lors que les armatures
sont des constantes. Elle reste donc valable pour de tels signaux périodiques modulés en fréquence,
c’est-à-dire qu’elle est valable de manière générale dès lors que le signal suit (sans changer de sens)
une trajectoire qui est une courbe fermée à un seul tour englobant une surface convexe.

6.5.6 Exemples d’application

[Link] Filtrage adaptatif de composantes quasi-monochromatiques modulées AM-FM
Tout comme avec l’EMD classique, l’EMD bivariée permet de décomposer efficacement des sommes de
composantes monochromatiques modulées en amplitude et en fréquence dès lors que les modulations
sont suffisamment lentes par rapport à la période locale et que les composantes sont suffisamment
éloignées en fréquence à tout instant. Un exemple d’une telle décomposition est présenté Fig. 1.29.

[Link] Exemple d’un signal expérimental Les algorithmes bivariés sont particulièrement
adaptés pour traiter des signaux de la forme de celui proposé Fig. 1.30 qui contiennent très claire-
ment au moins une composante tournante non stationnaire. Le signal correspond à la position au
cours du temps d’un flotteur océanographique sous-surfacique suivi acoustiquement. Ce flotteur a
été déployé dans le nord de l’océan atlantique pour suivre le mouvement d’eaux salées provenant de
la méditerranée au cours de l’expérience « Eastern basin » [49]. Le signal est disponible en ligne à
[Link] Les boucles de la trajectoire indiquent que le flotteur est piégé dans un
« vortex cohérent », c’est-à-dire un tourbillon en langage courant.
Appliquées à de tels signaux où des composantes tournantes sont clairement présentes, les al-
gorithmes bivariés donnent typiquement la décomposition proposée Fig. 1.31 où les composantes
tournantes ont été isolées dans des IMFs séparés. La décomposition est constituée de composantes
tournantes et de composantes non tournantes. Les composantes tournantes sont principalement les
deux premiers IMFs qui correspondent au vortex cohérent présumé. Ces deux composantes peuvent a
priori être analysées plus avant pour extraire des informations concernant le vortex cohérent, comme
sa vitesse de rotation, son ellipticité, etc. Une telle étude des composantes tournantes a déjà été
réalisée à l’aide de méthodes de crêtes d’ondelettes pour extraire la partie tournante du signal [37].
Les autres composantes ne semblent pas vraiment tournantes et sont supposées décrire les courants
à grande échelle dans lesquels se déplace le vortex cohérent. Il est encore impossible de dire quelles
informations peuvent être extraites de ces composantes à grande échelle, mais notre collaborateur
océanographe J. M. Lilly est particulièrement intéressé par ces composantes dans la mesure où peu
de méthodes permettent d’extraire efficacement les informations à grande échelle de signaux comme
celui étudié ici.
6.5. Signal bivarié 91

partie réelle partie imaginaire

10
signal

−10
5
0
d1

−5

5
0
d2

−5

5
0
d3

−5

0.2
a3

−0.2
0.5 signal d1
fréquence

−0.5
0.5
d2 d3
fréquence

−0.5
temps temps

Figure 1.29 – Filtrage adaptatif de composantes quasi-monochromatiques modulées AM-FM. Le

signal (rangée du haut) est décomposé par l’algorithme Algo. 5 avec 32 directions itéré 10 fois pour
extraire chaque IMF. La décomposition est stoppée après avoir extrait 3 IMFs représentés en dessous
du signal accompagnés du résidu a3 où on voit qu’il ne reste pratiquement rien des 3 composantes
constituant le signal. Les spectrogrammes réalloués du signal et des trois IMFs occupent les 4 qua-
drants du bas de la figure. Le signal initial contient 3 composantes modulées en amplitude et en
fréquence et étirées (avec une amplitude variable au cours du temps) dans une direction (également
variable). Le fait que les deux premières composantes soient étirées dans une direction fait que celles-
ci tournent localement de manière elliptique. Sachant qu’une rotation elliptique se décompose en
Fourier en deux rotations circulaires de fréquences opposées, ceci explique que leurs représentations
temps-fréquence contiennent à la fois des fréquences positives et négatives.
92 Chapitre 1. Décompositions modales empiriques

300
Nord–Sud (km) — Partie imaginaire

Est–Ouest (km)
200
200
0

100
−200

Nord–Sud (km)
200

−100
0

−200 −200

−200 −100 0 100 200 50 100 150 200 250 300 350 400 450 500
Est–Ouest (km) — Partie réelle Temps (jours)

Figure 1.30 – Signal correspondant à la position au cours du temps d’un flotteur océanographique
sous-surfacique suivi acoustiquement. Ce flotteur a été déployé dans le nord de l’océan atlantique pour
suivre le mouvement d’eaux salées provenant de la méditerranée au cours de l’expérience « Eastern
basin » [49]. Le signal est disponible en ligne à [Link]

200
signal

0
−200
50
d1

−50
50
d2

−50
50
d3

−50
50
d4

−50
200
d5

−200
50 100 150 200 250 300 350 400 450 500
Temps (jours)

Figure 1.31 – EMD bivariée du signal Fig. 1.30. Les parties réelles sont représentées par des traits
pleins bleus et les parties imaginaires par des tirets noirs. Cette décomposition a été obtenue avec
l’algorithme Algo. 5 avec 64 directions et 10 itérations pour chaque IMF. Les endroits où les compo-
santes sont tournantes peuvent être identifiées par un décalage de phase à peu près constant entre
les deux composantes. Si le décalage correspond à un quart de période (composantes en quadrature),
la rotation est circulaire. D’autres décalages correspondent à des rotations elliptiques.
6.5. Signal bivarié 93

6.5.7 Limites de l’approche proposée

L’EMD bivariée étant encore très récente, ses performances et ses limites restent à évaluer de ma-
nière plus exhaustive. On propose cependant quelques observations concernant des limites éventuelles
de la méthode.
L’une de ces limites est sans doute que dans sa formulation l’EMD bivariée est conçue pour
extraire des composantes tournantes alors qu’en pratique, il n’est pas rare d’obtenir des IMFs qui
ne sont pas vraiment tournants. Si la décomposition n’est pas pour autant dénuée d’intérêt, elle est
néanmoins discutable dans la mesure où l’« enveloppe » de tels signaux ne correspond plus au cadre
dans lequel les algorithmes ont été définis. Plus précisément, les IMFs non tournants peuvent être
vus comme localement tournants mais leur sens de rotation change fréquement, parfois sans que le
signal puisse faire un tour complet entre deux changements. Ces changements de sens semblent être
de deux sortes :
– des changements progressifs au cours desquels le cycle de rotation du signal s’aplatit progres-
sivement, passe par un stade totalement aplati, où le signal oscille plus qu’il ne tourne, puis se
remet à tourner mais dans l’autre sens. Par exemple

x(t) = t cos t + i sin t (1.177)

est un IMF bivarié tout à fait acceptable pour les deux algorithmes et qui change de sens de
rotation en t = 0.
– des changements où le signal tournant dans un sens donné rebrousse chemin pour tourner dans
l’autre sens. Un exemple est proposé Fig. 1.32.
En pratique, le premier type de changement de sens n’est pas problématique dans la mesure où le
tube enveloppe tel qu’il est défini dans les algorithmes correspond bien à l’idée qu’on peut se faire
de l’enveloppe d’un tel signal.
En revanche, le changement de sens par rebroussement pose plus de problèmes dans la mesure
où la forme de l’enveloppe d’un signal présentant de tels changements de sens est nettement moins
évidente à définir. Si on considère la définition utilisée dans les algorithmes sur l’exemple Fig. 1.32,
on peut voir que toutes les armatures latérales « oscillent » à des fréquences voisines de celle du
signal et que donc l’enveloppe du signal est ondulée à l’échelle de la période du signal ce qui contredit
l’intuition de la notion d’enveloppe qui implicitement est censée être plutôt lisse à l’échelle de variation
du signal. Malgré cela, il n’est pas a priori impossible que le centre des armatures latérales soit nul. En
pratique cependant, le signal proposé en exemple Fig. 1.32 n’est pas un IMF parfait dans la mesure
où le centre de ses armatures latérales n’est pas vraiment nul mais juste de faible amplitude. En
itérant davantage le tamisage, on pourrait d’ailleurs le décomposer en séparant sa partie imaginaire
et sa partie réelle. Il faudrait cependant pour cela un très grand nombre d’itérations de tamisage.
Pour donner un ordre de grandeur, au bout de 100 itérations, l’algorithme Algo. 5 le décompose à
peu près en d1 (t) = cos(4t) + 0.35i cos(3t) et d2 (t) = 0.65 cos(3t). L’algorithme Algo. 4 arrive quant
à lui à quelque chose qui s’apparente à des versions assez déformées de d1 (t) cos(4t) + 0.25i cos(3t) et
d2 (t) = 0.75 cos(3t). Ainsi, même si on n’a pas d’exemple d’IMF parfait — c’est à dire avec un centre
des armatures parfaitement nul —, il est tout à fait possible de rencontrer de tels rebroussements
dans les IMFs puisqu’ils sont tout à fait compatibles avec un centre des armatures de faible amplitude
par rapport au signal.
Une autre limite des algorithmes proposés peut être qu’ils sont incapables de dissocier deux
fréquences de signes opposés lorsqu’elles sont proches en valeur absolue. Cette propriété a pour
origine le fait que les algorithmes bivariés s’appuient sur des extrema de projections du signal où les
fréquences négatives et positives sont naturellement mélangées. Elle sera mise en évidence en 1.4.
Pour pouvoir séparer les fréquences positives et négatives, une solution pourrait être de faire comme
dans l’algorithme « Complex Empirical Mode Decomposition » (cf 6.5.1) une séparation préalable
du signal en partie analytique et antianalytique. Si une telle solution est sans doute intéressante dans
94 Chapitre 1. Décompositions modales empiriques

1 (a)
1
0.5 (b)
0.5

0
0
−0.5

−0.5 −1
−1
5
0
−1 0
−1 −0.5 0 0.5 1 1 −5
temps

1 (c) 1 (d)

0.5 0.5

0 0

−0.5 −0.5

−1 −1
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1

1 (e) 1 (f)

0.5 0.5

0 0

−0.5 −0.5

−1 −1
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1

Figure 1.32 – Exemple d’IMF tournant qui change de sens fréquemment en rebroussant chemin.
(a) la trajectoire du signal. (b) une vue tridimensionnelle de son évolution temporelle. Cet IMF
est le premier IMF issu de la décomposition de x(t) = cos(4t) + i cos(3t) avec 10 itérations de
tamisage(algorithme Algo. 5, 256 directions). On peut également obtenir un IMF très similaire en
prenant le premier IMF de la décomposition de x(t) = exp(iπ cos t) si le nombre d’itérations de
tamisage est de l’ordre de 10. (c) et (e) les résultats de 10 et 100 itérations de tamisage sur ce signal
à l’aide de l’algorithme Algo. 4 avec 256 directions. (d) et (f) idem avec l’algorithme Algo. 5.
6.5. Signal bivarié 95

certains cas, elle peut aussi être un inconvénient si le signal contient des composantes qui ne tournent
pas circulairement. Par exemple, si on considère une rotation elliptique

x(t) = eiθ (a cos (ωt + ϕ) + ib sin (ωt + ϕ)) , (1.178)

celle-ci se décompose en deux composantes de Fourier aux fréquences ω et −ω

a + b i(θ+ϕ) iωt a − b i(θ−ϕ) −iωt
x(t) = e e + e e . (1.179)
2 2
Il en découle que si on sépare préalablement les composantes analytiques et antianalytiques de x(t),
cette rotation elliptique est décomposée en deux IMFs distincts avec des fréquences opposées alors
que les algorithmes bivariés sont capables de la considérer comme une unique composante.
96 Chapitre 1. Décompositions modales empiriques
Chapitre 2

Analyse

1 Cadre déterministe

L’objet de ce chapitre est l’étude des propriétés de la décomposition dans des situations détermi-
nistes. En vertu de la propriété de localité de l’EMD, l’approche proposée consiste à étudier comment
se fait la décomposition lorsque le signal est constitué de composantes périodiques. Pour ce faire, on
s’intéresse dans un premier temps au cas simplifié au maximum qui est celui d’un signal constitué
d’une somme de deux sinusoı̈des sur lequel on construira un modèle du comportement de l’EMD
qui permet d’expliquer une grande partie des comportements observés et qui reste en partie valable
lorsque les composantes sinusoı̈dales sont modulées en amplitude et en fréquence. Par la suite, on
verra comment ce modèle permet également d’expliquer la décomposition de signaux constitués de
deux composantes faiblement non linéaires et éventuellement de plus de deux composantes. Enfin,
on proposera une adaptation de ce modèle pour décrire le comportement des extensions bivariées de
l’EMD introduites au chapitre 1 en 6.5.2.

1.1 Cas d’un mélange de 2 sinusoı̈des

1.1.1 Introduction

La question de la séparation de deux composantes sinusoı̈dales est reliée à la notion de résolution

fréquentielle. À première vue, cette question peut paraı̂tre bien posée dans l’idée qu’il est toujours
préférable de séparer deux composantes sinusoı̈dales de fréquences différentes mais cet a priori n’est
pas toujours justifié. Si on considère l’exemple simple d’un signal composé de deux composantes
sinusoı̈dales de mêmes amplitudes, on peut l’écrire sous la forme x(t) = cos 2πf1 t + cos 2πf2 t avec
une interprétation sous-jacente de deux composantes indépendantes, mais on peut tout aussi bien
l’écrire sous la forme x(t) = 2 cos(π(f1 − f2 )t) cos(π(f1 + f2 )t) avec une interprétation cette fois-ci en
termes d’une composante sinusoı̈dale modulée en amplitude. Cette interprétation est particulièrement
pertinente lorsque f1 ≈ f2 où elle est reliée à la notion de battement. Dans ce contexte, il n’est pas a
priori évident que l’interprétation de type Fourier en termes de deux composantes soit plus pertinente
que celle en termes d’une sinusoı̈de modulée en amplitude. Dans le cas de l’EMD, on voit intuitivement
que la méthode va privilégier l’une ou l’autre des interprétations suivant que les fréquences sont très
éloignées ou au contraire très rapprochées. L’objectif de cette section est de passer des considérations
intuitives à une compréhension objective et quantitative de la manière dont l’EMD choisit l’une ou
l’autre interprétation.
98 Chapitre 2. Analyse

1.1.2 Objectifs
Dans l’esprit de l’exemple schématique du battement proposé en introduction, l’objectif de cette
section est de caractériser, et si possible de modéliser, le comportement de l’EMD sur des mélanges
de 2 sinusoı̈des. Pour ce faire, on peut dans un premier temps chercher à répondre aux deux questions
suivantes :
1. Dans quelles conditions l’EMD sépare-t-elle les deux composantes sinusoı̈dales ?
2. Dans quelles conditions l’EMD considère-t-elle le signal comme une seule composante modulée
en amplitude et en fréquence ?
Sachant que l’EMD peut également avoir un comportement intermédiaire, on s’intéressera en fait
à quantifier un « degré de séparation » mesurant la proximité d’une situation donnée avec les cas
limites « 1 composante » et « 2 composantes ».
Au-delà de ces 2 cas limites, il n’est pas non plus a priori impossible d’observer des comportements
ne correspondant à aucun de ces 2 cas et n’étant pas non plus intermédiaire. En conséquence, on
tentera donc de répondre à une troisième question :
3. Dans quelles conditions l’EMD décompose-t-elle le signal en plusieurs composantes qui ne sont
pas simplement des combinaisons linéaires des deux composantes initiales ?

1.1.3 Modèle de signal

L’algorithme standard de l’EMD étant généralement implanté pour traiter des signaux à temps
discret, on s’intéressera dans un premier temps aux sommes de sinusoı̈des à temps discret :

x[n] = a1 cos(2πf1 n + ϕ1 ) + a2 cos(2πf2 n + ϕ2 ), 1 ≤ n ≤ N,

Sachant que l’EMD est covariante par rapport à la multiplication du signal par un scalaire non nul,
on s’intéressera en fait à un modèle où seul intervient le rapport des amplitudes des deux composantes
a = a2 /a1 :

x[n; a, f1 , f2 , ϕ1 , ϕ2 ] = cos(2πf1 n + ϕ1 ) + a cos(2πf2 n + ϕ2 ), 1 ≤ n ≤ N. (2.1)

Le modèle étant symétrique, on se restreindra de plus au cas où f2 < f1 pour simplifier les discussions.
La composante
x1 [n; f1 , ϕ1 ] = cos(2πf1 n + ϕ1 ) (2.2)
sera par la suite appelée composante haute fréquence (HF) et

x2 [n; a, f2 , ϕ2 ] = a cos(2πf2 n + ϕ2 ) (2.3)

composante basse fréquence (BF).

En pratique, ce modèle peut encore être simplifié si l’on s’intéresse à la limite dans laquelle les
fréquences des sinusoı̈des tendent vers zéro. Compte tenu de l’étude qui a été menée sur l’influence
de l’échantillonnage dans l’EMD (cf 5.4), on sait a priori que le comportement de l’EMD dans cette
limite doit se rapprocher de celui d’une EMD à temps continu sur le signal à temps continu

x(t) = cos(2πf1 t + ϕ1 ) + a cos(2πf2 t + ϕ2 ), t ∈ R.

Comme dans la limite continue l’EMD est covariante vis-à-vis des dilatations et des translations de
l’axe temporel, on pourra en fait se restreindre à un modèle ne faisant intervenir que des quantités
relatives a, f = f2 /f1 et ϕ = ϕ2 − ϕ1 :

x(t; a, f, ϕ) = cos 2πt + a cos(2πf t + ϕ), t ∈ R, (2.4)

1.1. Cas d’un mélange de 2 sinusoı̈des 99

où comme dans le cas discret, on se limitera également au cas f < 1 pour simplifier. Enfin, ce
dernier modèle étant considérablement plus simple que son homologue à temps discret, il permettra
également de proposer une approche théorique modélisant le comportement de l’EMD dans la limite
continue pour certaines valeurs des paramètres a, f et ϕ.
On définit comme dans le cas discret les deux composantes haute fréquence (HF)

x1 (t) = cos 2πt, (2.5)

et basse fréquence (BF)

x2 (t; a, f, ϕ) = a cos(2πf t + ϕ). (2.6)

1.1.4 Critères examinés

Pour apporter une réponse aux questions formulées précédemment, on définit 2 critères c1 et c2
qui quantifient la distance d’une situation donnée avec le cas limite « 1 composante » pour c1 et « 2
composantes » pour c2 . Ces 2 critères permettent de plus de répondre dans une certaine mesure à
la troisième question qui correspond aux situations qui sont loin des 2 cas limites précédents. Pour
y répondre plus précisément, on introduit un troisième critère c3 qui quantifie la proximité d’une
situation donnée avec l’ensemble des situations intermédiaires entre les deux cas limites.
Pour répondre à ces questions, on peut remarquer qu’il n’y a pas besoin de réaliser une EMD
complète du signal mais seulement d’examiner le premier stade de la décomposition correspondant
à la définition du premier IMF. En effet, celui-ci est nécessairement égal au signal dans le cas « 1
composante » , à l’une des composantes dans le cas « 2 composantes » et doit être différent d’une
combinaison linéaire des deux composantes dans le troisième cas. De plus, comme les IMFs sont
ordonnés en fonction de leur échelle, le premier IMF dans le cas « 2 composantes » correspond néces-
sairement à la composante HF, ce qui permet de quantifier la proximité d’une situation avec ce cas
(c1 ) en examinant simplement la distance entre le premier IMF et la composante HF. Similairement,
la proximité avec le cas « 1 composante » (c2 ) est quantifiée par la distance entre le premier IMF et
le signal initial et enfin la proximité avec toute situation intermédiaire (c3 ) est quantifiée par la dis-
tance entre le premier IMF et l’espace des combinaisons linéaires des deux composantes. On utilisera
pour les deux derniers critères deux normalisations différentes pour mieux faire apparaı̂tre certaines
caractéristiques.
Les critères sont définis de la manière suivante :

(n)
d1 [·; a, f1 , f2 , ϕ1 , ϕ2 ] − x1 [·; f1 , ϕ1 ]
(n) ℓ2
c1 (a, f1 , f2 , ϕ1 , ϕ2 ) = , (2.7)
kx2 [·; a, f2 , ϕ2 ]kℓ2
(n)
d1 [·; a, f1 , f2 , ϕ1 , ϕ2 ] − x[·; a, f1 , f2 , ϕ1 , ϕ2 ]
(n) ℓ2
c2,1 (a, f1 , f2 , ϕ1 , ϕ2 ) = , (2.8)
kx1 [·; f1 , ϕ1 ]kℓ2
(n)
d1 [·; a, f1 , f2 , ϕ1 , ϕ2 ] − x[·; a, f1 , f2 , ϕ1 , ϕ2 ]
(n) ℓ2
c2,2 (a, f1 , f2 , ϕ1 , ϕ2 ) = , (2.9)
kx2 [·; a, f2 , ϕ2 ]kℓ2
 
(n) (n)
d1 [·; a, f1 , f2 , ϕ1 , ϕ2 ] − Px1 ,x2 d1 [·; a, f1 , f2 , ϕ1 , ϕ2 ]
(n) ℓ2
c3,1 (a, f1 , f2 , ϕ1 , ϕ2 ) = , (2.10)
kx1 [·; f1 , ϕ1 ]kℓ2
 
(n) (n)
d1 [·; a, f1 , f2 , ϕ1 , ϕ2 ] − Px1 ,x2 d1 [·; a, f1 , f2 , ϕ1 , ϕ2 ]
(n) ℓ2
c3,2 (a, f1 , f2 , ϕ1 , ϕ2 ) = , (2.11)
kx2 [·; a, f2 , ϕ2 ]kℓ2
100 Chapitre 2. Analyse

avec les notations :

(n)
d1 [·; a, f1 , f2 , ϕ1 , ϕ2 ] = S n x[·; a, f1 , f2 , ϕ1 , ϕ2 ], : premier IMF de la décomposition de
x[·; a, f1 , f2 , ϕ1 , ϕ2 ] obtenu à l’aide de n
v itérations de tamisage
u N
u1 X
kukℓ2 = t u2 [n], : norme ℓ2 de u,
N
n=1

hu, x1 i hu, x2 i
Px1 ,x2 (u) = x1 + x2 : projection de u sur l’espace engendré par x1 et
hx1 , x1 i hx2 , x2 i
x2 . (les paramètres ont été omis pour alléger les
notations)
Remarque : Le choix des normes ℓ2 pour mesurer les distances se justifie dans la mesure où il permet
de simplifier certains résultats théoriques. Les résultats expérimentaux sont quant à eux relativement
peu sensibles à ce choix.

1.1.5 Simulations
[Link] Cas discret Une première série de simulations a été réalisée pour observer le comporte-
ment des différents critères sur le modèle discret (2.1) en fonction des paramètres a ∈ R∗+ , f1 ∈]0, 0.5],
f2 ∈]0, f1 [, et dans une moindre mesure ϕ1 ∈ [0, 1/f1 ] et ϕ2 ∈ [0, 1/f2 ]. L’objectif de ces premières
simulations étant principalement qualitatif, le nombre d’itérations de tamisage a été fixé arbitraire-
ment à 10. L’influence de ce paramètre important sera étudiée plus avant lors de la deuxième série
de simulations dont l’objectif est plus quantitatif.

Méthodologie Pour les 9 valeurs de a : 10−2 , 10−1.5 , 10−1 , 10−0.5 , 1, 100.5 , 10, 101.5 et 102 ,
(10)
on calcule les premiers IMFs d1 [·; a, f1 , f2 , ϕ1 , ϕ2 ] issus des signaux x[·; a, f1 , f2 , ϕ1 , ϕ2 ], avec dans
un premier temps f1 = k1 /480, 0 ≤ k1 ≤ 240, f2 = k2 /480, 0 ≤ k2 < k1 , ϕi = p/(4fi ), 0 ≤ p ≤ 3.
Dans un deuxième temps, on réalise les mêmes simulations en divisant les fréquences f1 et f2 par
10 pour s’approcher du cas continu. Pour chaque cas, on calcule les quantités c1 , c2,1 , c2,2 , c3,1 et
c3,2 . Les signaux ont une taille de 3840 points dont seuls les 1920 points centraux sont conservés
pour évaluer les différents critères. Le fait de ne considérer que la partie centrale de l’IMF permet de
limiter les effets de bords liés à la nécessité de prolonger artificiellement les séquences d’extrema pour
définir les interpolations sur les bords du signal. Le choix de 1920 = 8 × 240 points, lié aux valeurs
des fréquences f1 et f2 utilisées, permet de réaliser toutes les opérations d’intégration sur un nombre
entier de périodes pour chacune des deux composantes évitant ainsi des effets parasites. Enfin, on
considère des fréquences multiples de 1/240 parce que 240 a beaucoup de diviseurs ce qui permet de
faire mieux apparaı̂tre les singularités aux fréquences f = p/q avec p et q relativement « petits ».

Résultats Les valeurs des critères moyennées par rapport aux paramètres de phase ϕ1 et ϕ2
sont représentées Fig. 2.1 à Fig. 2.5, pour f1 et f2 entre 0 et 0.5, et Fig. 2.6 à Fig. 2.10, pour f1 et f2
entre 0 et 0.05. Toutes les images ont été artificiellement coupées à 2 pour avoir la même dynamique
partout.
De manière générale, la première série de figures est difficile à lire dans la mesure où d’importants
effets d’échantillonnage cachent souvent les variations ayant trait à la notion de séparation. Ces
effets d’échantillonnage se manifestent sur les images par des bandes verticales lorsque a < 1 et
horizontales sinon. Le caractère vertical ou horizontal de ces bandes montre qu’elles sont liées à une
des deux composantes seulement, qui se trouve assez logiquement être celle qui a la plus grande
amplitude. De plus, on observe que ces bandes sont centrées sur les fréquences de la forme 1/(2k + 1)
et disparaissent pour les fréquences 1/(2k), tout comme les effets d’échantillonnage sur une sinusoı̈de
(cf 5.4.1). Au-delà de ces effets d’échantillonnage, on observe que dès lors que les fréquences ne sont
1.1. Cas d’un mélange de 2 sinusoı̈des 101

pas trop élevées fi . 0.25, bon nombre de caractéristiques semblent dépendre essentiellement du
rapport f2 /f1 .
Pour y voir plus clair, on peut s’intéresser plus particulièrement à la deuxième série de simulations
où les fréquences ne vont que jusqu’à 0.05, ce qui permet de limiter les effets d’échantillonnage. On
observe de plus beaucoup plus nettement sur cette deuxième série le fait que la dépendance des critères
vis-à-vis des deux fréquences passe essentiellement par leur rapport. De manière plus détaillée, les
différents critères apportent chacun un certain nombre d’informations :

c1 indique que les deux composantes peuvent être séparées ssi leur rapport est inférieur à une certaine
limite. Cette limite dépend du rapport d’amplitudes, mais semble-t-il seulement quand celui-ci
est supérieur à 1.

c2,1 et c2,2 permettent de voir quand l’EMD perçoit le signal comme une seule composante. On
observe ainsi grâce à c2,2 que cela semble être le cas lorsque a < 1 et que le rapport de
fréquences est supérieur au rapport limite observé sur c1 . Lorsque a > 1, c2,2 n’apporte pas
beaucoup d’information mais c2,1 permet de voir que le comportement en fonction du rapport
de fréquences est plus compliqué et alterne les cas où le signal est considéré comme une unique
composante et d’autres où on ne sait pas bien ce qui se passe puisque, d’après c1 , les deux
composantes ne sont pas non plus séparées.

c3,1 et c3,2 apportent un autre éclairage sur les cas où les deux composantes ne sont pas séparées
et où le signal n’est pas non plus considéré comme une unique composante. c3,1 permet en
particulier d’observer que les comportements pour a > 1 mal identifiés par les autres critères
ne sont pas intermédiaires entre les deux situations « 2 composantes » et « 1 composante »
mais font intervenir d’autres composantes que les deux initiales. c3,2 enfin, permet d’observer
(sur les images a = 10−0.5 et a = 1) que la transition entre les deux états « 2 composantes »
et « 1 composante » lorsque a < 1 ne se fait pas uniquement en passant par des combinaisons
linéaires des 2 composantes mais qu’il y a dans les situations intermédiaires une (très) faible
proportion d’autres composantes.

[Link] Cas continu Suite à la première série de simulations, on réalise une deuxième série dans
l’objectif de caractériser le comportement de l’EMD dans la limite continue.

Méthodologie Outre les précautions prises pour la première série de simulations, on s’attache
ici a également limiter tout effet lié à l’échantillonnage. Pour ce faire, on utilise les résultats précé-
demment établis quant aux effets de l’échantillonnage sur l’EMD d’une sinusoı̈de qui montrent que
ceux-ci s’annulent pour les fréquences f = 1/(2k), k ∈ N. Dans le cas d’une somme de deux sinusoı̈des,
on observe que les effets d’échantillonnage disparaissent (ou presque) de manière similaire lorsque
la composante dominante, c’est-à-dire celle dont les extrema sont les plus proches de ceux du signal
somme (cf discussion sur les extrema [Link]), a une fréquence de la forme 1/(2k). Suivant le domaine
d’intérêt par rapport aux paramètres a et f = f2 /f1 du modèle continu (2.4), on présentera donc
plutôt des simulations, nécessairement réalisées sur le modèle discret, où f1 = 1/32 et f2 = kf1 /240
ou alors f = f2 /f1 = k/240 avec f2 = 1/(2p) où 2p est l’entier pair le plus proche de 32/f .
Pour amorcer la théorie développée dans la suite, on s’intéressera également à l’évolution de la
densité d’extrema de (a, f, ϕ) (ou nombre moyen d’extrema par unité de longueur) du signal somme
x(t; a, f, ϕ). On observera en particulier la quantité

de (a, f, ϕ) − 2f
d˜e (a, f, ϕ) = (2.12)
2 − 2f
102 Chapitre 2. Analyse

a = 10 −2 a = 10 −1.5 a = 10 −1
0.5 2

0.4
1.8
0.3
f2

0.2
1.6

0.1

0 1.4
a = 10 −0.5 a = 10 0 a = 10 0.5
0.5

0.4 1.2

0.3
f2

1
0.2

0.1 0.8

0
a = 10 1 a = 10 1.5 a = 10 2
0.5 0.6

0.4

0.4
0.3
f2

0.2
0.2
0.1

0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
f1 f1 f1

Figure 2.1 – c1
1.1. Cas d’un mélange de 2 sinusoı̈des 103

a = 10 −2 a = 10 −1.5 a = 10 −1
0.5 2

0.4
1.8
0.3
f2

0.2
1.6

0.1

0 1.4
a = 10 −0.5 a = 10 0 a = 10 0.5
0.5

0.4 1.2

0.3
f2

1
0.2

0.1 0.8

0
a = 10 1 a = 10 1.5 a = 10 2
0.5 0.6

0.4

0.4
0.3
f2

0.2
0.2
0.1

0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
f1 f1 f1

Figure 2.2 – c2,1

104 Chapitre 2. Analyse

a = 10 −2 a = 10 −1.5 a = 10 −1
0.5 2

0.4
1.8
0.3
f2

0.2
1.6

0.1

0 1.4
a = 10 −0.5 a = 10 0 a = 10 0.5
0.5

0.4 1.2

0.3
f2

1
0.2

0.1 0.8

0
a = 10 1 a = 10 1.5 a = 10 2
0.5 0.6

0.4

0.4
0.3
f2

0.2
0.2
0.1

0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
f1 f1 f1

Figure 2.3 – c2,2

1.1. Cas d’un mélange de 2 sinusoı̈des 105

a = 10 −2 a = 10 −1.5 a = 10 −1
0.5 2

0.4
1.8
0.3
f2

0.2
1.6

0.1

0 1.4
a = 10 −0.5 a = 10 0 a = 10 0.5
0.5

0.4 1.2

0.3
f2

1
0.2

0.1 0.8

0
a = 10 1 a = 10 1.5 a = 10 2
0.5 0.6

0.4

0.4
0.3
f2

0.2
0.2
0.1

0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
f1 f1 f1

Figure 2.4 – c3,1

106 Chapitre 2. Analyse

a = 10 −2 a = 10 −1.5 a = 10 −1
0.5 2

0.4
1.8
0.3
f2

0.2
1.6

0.1

0 1.4
a = 10 −0.5 a = 10 0 a = 10 0.5
0.5

0.4 1.2

0.3
f2

1
0.2

0.1 0.8

0
a = 10 1 a = 10 1.5 a = 10 2
0.5 0.6

0.4

0.4
0.3
f2

0.2
0.2
0.1

0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
f1 f1 f1

Figure 2.5 – c3,2

1.1. Cas d’un mélange de 2 sinusoı̈des 107

a = 10 −2 a = 10 −1.5 a = 10 −1
0.05 2

0.04
1.8
0.03
f2

0.02
1.6

0.01

0 1.4
a = 10 −0.5 a = 10 0 a = 10 0.5
0.05

0.04 1.2

0.03
f2

1
0.02

0.01 0.8

0
a = 10 1 a = 10 1.5 a = 10 2
0.05 0.6

0.04

0.4
0.03
f2

0.02
0.2
0.01

0 0
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
f1 f1 f1

Figure 2.6 – c1
108 Chapitre 2. Analyse

a = 10 −2 a = 10 −1.5 a = 10 −1
0.05 2

0.04
1.8
0.03
f2

0.02
1.6

0.01

0 1.4
a = 10 −0.5 a = 10 0 a = 10 0.5
0.05

0.04 1.2

0.03
f2

1
0.02

0.01 0.8

0
a = 10 1 a = 10 1.5 a = 10 2
0.05 0.6

0.04

0.4
0.03
f2

0.02
0.2
0.01

0 0
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
f1 f1 f1

Figure 2.7 – c2,1

1.1. Cas d’un mélange de 2 sinusoı̈des 109

a = 10 −2 a = 10 −1.5 a = 10 −1
0.05 2

0.04
1.8
0.03
f2

0.02
1.6

0.01

0 1.4
a = 10 −0.5 a = 10 0 a = 10 0.5
0.05

0.04 1.2

0.03
f2

1
0.02

0.01 0.8

0
a = 10 1 a = 10 1.5 a = 10 2
0.05 0.6

0.04

0.4
0.03
f2

0.02
0.2
0.01

0 0
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
f1 f1 f1

Figure 2.8 – c2,2

110 Chapitre 2. Analyse

a = 10 −2 a = 10 −1.5 a = 10 −1
0.05 2

0.04
1.8
0.03
f2

0.02
1.6

0.01

0 1.4
a = 10 −0.5 a = 10 0 a = 10 0.5
0.05

0.04 1.2

0.03
f2

1
0.02

0.01 0.8

0
a = 10 1 a = 10 1.5 a = 10 2
0.05 0.6

0.04

0.4
0.03
f2

0.02
0.2
0.01

0 0
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
f1 f1 f1

Figure 2.9 – c3,1

1.1. Cas d’un mélange de 2 sinusoı̈des 111

a = 10 −2 a = 10 −1.5 a = 10 −1
0.05 2

0.04
1.8
0.03
f2

0.02
1.6

0.01

0 1.4
a = 10 −0.5 a = 10 0 a = 10 0.5
0.05

0.04 1.2

0.03
f2

1
0.02

0.01 0.8

0
a = 10 1 a = 10 1.5 a = 10 2
0.05 0.6

0.04

0.4
0.03
f2

0.02
0.2
0.01

0 0
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
f1 f1 f1

Figure 2.10 – c3,2

112 Chapitre 2. Analyse

conçue pour valoir 0 lorsque la densité d’extrema du signal somme est identique à celle de la comp-
posante BF (qui vaut 2f dans le modèle continu(2.4)) et 1 lorsqu’elle est identique à celle de la
composante HF (qui vaut 2).

Résultats Les valeurs des critères moyennées par rapport à la différence de phases ϕ sont repré-
sentées Fig. 2.11 (c1 ), Fig. 2.12 (c2,1 et c2,2 ) et Fig. 2.13 (c3,1 et c3,2 ). Les écart types correspondant
à certaines de ces figures sont représentés Fig. 2.14 ainsi que la densité d’extrema réduite d˜e (a, f, ϕ)
(2.12) moyennée par rapport à ϕ.
De manière générale, les différentes quantités font apparaı̂tre deux grandes zones dans le plan
(a, f ) avec des comportements homogènes à l’intérieur de ces zones et une zone de transition entre
les deux. Celles-ci sont délimitées sur les différentes images par les courbes tracées en tirets et tiret-
point, qui correspondent respectivement aux équations af = 1 et af 2 = 1, et qui délimitent en fait
très précisément les zones où la densité d’extrema est exactement celle de la composante HF (af < 1)
ou BF (af 2 > 1), résultat mis en évidence Fig. 2.14, et démontré en [Link]. Plus précisément, la
courbe af < 1 délimite bien la zone de transition entre les 2 grandes zones mais seulement pour
f > 1/3. Pour f < 1/3, on expliquera en [Link] pourquoi la frontière de la zone de transition est au
dessus de la courbe af = 1 et on en déduira l’équation, correspondant à la courbe en pointillés sur
les images.
Intéressons-nous maintenant plus précisément au comportement de l’EMD au sein de chaque zone.

zone af < 1, jusqu’à la courbe en pointillés : Dans cette zone, on observe que le comporte-
ment des critères normalisés par la norme de la composante BF (c1 , c2,2 et c3,2 ) est pratique-
ment indépendant du rapport d’amplitude a, et ce d’autant plus qu’on s’écarte de la zone de
transition. Pour un nombre d’itérations donné, le comportement de l’EMD évolue progressive-
ment entre le cas où les deux composantes sont parfaitement séparées f → 0 et celui où elles
sont considérées comme une unique composante f → 1. Cette évolution en fonction de f , se
fait en fait avec un saut assez doux (allure sigmoı̈de) dont la position dépend du nombre d’ité-
rations : proche de 0.5 pour 1 itération, celle-ci se rapproche de 1 quand le nombre d’itérations
augmente. Au cours de cette évolution, de plus, on constate que le premier IMF est en très
bonne approximation tout le temps une combinaison linéaire des deux composantes initiales.
En résumé, tout semble en fait indiquer un comportement analogue à celui d’un filtre linéaire où
le premier IMF serait obtenu en filtrant le signal à l’aide d’un filtre passe-haut dont la réponse
en fréquence est justement la sigmoı̈de observée pour l’évolution de c1 en fonction de f quand
a → 0.

zone af 2 > 1 : Dans cette zone, on peut déjà observer grâce au critère c1 que quelles que soient les
valeurs de a et f , il n’est jamais possible de séparer les deux composantes. Au-delà de ça, on
observe que contrairement au cas précédent, ce sont les critères normalisés par la norme de la
composante HF (c2,1 et c3,1 ) qui semblent indépendants du rapport d’amplitude a 1 . L’étude de
ces critères montre en fait que le comportement de l’EMD alterne entre considérer que le signal
est une seule composante si f est plutôt proche de l’ensemble des {1/(2k + 1), k ∈ N}, ou alors
proposer un premier IMF qui n’est pas combinaison linéaire des deux composantes HF et BF
si f est plutôt proche de {1/(2k + 1), k ∈ N}. Plus précisément, on observe que dans ce second
cas, la distance entre le premier IMF et le signal est proche de la norme de la composante HF
et que de plus, le premier IMF est à la même distance de l’espace des combinaisons linéaires des
composantes HF et BF. En en déduit donc que dans ce second cas, l’EMD produit le premier
IMF en ajoutant au signal une nouvelle composante de même norme que la composante HF et
qui est orthogonale aux deux composantes initiales.
1. c1 semble également indépendant du rapport d’amplitude mais on pourra voir grâce à la modélisation qu’il en
dépend à la manière de (a + 1)/a et que cette dépendance est donc peu visible dans cette zone où a est plutôt grand. La
1.1. Cas d’un mélange de 2 sinusoı̈des 113

zone de transition : Le comportement de l’EMD dans cette dernière zone est nettement plus com-
pliqué que dans les deux précédentes. En pratique, on observe souvent un comportement in-
termédiaire entre les deux précédents avec des intervalles où le comportement est proche de
celui de la zone af < 1 intercalés avec d’autres où il est proche de celui de la zone af 2 > 1 (cf
Fig. 2.15). La largeur des différents intervalles n’évolue pas de manière simple en fonction des
paramètres a et f et est a priori liée à des détails comme la proximité du rapport de fréquences
avec certains nombres rationnels. Une trace de ces effets dans le comportement de c1 ou de
c2,2 est le caractère irrégulier de la frontière c1 = 0.5 (ou encore mieux de c2,2 = 0.5), où l’on
peut voir en particulier des excroissances pour tous les rapports f = 1/k, k ∈ N∗ . De plus, on
peut dans une certaine mesure expliquer l’évolution de ces frontières en fonction du nombre
d’itérations : les intervalles où le comportement est proche de celui de la zone af < 1 ont
tendance à s’allonger lorsque le nombre d’itération augmente jusqu’à faire disparaı̂tre ceux où
le comportement est proche de la zone af 2 > 1. Intuitivement, ce comportement se justifie par
le fait que des extrema sont susceptibles d’apparaı̂tre au cours du processus de tamisage, mais
qu’il est en revanche beaucoup plus rare de les voir disparaı̂tre. On observe ainsi un déplace-
ment de la frontière vers la zone af 2 > 1, limité par certaines valeurs de f comme les rapports
f → 1/k cités précédemment pour lesquels les longueurs des intervalles tendent vers l’infini.
Lorsque f = 1/k, le comportement dépend de la différence de phases ϕ et est globalement soit
celui de la zone af < 1 soit celui de la zone af 2 > 1. Par conséquent, il n’y a pas d’évolu-
tion des longueurs des intervalles avec le nombre d’itérations. Pour des rapports de fréquences
moins particuliers, la différence de phase a essentiellement une influence sur les positions des
intervalles mais pas sur leurs longueurs.

1.1.6 Modélisation dans le cas continu

[Link] A propos des extrema

Quelques résultats sur les positions des extrema Les extrema jouent un rôle central dans
l’algorithme de l’EMD et il n’est donc pas surprenant de voir que leurs propriétés, notamment leur
densité examinée lors des simulations, semblent fortement liées au comportement de l’algorithme.
En effet, il parait intuitivement clair que l’EMD ne peut extraire une composante que si elle peut
détecter des extrema liés à cette dernière. Dans le cas de la somme de deux sinusoı̈des (2.4), il n’y a
que deux cas asymptotiques pour lesquels on peut aisément caractériser complètement les positions
des extrema : si l’une des deux composantes a une amplitude infiniment plus grande que l’autre
(a → 0 ou a → ∞). En pratique cependant, les simulations semblent indiquer que le comportement
de l’EMD est très semblable aux cas asymptotiques dès lors que la densité d’extrema est identique à
celle de l’une des deux composantes. On a observé à ce propos que la densité d’extrema était égale
à celle de la composante HF si af < 1 et à celle de la composante BF si af 2 > 1 avec une transition
relativement douce entre les deux. Commençons par démontrer ces résultats.

Proposition 2. La densité d’extrema

 
nombre d’extrema de x(·; a, f, ϕ) dans − T2 , T2
de (a, f, ϕ) = lim (2.13)
T →∞ T

seule trace discernable (surtout sur les vues 3D pour 3 et 10 itérations) de cette évolution est en fait la zone où c1 > 1
pour f & 0.5 et log10 a ≈ 0.5.
114 Chapitre 2. Analyse

Figure 2.11 – Colonne de gauche : vue 3D de c1 moyenné par rapport à ϕ pour (de haut en bas) 1,
3 et 10 itérations de tamisage. Colonne de droite : idem en images. Les lignes épaisses correspondent
aux courbes de niveau = 0.5.
1.1. Cas d’un mélange de 2 sinusoı̈des 115

Figure 2.12 – Colonne de gauche : c2,1 moyenné par rapport à ϕ pour (de haut en bas) 1, 3 et
10 itérations de tamisage. Colonne de droite : idem pour c2,2 . Les lignes épaisses correspondent aux
courbes de niveau = 0.5.
116 Chapitre 2. Analyse

Figure 2.13 – Colonne de gauche : c3,1 moyenné par rapport à ϕ pour (de haut en bas) 1, 3 et 10
itérations de tamisage. Colonne de droite : idem pour c3,2 . c3,2 s’écarte très légèrement de 0 (jusque
0.03 pour 10 itérations) pour f aux alentours de 0.6, et ce même quand a → 0. Les lignes épaisses
correspondent aux courbes de niveau = 0.5.
1.1. Cas d’un mélange de 2 sinusoı̈des 117

Figure 2.14 – En haut à gauche : densité d’extrema réduite (2.12) moyennée par rapport à ϕ.
Autres : écarts type des quantités c1 , c2,2 et c3,2 par rapport à ϕ pour 10 itérations de tamisage (rares
sont les valeurs dépassant 0.5).
118 Chapitre 2. Analyse

somme de sinusoides : f = 0.208, a = 8.9 somme de sinusoides : f = 0.43, a = 3.5

signal

1 itération 1 itération
d1
a1

3 itérations 3 itérations
d1
a1

10 itérations 10 itérations
d1
a1

Figure 2.15 – Exemples de comportements dans la zone de transition. Initialement, seule une partie
des extrema de la composante HF donne lieu à des extrema dans le signal composite. Au fil des
itérations de tamisage, il en apparaı̂t de plus en plus, mais le nombre d’itérations nécessaire à tous
les faire ressortir peut être très grand. A priori, celui-ci diverge quand f → 1/k, k ∈ N∗ .
1.1. Cas d’un mélange de 2 sinusoı̈des 119

vaut en moyenne par rapport à ϕ ∈ [0, 2π]



 2 si af < 1

 " s ! s #
 2f 4 2f 4
4 1 1 − a 1 − a
hde (a, f, ϕ)iϕ = 2f + sin−1 − f sin−1 si af 2 < 1 < af (2.14)

 π af 1 − f 2 1 − f2



2f si af 2 > 1

Démonstration. Commençons par prouver les 2 résultats simples :

(
2 si af < 1
hde (a, f, ϕ)iϕ = (2.15)
2f si af 2 > 1

Pour ce faire, on montre d’abord que le signe de la dérivée seconde du signal somme (2.4) au niveau
de ses extrema est le même que celui de la dérivée seconde de la composante HF si af < 1 et BF si
af 2 > 1. Supposons que x(t; a, f, ϕ) a un extremum en t = t0 :

∂t x(t; a, f, ϕ)|t=t0 ∝ sin 2πt0 + af sin(2πf t0 + ϕ) = 0. (2.16)

La dérivée seconde de x(t; a, f, ϕ) vaut

∂t2 x(t; a, f, ϕ) ∝ cos 2πt + af 2 cos(2πf t + ϕ), (2.17)

et on veut montrer que

|af 2 cos(2πf t0 + ϕ)| < | cos 2πt0 | si af < 1, (2.18)

|af 2 cos(2πf t0 + ϕ)| > | cos 2πt0 | si af 2 > 1. (2.19)

En mettant au carré et en utilisant (2.16), on obtient les équations équivalentes

a2 f 4 cos2 (2πf t0 + ϕ) + a2 f 2 sin2 (2πf t0 + ϕ) < 1 si af < 1, (2.20)

2 4 2 2 2 2 2
a f cos (2πf t0 + ϕ) + a f sin (2πf t0 + ϕ) > 1 si af > 1, (2.21)

qui sont vraies puisque a2 f 4 < a2 f 2 < 1 si af < 1 et 1 < a2 f 4 < a2 f 2 si af 2 > 1.
Étant donné ce premier résultat, on en déduit qu’il ne peut y avoir qu’un extremum dans le signal
somme entre deux passages à zéro de la composante HF si af < 1 (ou BF si af 2 > 1) parce que son
type (maximum ou minimum) est en fait imposé par le signe de la dérivée seconde de HF (ou BF si
af 2 > 1). Il ne peut donc y avoir qu’un seul extremum dans le signal somme par demi-période de HF
si af < 1 (ou BF si af 2 > 1), d’où les densités d’extrema (indépendantes de ϕ) dans ces deux cas.
Montrons maintenant que si af 2 < 1 < af , la densité d’extrema moyenne est donnée par
" s ! s #
4 1 1 − a 2f 4 1 − a 2f 4
hde (a, f, ϕ)iϕ = 2f + sin−1 − f sin−1 (2.22)
π af 1 − f2 1 − f2

Si x(t; a, f, ϕ) est extrémal en te , la dérivée du signal doit être nulle en ce point

∂t x(t; a, f, ϕ)|t=te ∝ sin 2πte + af sin(2πf te + ϕ) = 0. (2.23)

Comme af > 1, on en déduit que nécessairement

 
1 1
sin (2πf te + ϕ) ∈ − , , (2.24)
af af
120 Chapitre 2. Analyse

ce qui implique que

     
−1 1 −1 1
2πf te + ϕ ∈ − sin + kπ, sin + kπ , k∈Z (2.25)
af af

et donc
        
1 −1 1 1 −1 1
te ∈ − sin + kπ − ϕ , sin + kπ − ϕ , k ∈ Z. (2.26)
2πf af 2πf af

On vient de montrer que les extrema du signal somme sont nécessairement localisés dans des
intervalles situés au voisinage des extrema de la composante BF (en (kπ − ϕ)/(2πf ), k ∈ Z). De là,
si l’on calcule le nombre moyen (par rapport à ϕ) d’extrema dans l’un de ces intervalles, on voit que
ce nombre est également le nombre moyen d’extrema par demi-période (entre deux passages à zéro)
de la composante BF. La densité moyenne d’extrema dans le signal somme sera alors simplement ce
nombre divisé par 1/(2f ), longueur d’une demi-période de la composante BF. Intéressons-nous donc
à l’un de ces intervalles, par exemple
     
1 −1 1 1 −1 1
I= − sin − ϕ, sin −ϕ (2.27)
2πf af 2πf af
ϕ
et faisons un changement de variables de manière à le rendre fixe par rapport à ϕ : on pose t′ = t+ 2πf ,
ce qui correspond à



x(t′ ; a, f, ϕ) = cos 2πt′ − ϕ + cos 2πf t′ . (2.28)

L’intervalle I précédent devient alors

    
1 −1 1 1 −1 1
I= − sin , sin (2.29)
2πf af 2πf af

Dans la suite, on omettra les « primes » pour alléger les notations.

On introduit le point t0 ∈ I ∩ R+ tel que x(t; a, f, ϕ) puisse présenter une inflexion horizontale
(point où la dérivée première s’annule sans changer de signe) en t0 , ce qui correspond au cas où les
deux courbes de la figure Fig. 2.16 sont tangentes. t0 vérifie
(
sin (2πt0 − ϕ0 ) + af sin (2πf t0 ) = 0
∃ϕ0 tel que, (2.30)
cos (2πt0 − ϕ0 ) + af 2 cos (2πf t0 ) = 0.

Si l’on suppose l’existence d’un tel couple (t0 , ϕ0 ), il doit vérifier

(
sin2 (2πt0 − ϕ0 ) = a2 f 2 sin2 (2πf t0 )
(2.31)
cos2 (2πt0 − ϕ0 ) = a2 f 4 cos2 (2πf t0 ) ,

ce qui implique que

1 − a2 f 4
sin2 (2πf t0 ) = , (2.32)
a2 f 2− a2 f 4
qui est possible car af 2 < 1 < af et f < 1. Par conséquent,
s !
1 1 1 − a2 f 4
t0 = sin−1 , (2.33)
2πf af 1 − f2
1.1. Cas d’un mélange de 2 sinusoı̈des 121

(a) (b)

(c) (d)

−t0 0 t0 −t0 0 t0

Figure 2.16 – Dans chaque cadre sont représentées la dérivée de la composante BF et l’opposée de
la dérivée de la composante HF pour différentes valeurs de ϕ. Chaque croisement (points rouges)
correspond à un extremum dans le signal. Là où les courbes sont tangentes, le signal présente une
inflexion horizontale. (a) ϕ = ϕ0 . (b) ϕ = ϕ1 . (c) ϕ ∈]ϕ0 , ϕ1 [. (d) ϕ ∈]ϕ1 , ϕ0 + 2π[.
h i
1 1
puisque t0 ∈ I ⊂ − 4f , 4f . Au passage, on a montré, sous réserve d’existence, que t0 est le seul
point de I ∩ R+ , où il peut y avoir une inflexion horizontale. Par ailleurs, ϕ0 vérifie
s
1 − a2 f 4
sin (2πt0 − ϕ0 ) = −af sin (2πf t0 ) = − . (2.34)
1 − f2
| {z }
A

où A < 1 car af > 1. On en déduit que l’une des deux valeurs de ϕ0 suivantes convient :
ϕ0 = 2πt0 − sin−1 A − π ou ϕ0 = sin−1 A − 2πt0 . (2.35)
La deuxième équation de (2.30) permet alors de choisir
ϕ0 = 2πt0 − sin−1 A − π. (2.36)
Si l’on remplace t0 et ϕ0 par ces valeurs dans (2.30), on voit que le point t0 correspond bien à une
inflexion horizontale de x(t; a, f, ϕ0 ).
Dans la suite, on prendra ϕ dans [ϕ0 , ϕ0 + 2π] au lieu de [0, 2π]. Soit K le nombre d’extrema de
x(t; a, f, ϕ) dans l’intervalle ouvert ] − t0 , t0 [ pour ϕ = ϕ0 (l’extremum double n’est pas compté) et
soit ϕ1 ∈ [ϕ0 , ϕ0 + 2π[ tel que ϕ1 ≡ −ϕ0 [2π]. Pour ϕ = ϕ1 , x(t; a, f, ϕ) présente un extremum double
en −t0 . Le calcul fournit
 
−1 2πt0 − sin−1 A − π
ϕ1 = π + sin A − 2πt0 + 2π (2.37)
π
Si ϕ1 ≡ ϕ0 ≡ 0 [2π], il est aisé de voir que pour toute valeur de ϕ ∈ [ϕ0 , ϕ0 +2π], il y a exactement
K + 2 extrema dans I. Si au contraire ϕ0 6≡ 0 [2π], le nombre d’extrema dépend de ϕ. En s’aidant de
la Fig. 2.16, on peut voir que si ϕ ∈]ϕ0 , ϕ1 [, il y a exactement K extrema et K + 2 si ϕ ∈]ϕ1 , ϕ0 + 2π[.
Par conséquent, si ϕ est uniformément distribué dans [ϕ0 , ϕ0 + 2π], le nombre moyen d’extrema dans
I est
ϕ1 − ϕ0
K +2− . (2.38)
π
Cette formule est également valable pour le cas ϕ1 ≡ ϕ0 ≡ 0 [2π].
Il reste à calculer K. Pour ce faire, introduisons δ, l’écart entre t0 et le maximum de − sin (2πt − ϕ0 )
situé juste à côté. Étant donné que sin (2πt0 − ϕ0 ) = A et que sin (2π(t0 + δ) − ϕ0 ) = 1, on a
1 sin−1 A
δ= − . (2.39)
4 2π
122 Chapitre 2. Analyse

(a) (d)

−t0 − δ t0 + δ − 1/2

(b)

−t0 − δ t0 + δ − 1/2

(c)

−t0 − δ t0 + δ − 1/2 t0 t0 + δ

Figure 2.17 – Dans chaque cadre sont représentés la dérivée de la composante BF et l’opposé de
la dérivée de la composante HF pour différentes valeurs de ϕ. Chaque croisement (points rouges)
correspond à un extremum dans le signal. (a),(b),(c) nombre d’extrema dans ] − t0 , t0 [ pour ϕ = ϕ0 .
(d) définition de t0 et δ (agrandissement de la figure (a)).

En s’aidant de la figure Fig. 2.17, on peut voir que le nombre K d’extrema dans I pour ϕ = ϕ0
dépend du nombre K ′ de périodes entières de sin (2πt − ϕ0 ) dans l’intervalle ] − t0 − δ, t0 + δ − 1/2],
c’est-à-dire  
′ sin−1 A
K = ⌈2t0 + 2δ − 1/2⌉ − 1 = 2t0 − − 1. (2.40)
π
Dans le cas de Fig. 2.17 (a), il y a une période incomplète et un extremum (croisement). Dans le cas
limite de Fig. 2.17 (b) où ϕ0 ≡ 0 [2π], il y a une période quasi-complète dans ] − t0 − δ, t0 + δ − 1/2] et
toujours 1 seul extremum dans ] − t0 , t0 [. Enfin, dans le cas de Fig. 2.17 (c), il y a 1 période complète
et 3 extrema. Plus généralement, il en découle que K ′ périodes complètes donnent lieu à K = 2K ′ + 1
extrema dans ] − t0 , t0 [. Finalement, si l’on reprend l’équation (2.38), on obtient que le nombre moyen
d’extrema dans I vaut
ϕ1 − ϕ 0 2 sin−1 A
K +2− = 1 + 4t0 − . (2.41)
π π
Ce nombre étant également le nombre moyen d’extrema dans une demi-période de la composante BF,
si on remplace t0 et A par leurs valeurs et qu’on divise l’expression par 1/(2f ), on obtient finalement
le résultat (2.22).

Au-delà de ces résultats sur la densité d’extrema, on sait également que lorsque l’une des deux
composantes a une amplitude infiniment plus grande que l’autre (a → 0 ou a → ∞), les extrema du
signal somme sont situés aux mêmes endroits que ceux de la composante dominante. Pour des valeurs
finies du rapport d’amplitude, on peut montrer que, dès lors que la densité d’extrema est la même que
celle de l’une des deux composantes (af < 1 ou af 2 > 1), les extrema du signal somme sont situés
dans un certain rayon autour de ceux de la composante dominante. La proposition 3 apporte un
contrôle quantitatif sur la proximité entre les extrema de la composante dominante et ceux du signal
somme supportant un peu plus l’idée selon laquelle les extrema du signal somme sont d’autant plus
proches de ceux de la composante dominante que af est petit devant 1 ou af 2 est grand devant 1.
1.1. Cas d’un mélange de 2 sinusoı̈des 123

1
Proposition 3. Si af < 1, les extrema de x(t; a, f, ϕ) sont dans un rayon de sin−1 (af ) autour
2π
1
des extrema de cos(2πt), c’est-à-dire des points de l’ensemble Z.
2  
2 1 −1 1
Si af > 1, les extrema de x(t; a, f, ϕ) sont dans un rayon de sin autour des extrema
2πf af
ϕ 1
de cos(2πf t + ϕ), c’est-à-dire des points de l’ensemble − + Z.
2πf 2f
Démonstration.
∗ Cas af < 1 :
Considérons un extremum de x(t; a, f, ϕ) situé en t = t0 . La dérivée du signal est nulle en t0

∂t x(t; a, f, ϕ)|t=t0 ∝ sin 2πt0 + af sin(2πf t0 + ϕ) = 0. (2.42)

Ceci implique que

| sin 2πt0 | ≤ af, (2.43)
et donc  
k 1 k 1
t0 ∈ − sin−1 af, + sin−1 af , k ∈ Z. (2.44)
2 2π 2 2π
De plus, il y a nécessairement un extremum de x(t; a, f, ϕ) dans chacun de ces intervalles puisque
∂t x(t; a, f, ϕ) est continue et que ∀k ∈ Z,
    
k 1 k 1
∂t x( − ; a, f, ϕ) = 2π −1 + af sin 2πf − +ϕ < 0, (2.45)
2 4 2 4

et     
k 1 k 1
∂t x( + ; a, f, ϕ) = 2π 1 + af sin 2πf + +ϕ > 0. (2.46)
2 4 2 4
On pourrait de plus montrer qu’il est unique en reprenant l’argument utilisé dans la démonstration
de la proposition 2 selon lequel le type de l’extremum est imposé par le signe de la dérivée seconde
de la composante HF sur l’intervalle considéré.
∗ Cas af 2 > 1 :
Similairement, si la dérivée de x(t; a, f, ϕ) s’annule en t0 , on doit avoir

|af sin(2πf t0 + ϕ)| ≤ 1, (2.47)

et donc
    
k ϕ 1 1 k ϕ 1 1
t0 ∈ − − sin−1 , − + sin−1 , k ∈ Z. (2.48)
2f 2πf 2πf af 2f 2πf 2πf af

De plus, tous ces intervalles contiennent un extremum de x(t; a, f, ϕ), puisque ∀k ∈ Z,

   
1
∂t x(; a, f, ϕ) = 2π sin 2πtk − − af < 0, (2.49)
4f

et    
1
∂t x(; a, f, ϕ) = 2π sin 2πtk + + af > 0, (2.50)
4f
k ϕ
où tk = − . Celui-ci est de plus unique pour la même raison que dans le cas af < 1.
2f 2πf
124 Chapitre 2. Analyse

(a)
5

−5

(b)
1

−1

Figure 2.18 – Exemple de somme de sinusoı̈des dans le cas où af & 1 et f < 1/3. (a) le signal
x(t; a, f, ϕ). Ses enveloppes sont tracées en gris clair. (b) le signal après une itération de tamisage.
Dans les deux cas, les positions des extrema sont identifiées par des marques sur la ligne horizontale
en dessous de chaque signal.

Pourquoi la courbe af = 1 délimite moins bien la zone de transition quand f <

1/3 L’explication de ce phénomène est simplement que dans certains cas, des extrema peuvent
apparaı̂tre après quelques itérations de tamisage. Dans le cas des sommes de sinusoı̈des, ceci se
produit essentiellement lors de la première itération. En pratique, on observe que pour af & 1 et
f < 1/3, l’EMD semble se comporter comme si la densité d’extrema était identique à celle de la
composante HF alors qu’elle est légèrement inférieure. Si l’on regarde l’allure des signaux dans cette
zone du plan (a, f ) (cf Fig. 2.18), on s’aperçoit que les extrema sont essentiellement localisés au
voisinage des extrema de la composante BF et qu’ailleurs, il y a des épaulements qui clairement
donneraient lieu à des extrema si le rapport d’amplitude était plus faible. Étant donné que le signal
présente des minima à proximité des maxima de la composante BF (et inversement), on devine que
la moyenne des enveloppes suit grossièrement la composante BF. De ce fait, en la soustrayant lors de
la première itération de tamisage, on voit bien que les extrema cachés sous la forme d’épaulements
vont devenir de véritables extrema et que par conséquent la densité d’extrema après une itération
augmente pour égaler celle de la composante HF.
Pour trouver une équation de la véritable frontière observée pour f < 1/3, il suffit en fait de
trouver pour quelles valeurs de (a, f ) il y a systématiquement au moins un minimum du signal
somme entre deux passages à zéro de la composante BF encadrant un maximum de cette dernière.
Plus généralement, il suffit de trouver dans quelles conditions il y a systématiquement au moins
deux extrema du signal somme entre deux passages à zéro de la composante BF, l’un des deux étant
nécessairement du type voulu. Il se trouve que si f < 1/3, ceci est possible sans que pour autant
la densité d’extrema soit la même que celle de la composante HF. Si l’on considère le cas limite de
Fig. 2.19 (a) où le rapport d’amplitude a la valeur limite a = ã(f ), il est clair que quelle que soit
la valeur de la phase ϕ, si a < ã(f ), il y a systématiquement au moins trois extrema entre deux
passages à zéro de la composante BF (qui sont des extrema dans la figure puisqu’on représente la
dérivée des composantes). Inversement, il peut n’y en avoir qu’un seul si a > ã(f ) en prenant la
phase telle que dans le cas de la figure. La figure Fig. 2.19 (b) représente le même cas limite avec
f . 1/3 et permet de voir pourquoi le phénomène d’apparition d’extrema après la première itération
1.1. Cas d’un mélange de 2 sinusoı̈des 125

(a) (b)

Figure 2.19 – Cas limite a = ã(f ). Dans chaque graphe, on représente la dérivée de la composante
HF et l’opposé de la dérivée de la composante BF de sorte que les extrema du signal x(t; a, f, ϕ)
apparaissent sous la forme de croisements entre les deux courbes, marqués par des gros points. Les
cas (a) et (b) diffèrent par les valeurs de f , celle du cas (b) étant assez proche de f = 1/3 de manière
à pouvoir visualiser le changement de comportement pour f = 1/3 où le cas limite correspondrait à
af = 1 (même amplitude pour les deux dérivées).

de tamisage n’existe que dans le cas f < 1/3.

Pour trouver une expression de la frontière ã(f ), l’idée est d’écrire les conditions de tangence de
Fig. 2.19. Malheureusement, celles-ci ne permettent pas de donner une expression analytique de ã(f ).
On peut toutefois en trouver une bonne approximation si l’on suppose que les points de tangence
coı̈ncident avec les extrema de la dérivée de la composante HF situés à proximité, ce qui fournit :
1
ã(f ) =   (2.51)
3πf
f sin 2

Enfin, on peut également remarquer que cette frontière à partir de laquelle il y a systématiquement
au moins trois extrema du signal somme entre deux passages à zéro de la composante BF correspond
exactement à la frontière sur laquelle la densité d’extrema vaut exactement 6f ce qui correspond à
l’équation s s
!
1 1 − a 2f 4 1 − a2 f 4
sin−1 − f sin −1
− πf = 0. (2.52)
af 1 − f2 1 − f2

[Link] Modèle dans le cas d’extrema uniformément espacés Dans le cas où les extrema
du signal sont uniformément espacés, maxima et minima indépendamment, il est possible de décrire
le comportement de l’EMD par un modèle analytique. Si ce dernier n’est exact que pour les cas
asymptotiques a → 0 ou a → ∞, seuls cas où les extrema sont effectivement uniformément espacés,
on verra que le comportement de l’EMD est en fait très proche de ce modèle dès lors que la densité
d’extrema est identique à celle de l’une des deux composantes (af < 1 ou af 2 > 1).

Présentation du modèle Soit un signal x(t) défini sur R tel que pour tout k ∈ Z, x(t) admette
un maximum local en t = k et un minimum local en t = k + α, avec α ∈ [0, 1[.
Les extrema d’un tel signal étant uniformément espacés, les ensembles des maxima et des minima
de ce signal peuvent être vus comme des échantillonnages particuliers qu’on peut caractériser par les
peignes de Dirac dans le domaine de Fourier :
X
Xmax (ν) = δ(ν − k), (2.53)
k∈Z
X
Xmin (ν) = e−2ikπα δ(ν − k), (2.54)
k∈Z
126 Chapitre 2. Analyse

où le facteur e−2ikπα provient du décalage entre les deux échantillonnages.

En faisant la convolution de ces peignes de Dirac avec le signal dans le domaine de Fourier, on
obtient une représentation de Fourier des ensembles d’extrema :

Emax = Xmax ∗ x̂(ν), (2.55)

Emin = Xmin ∗ x̂(ν). (2.56)

Remarquons au passage que comme tout échantillonnage, ces échantillonnages par les maxima
et minima sont susceptibles d’introduire du repliement, ce qui a été initialement rapporté dans [31].
On verra par la suite que dans de nombreux cas, il y a effectivement des effets de repliement dans la
décomposition proposée par l’EMD.
Si on utilise alors un schéma d’interpolation qui, dans le cas de nœuds uniformément espacés,
peut être exprimé en termes de filtrage linéaire avec une réponse en fréquence I(ν) — ce qui est le
cas notamment des interpolations splines de tout ordre [62]—, on peut alors écrire les représentations
de Fourier des enveloppes :

êmax = I(ν) (Xmax ∗ x̂) (ν), (2.57)

êmin = I(ν) (Xmin ∗ x̂) (ν), (2.58)

où I(ν) dans le cas de l’interpolation spline cubique qui nous intéresse plus particulièrement est donné
par [62]
 
c.s. sin πν 4 3
I (ν) = . (2.59)
πν 2 + cos 2πν
La moyenne des enveloppes peut alors être exprimée comme
êmin (ν) + êmax (ν)
= I(ν) (Xαmean ∗ x̂) (ν), (2.60)
2
avec Xαmean la demi-somme des deux échantillonnages
X
Xαmean (ν) = e−ikπα cos(kπα)δ(ν − k). (2.61)
k∈Z

Un cas intéressant est celui où maxima et minima sont intercalés symétriquement pour lequel Xαmean
devient X
X1/2
mean = δ(ν − 2k), (2.62)
k∈Z

qui correspond donc à un échantillonnage à la fréquence 2. On voit que dans ce cas particulier, les
deux échantillonnages par les maxima et les minima se combinent en un seul échantillonnage par tous
les extrema. Une conséquence importante est que le repliement éventuellement introduit par chacun
des échantillonnages est ici en partie compensé lorsqu’on fait la moyenne des deux enveloppes. En
particulier, on peut considérer qu’il n’y a pas de repliement si le spectre de x(t) ne contient pas de
fréquences en dehors de l’intervalle [−1, 1], même s’il peut y avoir du repliement dans chacune des
enveloppes si le spectre de x(t) contient des fréquences en dehors de [−1/2, 1/2].
En soustrayant la moyenne des enveloppes au signal, on obtient finalement une représentation de
Fourier de l’opérateur de tamisage :
c
(Sx)(ν) = x̂(ν) − I(ν) (Xαmean ∗ x̂) (ν). (2.63)

Une particularité importante de cette représentation est qu’elle est linéaire si on considère Xαmean
fixé a priori. Ceci est en fait dû au fait que la seule étape non linéaire dans l’opérateur de tamisage
est la sélection des extrema du signal comme points caractéristiques (cf 3.1).
1.1. Cas d’un mélange de 2 sinusoı̈des 127

Formulation dans le cas général Si les maxima locaux de x(t) sont situés en t = kλ + α1 ,
k ∈ Z et les minima locaux en t = kλ + α2 , k ∈ Z, les peignes de Dirac correspondant deviennent
 
1 X − 2ikπα1 k
Xmax (ν) = e λ δ ν− , (2.64)
λ λ
k∈Z
 
1 X − 2ikπα2 k
Xmin (ν) = e λ δ ν− . (2.65)
λ λ
k∈Z

La réponse impulsionnelle du filtre d’interpolation est dilatée d’un facteur λ, ce qui donne la réponse
en fréquence λI(λν). Finalement, le modèle (2.63) devient dans le cas général
 
c
(Sx)(ν) = x̂(ν) − I(λν) Xλ,α 1 ,α2
mean ∗ x̂ (ν), (2.66)

avec    
X ikπ(α1 +α2 ) kπ(α1 − α2 ) k
λ,α1 ,α2 −
Xmean = e λ cos δ ν− (2.67)
λ λ
k∈Z

[Link] Application au cas de la somme de deux sinusoı̈des

Cas a → 0 et plus généralement af < 1 Dans le cas du signal x(t; a, f, ϕ) pour a → 0, le

modèle précédent prend la forme de (2.63) avec α = 1/2, c’est-à-dire
X
X1/2
mean = δ(ν − 2k). (2.68)
k∈Z

Initialement, le signal x(t; a, f, ϕ) contient 4 composantes de Fourier aux fréquences −1, 1, −f, f
avec les coefficients c±1 = 1/2 et c±f = ae±iϕ . Les signaux étant toujours réels, on pourra se contenter
dans la suite de ne considérer que les composantes aux fréquences positives. De plus, l’opérateur
décrit par (2.63) étant linéaire si on fixe l’opérateur d’échantillonnage (2.68), on pourra l’appliquer
indépendemment sur chacune des composantes de Fourier. Commençons par nous intéresser à Se1 ,
où de manière générale on note eν (t) = e2iπνt la fonction de la base de Fourier à la fréquence ν :
 
d1 )(ν) = ê1 (ν) − I(ν) X1/2 ∗ ê1 (ν),
(Se (2.69)
mean
X
= δ(ν − 1) − I(2k + 1)δ(ν − 2k − 1) (2.70)
k∈Z

Or dès lors que I(ν) correspond à un filtre d’interpolation qui reproduit l’unité — ce qui est la
moindre des exigences pour une interpolation — on sait que I(ν) doit s’annuler pour ν ∈ Z∗ et valoir
1 en 0 2 . Par conséquent l’expression de Se1 se simplifie en
d1 )(ν) = δ(ν − 1) = ê1 (ν),
(Se (2.71)

c’est-à-dire que la composante HF est laissée inchangée par l’opérateur de tamisage.

Pour la composante BF, on s’intéresse à Sef :
X
df )(ν) = δ(ν − f ) −
(Se I(2k + f )δ(ν − 2k − f ). (2.72)
k∈Z

2. Ce résultat se démontre aisément à l’aide de la formule de sommation de Poisson :P si i(t) est la réponse impul-
sionnelle de l’interpolation (et I(ν) sa réponse en fréqunce), elle reproduit l’unité ssi ∀x, k∈Z i(x + k) = 1 ce qui est
P
équivalent à ∀x, k∈Z I(k)e2ikπx = 1 qui implique ∀k ∈ Z∗ , I(k) = 0 et I(0) = 1.
128 Chapitre 2. Analyse

Contrairement au cas précédent, on ne peut pas simplifier plus l’expression. Toutefois, si on peut
supposer que I(ν) est négligeable pour ν 6∈ [−1, 1], on pourra arriver au même niveau de simplification
que pour la composante HF. Cette approximation est en particulier très raisonnable dans
le cas de
l’interpolation spline cubique dans la mesure où I c.s. (ν) décroı̂t rapidement (en O ν −4 ) en dehors
de [−1, 1] son maximum étant de 0.0064 pour ν ≃ 1.46. Avec cette approximation, on obtient

df )(ν) ≃ (1 − I(f ))êf ,

(Se (2.73)

qui correspond à un filtrage passe-haut de la composante BF par le filtre 1 − I(ν).

Si on combine maintenant ces résultats, on obtient que
(1)
d1 (t; a, f, ϕ) = (Sx(·; a, f, ϕ)) (t) ≃ x(t; a(1 − I(f )), f, ϕ), (2.74)

c’est-à-dire que la somme de deux sinusoı̈des après une itération de tamisage est très proche d’une
somme de sinusoı̈des avec un rapport d’amplitude inférieur, I(ν) étant généralement à valeur dans
[0, 1]. Étant donné que le modèle utilisé est a priori valide seulement dans le cas où a → 0, il est donc
d’autant plus valide après une itération de tamisage, ce qui nous permet finalement d’exprimer les
IMFs après un nombre n d’itérations de tamisage :
(n)
d1 (t; a, f, ϕ) = cos 2πt + (1 − I(f ))n a cos (2πf t + ϕ) , (2.75)
(n) (n)
d2 (t; a, f, ϕ) = a1 (t; a, f, ϕ) = (1 − (1 − I(f ))n )a cos (2πf t + ϕ) , (2.76)

(n) (n)
où on s’est permis d’exprimer le deuxième IMF d2 (t; a, f, ϕ) dans la mesure où a1 (t; a, f, ϕ) est
clairement déjà un IMF.
On voit ainsi que dans le cas particulier d’une somme de sinusoı̈des, l’EMD se comporte comme un
filtre linéaire de réponse en fréquence (1 − I(ν/f1 ))n pour n itérations de tamisage. Sachant que I(ν)
est un filtre passe-bas, on déduit que (1 − I(ν/f1 ))n est la réponse en fréquence d’un filtre pass-haut
dont la fréquence de coupure croı̂t avec n. Si on veut définir plus concrètement cette fréquence de
coupure, il semble naturel de choisir la fréquence à laquelle la réponse du filtre vaut exactement 1/2.
(n)
On peut donc définir fc , la fréquence de coupure du filtre équivalent à l’EMD lorsque la composante
HF à une fréquence de 1 par :
1
(1 − I(fc(n) ))n = , (2.77)
2
c’est-à-dire
1
I(fc(n) ) = 1 − 1 . (2.78)
2n
Malheureusement cette équation n’a pas de solution analytique dans le cas d’une interpolation spline
cubique. Cependant, la formule asymptotique
  1 !−1  5
ln 2 4
fc(n) = 1+ + O n− 4 (2.79)
k

en fournit une excellente approximation 3 , valable même pour les petites valeurs de n (cf Fig. 2.20).
Cette approximation s’obtient en écrivant en partie le développement limité de I(ν) au voisinage
de 1 :
(1 − ν)4 6


I(ν) = + O (ν − 1) , (2.80)
ν4
3. On pourrait encore simplifier le développement asymptotique mais ce serait au détriment de la qualité de l’ap-
proximation pour les petites valeurs de n.
1.1. Cas d’un mélange de 2 sinusoı̈des 129

0.9

(n)
fréquence de coupure fc
0.8

0.7

0.6

0.5

0.4
0 1 2 3
10 10 10 10
nombre d’itérations n

Figure 2.20 – Fréquence de coupure du filtre (1 − I(ν))n en fonction du nombre d’itérations n. Trait
plein noir : valeur exacte. Tirets : approximation (2.79).

qui implique pour ν < 1 que  

1 3
ν= 1 + O I(ν) 2 . (2.81)
1 + I(ν) 4

Finalement, le résultat (2.79) est obtenu en insérant dans cette dernière formule le développement :
 
1 ln 2 1
I(ν) = 1 − 1 = +O 2
. (2.82)
2n n n

Cas a → ∞ et plus généralement af 2 > 1 Dans le cas où a → ∞, les maxima du signal
sont situés en t = −ϕ/(2πf ) + k/f , k ∈ Z et les minima en t = −ϕ/(2πf ) + k/f + 1/(2f ), k ∈ Z. Le
modèle (2.66) prend alors la forme

c
(Sx)(ν) = x̂(ν) − I(ν/f ) (Xmean ∗ x̂) (ν), (2.83)

avec X
Xmean (ν) = δ(ν − 2kf )e2ikϕ . (2.84)
k∈Z

Comme dans le cas précédent, on peut se permettre de regarder séparément le comportement

du modèle sur les modes de Fourier e1 et ef . On montre ainsi que la composante BF est inchangée,
comme précédemment la composante HF :
X
df )(ν) = êf (ν) −
(Se I(2k + 1)δ(ν − (2k + 1)f )e2ikϕ (2.85)
k∈Z
= êf (ν). (2.86)

Le comportement est assez différent en revanche pour la composante HF :

X  2kf + 1 
d1 )(ν) = ê1 (ν) −
(Se I δ(ν − 2kf − 1)e2ikϕ (2.87)
f
k∈Z
130 Chapitre 2. Analyse

qui si on utilise à nouveau l’approximation I(ν) ≃ 0 pour ν 6∈ [−1, −1] donne

 
d 1 − 2kf f
(Se1 )(ν) ≃ ê1 (ν) − I δ(ν − 1 + 2kf f )e−2ikf ϕ , (2.88)
f
avec kf ∈ Z tel que 2kf − 1 < 1/f < 2kf + 1.
En combinant ces deux résultats, on obtient que le premier IMF après une itération vaut dans le
cadre du modèle
 
(1) 2kf f − 1
d1 (t; a, f, ϕ) ≃ x(t; a, f, ϕ) − I cos(2π(2kf f − 1)t + 2kf ϕ). (2.89)
f
Contrairement au cas a → 0, on constate que le signal après une itération sort clairement du
modèle à deux composantes sinusoı̈dales. Cependant, la nouvelle composante ayant une amplitude
inférieure à celle de la composante HF, on peut tout de même supposer qu’elle perturbera peu les
positions des extrema du signal, et ce d’autant plus que af 2 est grand devant 1. Si l’on applique
alors le même modèle pour les itérations de tamisage suivantes, on obtient finalement les IMFs pour
n itérations :
(n)
d1 (t; a, f, ϕ) ≃ x(t; a, f, ϕ) − λn cos(2π(2kf f − 1)t + 2kf ϕ), (2.90)
(n) (n)
d2 (t; a, f, ϕ) = a1 (t; a, f, ϕ) ≃ λn cos(2π(2kf f − 1)t + 2kf ϕ), (2.91)

avec   n
2kf f − 1
λn = 1 − 1 − I . (2.92)
f
Comme on pouvait l’attendre au vu des résultats des simulations, le comportement de l’EMD ne
peut être décrit en termes de filtrage linéaire. Celui-ci est en effet assez surprenant dans la mesure
où au lieu de séparer plus ou moins les deux composantes, elle en rajoute une avec une fréquence
encore plus basse que celle de la composante BF. En pratique, il faut noter que ceci peut fortement
compromettre l’analyse par HHT de certains signaux puisque, dans le cas de la somme de sinusoı̈des,
on observerait des fréquences instantanées oscillant autour de f pour le premier IMF et égale à
|2kf − 1| pour le second. Si on utilise plutôt une représentation temps-fréquence pour analyser les
IMFs, on verra apparaı̂tre les trois fréquences 1, f et |2kf − 1|, mais il sera délicat de distinguer celles
qui étaient dans le signal initialement et celle qui apparaı̂t par repliement. Dans tous les cas, il est
très difficile de défendre le point de vue offert par l’EMD. La seule circonstance atténuante qu’on
puisse lui trouver est finalement que la nouvelle fréquence |2kf − 1| se « voit » dans les enveloppes
lorsqu’on observe le signal, mais ce n’est même pas toujours si évident (cf Fig. 2.21).

1.1.7 Confrontation avec l’expérience

Pour attester de la validité des modèles proposés dans les deux cas af < 1 ou af 2 > 1, on
représente Fig. 2.22 l’écart entre le premier IMF issu de la décomposition par EMD de la somme
de deux sinusoı̈des et les modèles précédents en fonction des rapports de fréquences et d’amplitudes.
Plus précisément, les quantités représentées sont :
 (n) (n)
 d1 −d1,modèle a→0

 ℓ2
pour la colonne de gauche
kx2 kℓ
(n) (n)
2 (2.93)

 d1 −d1,modèle a→∞
 ℓ 2
pour la colonne de droite.
kx1 kℓ
2

On visualise ainsi l’adéquation entre le modèle et le comportement de l’EMD dans la zone af < 1,
colonne de gauche et dans la zone af 2 > 1, colonne de droite. Dans chaque cas, l’écart au modèle est
normalisé par la norme de la composante dont l’amplitude est la plus faible.
1.1. Cas d’un mélange de 2 sinusoı̈des 131

a = 20, f = .551 a = 20, f = .651

23

22

21

20

19

18

Figure 2.21 – Ressemblances entre moyenne des enveloppes et enveloppe supérieure. tirets rouges :
moyenne des enveloppes (surélevée). trait plein bleu : signal x(t; a, f, ϕ). A gauche, la moyenne des
enveloppes est très similaire à l’enveloppe supérieure. A droite, la ressemblance est plus discutable.
De manière générale, les enveloppes sont similaires à leur moyenne quand f est proche de 1/(2k),
k ∈ N∗ et pas du tout quand f est proche de 1/(2k + 1).

Les résultats montrent que le modèle décrit bien le comportement de l’EMD lorsque a → 0 ou
a → ∞, mais surtout on observe qu’il reste très acceptable même pour des rapports d’amplitudes finis,
et ce pratiquement jusqu’aux frontières af < 1 et af 2 > 1. Pour appuyer ce résultat, on représente
Fig. 2.23 le critère c1 tel que mesuré lors des simulations et la valeur prédite par le modèle pour
deux valeurs de rapport d’amplitudes (a = 0.01 et a = 1) et trois nombres d’itérations différents. On
observe sur cette figure que, en dehors d’un certain écart aux alentours de f ≈ 0.5 sur les courbes
correspondant à 10 itérations, les simulations sont très bien décrites par le modèle pour a = 0.01
et restent très proches même pour a = 1. L’écart aux alentours de f ≈ 0.5 serait en fait lié à
l’approximation faite dans le modèle selon laquelle I(ν) = 0 dès que |ν| > 1. En effet f ≈ 0.5, donne
1+f ≈ 1.5, et si I(1.5) ≈ 0.006 reste petit, un modèle plus précis ferait intervenir (1−I(1.5))10 ≈ 0.94
qui s’écarte suffisamment de 1 pour créer des effets visibles. Cet écart est également presque visible
dans la colonne de gauche de la figure Fig. 2.22 et correspond à la faible composante non combinaison
linéaire des deux sinusoı̈des initiales observée dans la colonne de droite de la figure Fig. 2.13.
On observe de plus que le modèle dans la zone où la composante HF domine (af < 1) semble rester
valable jusqu’à un certain point dans la zone de transition. En fait, comme on l’a vu précédemment,
même si la densité d’extrema du signal somme est strictement inférieure à celle de la composante HF,
celle-ci peut augmenter au cours du processus de tamisage jusqu’à atteindre celle de la composante
HF. Dès lors il n’est pas très surprenant de retrouver un résultat similaire au cas où la densité
d’extrema est initialement égale à celle de la composante HF. Ceci fonctionne d’autant mieux que le
filtre équivalent à une itération de tamisage (1 − I(ν)) est quasi nul dès lors que f . 0.3 et que donc
les effets de une ou plusieurs itérations de ce filtre sont assez proches dans cette zone.

1.1.8 Cas de composantes modulées en amplitude et en fréquence

L’EMD opérant à une échelle locale, on peut espérer que les résultats obtenus précédemment sur
les sommes de sinusoı̈des restent valables si les deux sinusoı̈des sont modulées en amplitude et en
fréquence, du moins tant que les modulations ne sont pas trop rapides et/ou trop prononcées.

[Link] Cas d’une composante modulée en amplitude et/ou en fréquence Dans ce but,
on peut dans un premier temps s’intéresser à la question de savoir dans quelles conditions une
sinusoı̈de modulée en amplitude et en fréquence peut être considérée comme un IMF. Dans le cas
d’une simple modulation de fréquence, il est clair qu’on a toujours un IMF parfait dans la mesure où
tous les maxima valent 1 et tous les minima -1, du moins si la fréquence instantanée reste toujours
positive. Le problème est déjà moins évident dans le cas d’une modulation d’amplitude simple. En
132 Chapitre 2. Analyse

Figure 2.22 – Écart entre le modèle et les simulations pour 10 itérations de tamisage. Colonne de
gauche : modèle a → 0. Colonne de droite : modèle a → ∞. Dans chaque cas la courbe épaisse noire
correspond à la ligne de niveau = 0.1, c’est à dire que sur cette ligne la norme de l’écart entre le
modèle et la simulation est un dixième de celle de la composante dont l’amplitude est la plus faible
(x2 quand af < 1 et x1 quand af 2 > 1).
1.1. Cas d’un mélange de 2 sinusoı̈des 133

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1 1 3 10 1 3 10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f f

Figure 2.23 – Comparaison entre le critère c1 mesuré lors des simulations (trait plein noir) et le c1
prédit par le modèle (tirets bleus) pour 1, 3 et 10 itérations de tamisage. À gauche : a = 0.01. À
droite : a = 1.

effet, il est clair qu’une modulation d’amplitude très lente par rapport à la fréquence de la sinusoı̈de
donne a priori un IMF mais dans le cas inverse où la modulation varie rapidement par rapport à
cette fréquence, c’est nettement plus délicat. Dans le cas d’une modulation sinusoı̈dale, on peut en
fait montrer à l’aide du modèle que la sinusoı̈de modulée en amplitude ne peut être considérée comme
un IMF que si le rapport entre la fréquence de modulation et la fréquence de la porteuse est inférieur
à un certain seuil qui dépend du nombre d’itérations de tamisage. Considérons le signal modulé en
amplitude suivant :

x(t) = (1 + m cos(2πfAM t)) cos(2πt) (2.94)

m m
= cos(2π(1 − fAM )t) + cos(2πt) + cos(2π(1 + fAM )t) (2.95)
2 2
Si l’on suppose que ses extrema sont proches de ceux du signal non modulé, on peut lui appliquer le
modèle (2.63) qui permet d’aboutir, avec les mêmes approximations que précédemment, à
 
(n) m n 1
d1 ≃ cos(2πt) + cos(2π(1 + fAM )t) + m (1 − I(1 − fAM )) − cos(2π(1 − fAM )t) (2.96)
2 2
(n)
d2 ≃ m (1 − (1 − I(1 − fAM ))n ) cos(2π(1 − fAM )t). (2.97)

On voit ainsi que selon le modèle, on peut grossièrement considérer que le signal modulé en amplitude
(n)
est un IMF uniquement si (1 − I(1 − fAM ))n est proche de 1, c’est-à-dire fAM < 1 − fc . Ce résultat
(n)
est vérifié empiriquement Fig. 2.24. Dans le cas où, à l’inverse, fAM > 1 − fc , le comportement de
(n)
l’EMD est un peu curieux. Grossièrement, si l’on considère que (1−I(1−fA M ))n = 1 si fAM > 1−fc
et 0 sinon, on voit que le signal modulé en amplitude (2.95) est converti en
(n) m m
d1 ≈ cos(2πt) + cos(2π(1 + fAM )t) − cos(2π(1 − fAM )t), (2.98)
2 2
qui peut être vu comme une sinusoı̈de modulée en fréquence, à laquelle il faut ajouter m cos(2π(1 −
fAM )t) pour retrouver la modulation d’amplitude. Ce résultat a été initalement observé dans [31]
dans le cas particulier m = 0.5 et fAM = 0.5 et constitue la première observation de la présence de
repliement spectral dans l’EMD.
134 Chapitre 2. Analyse

1.5

0.5
signal

−0.5

−1

−1.5
1.5

0.5

0
d1

−0.5

−1

−1.5
0.6

0.4

0.2

0
d2

−0.2

−0.4

−0.6

Figure 2.24 – EMD (10 itérations de tamisage) d’une sinusoı̈de modulée en amplitude par une
modulation de fréquence linéaire dont la fréquence va, de gauche à droite, de 0.1 à 0.8 fois celle de
la sinusoı̈de. Les « enveloppes » superposées au deuxième IMF correspondent à l’amplitude prédite
par le modèle (2.97) en supposant la modulation localement sinusoı̈dale.
1.1. Cas d’un mélange de 2 sinusoı̈des 135

1.5

0.5
signal

−0.5

−1

−1.5
1.5

0.5

0
d1

−0.5

−1

−1.5
0.6

0.4

0.2

0
d2

−0.2

−0.4

−0.6

Figure 2.25 – EMD (10 itérations de tamisage) d’une sinusoı̈de modulée en amplitude et en fré-
quence. Les « enveloppes » superposées au deuxième IMF correspondent à l’amplitude prédite par le
modèle (2.97) en supposant la modulation localement sinusoı̈dale et la fréquence localement constante.

Plus généralement, pour une modulation d’amplitude quelconque

x(t) = a(t) cos(2πt), (2.99)

on pourra considérer que x(t) est un IMF si

– a(t) > 0, nécessaire pour avoir des extrema uniformément répartis ou presque,
– la modulation ne crée pas d’extrema supplémentaires,
(n)
– le spectre de a(t) est nul au-delà de 1 − fc environ.
Si on s’intéresse enfin au cas d’une sinusoı̈de modulée en amplitude et en fréquence
Z t
x(t) = a(t) cos(2π f (t′ )dt′ ), (2.100)

l’étude précédente reste en grande partie valable si on peut considérer les extrema comme localement
uniformément espacés (cf Fig. 2.25). Ainsi, on pourra donc considérer que cette sinusoı̈de est un IMF
(n)
dès lors que le spectre de a(t) est localement nul au-delà de f (t)(1 − fc ) et que les variations de
f (t) sont relativement lentes par rapport à celles de a(t). Malheureusement, le modèle ne permet pas
de donner un critère plus quantitatif.
136 Chapitre 2. Analyse

[Link] Cas de deux composantes modulées On considère maintenant un signal constitué de

2 composantes sinusoı̈dales modulées en amplitude et en fréquence qui sont séparément des IMFs :

x(t) = a1 (t) cos(ϕ1 (t)) + a2 (t) cos(ϕ2 (t)), (2.101)

et on définit les fréquences instantanées :

1 dϕi
fi (t) = . (2.102)
2π dt

Pour adapter les résultats obtenus sur les sommes de sinusoı̈des, on applique simplement ces
derniers à chaque instant t0 indépendamment en supposant que les amplitudes et les fréquences
des deux composantes sont constantes égales à ai (t0 ) et fi (t0 ). Ainsi, si on suppose par exemple
f1 (t0 ) > f2 (t0 ) le modèle devient :

(n)
d (t0 ) =
1   n h i h

 a (t ) cos(ϕ (t )) + 1 − I f2 (t0 )
a2 (t0 ) cos(ϕ2 (t0 )) si a2 (t0 )f2 (t0 )
< 1 ou ff21 (t 0)
< 1
et

 1 0 1 0 f1 (t0 ) a1 (t0 )f1 (t0 )   (t0i) 3


 a2 (t0 )f2 (t0 ) 3πf2 (t0 )


 a1 (t0 )f1 (t0 ) sin 2f1 (t0 ) <1



    n 
f1 (t0 ) a2 (t0 )f22 (t0 )
 x(t) − 1 − 1 − I 2k f − f2 (t0 ) cos (2kf ϕ2 (t0 ) − ϕ1 (t0 )) si a1 (t0 )f12 (t0 )
>1









 on ne sait pas sinon,



(2.103)

avec kf l’entier tel que 2kf − 1 < f1 (t0 )/f2 (t0 ) < 2kf + 1.
Un exemple d’application de ce modèle est proposé Fig. 2.26. Les résultats sont clairement en-
courageants et nécessiteraient sans doute une étude plus approfondie.

1.2 Généralisations
On s’intéresse ici à la généralisation du modèle développé pour les sommes de sinusoı̈des au cas
plus général des mélanges de signaux non linéaires dont les extrema sont uniformément espacés. Dans
un premier temps, on généralisera les résultats sur les extrema du paragraphe [Link] à une classe de
signaux englobant une très grande majorité des situations pratiques puis dans un deuxième temps, on
appliquera le modèle (2.66) à des sommes de signaux non linéaires dans l’objectif de pointer quelques
comportements généraux.

1.2.1 À propos des extrema

Tout comme pour les sommes de deux composantes sinusoı̈dales, on peut montrer dans un cadre
très général que, d’une part les extrema d’une somme de signaux tendent vers ceux de l’une des deux
composantes si l’amplitude de l’autre tend vers zéro, et que d’autre part, la densité d’extrema de la
somme est la même que celle de la composante dominante pour peu que son amplitude soit supérieure
à un certain seuil.
1.2. Généralisations 137

1
x1

−1

−2
2

1
x2

−1

−2
4

2
signal

−2

−4
4

2
d1

−2

−4
1.5

0.5
d2

−0.5

−1

−1.5

Figure 2.26 – EMD (10 itératons de tamisage) d’une somme de deux composantes sinusoı̈dales
modulées en amplitude et en fréquence. Dans les deux cadres du bas de la figure, on a représenté en
pointillés noirs les IMFs obtenus et en tirets bleus les prédictions du modèle (2.103).
138 Chapitre 2. Analyse

Proposition 4. Soient x1 : t 7→ x1 (t) et x2 : t 7→ x2 (t) deux fonctions de R → R vérifiant

(i) les fonctions sont au minimum deux fois continuement dérivables : xi (t) ∈ C 2 (R).
(ii) les dérivées premières et secondes sont bornées : ∀t ∈ R, |∂t xi (t)| < M et |∂t2 xi (t)| < M ′ .
(iii) les ensembles d’extrema sont non bornés : inf Exi = −∞ et sup Exi = +∞.
(iv) ∃η, ǫ ∈ R∗+ , ∀t ∈ R, |∂t xi (t)| < η =⇒ |∂t2 xi (t)| > ǫ.
La fonction x : t 7→ x(t; a, f, ϕ) = x1 (t) + ax2 (f t + ϕ) avec f ∈ [0, 1], a ∈ R et ϕ ∈ R vérifie
• Les positions des extrema de x(t; a, f, ϕ) sont les mêmes que celles de x1 (t) quand a → 0 et que
celles de x2 (f t + ϕ) quand a → ±∞
• Il existe deux réels positifs A et B tels que pour tout intervalle I ⊆ R, le nombre d’extrema de
x dans I (# [Ex ∩ I]) vérifie
(
[# [Ex ∩ I] − 2, # [Ex1 ∩ I] + 2] si |a|f < A
# [Ex ∩ I] ∈   1     (2.104)
# Ex2 (f ·+ϕ) ∩ I − 2, # Ex2 (f ·+ϕ) ∩ I + 2 si |a|f 2 > B
Quelques remarques par rapport aux hypothèses :
– L’hypothèse ((iv)) signifie généralement que les dérivées premières et secondes ne peuvent
s’annuler simultanément. Cette condition a dû être renforcée pour faire face à des cas délicats
avec des ensembles d’extrema Exi infinis tels que ∀tj ∈ Exi , ∂t2 xi |t=tj 6= 0, et inf{|∂t2 xi |t=tj |, tj ∈
Exi } = 0.
– L’hypothèse ((iii)) et le fait de considérer des fonctions de R → R permettent de s’assurer que
chaque extremum de x(t) a un homologue parmi les extrema de x1 (t) ou de x2 (f t + ϕ) suivant
le cas sans avoir à se soucier d’effets de bords.

Démonstration. La preuve n’est donnée que dans le cas où les extrema de x(t; a, f, ϕ) sont proches de
ceux de la composante x1 (t) (|a|f < A) dans la mesure où elle est quasiment identique dans l’autre
cas.
Soient A et B définis par
nη ǫ o  
M M′
A = min , , B = max , . (2.105)
M M′ η ǫ
La preuve s’appuie sur la définition d’une fonction bijective F : Ex → Ex1 existant dès lors que
|a|f < A et telle que ∀t ∈ Ex , F(t) − t −−−→ 0.
a→0
∗ Définition de F :
Soit t0 ∈ Ex un extremum de x(t; a, f, ϕ) avec |a|f < A. On supposera par la suite que t0
est un maximum, la correspondance pour l’autre cas étant évidente. Remarquons tout d’abord que
|∂t x1 (t0 )| < η :
t0 ∈ Ex =⇒ ∂t x(t0 ; a, f, ϕ) = 0 =⇒ |∂t x1 (t0 )| = |−af ∂t x2 (f t + ϕ)| < |a|f M < η (2.106)
Soit alors I0 le plus grand intervalle ouvert I0 =]b, c[ contenant t0 tel que ∀t ∈ I0 , |∂t x1 (t)| < η. I0
vérifie :
– I0 est non vide : ∂t x1 (t) est continue et t0 est dans l’image réciproque par ∂t x1 (t) de ] − η, η[
qui est ouvert.
– I0 est borné :
D’après l’hypothèse ((iii)), il existe nécessairement deux minima t− et t+ de x1 (t) tels que
t− < t0 < t+ . En outre, l’hypothèse ((iv)) et le type des extrema impliquent que ∂t2 x1 (t− ) > ǫ,
∂t2 x1 (t0 ) < −ǫ et ∂t2 x1 (t+ ) > ǫ.
Les dérivées secondes étant continues, il existe alors deux points t′− et t′+ tels que
t− < t′− < t0 < t′+ < t+ et ∂t2 (t′− ) = ∂t2 (t′+ ) = 0, (2.107)
ce qui implique finalement ∂t (t′− ) ≥ η et ∂t (t′+ ) ≥ η et donc I0 ⊂]t′− , t′+ [.
1.2. Généralisations 139

Montrons maintenant que I0 contient un unique extremum de x1 (t) et qu’il s’agit d’un maximum.
∂t x1 (t) étant continue et I0 étant le plus grand intervalle contenant t0 et tel que ∀t ∈ I0 , |∂t x1 (t)| < η
on a nécessairement |∂t x1 (b)| = |∂t x1 (c)| = η.
D’après l’hypothèse ((iv)),
∀t ∈ I0 , |∂t2 x1 (t)| > ǫ. (2.108)
De plus, t0 étant un maximum, on a nécessairement ∂t2 x1 (t0 ) < −ǫ. ∂t2 x1 (t) étant continue, on en
déduit que
∀t ∈ I0 , ∂t2 x1 (t) < −ǫ. (2.109)
ce qui implique en particulier que ∂t x1 (t) est strictement décroissante sur I0 . Par conséquent, on a
nécessairement ∂t x1 (b) = η et ∂t x1 (c) = −η et on en déduit qu’il existe un unique t′0 ∈ I0 tel que
∀t ∈ I0 , t < t′0 =⇒ ∂t x1 (t) > 0 et t > t′0 =⇒ ∂t x1 (t) < 0. t′0 est alors l’unique maximum de x1 (t) dans
I0 ce qui permet de définir F(t0 ) = t′0 .
On définit également la fonction G qui à tout élément de l’image réciproque par ∂t x1 de ]−η, η[ as-
socie un intervalle de R (I(R) désigne l’ensemble des intervalles de R) selon le principe précédemment
utilisé pour définir I0 :

G : (∂t x1 )−1
S (] − η, η[) −→ I(R)
(2.110)
t 7−→ I = {I ∈ I(R), t ∈ I ′ et ∀t′ ∈ I ′ , |∂t x1 (t′ )| < η}
′

En reprenant les arguments développés précédemment, on peut montrer que

– ∀t ∈ (∂t x1 )−1 (] − η, η[), G(t) est borné, non vide
– ∀t ∈ (∂t x1 )−1 (] − η, η[), ∂t x1 (t) est strictement monotone sur G(t) =]b, c[ et ses bornes vérifient
∂t x1 (b) = ±η et, avec le signe opposé, ∂t x1 (c) = ∓η (ce qui implique au passage que G(t) est
bien un intervalle ouvert)
– Ex ⊆ (∂t x1 )−1 (] − η, η[) si |a|f < A
On peut également ajouter que
– Ex1 ⊆ (∂t x1 )−1 (] − η, η[)
– ∀t ∈ Ex , F(t) ∈ G(t), par construction
– ∀t, t′ ∈ (∂t x1 )−1 (] − η, η[) , G(t) ∩ G(t′ ) 6= ∅ =⇒ G(t) = G(t′ ), qui découle directement de la
définition de G
Enfin on démontrera par la suite que ∀t ∈ (∂t x1 )−1 (] − η, η[), ∂t x(t) est également strictement mo-
notone sur G(t).
∗ F est injective :
Soient t0 , t1 ∈ Ex tels que F(t0 ) = F(t1 ) = t′0 . Soient I0 = G(t0 ) et I1 = G(t1 ). Comme t′0 ∈ I0 ,
t′0 ∈ I1 et que |∂t x1 (t)| < η sur I0 et I1 on a nécessairement I1 = I0 . De plus, |∂t x1 (t)| < η =⇒
|∂t2 x1 (t)| > ǫ. En supposant que t′0 est un maximum de x1 (t), on en déduit que ∀t ∈ I0 , ∂t2 x1 (t) < −ǫ
ce qui implique ∀t ∈ I0 ∂ 2 x(t) < −ǫ + af 2 M ′ < 0 et donc que ∂x(t) est strictement décroissante sur
I0 , ce qui implique qu’il ne peut y avoir qu’un extremum de x(t) dans I0 . D’où t0 = t1 et l’injectivité
de F.
∗ F est surjective :
Soit t′0 ∈ Ex1 . On a |∂t x1 (t′0 )| < η et on peut donc définir l’intervalle I0′ =]b′ , c′ [= G(t′0 ). En
supposant par exemple que t′0 est un maximum de x1 (t), on a de plus que ∂t x1 (b′ ) = η et ∂t x1 (c′ ) =
−η. Si |a|f < A, ceci implique que ∂t x(b′ ) > η − AM ≥ 0 et ∂t x(c′ ) < −η + AM ≤ 0 et donc que
x(t) passe par un maximum local t0 dans l’intervalle I0′ . Il est alors clair que G(t0 ) = I0′ et donc que
F(t0 ) = t′0 . De plus, on a montré au passage que F −1 (t′0 ) ∈ G(t′0 ).
∗ Les extrema de x(t; a, f, ϕ) tendent vers ceux de x1 (t) quand a → 0 :
Soit t′0 ∈ Ex1 et I0′ = G(t′0 ). Sachant que ∂t x1 (t) est strictement monotone sur I0′ , elle est bijective
et on peut donc définir g0 , la fonction définie sur ∂t x1 (I0′ ), inverse de la restriction de ∂t x1 (t) à I0′ .
140 Chapitre 2. Analyse

De là,

F −1 (t′0 ) − t′0 = g0 (∂t x1 (F −1 (t′0 ))) − g0 (∂t x1 (t′0 )) (2.111)

−1
= g0 (−af ∂t x2 (f F (t′0 ) + ϕ)) − g0 (0), (2.112)

et donc |F −1 (t′0 ) − t′0 | −−−→ 0 parce que g0 est continue et |af ∂t x2 (f F −1 (t′0 ) + ϕ)| ≤ |af M | −−−→ 0
a→0 a→0
∗ Pour tout intervalle I, les nombres d’extrema de x1 (t) et de x(t) dans I diffèrent d’au plus 2
Soit I =]b, c[ un intervalle éventuellement non borné, ouvert ou fermé étant sans grande impor-
tance. Si on considère sa borne inférieure, on peut distinguer deux cas suivant que la proposition
« ∃t0 ∈ Ex , inf G(t0 ) < b et sup G(t0 ) > b » est vraie ou fausse :
– si elle est vraie, alors
∀t ∈ Ex , t 6= t0 et t > b =⇒ F(t) > b. (2.113)
En effet, F(t) ≤ b =⇒ inf G(t) < b =⇒ b ∈ G(t) ∩ G(t0 ) =⇒ G(t) = G(t0 ) et ∂t x(t) étant
strictement monotone sur G(t0 ), il ne peut y avoir qu’un extremum de x(t) dans l’intervalle ce
qui implique que t = t0 . On peut reformuler (2.113) de la manière suivante

F (Ex ∩]b, +∞[\{t0 }) ⊆]b, +∞[ (2.114)

qui implique
F (Ex ∩]b, +∞[\{t0 }) ⊆ Ex1 ∩]b, +∞[\{F(t0 )}, (2.115)
car F(Ex \{t0 }) = Ex1 \{F(t0 )}.
– si elle est fausse,
∀t ∈ Ex , t > b =⇒ inf G(t) ≥ b =⇒ F(t) > b, (2.116)
ce qui implique que
F (Ex ∩]b, +∞[) ⊆ Ex1 ∩]b, +∞[. (2.117)
Avec le même raisonnement sur la borne supérieure de I, on peut montrer que
– soit ∃t1 ∈ Ex tel que

F (Ex ∩] − ∞, c[\{t1 }) ⊆ Ex1 ∩] − ∞, c[\{F(t1 )}, (2.118)

– soit
F (Ex ∩] − ∞, c[) ⊆ Ex1 ∩] − ∞, c[. (2.119)
En combinant les résultats aux deux bornes de I, on est dans l’un des 4 cas :
– F (Ex ∩ I) ⊆ Ex1 ∩ I,
– F (Ex \{t0 } ∩ I) ⊆ Ex1 ∩ I\{F(t0 )},
– F (Ex \{t1 } ∩ I) ⊆ Ex1 ∩ I\{F(t1 )},
– F (Ex \{t0 , t1 } ∩ I) ⊆ Ex1 ∩ I\F({t0 , t1 }),
ce qui implique que
# [Ex ∩ I] ≤ # [Ex1 ∩ I] + 2. (2.120)
Enfin le même raisonnement en renversant les rôles de x(t) et x1 (t) permet de conclure.

1.2.2 Application du modèle à des mélanges de deux ondes faiblement non linéaires
L’objectif de cette section est d’étudier en quoi le modèle (2.66) peut nous éclairer sur les capacités
de l’EMD à extraire des composantes non linéaires. Dans cette optique, on s’intéresse ici à la manière
dont l’EMD décompose des sommes de deux composantes non linéaires vérifiant quelques propriétés
permettant d’appliquer le modèle, au moins dans les cas asymptotiques. Ainsi, on s’intéressera à des
signaux qui d’une part ont des ensembles d’extrema périodiques, maxima et minima indépendemment,
1.2. Généralisations 141

et d’autre part vérifient les hypothèses de la proposition 4 pour s’assurer que le modèle puisse être
valide au moins asymptotiquement. En outre, on considérera uniquement des signaux périodiques
avec seulement deux extrema par période de manière à pouvoir donner un sens aux mesures globales
de comportement effectuées grâce aux critères définis à la section 1.1.4. L’autre intérêt de cette
dernière simplification est de pouvoir aisément construire de tels signaux qui soient également des
IMFs « parfaits », c’est-a-dire des signaux dont la moyenne des enveloppes est parfaitement nulle.
Le modèle de signal bi-composantes dans la suite sera

x(t; a, f, ϕ) = s1 (t) + as2 (f t + ϕ), (2.121)

où s1 (t) et s2 (t) sont deux fonctions périodiques de période 1 avec deux extrema par période qu’on
caractérise par leurs développements en séries de Fourier :
X
si (t) = ci,p ei2pπt . (2.122)
p∈Z

On supposera en outre que ces fonctions ont leurs maxima à des instants entiers (tmax ∈ Z), leurs
minima décalés de αsi par rapport aux maxima (tmin ∈ αsi +Z) et qu’elles sont des IMFs, c’est-à-dire
que si (0) = −si (αsi ).
Comme dans le cas sinusoı̈dal, on se référera à la composante hautes fréquences (HF) :

x1 (t) = s1 (t), (2.123)

et basses fréquences (BF) :

x2 (t) = as2 (f t + ϕ). (2.124)

[Link] Premier IMF dans le cas a → 0 On détaille ici l’application du modèle pour des
signaux non linéaires en supposant que les extrema du signal composite sont proches de ceux de
la composante HF. L’objectif de cette section étant d’étudier les capacités de l’EMD à extraire des
composantes non linéaires, on ne s’intéressera pas au cas où les extrema sont à l’inverse proches
de ceux de la composante BF parce qu’on sait qu’il n’y a dans ce cas aucune chance de récupérer
les composantes non linéaires. On pourrait montrer que le comportement de l’EMD dans ce cas est
similaire à celui observé sur les sommes de sinusoı̈des lorsque les extrema sont proches de ceux de
la composante BF (af 2 > 1) : elle introduit des composantes basses fréquences (une à deux par
harmonique de la composante HF), absentes du signal, qui se compensent entre les différents IMFs.
Par la suite, on supposera donc que les extrema du signal composite coı̈ncident avec ceux de
la composante HF situés aux instants entiers pour les maxima et décalés de αs1 pour les minima.
De plus, on supposera que les extrema restent à ces emplacements après un nombre quelconque
d’itérations de tamisage. Le modèle prend alors la forme

c
(Sx)(ν) = x̂(ν) − I(ν) (Xmean ∗ x̂) (ν), (2.125)

avec
X
Xmean e−ikπα cos(kπα)δ(ν − k), (2.126)
k∈Z

où α = αs1 . Par la suite, on notera αk = e−ikπα cos(kπα) pour alléger les notations.
Dans la mesure où le modèle est linéaire dès lors que l’opérateur d’échantillonnage est fixé, on
traitera chaque composante indépendemment comme on l’a fait dans le cas sinusoı̈dal.
142 Chapitre 2. Analyse

La composante HF est inaltérée par le processus de tamisage L’application du modèle

sur la composante HF donne
XX
d1 )(ν) = x̂1 (ν) −
(Sx αk c1,p I(k + p)δ(ν − k − p), (2.127)
p k

qui en utilisant le fait que I(k) = δk,0 (symbole de Kronecker) donne

X
d1 )(ν) = x̂1 (ν) −
(Sx αp c1,p δ(ν) = x̂1 (ν). (2.128)
p
P
En effet, x1 (t) étant un IMF, on a x1 (0) + x1 (α) = 2 p αp c1,p = 0. On en déduit que si l’opérateur
d’échantillonnage reste identique, l’effet d’un nombre quelconque d’itérations de tamisage sur la
composante HF est nul.

Cas de la composante BF Étant donnée la complexité des calculs à suivre, on applique le

modèle sur chaque harmonique séparément. Considérons l’harmonique d’ordre p à la fréquence pf .
Le comportement du modèle sur cet harmonique est décrit par Sepf :
X
[
(Se pf )(ν) = δ(ν − pf ) − αk I(pf + k)δ(ν − k − pf ), (2.129)
k

qu’on peut simplifier en faisant à nouveau l’approximation que I(ν) ≃ 0 si ν ∈

/ [−1, 1] :

[
(Se pf )(ν) ≃ δ(ν − pf ) − αk1 I(pf + k1 )δ(ν − k1 − pf ) − αk2 I(pf + k2 )δ(ν − k2 − pf ), (2.130)

où k1 et k2 sont les deux entiers consécutifs tels que −1 ≤ pf + ki ≤ 1.

On observe ainsi que suivant que pf ∈ [−1, 1] ou non, l’opérateur de tamisage introduit une ou
deux nouvelles fréquences. Lors des itérations suivantes, toutes ces fréquences interagissent entre elles
ce qui oblige à les considérer toutes simultanément, le coefficient de chacune de ces composantes à
l’itération n + 1 étant une combinaison linéaire des coefficients de toutes ces composantes à l’itération
n.
(n) (n)
Dans le cas où pf ∈ [−1, 1], les coefficients apf et apf +k des deux composantes à pf et pf + k
dans Sep f , où k = ±1 est tel que pf + k ∈ [−1, 1], évoluent selon l’équation
 (n+1)     (n) 
apf 1 − I(pf ) −α−k I(pf ) a
     pf 
 ≃  , (2.131)
(n+1) −α I(pf + k) 1 − I(pf + k) (n)
apf +k k apf +k

(n) (n)
et donc (S n epf )(t) = apf epf (t) + apf +k epf +k (t) avec
 (n)
  n  
apf 1 − I(pf ) 1
−α−k I(pf )
     
  ≃ (2.132)
(n) −αk I(pf + k) 1 − I(pf + k) 0
apf +k

ce qui donne finalement



 (n) 1 − λ− − I(pf ) n I(pf ) + λ+ − 1 n

 a ≃ λ+ + λ− ,
 pf λ+ − λ− λ + − λ−
(2.133)

 αk I(pf + k) n


 (n)
apf +k ≃ − λ+ − λn− ,
λ+ − λ−
1.2. Généralisations 143

où λ± sont les deux valeurs propres de la matrice de transition :

I(pf ) + I(pf + k) 1 p
λ± = 1 − ± (I(pf ) − I(pf + k))2 + 4I(pf )I(pf + k) cos2 (πα) (2.134)
2 2
(n) (n) (n)
/ [−1, 1], les coefficients apf , apf +k1 et apf +k2 évoluent
De manière analogue, dans le cas où pf ∈
selon
   
(n+1)
apf   a
(n)
  1 0 0  pf 
    
 (n+1)     (n) 
a  ≃ −αk I(pf + k1 ) 1 − I(pf + k1 )  
−αk1 −k2 I(pf + k1 ) apf +k1 
 pf +k1   1  , (2.135)
    
   
a
(n+1) −αk2 I(pf + k2 ) −αk2 −k1 I(pf + k2 ) 1 − I(pf + k2 ) a
(n)
pf +k2 pf +k2

ce qui donne au final

 (n)

 apf ≃ 1,

 

 (n) (αk1 (λ+ + λ− + I(pf + k1 ) − 2) + αk1 −k2 αk2 I(pf + k2 ))

 apf +k1 ≃ I(pf + k1 )

 (1 − λ+ )(1 − λ− )



 αk1 (λ− + I(pf + k1 ) − 1) + αk1 −k2 αk2 I(pf + k2 ) n

 − λ+

 (λ+ − λ− )(1 − λ+ )

 
 αk1 (λ+ + I(pf + k1 ) − 1) + αk1 −k2 αk2 I(pf + k2 ) n
+ λ− , (2.136)
  (λ+ − λ− )(1 − λ− )

 (n) (αk2 (λ+ + λ− + I(pf + k2 ) − 2) + αk2 −k1 αk1 I(pf + k1 ))

 apf +k2 ≃ I(pf + k2 )



 (1 − λ+ )(1 − λ− )

 αk2 (λ− + I(pf + k2 ) − 1) + αk2 −k1 αk1 I(pf + k1 ) n

 − λ+

 (λ+ − λ− )(1 − λ+ )

 

 αk2 (λ+ + I(pf + k2 ) − 1) + αk2 −k1 αk1 I(pf + k1 ) n

 + λ− ,
(λ+ − λ− )(1 − λ− )

avec 1, λ+ , λ− les trois valeurs propres de la matrice de transition :

I(pf + k1 ) + I(pf + k2 ) 1 p
λ± = 1− ± (I(pf + k1 ) − I(pf + k2 ))2 + 4I(pf + k1 )I(pf + k2 ) cos2 (πα).
2 2
(2.137)
Selon le modèle, on obtient donc que Sep f est la somme de deux à trois composantes avec
les coefficients calculés précédemment. Pour obtenir Sx2 , il suffit alors de faire la somme de ces
composantes pour chaque harmonique :
X
Sx2 (t) = c2,p Sepf (t), (2.138)
p

avec (
apf epf + apf +k epf +k si pf ∈ [−1, 1],
Sepf = (2.139)
apf epf + apf +k1 epf +k1 + apf +k2 epf +k2 si pf ∈
/ [−1, 1].

Dans le cas particulier où les extrema de la composante HF sont symétriquement intercalés
(α = 0.5), le modèle se simplifie considérablement. Les coefficients deviennent :
( (n)
apf ≃ (1 − I(pf ))n ,
(n) si pf ∈ [−1, 1] (2.140)
apf +k = 0,
144 Chapitre 2. Analyse

|a pf | — 1 itération |a pf | — 10 itérations
0.5 1.2
(a) (b)
0.45 1.1
1
0.4
0.9
0.35
0.8
0.3 0.7
0.25 0.6
α

0.2 0.5
0.4
0.15
0.3
0.1
0.2
0.05 0.1
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
pf pf

Figure 2.27 – Module du coefficient de l’harmonique p (normalisé par son coefficient dans la com-
posante BF, c2,p ) dans le premier IMF en fonction de α et f pour 1 et 10 itérations de tamisage.
Le coefficient étant égal à 1 dès que pf > 1, on n’a représenté que la région pf < 1. À α fixé, le
module du coefficient en fonction de la fréquence pf présente une évolution d’allure sigmoı̈de. La
(n)
fréquence de coupure (saut de la sigmoı̈de) varie de fc (2.77), (2.79) quand α = 0.5 (extrema de
HF symétriquement intercalés) à ≈ 0.5 pour α = 0 (maxima et minima de HF aux mêmes points).

et si pf ∈
/ [−1, 1] :
 (n)

 apf ≃ 1,
(n)
apf +k1 = 0 avec k1 impair tel que pf + k1 ∈ [−1, 1], (2.141)

 (n)
apf +k2 ≃ (1 − I(pf + k2 ))n − 1 avec k2 pair tel que pf + k2 ∈ [−1, 1].

On peut alors exprimer le premier IMF dans les deux cas comme
(n)
X
d1 (t) = x(t) − (1 − (1 − I(pf + 2k))n ) c2,p e2iπ(pf +2k)t , (2.142)
p

où 2k est l’entier pair tel que pf + 2k ∈ [−1, 1].

Pour y voir un peu plus clair dans le cas général où les extrema ne sont pas nécessairement
symétriquement intercalés, on a représenté graphiquement les modules des différents coefficients en
fonction de pf et α pour 1 et 10 itérations de tamisage : Fig. 2.27 pour apf et Fig. 2.28 pour apf +k1 et
apf +k2 . On observe ainsi que l’harmonique d’ordre p de la composante BF est capturé par le premier
(n)
IMF dès lors que la fréquence pf dépasse un certain seuil qui vaut fc (2.77) lorsque les extrema de la
composante HF sont symétriquement intercalés (α = 0.5) et ≈ 0.5 dans le cas opposé où les maxima
et les minima de HF sont situés aux mêmes endroits (α = 0). Ce dernier résultat est simplement dû
au fait que,
(n) I(pf − 1)
apf ≈ (2.143)
I(pf ) + I(pf − 1)
pour pf ∈ [0, 1], α → 0. Dans le cas où α 6= 0.5, on constate de plus que dès lors que pf est supérieur
à cette fréquence de coupure, les coefficients des nouvelles fréquences apparaissant par repliement
1.2. Généralisations 145

|a pf +k1 | |a pf +k2 |
0.5 1.2
(a) (b)
0.45
1.1
0.4

0.35
α — 1 itération

1
0.3

0.25 0.9
0.2

0.15 0.8

0.1
0.7
0.05

0
0.6
0.5
(c) (d)
0.45
0.5
0.4
α — 10 itérations

0.35 0.4

0.3

0.25 0.3

0.2
0.2
0.15

0.1
0.1
0.05

0 0
0 2 4 6 8 10 0 2 4 6 8 10
pf pf

Figure 2.28 – Modules des coefficients des nouvelles fréquences dues à l’harmonique p (normalisés
par le coefficient de l’harmonique dans la composante BF c2,p ) dans le premier IMF (ainsi que dans
la première approximation a1 (t) = x(t) − d1 (t)) en fonction de α et f pour 1 et 10 itérations de
tamisage. Colonne de gauche : fréquences pf + k1 ∈ [−1, 1] avec k1 impair. Colonne de droite :
fréquences pf + k2 ∈ [−1, 1] avec k2 pair (rien n’est représenté pour pf < 1). A de rares exceptions
près, dès que α < 0.5, il y a toujours au moins un coefficient non nul sur les deux. En revanche si
α = 0.5 (extrema symétriquement intercalés), apf +k1 avec k1 impair est toujours nul et il n’y a donc
pas de fréquences dues au repliement si pf est proche d’un entier impair. Cependant, la largeur des
bandes autour des entiers impairs dans lesquelles apf +k2 ≈ 0 diminue avec le nombre d’itérations.
146 Chapitre 2. Analyse

s’écartent de zéro et il est alors exceptionnel que les coefficients des deux nouvelles fréquences s’an-
nulent simultanément. En revanche, si les extrema sont symétriquement intercalés, le coefficient de
la nouvelle fréquence pf + k1 où k1 est impair est toujours nul et il y a régulièrement des bandes
de fréquences où le coefficient de l’autre nouvelle fréquence s’annule également. Toutefois, on peut
observer que la largeur de ces bandes diminue avec le nombre d’itérations.
Si l’on prend en compte tous les harmoniques de la composante BF, on voit finalement que les
deux composantes x1 (t) et x2 (t) sont correctement séparées si et seulement si tous les harmoniques de
BF ont une fréquence inférieure à une certaine fréquence de coupure qui varie de ≈ 0.5 quand α = 0
(n)
à fc quand α = 0.5. Dans le cas contraire, tout harmonique dont la fréquence est supérieure à cette
fréquence coupure est capturé par le premier IMF. De plus, chaque harmonique dans ce cas génère
une à deux fréquences supplémentaires avec des coefficients opposés dans le premier IMF et dans
la première approximation. De ce fait, il est rare qu’il y ait des valeurs de f ∈ [0, 1] pour lesquelles
l’EMD considère le signal composite comme une unique composante modulée en amplitude et en
fréquence.

[Link] Illustration Pour illustrer le comportement de l’EMD sur les sommes de signaux pério-
diques non linéaires, on a réalisé des simulations avec les deux formes d’onde :

y1 (t) = cos(2πt) + 0.25 cos(6πt) − 0.25, (2.144)

 
3π
y2 (t) = cos(2πt) − 0.25 cos 4πt + − 0.1404, (2.145)
4

qui sont des IMFs de période 1 avec deux extrema par période. y2 (t) a ses extrema symétriquement
intercalés et y1 (t) présente un décalage de ≈ 0.39 entre un maximum et le minimum suivant. On
a choisi ici des signaux avec un seul harmonique pour simplifier mais les résultats seraient tout
aussi valables avec une structure harmonique plus complexe. Les résultats des simulations pour 10
itérations de tamisage avec x(t; a, f, ϕ) = y1 (t) + ay2 (f t + ϕ) sont présentés figure Fig. 2.29 et ceux
avec x(t; a, f, ϕ) = y2 (t) + ay1 (f t + ϕ) Fig. 2.30. Dans les deux cas on ne s’est intéressé qu’à la zone
du plan (a, f ) où les extrema du signal composite sont proches de ceux de la composante HF.
Tout comme dans le cas de sommes de sinusoı̈des, on observe que le comportement de l’EMD
semble ne pas dépendre du rapport d’amplitudes a dès lors que celui-ci est soit suffisamment grand,
soit suffisamment petit. On peut ainsi diviser le plan (a, f ) en trois zones : les deux zones où le
comportement de l’EMD est semblable soit au cas a → 0 soit au cas a → ∞, et la zone intermédiaire.
Tout comme dans le cas sinusoı̈dal, on constate également que ces trois zones coı̈ncident à peu de
chose près avec les 3 zones observées pour la densité d’extrema. Une différence notable en revanche
est la largeur de la zone intermédiaire qui est ici bien plus grande que dans le cas sinusoı̈dal. De plus,
la densité d’extrema dans la zone intermédiaire n’est plus intermédiaire entre les densités d’extrema
des deux composantes mais peut éventuellement être supérieure.
Si on s’intéresse plus précisément au comportement de l’EMD dans la zone où la densité d’extrema
est identique à celle de la composante HF, on peut voir que globalement l’évolution des critères c1
et c2,2 est similaire au cas sinusoı̈dal mais avec un certain nombre de détails supplémentaires. En
revanche le critère c3,2 est assez différent du cas sinusoı̈dal où il était proche de zéro dans la quasi-
totalité de la zone af < 1. Le fait que sa valeur s’écarte significativement de zéro dès lors que le
rapport de fréquence est supérieur à une certaine valeur indique essentiellement que les harmoniques
et le fondamental de la composante BF ne sont pas traités de la même manière par l’EMD. Comme
on peut le vérifier à l’aide de la figure Fig. 2.31, la marche situé à f ≈ 0.3 dans le comportement de
c1 Fig. 2.29 et celle à f ≈ 0.2 Fig. 2.30 correspondent respectivement au passage de l’harmonique 2
de y2 (t) et de l’harmonique 3 de y1 (t) dans le premier IMF. Le fait que c2,2 soit différent de zéro pour
f → 1 s’explique par la présence de nouvelles composantes à 2f − 2 dans le cas de la figure Fig. 2.29
et à f − 1, 3f − 2 et 3f − 3 dans le cas de la figure Fig. 2.30. Enfin, la bosse mystérieuse aux alentours
1.2. Généralisations 147

Figure 2.29 – Caractérisation du comportement de l’EMD sur x(t; a, f, ϕ) = y1 (t) + ay2 (f t + ϕ)

pour 10 itérations de tamisage. 1re ligne : c1 en 3D et en image. 2e ligne : c2,2 et c3,2 . 3e ligne : densité
d’extrema réduite d˜e (2.12) et écart au modèle normalisé par la composante BF. Les lignes épaisses
noires représentent les lignes de niveau = 0.5 sauf pour l’écart au modèle, où le niveau est 0.1.
148 Chapitre 2. Analyse

Figure 2.30 – Caractérisation du comportement de l’EMD sur x(t; a, f, ϕ) = y2 (t) + ay1 (f t + ϕ)

pour 10 itérations de tamisage. 1re ligne : c1 en 3D et en image. 2e ligne : c2,2 et c3,2 . 3e ligne : densité
d’extrema réduite d˜e (2.12) et écart au modèle normalisé par la composante BF. Les lignes épaisses
noires représentent les lignes de niveau = 0.5 sauf pour l’écart au modèle, où le niveau est 0.1.
1.2. Généralisations 149

1
(a) (b)
0.9

0.8
module du coefficient

0.7

0.6 f f

0.5

0.4 f −1

0.3 2f 3f
0.2
3f − 2 3f − 3
2f − 2 3f − 1
0.1

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f f

Figure 2.31 – Modules des coefficients dans le premier IMF du fondamental ou des harmoniques de la
composante BF (trait plein) et des nouvelles composantes apparaissant du fait du repliement spectral
(tirets). À gauche : x(t; a, f, ϕ) = y1 (t) + ay2 (f t + ϕ). À droite : x(t; a, f, ϕ) = y2 (t) + ay1 (f t + ϕ).

de f ≈ 0.5 dans l’évolution de c1 figure Fig. 2.30 s’explique par un sursaut d’amplitude de deux des
nouvelles composantes apparaissant par repliement.

[Link] Conclusions L’étude précédente constitue une première approche de l’évaluation des
capacités de l’EMD à décomposer des sommes de signaux non linéaires. Dans le cas particulier des
sommes de signaux périodiques faiblement non linéaires étudiées, les résultats obtenus permettent
de déterminer les conditions nécessaires sur le rapport de fréquence pour séparer correctement deux
ondes : celui-ci doit être tel que les fréquences de tous les harmoniques de la composante BF soient
(n)
inférieures à environ fc fois la fréquence de la composante HF si les extrema de cette dernière sont
symétriquement intercalés et la moitié de la fréquence de la composante HF, si ce n’est pas le cas.
Dans le meilleur des cas, on voit donc que les performances de l’EMD ne sont pas meilleures que
(n)
celles d’un filtre linéaire dont la fréquence de coupure aurait été ajustée, soit autour de fc fois la
fréquence de la composante HF, soit autour de la moitié de cette fréquence. En outre, il n’est a priori
pas évident de trouver un avantage à la décomposition complexe proposée par l’EMD lorsque les deux
composantes ne sont pas correctement séparées par rapport au résultat d’un simple filtre linéaire.
Par ailleurs, un filtre linéaire ajusté pourrait, contrairement à l’EMD, séparer les deux composantes
quel que soit le rapport de leurs amplitudes.
Finalement, pour des signaux périodiques, le seul avantage de l’EMD par rapport à un filtre
linéaire est que l’EMD ajuste automatiquement sa « fréquence de coupure ». Cet avantage est toutefois
très relatif puisque la fréquence de coupure choisie par l’EMD n’est pas non plus totalement libre et
pour des nombres d’itérations qui varient par exemple de 1 à 100, elle ne varie que de 0.5 à 0.78 fois
la fréquence de la composante HF.
Au final, la grande force de l’EMD reste son aspect adaptatif puisque, si les composantes initiales
ne sont plus périodiques mais par exemple modulées en amplitude et en fréquence, elle garde des
performances similaires à celles observées sur les signaux périodiques, alors qu’un filtre linéaire est
loin d’avoir une telle souplesse.
150 Chapitre 2. Analyse

1.3 Cas d’un mélange à n > 2 ondes

Le modèle utilisé jusqu’à présent étant valable dès lors que les extrema sont localement approxi-
mativement uniformément espacés, il est tout à fait possible de l’utiliser dans des cas où le signal
contient plus de deux composantes. De fait, les composantes non linéaires étudiées dans la section
précédente peuvent être vues comme plusieurs composantes sinusoı̈dales. Ainsi, il est a priori tout à
fait possible de prédire le premier IMF d’un signal constitué de plusieurs composantes, qu’on pourra
choisir périodiques pour simplifier, à la condition que les extrema du signal soient approximativement
uniformément espacés. De là, si les extrema de la première approximation a1 (t) prédite par le modèle
sont à nouveau approximativement uniformément espacés, on peut réitérer le processus. Au final, on
voit que si le signal a des extrema quasi-uniformément espacés et que toutes les approximations ak (t)
successivement prédites par le modèle ont cette même propriété, on peut a priori prédire toute la
décomposition. En pratique cependant, il n’est pas rare de rencontrer des situations où les extrema
ne sont pas uniformément espacés même localement. On peut penser par exemple à tous les cas
correspondant aux zones de transition des figures Fig. 2.29 et Fig. 2.30. De plus, même dans le cas
où les extrema sont uniformément espacés tout au long de la décomposition, il faut compter avec le
fait que la prédiction de chaque IMF comporte une certaine imprécision, d’autant plus grande que
l’on s’écarte de la situation idéale où les extrema sont exactement uniformément espacés. De ce fait,
les imprécisions peuvent s’accumuler au fur et à mesure que des IMFs sont extraits jusqu’à fausser
fortement le résultat à partir d’un certain rang.

1.4 Application à l’EMD bivariée

Les algorithmes d’EMD bivariée 6.5.2 étant proches de l’algorithme de l’EMD, on s’est égale-
ment intéressé à leur comportement sur des sommes de deux exponentielles complexes, pendant à 2
composantes des sinusoı̈des. On verra que le modèle proposé précédemment pour l’EMD dans le cas
où les extrema du signal sont uniformément espacés peut se généraliser au cas bivarié où il garde
globalement les mêmes propriétés que dans le cas classique.

1.4.1 EMD bivariée d’une somme de deux exponentielles complexes

Le modèle de signal qui nous intéresse dans cette section est le suivant

x(t; a, f, ϕ) = e2iπt + ae2iπf t+ψ , (2.146)

avec a ∈ R, f ∈ [−1, 1] et ψ ∈ [0, 2π]. Comme précédemment, on appellera composante haute

fréquence (HF) le premier terme de (2.146) et composante basse fréquence (BF) le second.

1.4.2 Modèle dans le cas bivarié

[Link] Adaptation du modèle Dans la continuité de ce qui a été fait pour l’EMD classique,
le modèle dans le cas bivarié est basé sur l’hypothèse que quelle que soit la direction, les maxima
du signal projeté sur cette direction sont uniformément espacés. Si on considère ainsi un signal
complexe x(t) tel que les maxima de sa projection sur toute direction soient toujours espacés de 1 4 ,
son armature latérale dans la direction ϕk est décrite par :

êϕk (ν) = I(ν)(Xk ∗ x̂)(ν), (2.147)

4. En toute rigueur, cette condition est très restrictive dans la mesure où seuls des signaux périodiques tels que ceux
étudiés en [Link] la vérifient. En pratique cependant, on s’intéressera à l’application de ce modèle dans des cas où cette
condition n’est vérifiée qu’approximativement et la restriction est donc moins gênante.
1.4. Application à l’EMD bivariée 151

où Xk est l’opérateur d’échantillonnage aux points t = tk + k ′ , k ′ ∈ Z où la projection de x(t) sur la
drirection ϕk est maximale : X
Xk (ν) = e−2miπtk δ(ν − m). (2.148)
m∈Z

De là, découle un modèle pour chacun des deux algorithmes Algo. 4 et Algo. 5. Celui-ci est identique
au cas classique pour l’algorithme Algo. 4 :

(S[
B1 x)(ν) = x̂(ν) − I(ν)X
mean ∗ x̂(ν), (2.149)

à l’exception de l’opérateur d’échantillonnage :

N
1 X
Xmean (ν) = Xk (ν) (2.150)
N
k=1
X
= αm δ(ν − m), (2.151)
m∈Z
P
où αm = N1 N k=1 e
−2miπtk .

Pour l’algorithme Algo. 5, le modèle se complique un peu. Sachant que la transformée de Fourier
de la composante dans la direction ϕ (associée au nombre complexe eiϕ ) d’un signal complexe u(t)
s’exprime sous la forme :

 1

F Re u(t)e−iϕ eiϕ (ν) = Fu(ν) + (Fu)∗ (−ν)e2iϕ , (2.152)
2
on peut montrer que le modèle pour l’algorithme Algo. 5 est le même que le précédent avec un terme
supplémentaire



(S[
B2 x)(ν) = x̂(ν) − I(ν) (X ′ ∗
mean ∗ x̂) (ν) + Xmean ∗ (x̂) (−ν) , (2.153)

avec Xmean tel que défini par (2.151) et

X N
1 X i(2mπtk +2ϕk )
X′mean (ν) = ′
αm δ(ν − m), ′
où αm = e . (2.154)
N
m∈Z k=1

Enfin, dans le cas où le nombre de directions N tend vers l’infini, les modèles restent identiques
à l’exception des opérateurs d’échantillonnage Xmean et X′mean dont les paramètres αm et αm ′

deviennent
Z 1
1 dφ
αm = e−2iπmt dt, (2.155)
2π 0 dt
Z 1
′ 1 dφ
αm = ei(2πmt+2φ(t)) dt, (2.156)
2π 0 dt

où φ est la fonction bijective de [0, 1] → [0, 2π] qui à t0 ∈ [0, 1] associe la direction φ(t0 ) telle que la
projection de x(t) sur cette direction soit maximale en t0 .

[Link] Application au cas d’une somme de deux exponentielles complexes Considérons

une somme d’exponentielles complexes (2.146). Étant donné que la projection d’un tel signal sur une
direction quelconque est un signal à deux composantes sinusoı̈dales tel que ceux étudiés en 1.1, on
peut affirmer que les extrema de cette projection tendent vers ceux de la projection de la composante
HF si a → 0 et de la composante BF si a → ∞.
152 Chapitre 2. Analyse

Cas a → 0 : Les extrema de e2iπt projeté sur la direction eiϕ sont situés en t = ϕ/(2π) + k,
k ∈ Z ce qui implique φ(t) = 2πt. De là, on obtient
αm = δm,0 , (2.157)
′
αm = δm,−2 , (2.158)
ce qui implique que les peignes de Dirac traduisant l’échantillonnage dans les modèles sont considé-
rablement simplifiés en Xmean = δ(ν) et X′mean = δ(ν + 2). On observe en fait le même type de
simplification que dans le cas classique lorsque maxima et minima sont symétriquement intercalés où
tout se passe comme si on échantillonnait le signal à une fréquence double de celle à laquelle chaque
enveloppe est échantillonnée. Comme on a ici une infinité d’enveloppes, tout se passe comme si le
signal était échantillonné à un taux infini et donc les effets d’échantillonnage disparaissent. Malheu-
reusement, il faut noter que ce raisonnement ne marche que quand on peut supposer que φ(t) = 2πt,
c’est-à-dire uniquement dans le cas où les extrema généralisés sont situés aux mêmes endroits que
ceux d’une exponentielle complexe, ce qui en toute rigueur n’est le cas que quand le signal est exac-
tement une exponentielle complexe à des constantes additives et multiplicatives près. Il ne faut donc
pas espérer que les effets de sous-échantillonnage disparaissent dans le cas général.
Les modèles deviennent alors :
(S[
B1 x)(ν) = (1 − I(ν))x̂(ν), (2.159)
(S[
B2 x)(ν) = x̂(ν) − I(ν)(x̂(ν) + (δ(ν + 2) ∗ (x̂)∗ )(−ν)). (2.160)
Si l’on tient compte de plus du fait que le spectre du signal x(t) est nul en dehors de [−1, 1], on
peut alors voir que le terme supplémentaire dans le modèle correspondant au deuxième algorithme
est en fait annulé ou presque par le filtre d’interpolation. Si on fait cette dernière approximation, on
obtient finalement que les deux algorithmes suivent le même modèle :

(S[
B1 x)(ν) = (1 − I(ν))x̂(ν), (2.161)
(S[
B2 x)(ν) ≃ (1 − I(ν))x̂(ν). (2.162)
On voit ainsi que les deux algorithmes seraient équivalents dans le cas a → 0 à un filtre linéaire
de réponse en fréquence 1 − I(ν) tout comme dans le cas de l’EMD classique d’une somme de deux
sinusoı̈des lorsque a → 0. On en déduit l’expression du premier IMF pour les deux algorithmes :
B1,(n)
d1 (t) = e2iπt + a(1 − I(f ))n e2iπf t+ψ , (2.163)
B2,(n)
d1 (t) ≃ e2iπt + a(1 − I(f ))n e2iπf t+ψ , (2.164)

Cas a → ∞ : Les extrema de ei(2πf t+ψ) projeté sur la direction eiϕ sont situés en t = (ϕ −
ψ)/(2πf ) + k, k ∈ Z. Les modèles deviennent alors :
 
[ ν
(S B1 x)(ν) = x̂(ν) − I (Xmean ∗ x̂) (ν), (2.165)
f
 
[ ν


B2
(S x)(ν) = x̂(ν) − I (Xmean ∗ x̂) (ν) + X′mean ∗ (x̂)∗ (−ν) , (2.166)
f
avec
X Z 1
e2imψ f −2iπmf t dφ
Xmean (ν) = αm δ(ν − mf ) où αm = e dt (2.167)
2π 0 dt
m∈Z
X Z 1
′ ′ ′ e−2imψ f i(2πmf t+2φ(t)) dφ
Xmean (ν) = αm δ(ν − mf ) où αm = e dt, (2.168)
2π 0 dt
m∈Z
1.4. Application à l’EMD bivariée 153

Sachant que de plus, on peut utiliser φ(t) = 2πf t + ψ, on a αm = δm,0 et αm ′ = e2iψ δ

m,−2 et les
modèles deviennent :
  
[ B1
ν
(S x)(ν) = 1 − I x̂(ν), (2.169)
f
 
[ ν
B2
(S x)(ν) = x̂(ν) − I (x̂(ν) + e2iψ (δ(ν + 2f ) ∗ (x̂)∗ )(−ν)). (2.170)
f

Si l’on ajoute maintenant l’approximation I(ν) = 0 si ν ∈

/ [−1, 1], ces modèles se simplifient en

(S[
B1 x)(ν) ≃ x̂(ν), (2.171)
 
[ ν
B2
(S x)(ν) ≃ x̂(ν) − I e2iψ (δ(ν + 2f ) ∗ (x̂)∗ )(−ν). (2.172)
f
Selon ces dernières expressions, l’algorithme Algo. 4 devrait considérer le signal comme une unique
composante. Pour ce qui est de l’algorithme Algo. 5, on peut voir dans un premier temps que celui-ci
laisse la composante BF intacte :
  
\ iψ ν
B2
(S x2 )(ν) ≃ e δ(ν − f ) − I eiψ δ(ν − f ) (2.173)
f
≃ 0, (2.174)

puisque I(1) = 0. Concernant la composante HF, on obtient

  
ν
(S\B2 x )(ν) ≃ δ(ν − 1) − I
1 e 2iψ
δ(ν − 2f + 1) , (2.175)
f
qui s’apparente à l’expression obtenue pour les sommes de sinusoı̈des lorsque les extrema sont proches
de ceux de la composante BF. De là, on peut exprimer le premier IMF après un nombre quelconque
d’itérations de tamisage :
   n 
B2,(n) 2iπt 2iπf t+ψ 1
d1 (t) ≃ e + ae − 1− 1−I 2− e2iπ(2f −1)t+2ψ . (2.176)
f
Selon cette expression, on voit que l’algorithme Algo. 5 ajoute une nouvelle composante basse fré-
(n) (n) (n)
quence au mélange dès que |2 − 1/f | < fc , c’est-à-dire (2 + fc )−1 < f < (2 − fc )−1 , et le
considère comme une unique composante sinon.

[Link] Confrontation avec l’expérience Comme on l’a fait pour les sommes de sinusoı̈des,
on peut analyser le comportement de l’EMD sur les sommes d’exponentielles complexes à l’aide des
critères c1 , c2,1 , c2,2 , c3,1 et c3,2 . Les résultats sont présentés Fig. 2.32, Fig. 2.34 et Fig. 2.36 pour
l’algorithme Algo. 4 et Fig. 2.33, Fig. 2.35 et Fig. 2.37 pour l’algorithme Algo. 5.

Résultats On peut d’emblée constater que les diagrammes correspondant aux deux algorithmes
sont très similaires et qu’ils présentent de fortes ressemblances avec le cas des sommes de sinusoı̈des.
Ces ressemblances avec le cas sinusoı̈dal s’expliquent simplement par le fait que les algorithmes bi-
variés utilisent tous les deux les extrema des projections du signal et que la projection d’une somme
d’exponentielles complexes n’est autre qu’une somme de sinusoı̈des de mêmes rapports d’amplitudes
et de fréquences. Ainsi, les diagrammes se découpent en un certain nombre de grandes zones, délimi-
tées par les quatre courbes a|f | = 1 (remplacé par af sin(3πf /2) = 1 pour f < 1/3) et af 2 = 1, qui
sont l’écho des 3 grandes zones observées pour les sommes de sinusoı̈des. La deuxième conséquence
importante du fait de s’appuyer sur des projections du signal complexe est que les algorithmes se
154 Chapitre 2. Analyse

Figure 2.32 – Algo. 4. Colonne de gauche : vue 3D de c1 moyenné par rapport à ϕ pour (de haut
en bas) 1, 3 et 10 itérations de tamisage. Colonne de droite : idem en images.
1.4. Application à l’EMD bivariée 155

Figure 2.33 – Algo. 5. Colonne de gauche : vue 3D de c1 moyenné par rapport à ϕ pour (de haut
en bas) 1, 3 et 10 itérations de tamisage. Colonne de droite : idem en images.
156 Chapitre 2. Analyse

Figure 2.34 – Algo. 4. Colonne de gauche : c2,1 moyenné par rapport à ϕ pour (de haut en bas) 1,
3 et 10 itérations de tamisage. Colonne de droite : idem pour c2,2 .
1.4. Application à l’EMD bivariée 157

Figure 2.35 – Algo. 5. Colonne de gauche : c2,1 moyenné par rapport à ϕ pour (de haut en bas) 1,
3 et 10 itérations de tamisage. Colonne de droite : idem pour c2,2 .
158 Chapitre 2. Analyse

Figure 2.36 – Algo. 4. Colonne de gauche : c3,1 moyenné par rapport à ϕ pour (de haut en bas) 1,
3 et 10 itérations de tamisage. Colonne de droite : idem pour c3,2 .
1.4. Application à l’EMD bivariée 159

Figure 2.37 – Algo. 5. Colonne de gauche : c3,1 moyenné par rapport à ϕ pour (de haut en bas) 1,
3 et 10 itérations de tamisage. Colonne de droite : idem pour c3,2 . c3,2 s’écarte très légèrement de 0
(jusque 0.03 pour 10 itérations) pour f aux alentours de 0.6, et ce même quand a → 0. C’est en fait
la trace de l’approximation utilisée dans le modèle qui nous a permis de négliger la composante à la
fréquence 2 − f .
160 Chapitre 2. Analyse

révèlent incapables de séparer des fréquences de signes opposés mais proches en valeur absolue, sim-
plement parce que la différence de signe disparait lorsque le signal est projeté.
Par la suite, on s’intéresse plus particulièrement au comportement de l’EMD au sein de chacune
des grandes zones.

zone a|f | < 1, jusqu’aux courbes en pointillés : Le comportement des deux algorithmes dans
cette zone est très proche de celui observé pour l’EMD des sommes de sinusoı̈des : l’EMD agit
comme un filtrage linéaire de réponse en fréquence (1 − I(f ))n , comme le prévoit le modèle.
Le seul écart à ce modèle qu’on peut observer sur les diagrammes de la figure Fig. 2.32 est
la petite vague qui suit approximativement les courbes a|f | = 0.1. Cet effet est en fait dû
à l’échantillonnage (la vague se déplace si on change la fréquence d’échantillonage) auquel
l’algorithme Algo. 4 est malheureusement très sensible.

zone af 2 > 1 : Le comportement des deux algorithmes diffère assez nettement de celui de l’EMD
classique puisque, à l’exception d’une bande de rapports (0.35 . f . 0.75 pour 10 itérations de
tamisage), les algorithmes bivariés considèrent tous deux que le signal est un unique IMF. De
plus, il se trouve que la nouvelle composante apparaissant dans cette bande de rapports présente
les mêmes caractéristiques pour les deux algorithmes. Si ceci était prévu par le modèle pour
l’algorithme Algo. 5, ce n’est pas le cas de l’algorithme Algo. 4, pour lequel le modèle prévoit
que le signal est systématiquement un unique IMF quel que soit le rapport de fréquences.
L’explication de ce phénomène est en fait en lien avec la sensibilité à l’échantillonnage de cet
algorithme. Le problème est que l’approximation des extrema uniformément espacés est bien
moins pertinente pour cet algorithme puisqu’il est beaucoup plus sensible à la position précise
de chaque extremum.
Pour percevoir où se situe l’inadéquation entre le modèle et la réalité, on peut par exemple
s’intéresser à la partie imaginaire du signal

x(t) = e2iπt + ae2iπf t , (2.177)

avec f > 1 et af 2 < 1, aux emplacements des maxima tk de sa partie réelle. Le modèle fournit
tk = k ∈ Z et donc
x(tk ) = 1 + ae2iπf k , (2.178)
ce qui implique en particulier
Im (x(tk )) = a sin(2πf k). (2.179)
Or en réalité, les tk doivent vérifier l’équation

sin(2πtk ) + af sin(2πf tk ) = 0, (2.180)

ce qui implique entre autres

Im (x(tk )) = a(1 − f ) sin(2πf tk ), (2.181)

qui n’est pas compatible avec l’équation (2.179) à supposer que les extrema soient situés en tk =
k ∈ Z. En poussant le raisonnement un peu plus loin, on pourrait montrer que le comportement
de l’algorithme Algo. 4 est en fait très similaire à l’autre algorithme.

zone de transition : Le comportement dans cette zone s’écarte aussi assez nettement de celui de
l’EMD classique. En effet, là où la frontière était très irrégulière pour les sommes de sinusoı̈des,
on observe ici une frontière beaucoup plus régulière. L’explication est en fait assez simple sa-
chant que l’irrégularité de la frontière dans le cas classique est liée à des situations particulières
de rapports de fréquences de la forme 1/k (ou éventuellement certains rapports p/q avec p
1.5. Conclusions sur l’EMD de sommes de composantes déterministes « simples » 161

et q pas trop grands) pour lesquels la densité d’extrema du signal dépend de la différence de
phase entre les deux composantes. Dans le cas bivarié, ces situations n’existent pas vraiment
puisqu’un décalage de phase entre les deux composantes peut être assimilé à une rotation du
signal accompagnée d’une translation temporelle, et que les algorithmes bivariés sont asymp-
totiquement covariants par rapport à ces deux transformations quand le nombre de directions
utilisé et la durée du signal tendent vers l’infini.
On observe de plus un déplacement de la frontière quand le nombre d’itérations de tamisage
augmente. La frontière, initialement collée aux courbes a|f | = 1 et af sin(3πf /2) = 1, se déplace
avec les itérations en direction de la courbe af 2 = 1. Cette évolution a été également observée
dans le cas des sommes de sinusoı̈des mais la frontière se déplaçait moins rapidement parce
qu’elle était « retenue » par les rapports de fréquences particuliers évoqués précédemment.

Conclusions De ces résultats, on peut finalement tirer deux conclusions :

– les deux algorithmes semblent avoir des comportements très similaires sur les sommes d’ex-
ponentielles complexes, la différence principale entre les deux étant la précision supérieure de
l’algorithme Algo. 5. On verra en 2.3 que leurs comportements peuvent être plus éloignés dans
d’autres situations. Dans le cas de sommes d’exponentielles complexes, leur comportement est
aussi très proche du comportement de l’EMD classique sur les sommes de sinusoı̈des, sauf dans
la région af 2 > 1 où, à l’exception d’une bande de rapports de fréquences, le signal est toujours
considéré comme un seul IMF bivarié, là où l’EMD classique rajoutait dans beaucoup de cas
une composante dérivée de la composante HF par repliement.
– le modèle développé ne modélise pas correctement les résultats de l’algorithme Algo. 4 dans la
partie af 2 > 1. Même si la modélisation semble correcte dans la partie af < 1, aux imprécisions
dues à l’échantillonnage près, on peut légitimement douter de la capacité du modèle à s’adapter
à des situations autres que les sommes d’exponentielles complexes.

1.5 Conclusions sur l’EMD de sommes de composantes déterministes « simples »

Dans cette partie concernant l’analyse des performances de l’EMD sur les sommes de sinusoı̈des,
et plus généralement de signaux faiblement non linéaires périodiques, on a d’une part caractérisé le
comportement de l’EMD à l’aide de simulations numériques, et d’autre part développé un modèle
permettant de retrouver les résultats observés dans un grand nombre de situations, du moins dans
la limite continue où les effets liés à l’échantillonnage peuvent être négligés.
Concernant l’aspect caractérisation, l’étude a été guidée par les trois questions proposées en 1.1.2
et rappelées ici :
1. Dans quelles conditions l’EMD sépare-t-elle les deux composantes sinusoı̈dales ?
2. Dans quelles conditions l’EMD considère-t-elle le signal comme une seule composante modulée
en amplitude et en fréquence ?
3. Dans quelles conditions l’EMD décompose-t-elle le signal en plusieurs composantes qui ne sont
pas simplement des combinaisons linéaires des deux composantes initiales ?
Les réponses de l’EMD à ces trois questions sont représentées de manière schématique dans la colonne
de gauche Fig. ?? pour les trois situations étudiées.
Pour résumer les résultats de l’analyse des performances de l’EMD on a tout d’abord observé que
les positions et la densité des extrema avaient un rôle déterminant. Le premier IMF a en effet dans
une très grande majorité des cas autant d’extrema que le signal, l’exception correspondant aux cas
similaires à ceux abordés en [Link] où des inflexions importantes peuvent se transformer en extrema
après quelques itérations de tamisage. Dans les trois situations étudiées, on a ainsi pu montrer que
le plan (a, f ) des rapports d’amplitude et de fréquence se divisait en trois grandes régions (cinq
dans le cas complexe) : dans les deux régions extrêmes où le rapport d’amplitudes a tend vers 0
162 Chapitre 2. Analyse

comportement de l’EMD adéquation avec le modèle

1
sin sin
2 2
0.8

1.5
0.6
3
f

0.4
1
0.2

0
1
NL NL

0.8
Non testé
0.6
3
f

0.4

0.2
1
0
1
exp exp
2 2

1.5
3
0.5

0 1
f

−0.5
1.5 2

2
−1
−2 −1 0 1 2 −2 −1 0 1 2
log10 a log10 a

Figure 2.38 – Récapitulatif schématique des performances de l’EMD (colonne de gauche) et du

modèle (colonne de droite) dans les trois situations : (sin) sommes de sinusoı̈des, (NL) sommes de
composantes faiblement non linéaires, (exp) sommes d’exponentielles complexes (algorithme Algo. 5).
Les couleurs et étiquettes de la colonne de gauche correspondent aux trois questions posées initia-
lement en 1.1.2 : (1) correspond aux cas où les deux composantes sont correctement séparées ; (2)
aux cas où l’EMD considère le signal comme une seule composante ; (1.5) aux situations intermé-
diaires entre (1) et (2) ; (3) aux cas où l’EMD produit des composantes qui ne sont pas simplement
des combinaisons linéaires des composantes de départ. Les flèches indiquent schématiquement les
déplacements des frontières quand le nombre d’itérations augmente (les schémas correspondent à 10
itérations). Les zones noires de la colonne de droite correspondent aux cas où les prévisions du modèle
s’écartent de plus de 0.1 fois la norme de la composante de plus faible amplitude.
1.5. Conclusions sur l’EMD de sommes de composantes déterministes « simples » 163

ou l’infini, les extrema du signal correspondent approximativement à ceux de la composante de plus

gande amplitude ; dans la région intermédiaire, les extrema peuvent provenir de manière générale des
deux composantes voire de simples inflexions de ces dernières. Pour cette raison, le comportement de
l’EMD dans cette zone transitoire devient nettement plus compliqué à décrire, même si on observe
qu’il se ramène parfois à celui observé dans l’une ou l’autre région extrême après quelques itérations
de tamisage. Cet aspect est notamment important dans le cas de sommes de composantes faiblement
non linéaires dans la mesure où la zone transitoire peut alors être bien plus large et où les composantes
sont susceptibles de contenir des inflexions pouvant donner lieu à des extrema dans la somme qui
s’ajoutent à ceux provenant directement des extrema des deux composantes.
Concernant maintenant les zones extrêmes où les extrema sont approximativement aux mêmes
positions que ceux de la composante de plus grande amplitude, on observe des comportements très
différents suivant que ce soit la composante BF ou HF qui domine.
Lorsque la composante HF domine (côté a tend vers 0), on a observé que l’effet d’une itération de
tamisage sur des sommes de sinusoı̈des s’apparentait fortement à celui d’un filtre linéaire passe-haut
ne dépendant que de la fréquence de la composante HF. De là, le comportement de l’EMD complète
est dans ce cas également très proche d’un filtre linéaire correspondant simplement à l’itération du
filtre correspondant à une itération. Par conséquent, la séparation ou non des deux composantes
sinusoı̈dales par l’EMD dépend uniquement du rapport de leurs fréquences et du nombre d’itérations
de tamisage avec une transition progressive entre les deux régimes. Cette modélisation simpliste
s’avère très bonne lorsque a tend vers 0 mais se dégrade lorsque a se rapproche de 1. Elle reste
cependant une approximation correcte du comportement de l’EMD même pour a = 1, avec une
marge d’erreur typiquement de 15% dans le pire des cas.
Lorsque l’on considère des sommes de composantes faiblement non linéaires en lieu et place des
sinusoı̈des, la description se complique. En pratique, on observe que si la composante BF des harmo-
niques jusqu’à l’ordre p, l’EMD est capable de séparer totalement les deux composantes uniquement
lorsque le rapport de fréquences est inférieur à p fois le rapport de fréquences nécessaire à séparer
deux composantes sinusoı̈dales de mêmes fréquences. De plus, lorsque le rapport de fréquences est
supérieur à 1/p, on observe que les IMFs contiennent des fréquences supplémentaires par rapport à
celles présentes initialement dans les deux composantes. De fait, il n’est plus possible dans ce cas
de décrire le comportement de l’EMD uniquement en termes de filtrage linéaire. Il faut alors faire
intervenir une autre caractéristique importante du processus de tamisage qui est l’échantillonnage.
En effet, le fait de contruire les enveloppes à partir des extrema du signal fait implicitement intervenir
une opération d’échantillonnage (par les extrema) qui s’accompagne parfois d’effets de repliement.
Ces effets sont négligeables pour les sommes de sinusoı̈des mais ne le sont plus dès lors que la com-
posante BF n’est pas simplement sinusoı̈dale du fait que ses harmoniques peuvent subir des effets de
repliement. En ajoutant ces effets de repliement au modèle de filtrage linéaire précédent, on aboutit
à un modèle plus complet de l’EMD qui permet de rendre compte aussi efficacement son comporte-
ment sur les sommes de signaux faiblement non linéaires que le simple modèle de filtrage linéaire le
permettait sur les sommes de sinusoı̈des.
Une autre situation où les effets de repliement dus à l’échantillonnage sont importants est le cas où
la composante BF domine (côté a tend vers l’infini). On observe en effet pour les sommes de sinusoı̈des
que le comportement de l’EMD se divise essentiellement en deux régimes suivant le rapport de
fréquences : soit elle considère les deux sinusoı̈des comme une seule composante modulée en amplitude
et en fréquence, soit elle introduit une nouvelle composante sinusoı̈dale qui ne peut être expliquée
autrement que par des effets de repliement. Là encore, le modèle comprenant échantillonnage et
filtrage linéaire permet de rendre compte efficacement du comportement de l’EMD.
Le cas correspondant des sommes de composantes faiblement non linéaires n’a pas été abordé dans
cette étude mais il est probable que le modèle permette là aussi de rendre compte du comportement
de l’EMD. Il n’y aurait alors pas ou que très peu de rapports de fréquences pour lesquels l’EMD
164 Chapitre 2. Analyse

considérerait la somme de signaux comme une seule composante. En revanche, il y aurait davantage
de nouvelles fréquences susceptibles d’être introduites dans la décomposition : une par harmonique
de la composante HF.
En conclusion, le modèle proposé permet dans de nombreux cas de prévoir le comportement de
l’EMD dès lors que le signal est composé de deux composantes périodiques faiblement non linéaires.
De plus, l’EMD agissant de manière locale, on a également observé que le modèle pouvait dans une
certaine mesure fournir une bonne indication du comportement de l’EMD lorsque les composantes
sont modulées en amplitude et en fréquence. Par extension, on peut supposer que le modèle peut
s’avérer utile dans des situations plus générales dès lors que localement les extrema du signal sont
approximativement uniformément espacés. En particulier, il est sans doute possible de l’appliquer lo-
calement dans certains cas se présentant dans les zones de transition du modèle à deux composantes
étudié dans ces pages. En revanche, l’adéquation entre les prévisions du modèle et le comportement
réel de l’EMD n’est bonne que si les extrema sont effectivement pratiquement uniformément espacés.
S’ils ne le sont qu’approximativement, les prévisions du modèle sont généralement également approxi-
matives. Enfin, on s’est borné à étudier les performances du modèle pour des nombres d’itérations de
tamisage inférieurs à 10. Il semble probable que pour des nombres d’itérations nettement supérieurs,
la qualité de la modélisation soit également réduite.

2 Cadre stochastique : décomposition d’un bruit large bande

En principe, l’EMD a été construite dans la perspective de décomposer des signaux qu’on peut
mettre sous la forme de sommes de composantes oscillantes. Cependant, même si l’évolution d’une
grandeur physique peut être décrite ainsi, sa mesure comporte inévitablement une certaine incertitude
qu’on modélise bien souvent par un bruit large bande. Dès lors, le comportement de l’EMD peut être
très différent de celui attendu intuitivement.
Dans le but de clarifier ce comportement, on s’intéresse dans ce chapitre aux caractéristiques de la
décomposition proposée par l’EMD quand on lui soumet en entrée un bruit large bande. On étudiera
dans un premier temps les cas de bruits blancs de densités différentes, puis on s’intéressera de plus
près au cas de bruits gaussiens fractionnaires qui constituent un bon modèle de processus présentant
un comportement de loi d’échelle. Une troisième partie est ensuite consacrée à une étude des mêmes
types de propriétés pour les EMD bivariées introduites au chapitre 1 en 6.5.2. Enfin, on termine cette
étude du comportement de l’EMD sur les bruits large bande par un rapprochement avec le modèle
développé dans la partie précédente qui permet de retrouver un certain nombre des caractéristiques
observées.

2.1 Bruits blancs de densités variées

On considère dans cette partie quatre modèles de bruits blancs ayant chacun une densité de
probabilité marginale différente. L’objectif de cette étude comparative est de tenter de cerner en quoi
la densité de probabilité marginale peut influencer la décomposition. On choisit pour ce faire quatre
densités de formes différentes qu’on normalise toutes pour qu’elles soient de moyenne nulle et de
variance unité. Les quatres modèles de bruits sont les suivants

gaussien : bruit de densité marginale gaussienne

uniforme : bruit de densité uniforme

asymétrique : bruit de densité quadratique asymétrique p(x) ∝ (x − a)2 pour x ∈ [a, b].

bimodal : bruit de densité quadratique bimodale symétrique p(x) ∝ x2 pour x ∈ [−a, a].
2.1. Bruits blancs de densités variées 165

2.1.1 Stationnarité

Les IMFs issus de la décomposition d’un signal stationnaire à tout ordre sont stationnaires à des
effets de bords près. En effet, l’EMD étant covariante par rapport aux décalages temporels, les IMFs
issus d’un signal stationnaire à tout ordre de durée infinie (ce qui permet d’ignorer d’éventuels effets
de bords) sont nécessairement stationnaires (cf chapitre 1 [Link] pour une démonstration). Si l’on
ajoute à cela que l’EMD agit à une échelle locale, ce qui signifie qu’un IMF donné en un instant donné
ne dépend du signal que dans un certain intervalle autour de cet instant, on peut alors en déduire
que les IMFs issus d’un signal stationnaire de durée finie ne dépendent des bords du signal qu’à un
horizon fini. Par conséquent la durée finie du signal n’a aucune incidence sur la partie centrale des
IMFs qui est donc stationnaire. Cette affirmation doit cependant être nuancée en tenant compte du
fait que la « localité » de l’EMD n’a pas le même sens pour chaque IMF. Ainsi, si le premier IMF à
un instant donné peut ne dépendre du signal que dans un intervalle d’une dizaine de points autour de
cet instant, il n’est pas rare que le dernier IMF ait une « période » du même ordre de grandeur que
la durée du signal, auquel cas sa valeur à un instant donné dépend alors de toute la durée du signal
et en particulier de la manière dont sont traités les effets de bords. En pratique, on pourra toutefois
tolérer un peu d’effets de bords dans les simulations dans la mesure où on regarde systématiquement
des quantités globales moyennées sur la durée du signal. Ainsi, dans le cas des bruits large bande qui
nous intéresse ici, on pourra considérer que les IMFs sont tous à peu près stationnaires à l’exception
des 2 derniers. Pour limiter les effets de bords restants, on retranchera généralement une durée fixe
sur les bords des IMFs avant de leur appliquer les analyses.

2.1.2 Statistiques d’ordre 1

Les densités de probabilité marginales des IMFs et des approximations ont été estimées pour les
différents modèles de bruits blancs à l’aide d’histogrammes. Les résultats sont représentés Fig. 2.39
et Fig. 2.40 pour les IMFs et Fig. 2.41 et Fig. 2.42 pour les approximations.
Pour ce qui concerne les IMFs, on observe qu’à la notable exception du premier IMF, et parfois
des second et troisième, les densités marginales sont toutes pratiquement gaussiennes, avec seulement
une petite singularité en 0. Cette caractéristique est en particulier bien vérifiée pour les IMFs issus des
bruits gaussien et uniforme. Dans le cas du bruit asymétrique et surtout du bruit de densité bimodale,
on observe que les premiers IMFs sont nettement moins gaussiens que dans le autres cas, sans doute
parce que ces densités marginales sont plus éloignées de la gaussienne que la densité uniforme. De
manière générale, on observe donc qu’en dehors du premier IMF les IMFs ont tendance à être de
plus en plus gaussiens lorsque leur indice augmente, la convergence vers la gaussienne étant plus ou
moins rapide suivant la proximité de la densité marginale du bruit avec la gaussienne. Si on s’intéresse
maintenant aux moyennes et variances de ces gaussiennes, on voit très clairement que les moyennes
sont toutes pratiquement nulles — elles s’écartent très légèrement de zéro pour la densité asymétrique
avec au maximum ≈ 0.002 pour le premier IMF— et que les variances décroissent quand l’indice de
l’IMF augmente. Comme on peut le voir Fig. 2.43, la décroissance est très proche d’exponentielle
dans tous les cas.
Le cas du premier IMF est particulier puisque c’est le seul à avoir une densité marginale bimodale.
On peut montrer en fait très simplement que cet effet est dû au fait que l’écart moyen entre deux
extrema est dans le cas du premier IMF proche du pas de discrétisation. Pour s’en convaincre, il suffit
d’observer que la densité marginale d’une version « suréchantillonnée » à l’aide d’une interpolation
linéaire par morceaux du premier IMF issu du bruit blanc gaussien est tout aussi gaussienne que les
densités marginales des IMFs suivants (cf Fig. 2.44). On peut également proposer une justification à
l’aide d’une analyse simple des statistiques des extrema dans le premier IMF. Sachant que les bruits
considérés sont blancs, on peut montrer très simplement que dans ces bruits, en moyenne 2 points
sur 3 sont des extrema locaux. Dans la mesure où des extrema peuvent apparaı̂tre, mais rarement
166 Chapitre 2. Analyse

(a) (b) (c) (d)

signal signal signal signal

d1 d1 d1 d1

d2 d2 d2 d2

d3 d3 d3 d3

d4 d4 d4 d4

d5 d5 d5 d5

d6 d6 d6 d6

d7 d7 d7 d7

Figure 2.39 – Densités marginales des IMFs. (a) Gaussien. (b) uniforme. (c) asymétrique. (d) bi-
modal.
2.1. Bruits blancs de densités variées 167

(a) (b)

(c) (d)

Figure 2.40 – Densités marginales des IMFs renormalisées. La courbe en pointillés est la gaus-
sienne de référence. La courbe en tirets correspond au premier IMF. (a) Gaussien. (b) uniforme. (c)
asymétrique. (d) bimodal.
168 Chapitre 2. Analyse

(a) (b) (c) (d)

signal signal signal signal

a1 a1 a1 a1

a2 a2 a2 a2

a3 a3 a3 a3

a4 a4 a4 a4

a5 a5 a5 a5

a6 a6 a6 a6

a7 a7 a7 a7

Figure 2.41 – Densités marginales des approximations. (a) Gaussien. (b) uniforme. (c) asymétrique.
(d) bimodal.
2.1. Bruits blancs de densités variées 169

(a) (b)

(c) (d)

Figure 2.42 – Densités marginales des approximations renormalisées. La courbe en pointillés est la
gaussienne de référence. La courbe en tirets correspond au premier IMF. (a) Gaussien. (b) uniforme.
(c) asymétrique. (d) bimodal.
170 Chapitre 2. Analyse

0
(a) (b)
−1

−2
log2 variances

−3

−4

−5

−6

−7
0
(c) (d)
−1

−2
log2 variances

−3

−4

−5

−6

−7

−8
1 2 3 4 5 6 7 1 2 3 4 5 6 7
indice indice

Figure 2.43 – Variances des IMFs (trait plein) et des approximations (tirets) en fonction de leur
indice.
2.1. Bruits blancs de densités variées 171

(a) (b)

Figure 2.44 – Densité marginale du premier IMF issu du bruit blanc gaussien. (a) Densité marginale
du premier IMF. (b) Densité marginale du premier IMF suréchantillonné d’un facteur 10 à l’aide d’une
interpolation linéaire par morceaux. La courbe en pointillés est la gaussienne de même variance.

disparaı̂tre, au cours du processus de tamisage, le premier IMF a au moins autant d’extrema. Si

l’on tient compte du fait qu’il s’agit d’un IMF on peut voir intuitivement que la symétrie entre les
enveloppes fait que les extrema ont tendance à ne pas être trop proches de zéro. Au final, on obtient
donc qu’au moins deux tiers des points auraient tendance à ne pas être trop proches de zéro, ce qui
pourrait justifier une densité marginale bimodale.
Concernant les approximations, on observe que celles-ci sont elles aussi généralement gaussiennes,
et même bien plus gaussiennes que les IMFs, puisqu’il n’y a pas de singularité en zéro. Les seuls cas
où la densité marginale s’écarte notablement de la gaussienne sont ceux des premières approximations
pour les densités asymétrique et bimodale. Enfin, comme dans le cas des IMFs on observe que les
densités marginales des approximations sont d’autant plus gaussiennes que leur indice est grand. On
observe de plus que leurs moyennes, contrairement à celles des IMFs, peuvent dépendre de la nature
du bruit. Ainsi, les moyennes des approximations pour les bruits symétriques sont nulles comme on
pouvait s’y attendre mais celles correspondant au bruit de densité asymétrique ne le sont pas, même
pour les grands indices. Du point de vue des variances, on observe comme dans le cas des IMFs une
décroissance en fonction de l’indice très proche d’exponentielle dans tous les cas.

2.1.3 Statistiques d’ordre 2

On a vu précédemment que les densités marginales des IMFs et des approximations étaient gaus-
siennes à l’exception du premier IMF et éventuellement des quelques suivants si la densité marginale
du bruit est trop loin de la gaussienne. La situation est très différente pour ce qui est des densités à
l’ordre 2, c’est-à-dire les densités de probabilité jointes des couples (x(t), x(t + k)) en fonction de k,
avec x un IMF ou une approximation. En effet les IMFs quel que soit leur indice, ne sont pas du tout
gaussiens à l’ordre 2. Les densités jointes du troisième IMF pour les différents types de bruits sont
représentées Fig. 2.45, Fig. 2.46, Fig. 2.47 et Fig. 2.48. La même étude sur d’autres IMFs montre que
l’allure de ces densités ne dépend que peu de l’indice de l’IMF, tant qu’il ne s’agit pas du premier. On
constate de plus certaines similarités entre les densités des IMFs issus des diférents types de bruits
qui laissent penser qu’il y a sans doute un lien à trouver avec l’algorithme de l’EMD.
Concernant les approximations en revanche (Fig. 2.49, Fig. 2.50, Fig. 2.51 et Fig. 2.52), on constate
qu’elles sont très raisonnablement gaussiennes lorsque les densités marginales sont gaussiennes comme
dans le cas des bruits gaussien et uniforme. Dans les cas des bruits asymétrique et bimodal, celles-ci
172 Chapitre 2. Analyse

1 2 3 4

5 6 7 8

9 10 11 12

13 14 15 16

Figure 2.45 – Densités de probabilité à l’ordre 2 des IMFs issus du bruit gaussien. Chaque image
correspond à une valeur de décalage indiquée dans le coin en haut à gauche.
2.1. Bruits blancs de densités variées 173

1 2 3 4

5 6 7 8

9 10 11 12

13 14 15 16

Figure 2.46 – Densités de probabilité à l’ordre 2 des IMFs issus du bruit uniforme. Chaque image
correspond à une valeur de décalage indiquée dans le coin en haut à gauche.
174 Chapitre 2. Analyse

1 2 3 4

5 6 7 8

9 10 11 12

13 14 15 16

Figure 2.47 – Densités de probabilité à l’ordre 2 des IMFs issus du bruit asymétrique. Chaque image
correspond à une valeur de décalage indiquée dans le coin en haut à gauche.
2.1. Bruits blancs de densités variées 175

1 2 3 4

5 6 7 8

9 10 11 12

13 14 15 16

Figure 2.48 – Densités de probabilité à l’ordre 2 des IMFs issus du bruit bimodal. Chaque image
correspond à une valeur de décalage indiquée dans le coin en haut à gauche.
176 Chapitre 2. Analyse

1 2 3 4

5 6 7 8

9 10 11 12

13 14 15 16

Figure 2.49 – Densités de probabilité à l’ordre 2 des approximations issues du bruit gaussien. Chaque
image correspond à une valeur de décalage indiquée dans le coin en haut à gauche.
2.1. Bruits blancs de densités variées 177

1 2 3 4

5 6 7 8

9 10 11 12

13 14 15 16

Figure 2.50 – Densités de probabilité à l’ordre 2 des approximations issues du bruit uniforme.
Chaque image correspond à une valeur de décalage indiquée dans le coin en haut à gauche.
178 Chapitre 2. Analyse

1 2 3 4

5 6 7 8

9 10 11 12

13 14 15 16

Figure 2.51 – Densités de probabilité à l’ordre 2 des approximations issues du bruit asymétrique.
Chaque image correspond à une valeur de décalage indiquée dans le coin en haut à gauche.
2.1. Bruits blancs de densités variées 179

1 2 3 4

5 6 7 8

9 10 11 12

13 14 15 16

Figure 2.52 – Densités de probabilité à l’ordre 2 des approximations issues du bruit bimodal. Chaque
image correspond à une valeur de décalage indiquée dans le coin en haut à gauche.
180 Chapitre 2. Analyse

gaussien uniforme
1.4
d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1
1.2

0.8
DSP

0.6

0.4

0.2

0
asymétrique bimodal
1.4
d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1
1.2

0.8
DSP

0.6

0.4

0.2

0
−12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2
log2 fréquence log2 fréquence

Figure 2.53 – Spectres des IMFs (traits pleins) et des approximations (tirets) pour les 4 types de
bruit blanc. Le trait plus épais correspond au premier IMF. Les autres IMFs occupent des bandes de
fréquences dont la fréquence centrale décroı̂t avec l’indice de l’IMF.

semblent s’écarter de la gaussienne, mais seulement parce que le troisième IMF sur lequel sont basées
les figures a une densité marginale qui s’écarte de la gaussienne dans ces deux cas.
Au-delà de ces densités de probabilité, on s’intéresse également aux spectres des IMFs et approxi-
mations Fig. 2.53. Ceux-ci sont estimés simplement pour un processus x par :
N
X −1
1
Ŝx (f ) = r̂x [m]w[m]e−2iπf m , |f | ≤ , (2.182)
2
m=−N +1

où w est une fenêtre de Hanning et r̂x [m] l’estimée de l’autocorrélation du processus x à partir d’une
série de réalisations x(j) , 1 ≤ j ≤ J = 100000 :
  !2
J N −|m| N
1 X 1 X 1 X
r̂x [m] =  x(j) [n]x(j) [n + |m|] − x(j) [n] , |m| ≤ N − 1. (2.183)
J N − |m| NJ
j=1 n=1 n=1

Les résultats montrent une organisation spontanée des spectres des IMFs qui rappelle fortement
la sortie d’un banc de filtres autosimilaire, tel que ceux habituellement utilisés pour calculer les
2.1. Bruits blancs de densités variées 181

gaussien uniforme
5

0
DSP renormalisée – dB

−5

−10

−15

−20

−25

−30
asymétrique bimodal
5

0
DSP renormalisée – dB

−5

−10

−15

−20

−25

−30
−6 −4 −2 0 2 4 −6 −4 −2 0 2 4
log2 fréquence log2 fréquence

Figure 2.54 – Spectres des IMFs d’indice strictement supérieur à 1 renormalisés empiriquement.

transformées en ondelettes discrètes. En effet, on observe qu’à l’exception du premier IMF, les spectres
des IMFs sont tous passe-bandes et quasi-identiques à une dilatation en fréquence — et un peu en
amplitude — près, ce qu’on peut visualiser Fig. 2.54. De plus, le facteur de dilatation en fréquence
d’un IMF au suivant semble être toujours le même. On verra par la suite que ce facteur, ici de l’ordre
de 2, dépend en fait essentiellement du nombre d’itérations de tamisage qui a été fixé arbitrairement
à 10 jusqu’ici. De fait, il semble que la principale différence entre les différents types de bruit soit
l’amplitude des spectres des IMFs autres que le premier. On observe ainsi que les spectres des IMFs
issus des bruits gaussien et asymétrique ont des amplitudes quasi-identiques, entre 0.9 et 1, et que
ceux issus des bruits uniforme et bimodal ont des amplitude plus faibles, de l’ordre de 0.8 pour le
bruit uniforme et de 0.75 pour le bruit bimodal. En outre, on peut observer que les amplitudes des
spectres des IMFs autres que le premier sont généralement croissantes avec l’indice, la seule exception
étant le cas des premiers IMFs du bruit bimodal. Pour ce qui est du premier IMF, son comportement
se démarque à nouveau des autres dans la mesure où il n’est pas passe-bande mais plutôt pass-haut et
que, de plus, il a une contribution non négligeable à basses fréquences qui est en particulier beaucoup
plus importante que celles des autres IMFs.
Concernant les approximations, on constate tout d’abord que leurs spectres sont tous passe-bas
et qu’à l’instar des IMFs d’ordre supérieur à 1, leurs spectres ont tous pratiquement la même forme.
182 Chapitre 2. Analyse

En outre, ils peuvent se déduire les uns des autres par une dilatation en fréquence et en amplitude
qui est apparemment toujours la même d’une approximation à la suivante. L’autre caractéristique
importante des approximations est le fait que leur densité de puissance à basses fréquences augmente
d’une approximation à la suivante et que celle-ci dépasse systématiquement la densité spectrale de
puissance du bruit à partir d’un certain indice, parfois dès la première approximation.
Pour clore la description à l’ordre 2 des IMFs, on s’est également intéressé aux corrélations entre
eux. Pour ce faire, on a estimé leurs interspectres à l’aide de la même formule que celle utilisée
pour l’estimation des spectres (2.182), en changeant juste l’estimateur de l’autocorrélation (2.183) en
estimateur de l’intercorrélation. Les normes des interspectres divisées par la moyenne géométrique des
normes des spectres correspondants sont représentées Fig. 2.55 et les interspectres entre les 4 premiers
IMFs pour le bruit blanc gaussien Fig. 2.56. Les interspectres entre les IMFs issus des autres types
de bruit n’ont pas été inclus car ils sont qualitativement très proches du cas gaussien. En revanche,
on propose figure Fig. 2.57 les interspectres entre premier IMF et première approximation qui font
bien apparaı̂tre les différences de corrélations entre les différents types de bruit.
Les résultats montrent qu’à l’exception du premier IMF, les IMFs sont peu corrélés entre eux. De
plus, il semble que la corrélation entre deux IMFs dépende essentiellement de l’écart d’indice entre les
deux. Ainsi la norme de leurs interspectres renormalisés est au maximum de l’ordre de 0.1 entre deux
IMFs successifs, de l’ordre de 0.03 à deux d’écart, et elle tombe à 0.01 pour de quatre à six d’écart
suivant le type de bruit. Au-delà des normes, on peut analyser la nature de la corrélation à l’aide des
interspectres entre les IMFs. Remarquons tout d’abord que ces derniers sont systématiquement réels.
Ceci s’explique par le fait que les intercorrélations sont toutes réelles et paires : réelles parce que les
IMFs sont réels, et paires parce que le bruit et l’EMD ne privilégient aucune direction temporelle.
Plus en détail, on observe comme pour les normes que l’allure de l’interspectre entre deux IMFs
dépend essentiellement de l’écart entre leurs indices. On peut ainsi voir que la nature de la corrélation
diffère fortement entre deux IMFs successifs et entre deux IMFs plus éloignés. Dans le premier cas, on
observe que les deux IMFs sont corrélés positivement dans la zone où leurs spectres se recouvrent, puis
négativement dans la partie plus basses fréquences de la bande où l’IMF de plus grand indice domine.
Dans le second cas, il n’y a pas de zone de recouvrement et l’interspectre est négatif et concentré dans
la bande de fréquence de l’IMF de plus grand indice. Du point de vue de l’interprétation des résultats,
ces corrélations peuvent apparaı̂tre plus ou moins gênantes. En effet, les corrélations positives ont
comme conséquence que la somme des puissance des IMFs successifs dans la zone où leurs spectres
se recouvrent est inférieure à la puissance de la somme, ce qui peut conduire à la sousestimation
de certaines quantités. Mais les corrélations négatives sont a priori bien plus gênantes puisqu’elles
indiquent que les IMFs contiennent des informations qui se compensent entre elles quand on les
somme et qu’il est donc possible de voir dans un IMF particulier des informations absentes du signal.
Le cas du premier IMF est différent puisqu’il est soit plus (bruits gaussien et asymétrique) soit
moins (bruits uniforme et bimodal) corrélé avec les IMFs suivants que ces derniers entre eux. On peut
d’ailleurs constater que ce dernier résultat se voit également sur les interspectres entre premier IMF et
première approximation (cf Fig. 2.57) : ceux des bruits uniforme et bimodal sont très faibles à basses
fréquences, ce qui implique que le premier IMF est peu corrélé avec les IMFs basses fréquences ; ceux
des bruits gaussien et asymétrique sont en revanche assez fortement négatifs à basses fréquences et
le premier IMF est donc assez fortement anticorrélé avec les IMFs basses fréquences. La raison pour
laquelle les premiers IMFs issus des bruits uniforme et bimodal sont nettement moins corrélés avec
les autres que pour les autres types de bruit est loin d’être claire a priori mais une piste séduisante
semble être le lien entre l’aspect bimodal de ces densités 5 et celui de la densité marginale du premier
IMF.

5. La densité uniforme est en fait entre unimodale et bimodale, mais elle est nettement plus proche de bimodale que
les densités gaussienne et asymétrique.
2.1. Bruits blancs de densités variées 183

gaussien uniforme
1 0 -9 -12 -13 -14 -15 -16 -17 0 -11 -17 -20 -22 -22 -23 -24

2 -9 0 -10 -15 -17 -18 -19 -20 -11 0 -10 -15 -18 -19 -20 -21

3 -12 -10 0 -10 -15 -18 -19 -20 -17 -10 0 -10 -15 -18 -19 -20

4 -13 -15 -10 0 -10 -15 -18 -19 -20 -15 -10 0 -10 -15 -18 -19

5 -14 -17 -15 -10 0 -10 -15 -18 -22 -18 -15 -10 0 -10 -15 -18

6 -15 -18 -18 -15 -10 0 -10 -15 -22 -19 -18 -15 -10 0 -10 -15

7 -16 -19 -19 -18 -15 -10 0 -10 -23 -20 -19 -18 -15 -10 0 -10

8 -17 -20 -20 -19 -18 -15 -10 0 -24 -21 -20 -19 -18 -15 -10 0

asymétrique bimodal
1 0 -10 -11 -13 -14 -15 -16 -17 0 -11 -18 -25 -28 -28 -29 -30

2 -10 0 -10 -15 -17 -18 -19 -20 -11 0 -9 -14 -19 -21 -22 -23

3 -11 -10 0 -10 -15 -18 -19 -20 -18 -9 0 -10 -15 -18 -19 -20

4 -13 -15 -10 0 -10 -15 -18 -19 -25 -14 -10 0 -10 -15 -18 -19

5 -14 -17 -15 -10 0 -10 -15 -18 -28 -19 -15 -10 0 -10 -15 -18

6 -15 -18 -18 -15 -10 0 -10 -15 -28 -21 -18 -15 -10 0 -10 -15

7 -16 -19 -19 -18 -15 -10 0 -10 -29 -22 -19 -18 -15 -10 0 -10

8 -17 -20 -20 -19 -18 -15 -10 0 -30 -23 -20 -19 -18 -15 -10 0

1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8

Figure 2.55 – Normes des interspectres entre les IMFs pour les 4 types de bruit blanc. Les normes
des interspectres sont toutes normalisées par la moyenne géométrique des normes des spectres des
deux IMFs correspondants. (dynamique en dB)
184 Chapitre 2. Analyse

1 2 3 4
0.6
0.4
0.2
1 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
2 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
3 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
4 0
−0.2
−0.4
−0.6
−8 −6 −4 −2 −8 −6 −4 −2 −8 −6 −4 −2 −8 −6 −4 −2
log2 fréquence log2 fréquence log2 fréquence log2 fréquence

Figure 2.56 – Interspectres entre les 4 premiers IMFs pour le bruit blanc gaussien. Les courbes noires
enveloppant les interspectres sont les moyennes géométriques des spectres des IMFs correspondants.
Les spectres des IMFs sur la diagonale sont écrêtés pour améliorer la lisibilité des interspectres.
2.1. Bruits blancs de densités variées 185

gaussien uniforme
0.6

0.5

0.4

0.3
interspectre d1 a1

0.2

0.1

−0.1

−0.2

−0.3

−0.4

−0.5

−0.6
asymétrique bimodal
0.6

0.5

0.4

0.3
interspectre d1 a1

0.2

0.1

−0.1

−0.2

−0.3

−0.4

−0.5

−0.6
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
fréquence fréquence

Figure 2.57 – Interspectre entre le premier IMF et la première approximation. Les courbes noires
enveloppant les interspectres sont les moyennes géométriques des spectres du premier IMF et de la
première approximation.
186 Chapitre 2. Analyse

2.2 Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle

2.2.1 Bruit Gaussien fractionnaire
Les bruits gaussiens fractionnaires (fGn pour “fractional Gaussian noise”) sont des processus
intrinsèquement discrets définis comme les processus d’accroissements des mouvements browniens
fractionnaires, seuls processus gaussiens auto-similaires à accroissements stationnaires. Les fGns sont
ainsi des processus gaussiens stationnaires de moyenne nulle et ils sont donc entièrement caractérisés
par leur structure au second ordre. Cette dernière présente l’intérêt de ne dépendre que d’un seul
paramètre : l’exposant de Hurst 6 H ∈]0, 1[ qui intervient dans sa fonction d’auto-corrélation rH [k] :=
E {xH [n]xH [n + k]} :
σ2

rH [k] = |k − 1|2H − 2|k|2H + |k + 1|2H . (2.184)
2
Le cas H = 1/2 se ramène au bruit blanc alors que les autres cas correspondent à des bruits
corrélés, soit anticorrélés pour H ∈]0, 1/2[, soit positivement corrélés pour H ∈]1/2, 1[.
La transformée de Fourier de (2.184) fournit la densité spectrale de puissance associée :
k=∞
X
2 1
SH (f ) = Cσ 2 ei2πf − 1 , (2.185)
|f + k|2H+1
k=−∞

avec |f | < 12 . Pour H 6= 12 , on peut approximer cette dernière par

SH (f ) ≃ C(2πσ)2 |f |1−2H (2.186)

quand |f | → 0. On notera que cette approximation est en pratique relativement bien vérifiée pour
toute la bande [0, 0.5]. Ceci fait du fGn un bon modèle de signaux dont le spectre prend la forme
d’une loi de puissance, ce qui est souvent associé à la notion d’invariance d’échelle.
D’un point de vue spectral, les fGns peuvent être séparés en deux classes par la valeur H = 12 .
Quand H ∈]0, 12 [, SH (0) = 0 et le spectre est essentiellement passe-haut. À l’inverse, quand H ∈] 12 , 1[,
SH (0) = ∞ avec une divergence de type « 1/f » et le spectre est essentiellement passe-bas.

2.2.2 Densités de probabilité aux ordres 1 et 2

Les densités de probabilité des IMFs et approximations issus de fGns présentent de manière
générale les même caractéristiques que pour le bruit blanc gaussien (cf Fig. 2.58, Fig. 2.59, Fig. 2.60
et Fig. 2.61) :
– les densités marginales des IMFs sont pratiquement gaussiennes (avec la même singularité en
zéro) à l’exception de celle du premier IMF qui est toujours bimodale.
– les densités marginales des approximations sont gaussiennes.
– les densités à l’ordre 2 des IMFs sont non gaussiennes et ont toutes la même allure. Celles des
approximations sont gaussiennes.

2.2.3 Spectres et filtres équivalents des IMFs

Les densités spectrales de puissance pour chacun des IMFs extraits à l’aide de dix itérations de
tamisage ont été représentées Fig. 2.62. On propose également Fig. 2.64 les mêmes densités spectrales
mais calculées à partir d’IMFs extraits à l’aide d’un nombre variable d’itérations, contrôlé par le
critère d’arrêt « local » (cf 5.2) avec ǫ = 0.1. Les paramètres utilisés pour le critère ont été choisis
pour garder le même ordre de grandeur de 10 itérations de tamisage au moins pour la première
6. On parlera par la suite abusivement de « l’exposant de Hurst du fGn » alors qu’il s’agit en fait de l’exposant de
Hurst du mouvement Brownien fractionnaire associé.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 187

H = 0.1 H = 0.2 H = 0.3

densité marginale

H = 0.4 H = 0.5 H = 0.6

densité marginale

H = 0.7 H = 0.8 H = 0.9

densité marginale

−4 −2 0 2 4 −4 −2 0 2 4 −4 −2 0 2 4
amplitude amplitude amplitude

Figure 2.58 – Densités marginales des IMFs. La courbe en tirets correspond au premier IMF.
188 Chapitre 2. Analyse

H = 0.1 H = 0.2 H = 0.3

densité renorm.

H = 0.4 H = 0.5 H = 0.6

densité renorm.

H = 0.7 H = 0.8 H = 0.9

densité renorm.

amplitude amplitude amplitude

Figure 2.59 – Densités marginales des IMFs renormalisées. La courbe en pointillés est la gaussienne
de référence. La courbe en tirets correspond au premier IMF.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 189

H = 0.1 H = 0.2 H = 0.3

densité marginale

H = 0.4 H = 0.5 H = 0.6

densité marginale

H = 0.7 H = 0.8 H = 0.9

densité marginale

−4 −2 0 2 4 −4 −2 0 2 4 −4 −2 0 2 4
amplitude amplitude amplitude

Figure 2.60 – Densités marginales des approximations.

190 Chapitre 2. Analyse

H = 0.1 H = 0.2 H = 0.3

densité renorm.

H = 0.4 H = 0.5 H = 0.6

densité renorm.

H = 0.7 H = 0.8 H = 0.9

densité renorm.

amplitude amplitude amplitude

Figure 2.61 – Densités marginales des approximations renormalisées. La courbe en pointillés est la
gaussienne de référence.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 191

H = 0.1 H = 0.2 H = 0.3

10 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1
DSP – dB

−10

−20

H = 0.4 H = 0.5 H = 0.6

10 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1
DSP – dB

−10

−20

H = 0.7 H = 0.8 H = 0.9

10 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1 d8d7 d6 d5 d4 d3 d2 d1
DSP – dB

−10

−20

−12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2

log2 fréquence log2 fréquence log2 fréquence

Figure 2.62 – Spectres des IMFs obtenus à l’aide de 10 itérations de tamisage par IMF.
192 Chapitre 2. Analyse

H = 0.1 H = 0.2 H = 0.3

10 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1
filtres – dB

−10

−20

H = 0.4 H = 0.5 H = 0.6

10 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1
filtres – dB

−10

−20

H = 0.7 H = 0.8 H = 0.9

10 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1 d8d7 d6 d5 d4 d3 d2 d1
filtres – dB

−10

−20

−12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2

log2 fréquence log2 fréquence log2 fréquence

Figure 2.63 – Spectres des IMFs obtenus à l’aide de 10 itérations de tamisage par IMF divisés par
le spectre du fGn.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 193

H = 0.1 H = 0.2 H = 0.3

10 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1
DSP – dB

−10

−20

H = 0.4 H = 0.5 H = 0.6

10 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1
DSP – dB

−10

−20

H = 0.7 H = 0.8 H = 0.9

10 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1 d8d7 d6 d5 d4 d3 d2 d1
DSP – dB

−10

−20

−12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2

log2 fréquence log2 fréquence log2 fréquence

Figure 2.64 – Spectres des IMFs obtenus avec des nombres d’itérations contrôlés par le critère d’arrêt
« local » (cf 5.2) avec ǫ = 0.1.
194 Chapitre 2. Analyse

H = 0.1 H = 0.2 H = 0.3

10 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1
filtres – dB

−10

−20

H = 0.4 H = 0.5 H = 0.6

10 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1
filtres – dB

−10

−20

H = 0.7 H = 0.8 H = 0.9

10 d8 d7 d6 d5 d4 d3 d2 d1 d8 d7 d6 d5 d4 d3 d2 d1 d8d7 d6 d5 d4 d3 d2 d1
filtres – dB

−10

−20

−12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2

log2 fréquence log2 fréquence log2 fréquence

Figure 2.65 – Spectres des IMFs obtenus avec des nombres d’itérations contrôlés par le critère d’arrêt
« local » (cf 5.2) avec ǫ = 0.1, divisés par le spectre du fGn.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 195

H = 0.1 H = 0.2 H = 0.3

DSP – dB 10 d 8d 7d 6d 5d 4d 3d 2d 1 d 8d 7d 6d 5d 4d 3d 2 d 1 d 8d7d 6d 5d 4d 3d 2 d 1

−10

−20

H = 0.4 H = 0.5 H = 0.6

10 d 8d 7d 6d 5d 4d 3d 2 d 1 d 8d 7d 6d5d 4d 3d 2 d 1 d 8d 7d 6d 5d 4d 3d 2 d 1
DSP – dB

−10

−20

H = 0.7 H = 0.8 H = 0.9

10 d 8d 7d 6d 5 d 4d 3d 2 d 1 d 8d 7 d 6d 5d 4 d 3 d2 d 1 d 8 d 7d 6 d5d 4d 3 d 2 d 1
DSP – dB

−10

−20

−12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2

log2 fréquence log2 fréquence log2 fréquence

Figure 2.66 – Spectres des IMFs obtenus à l’aide de 50 itérations de tamisage par IMF.

composante, de manière à pouvoir comparer les deux résultats. En pratique, le nombre d’itérations
pour le premier IMF avec ce critère d’arrêt est en moyenne de 10 avec une médiane à 7 et il décroı̂t
pour les IMFs suivants. Il vaut en moyenne typiquement 8, 7, 6, et 5 itérations pour les IMFs
2 à 5 et décroı̂t de moins en moins vite par la suite. Dans les deux cas, qui sont extrêmement
proches, on observe que comme dans le cas des bruits blancs étudiés précédemment, les spectres
des IMFs suggèrent que le comportement de l’EMD s’apparente à celui d’un banc de filtres. Pour
approfondir cette analogie, on s’intéresse également aux filtres équivalents à chacun des IMFs obtenus
en divisant les densités spectrales de puissance des IMFs par la densité spectrale de puissance du
fGn (cf Fig. 2.63 et Fig. 2.65). Enfin, pour observer l’influence du nombre d’itérations, on propose
également les spectres et filtres équivalents pour 50 itérations de tamisage par IMF Fig. 2.66 et
Fig. 2.67.
On observe ainsi que la modélisation de l’EMD par un banc de filtres semble pertinente pour H >
0.5 puisque les filtres équivalents dépendent relativement peu de H, ou plutôt les dépendances par
rapport à H sont restreintes à des domaines où le gain est faible, ce qui limite fortement leur influence.
Le banc de filtres équivalent est ainsi constitué d’un filtre passe-haut, correspondant au premier IMF,
et d’une série de filtres passe-bandes, correspondant aux IMFs suivants. Le caractère passe-haut
du filtre du premier IMF est cependant très relatif puisqu’il comporte également une contribution
196 Chapitre 2. Analyse

H = 0.1 H = 0.2 H = 0.3

10 d 8d 7d 6d 5d 4d 3d 2d 1 d 8d 7d 6d 5d 4d 3d 2 d 1 d 8d 7d 6d 5d 4d 3d2 d1
filtres – dB

−10

−20

H = 0.4 H = 0.5 H = 0.6

10 d 8d 7d 6d 5d 4d 3d 2 d 1 d 8d 7d 6d 5d 4d 3d 2 d 1 d 8d 7d 6d 5d 4d 3d 2 d1
filtres – dB

−10

−20

H = 0.7 H = 0.8 H = 0.9

10 d 8d 7d 6d 5 d 4d 3d 2 d 1 d8d 7 d 6d 5d 4 d3 d 2 d 1 d 8 d 7d 6 d 5d 4d 3 d 2 d 1
filtres – dB

−10

−20

−12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2

log2 fréquence log2 fréquence log2 fréquence

Figure 2.67 – Spectres des IMFs obtenus à l’aide de 50 itérations de tamisage par IMF divisés par
le spectre du fGn.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 197

relativement importante à basse fréquence, inférieure de seulement 10 dB à sa contribution à haute

fréquence. Quant aux filtres équivalents aux autres IMFs, ils présentent la particularité d’être tous
pratiquement identiques à une dilatation en fréquence près, qui est de plus toujours la même entre
deux IMFs consécutifs. En première approximation, pour 10 itérations de tamisage par IMF, le filtre
du premier IMF occupe la bande de fréquences [0.25, 0.5] et les filtres passe-bandes des IMFs suivants
les bandes [1/2k+1 , 1/2k ], c’est-à-dire que le banc de filtres équivalent à l’EMD pour dix itérations de
tamisage est quasi-dyadique. Pour 50 itérations, le banc de filtres est qualitativement très proche de
celui observé pour 10 itérations, la principale différence étant que les IMFs occupent des bandes de
fréquences plus étroites et plus rapprochées les unes des autres.
L’analogie avec un banc de filtres quasi-dyadique est beaucoup moins pertinente dans le cas
où H < 0.5. Les filtres équivalents pour H < 0.5 dépendent plus fortement de H et sont très
différents du cas H > 0.5 : ils ne sont en particulier plus passe-bandes et leur gain à basse fréquence
est même supérieur à un. Pour ce qui est de l’interprétation, l’origine de ce phénomène semble
être la forme particulière du spectre du premier IMF. On observe en effet que celui-ci présente
systématiquement une composante basses fréquences assez importante. L’amplitude de celle-ci pour
f → 0 est approximativement 10 dB en dessous de l’amplitude maximale du spectre et elle semble
dépendre de l’amplitude du spectre du signal analysé dans la bande [0.25, 0.5] mais pas dans la partie
plus basses fréquences. Dans le cas des fGns avec H < 0.5, le spectre du signal tendant vers zéro
en zéro contrairement à celui du premier IMF, il y a toujours une fréquence limite en dessous de
laquelle le spectre de ce dernier dépasse celui du signal qui devient négligeable à fréquence nulle.
De là, la première approximation étant la différence du signal et du premier IMF, elle contient
nécessairement une composante basses fréquences plus importante que celle du signal qui est à son
tour répartie dans les IMFs suivants. Le phénomène « d’amplification » à basses fréquences observé
entre le signal et la première approximation se reproduit en fait par la suite pour les approximations
suivantes mais l’ordre de grandeur d’amplification est nettement moins important, de l’ordre de
celui observé pour les bruits blancs. Pour compléter l’analyse de ce phénomène d’amplification, on
peut également s’intéresser à l’interspectre entre le premier IMF et la première approximation (cf
Fig. 2.68). On constate en effet que celui-ci est systématiquement négatif à basses fréquences, ce qui
signifie qu’une partie de l’information basses fréquences contenue dans le premier IMF et dans la
première approximation se compense quand on en fait la somme pour retrouver le signal. Lorsque H
s’approche de zéro, on observe que la cohérence entre le premier IMF et la première approximation
(définie comme l’interspectre divisé par la moyenne géométrique des spectres) s’approche de -1 lorsque
f → 0 ce qui signifie que les informations à très basses fréquences contenues dans le premier IMF et
dans la première approximation tendent à se compenser totalement.

2.2.4 Relations entre les spectres/filtres

d
Si on note Sk,H,n (f ) la densité spectrale de puissance de l’IMF dk (t) issu de la décomposition du
fGn d’exposant H à l’aide de n itérations de tamisage, et Gdk,H,n (f ) cette même densité spectrale de
puissance divisée par la densité spectrale de puissance du fGn les relations entre les filtres équivalents
des IMFs d’indice supérieur à 2 peuvent être formalisées par :
 ′ 
αH,n (k′ −k) d k −k
Skd′ ,H,n (f ) = ρH,n Sk,H,n ρH,n f , (2.187)
 ′ 
k −k
Gdk′ ,H,n (f ) = Gdk,H,n ρH,n f , (2.188)

avec k, k ′ ≥ 2 et ρH,n et αH,n des paramètres à ajuster. En utilisant l’approximation de la densité

spectrale de puissance du fGn (2.186), on obtient immédiatement que nécessairement αH,n = 2H − 1.
La valeur de ρH,n en revanche dépend du signal et des paramètres de l’EMD. Plus précisément, on
verra que cette valeur dépend essentiellement du nombre d’itérations de tamisage utilisé. Les relations
(2.187) et (2.188) sont vérifiées empiriquement Fig. 2.69 et Fig. 2.70.
198 Chapitre 2. Analyse

H = 0.1 H = 0.2 H = 0.3

2
interspectre d1 a1

−1

−2

H = 0.4 H = 0.5 H = 0.6

2
interspectre d1 a1

−1

−2

H = 0.7 H = 0.8 H = 0.9

2
interspectre d1 a1

−1

−2

0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
fréquence fréquence fréquence

Figure 2.68 – Interspectre entre le premier IMF et la première approximation. Les courbes noires
enveloppant les interspectres sont les moyennes géométriques des spectres du premier IMF et de la
première approximation.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 199

H = 0.1 H = 0.2 H = 0.3

DSP renorm. – dB 10

−10

−20

H = 0.4 H = 0.5 H = 0.6

DSP renorm. – dB

10

−10

−20

H = 0.7 H = 0.8 H = 0.9

DSP renorm. – dB

10

−10

−20

−8 −6 −4 −2 −8 −6 −4 −2 −8 −6 −4 −2
log2 fréquence log2 fréquence log2 fréquence

Figure 2.69 – Spectres des IMFs renormalisés selon l’équation (2.187). Le paramètre ρH,n est estimé
à partir de la relation (2.196). Les spectres renormalisés se superposent moins bien pour les petites
valeurs de H, mais on peut constater que seule la renormalisation en amplitude est mauvaise.

On peut également établir des relations similaires pour les spectres et filtres équivalents des
a
approximations Sk,H,n (f ) et Gak,H,n (f ) :

 
α (k′ −k) a k′ −k
Ska′ ,H,n (f ) = ρH,n
H,n
Sk,H,n ρH,n f , (2.189)
 ′

k −k
Gak′ ,H,n (f ) = Gak,H,n ρH,n f , (2.190)

où les paramètres ρH,n et αH,n doivent être les mêmes que pour les IMFs.
À partir des relations (2.187) et (2.189), on peut montrer que les variances des IMFs et des
approximations VH,n d [k] et V a [k] vérifient :
H,n

d 2(H−1)k
VH,n [k] = Cd ρH,n , (2.191)
a 2(H−1)k
VH,n [k] = Ca ρH,n . (2.192)
200 Chapitre 2. Analyse

H = 0.1 H = 0.2 H = 0.3

filtres renorm. – dB

10

−10

−20

H = 0.4 H = 0.5 H = 0.6

filtres renorm. – dB

10

−10

−20

H = 0.7 H = 0.8 H = 0.9

filtres renorm. – dB

10

−10

−20

−8 −6 −4 −2 −8 −6 −4 −2 −8 −6 −4 −2
log2 fréquence log2 fréquence log2 fréquence

Figure 2.70 – Filtres équivalents des IMFs renormalisés selon l’équation (2.188). Le paramètre ρH,n
est estimé à partir de la relation (2.196). Tout comme pour les spectres, les filtres renormalisés se
superposent assez mal pour les petites valeurs de H.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 201

En effet, dans les deux cas,

Z 1
2
′
VH,n [k ] = Sk′ ,H,n (f )df, (2.193)
− 12
Z 1  ′ 
(2H−1)(k′ −k) 2
k −k
= ρH,n Sk,H,n ρH,n f , (2.194)
− 12
2(H−1))(k′ −k)
= ρH,n VH,n [k]. (2.195)

Si l’on définit une période moyenne pour chaque mode T̄H [k], la relation (2.187) permet d’écrire
la relation suivante entre les périodes moyennes pour k, k ′ > 1 :
′
T̄H [k ′ ] = ρkH −k T̄H [k]. (2.196)

On pourrait la démontrer à partir de (2.187) dans le cas où la période moyenne est définie à l’aide
d’une moyenne pondérée de la densité spectrale de puissance comme par exemple
R
S(f )df
T =R , (2.197)
f S(f )df
ou encore R 1
f S(f )df
T = R . (2.198)
S(f )df
Dans le cas d’IMFs une solution efficace consiste à définir la période moyenne comme deux fois
l’écart moyen entre deux passages à zéro consécutifs :
nombre de passages à zéro − 1
T =2· . (2.199)
distance entre le premier et le dernier passage à zéro
L’intérêt de cette définition est notamment de permettre une estimation efficace de la période moyenne
d’un signal sans avoir besoin de connaı̂tre sa densité spectrale de puissance. De plus, il s’avère que
cet estimateur est assez nettement meilleur que les deux autres proposés (2.197) et (2.198), du moins
pour les IMFs issus d’un fGn (cf Fig. 2.71).
En combinant les relations (2.191), (2.192) et (2.196), on obtient les relations entre variances des
IMFs ou approximations et périodes moyennes des IMFs :

VHd [k] = Cd′ (TH [k])2(H−1) , (2.200)

VHa [k] = Cd′ (TH [k])2(H−1) . (2.201)

Les diverses relations peuvent être vérifiées empiriquement, Fig. 2.72 pour (2.196) et Fig. 2.73
pour les relations (2.191), (2.192), (2.200) et (2.201). Bien entendu, les relations (2.187) et (2.188)
n’étant pas vérifiées en pratique pour les petites valeurs de H, il en est de même des relations (2.191)
et (2.200). En revanche, la relation (2.196) est très bien vérifiée pour toutes les valeurs de H, ce qui
est cohérent avec le fait que les spectres renormalisés de la figure Fig. 2.69 ne diffèrent pratiquement
que par leur amplitude.
On a vu précédemment que le nombre d’itérations avait une influence sur le facteur d’auto-
similarité entre les spectres des IMFs. Plus précisément, la valeur du facteur d’auto-similarité ρH,n
(cf Fig. 2.74) dépend du nombre d’itérations n et dans une moindre mesure de la valeur de H, donc
du signal analysé. De ≈ 2.5 pour 1 itération à ≈ 1.7 pour 100 itérations, ρH,n décroı̂t en fonction de
n suivant à peu près une loi de puissance ρH,n ∝ n−0.08 au-delà des quelques premières itérations.
ρH,n croı̂t aussi légèrement avec H, de ≈ 1.95 à ≈ 2.1 entre H = 0.1 et H = 0.9 pour 10 itérations.
De plus, le rapport ρH,n /ρH ′ ,n ne dépend pratiquement pas de n passées les 2-3 premières itérations.
202 Chapitre 2. Analyse

10

log2 T [k] 6

1
0 2 4 6 8 10
indice k

Figure 2.71 – Performances de trois estimateurs de la période moyenne dans le cas des IMFs issus
d’un bruit blanc gaussien : (2.199) en tirets, (2.197) en trait plein et (2.198) en tiret-point. Les trois
courbes ont été légèrement décalées en abscisse pour améliorer la lisibilité. Les trois estimateurs ont
une espérance satisfaisante mais l’estimateur basé sur les passages à zéro (2.199) présente systéma-
tiquement une meilleure variance que les deux autres. On observe des résultats similaires pour des
fGn d’exposants de Hurst différents.

25 ρH = 2.13
ρH = 2.10
20
ρH = 2.07
ρH = 2.04
ρH = 2.02
log2 T [k]

15 ρH = 1.99
ρH = 1.97
10 ρH = 1.95
ρH = 1.93
5

0
0 2 4 6 8 10 12
indice k

Figure 2.72 – Vérfication empirique de la relation (2.196) entre les périodes moyennes des IMFs
(obtenus avec 10 itérations de tamisage par IMF). Les différentes courbes ont été décalées en ordonnée
pour améliorer la lisibilité. La valeur de ρH à côté de chaque courbe est estimée par régression linéaire
sur la courbe correspondante.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 203

15

Ĥ = 0.90 Ĥ = 0.91
10
Ĥ = 0.80 Ĥ = 0.81

5
Ĥ = 0.70 Ĥ = 0.71
log2 VHd [k]

Ĥ = 0.61 Ĥ = 0.61
0 Ĥ = 0.52 Ĥ = 0.52
Ĥ = 0.44 Ĥ = 0.43
−5
Ĥ = 0.36 Ĥ = 0.35
Ĥ = 0.30 Ĥ = 0.27
−10
Ĥ = 0.24 Ĥ = 0.20

−15

15
Ĥ = 0.81 Ĥ = 0.83
10 Ĥ = 0.75 Ĥ = 0.76
Ĥ = 0.67 Ĥ = 0.68
log2 VHa [k]

5
Ĥ = 0.59 Ĥ = 0.60
0 Ĥ = 0.52 Ĥ = 0.52
Ĥ = 0.45 Ĥ = 0.45
−5
Ĥ = 0.41 Ĥ = 0.39
Ĥ = 0.38 Ĥ = 0.36
−10
Ĥ = 0.38 Ĥ = 0.35
0 2 4 6 8 10 12 0 2 4 6 8 10 12
indice k log2 TH [k]

Figure 2.73 – Vérification empirique des relations (2.191), (2.192), (2.200) et (2.201). Les variances
et périodes moyennes représentées sont des estimations des variances et périodes moyennes des IMFs
et approximations (obtenus avec 10 itérations de tamisage par IMF) réalisées à partir des 100000
réalisations de bruit. Les différentes courbes ont été artificiellement décalées en ordonnée pour amé-
liorer la lisibilité. La valeur Ĥ à côté de chaque courbe correspond à 1 + p/2 où p est la pente de la
courbe correspondante estimée par régression linéaire sur tous les points sauf celui correspondant au
premier IMF ou à la première approximation.
204 Chapitre 2. Analyse

H = 0.1 H = 0.2 H = 0.3

1.4
log2 fact. auto-sim.

1.2

0.8

0.6
H = 0.4 H = 0.5 H = 0.6
1.4
log2 fact. auto-sim.

1.2

0.8

0.6
H = 0.7 H = 0.8 H = 0.9
1.4
log2 fact. auto-sim.

1.2

0.8

0.6
0 1 2 0 1 2 0 1 2
10 10 10 10 10 10 10 10 10
nombre d’itérations nombre d’itérations nombre d’itérations

Figure 2.74 – Évolution du facteur d’auto-similarité du banc de filtres ρH,n en fonction du nombre
d’itérations n et de l’exposant de Hurst H.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 205

2.2.5 Application à l’estimation de l’exposant d’une loi d’échelle

L’étude précédente a montré que pour divers cas de bruits large bande, l’EMD se comporte prati-
quement comme un banc de filtres quasi-dyadique, de manière similaire à la transformée en ondelettes
dyadique. On se propose maintenant d’utiliser cette parentée avec la transformée en ondelettes dis-
crète pour imiter l’application de cette dernière à l’estimation de l’exposant d’une loi d’échelle.

[Link] Processus présentant une loi d’échelle Un processus aléatoire stationnaire X pré-
sente un comportement de loi d’échelle ssi sa densité spectrale de puissance SX (f ) prend la forme :

SX (f ) ≃ c|f |−α , α ∈] − 1, 1[. (2.202)

Les fGns présentés précédemment, du fait de l’approximation SH (f ) ∼ Cσ 2 |f |1−2H , font partie

de cette famille de processus. Dans la suite, on identifiera l’exposant de la loi d’échelle α avec la
fonction de l’exposant de Hurst 1 − 2H.
Lorsque α ∈]0, 1[, on parle de processus à longue mémoire du fait de la divergence de type “1/f ”
de leur densité spectrale de puissance.

[Link] Principe Dans le cas d’un fGn, on a vu que les variances des IMFs et leurs périodes
moyennes vérifiaient les relations (2.191) et (2.200). De plus, on a également constaté que le paramètre
ρ dans (2.191) dépend essentiellement du nombre d’itérations de tamisage et vaut en particulier
environ 2 pour 10 itérations, ce qui fournit l’approximation de (2.191) :
d
VH,n [k] ≃ Cd 22(H−1)k , (2.203)

valable quand le nombre d’itérations n est proche de 10.

Si on considère maintenant une réalisation donnée de fGn, on peut calculer son EMD à l’aide de
10 itérations de tamisage, et estimer les variances des IMFs V̂ d [k] ainsi que leurs périodes moyennes
T̂ [k]. De là, les équations (2.203) et (2.200) permettent a priori de remonter à son exposant de Hurst
à l’aide d’une modélisation par régression linéaire sur log2 V̂ d [k] vs. k ou sur log2 V̂ d [k] vs. log2 T̂ [k].
Si l’on suppose de plus ces relations valables dès lors que le signal présente un comportement de loi
d’échelle, on dispose alors de méthodes générales pour estimer l’exposant de loi d’échelle d’un signal
à l’aide de l’EMD. On pourrait également proposer des méthodes analogues utilisant les variances des
approximations à la place des variances des IMFs. En pratique, les relations étant moins bien vérifiées
(cf Fig. 2.73) pour les approximations que pour les IMFs, les performances de tels estimateurs basés
sur les approximations sont systématiquement nettement moins intéressantes.

[Link] Statistiques Pour estimer proprement l’exposant de la loi d’échelle, il faut tout d’abord
étudier les statistiques des estimées des variances et des périodes moyennes. Celles-ci ont été estimées
empiriquement à l’aide d’histogrammes sur 100000 réalisations de fGn d’exposant de Hurst variant
de 0.1 à 0.9 par pas de 0.1.
Les résultats montrent que les statistiques des variances (cf Fig. 2.75, Fig. 2.76 et Fig. 2.77) sont
assez bien modélisées par des lois Gamma dont la forme générale est :
1 x
−β
PGamma (x; α, β) = xα−1 e , (2.204)
β α Γ(α)

où Γ(x) est la fonction Gamma d’Euler. Ces modélisations sont par ailleurs évaluées par des tests
de Kolmogorov–Smirnov (cf table Tab. 2.1). Les résultats montrent que les lois Gamma ne modé-
lisent vraiment bien que les distributions des variances des premiers IMFs et que les distributions
empiriques s’éloignent d’autant plus des modélisations que H est grand. En pratique, il semble que
206 Chapitre 2. Analyse

H = 0.1 H = 0.2 H = 0.3

−5

−10
log10 P DF (V̂ H [k])

−15

−20

−25

−30
−5 0 5 −5 0 5 −5 0 5
V̂ H [k] renorm. V̂ H [k] renorm. V̂ H [k] renorm.

Figure 2.75 – Modélisations des distributions des variances des IMFs par des lois Gamma. Les
distributions sont déformées en abscisse de manière à être centrées en zéro et avoir une variance
unitaire.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 207

H = 0.4 H = 0.5 H = 0.6

−5

−10
log10 P DF (V̂ H [k])

−15

−20

−25

−30
−5 0 5 −5 0 5 −5 0 5
V̂ H [k] renorm. V̂ H [k] renorm. V̂ H [k] renorm.

Figure 2.76 – Modélisations des distributions des variances des IMFs par des lois Gamma. Les
distributions sont déformées en abscisse de manière à être centrées en zéro et avoir une variance
unitaire.
208 Chapitre 2. Analyse

H = 0.7 H = 0.8 H = 0.9

−5

−10
log10 P DF (V̂ H [k])

−15

−20

−25

−30
−5 0 5 −5 0 5 −5 0 5
V̂ H [k] renorm. V̂ H [k] renorm. V̂ H [k] renorm.

Figure 2.77 – Modélisations des distributions des variances des IMFs par des lois Gamma. Les
distributions sont déformées en abscisse de manière à être centrées en zéro et avoir une variance
unitaire.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 209

H = 0.1 H = 0.2 H = 0.3

−5

−10
log10 P DF (T̂ H [k])

−15

−20

−25

−30
−5 0 5 −5 0 5 −5 0 5
T̂ H [k] renorm. T̂ H [k] renorm. T̂ H [k] renorm.

Figure 2.78 – Modélisations des distributions des périodes moyennes (2.199) des IMFs par des lois
log-normales. Les distributions sont déformées en abscisse de manière à être centrées en zéro et avoir
une variance unitaire.
210 Chapitre 2. Analyse

H = 0.4 H = 0.5 H = 0.6

−5

−10
log10 P DF (T̂ H [k])

−15

−20

−25

−30
−5 0 5 −5 0 5 −5 0 5
T̂ H [k] renorm. T̂ H [k] renorm. T̂ H [k] renorm.

Figure 2.79 – Modélisations des distributions des périodes moyennes (2.199) des IMFs par des lois
log-normales. Les distributions sont déformées en abscisse de manière à être centrées en zéro et avoir
une variance unitaire.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 211

H = 0.7 H = 0.8 H = 0.9

−5

−10
log10 P DF (T̂ H [k])

−15

−20

−25

−30
−5 0 5 −5 0 5 −5 0 5
T̂ H [k] renorm. T̂ H [k] renorm. T̂ H [k] renorm.

Figure 2.80 – Modélisations des distributions des périodes moyennes (2.199) des IMFs par des lois
log-normales. Les distributions sont déformées en abscisse de manière à être centrées en zéro et avoir
une variance unitaire.
212 Chapitre 2. Analyse

# IMF H=0.1 H=0.2 H=0.3 H=0.4 H=0.5 H=0.6 H=0.7 H=0.8 H=0.9
√ √ √ √ √ √ √ √ √
1
√ √ √ √ √
2 × × × ×
√ √ √
3 × × × × × ×
√ √ √
4 × × × × × ×
√
5 × × × × × × × ×
6 × × × × × × × × ×
7 × × × × × × × × ×
8 × × × × × × × × ×

Table 2.1 – Résultats des tests de Kolmogorov–Smirnov mesurant l’adéquation des distributions des
variances des IMFs et de leurs modélisations par des lois Gamma. Les tests ont été réalisés à partir
d’une population de 100000 réalisations de fGns indépendante de celle utilisée pour les modélisations.
Le niveau de confiance des tests est de 95 %.

les distributions des variances des IMFs aient souvent des queues plus lourdes que les lois Gamma.
Par la suite, on supposera tout de même que les variances des IMFs ont des distributions Gamma
puisque c’est la meilleure approximation dont on dispose.
Concernant les périodes moyennes, leurs distributions n’ont pas pu être identifiées aussi bien
que celles des variances. La tâche est en fait un peu délicate dans la mesure où ces distributions
sont intrinsèquement discrètes puisque l’estimateur (2.199) ne peut de fait prendre que des valeurs
rationnelles. Dans le contexte de l’estimation d’exposant de loi d’échelle cependant, la structure fine
de ces distributions n’a pas vraiment d’intérêt par rapport à leur allure globale que l’on peut tenter
de modéliser à l’aide des distributions continues usuelles. Parmi celles-ci, on observe que les lois
log-normales fournissent les meilleures approximations même si elles ne modélisent pas très bien les
queues des distributions empiriques (cf Fig. 2.78, Fig. 2.79 et Fig. 2.80).
Enfin, périodes moyennes et variances des IMFs dépendent généralement légèrement les unes
des autres comme on peut le constater Fig. 2.81 et Fig. 2.82 où sont représentées les distributions
conjointes des logarithmes en base 2 des deux quantités.

[Link] Estimateurs À partir des relations (2.203) et (2.200), on peut construire directement
deux estimateurs simples de l’exposant de Hurst à l’aide d’une régression linéaire sur log2 V̂ [k] vs. k
ou sur log2 V̂ [k] vs. log2 T̂ [k] :

Ĥ1 : Ĥ1 = 1 + amin /2, avec amin la valeur de a qui minimise la fonction de coût moindres carrés :
K 
X 2
C1 (a, b) = log2 V̂ [k] − ak − b (2.205)
k=2

Ĥ2 : Ĥ2 = 1 + amin /2, avec amin la valeur de a qui minimise la fonction de coût moindres carrés :
K 
X 2
C2 (a, b) = log2 V̂ [k] − a log2 T̂ [k] − b (2.206)
k=2

Connaissant les distributions des estimateurs des variances et périodes moyennes, ces estimations
peuvent être améliorées sur deux aspects :
– les variances de log2 V̂ [k] et log2 T̂ [k] croissent avec k. Par conséquent, les valeurs correspon-
dants aux petits indices sont plus fiables que celles correspondant aux grands indices, ce dont les
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 213

Figure 2.81 – Distributions des logarithmes en base 2 des estimées des variances et périodes moyennes
mesurées sur 100000 réalisations de fGn pour chaque valeur de H. A gauche, distributions brutes
(histogrammes). A droite, distributions lissées en ajoutant aux logarithmes des estimées des périodes
moyennes une variable aléatoire uniforme d’écart type égal à l’espacement entre les mailles de l’his-
togramme.

estimateurs précédents ne tiennent absolument pas compte. Pour tenir compte de cette infor-
mation, on peut utiliser une régression linéaire pondérée, obtenue en minimisant une fonction
de coût de type moindres carrés pondérés. On définit ainsi les estimateurs Ĥ1w et Ĥ2w , identiques
à Ĥ1 et Ĥ2 avec les fonctions de coût
 2
XK log V̂ [k] − ak − b
2
C1w (a, b) = , (2.207)
σV [k]2
k=2
 2
XK log V̂ [k] − a log T̂ [k] − b
2 2
C2w (a, b) = , (2.208)
σV [k] + a σT [k]2
2 2
k=2

où σV [k]2 et σT [k]2 sont les variances de log2 V̂ [k] et log2 T̂ [k]. L’inconvénient des nouveaux
estimateurs ainsi définis est évidemment qu’ils nécessitent de connaı̂tre les valeurs σV [k]2 et
σT [k]2 . Sachant de plus que ces valeurs dépendent de H, il faudrait théoriquement pour faire
au mieux utiliser des valeurs moyennées par rapport à une certaine distribution a priori de
H. Heureusement, il semble que quand les IMFs sont calculés avec un nombre d’itérations de
tamisage par IMF fixé a priori, les distributions empiriques de σVH [k]2 et σTH [k]2 dépendent
essentiellement de H sous la forme d’un préfacteur indépendant de k 7 (cf Fig. 2.83) :

σVH [k]2 ≃ fV (H)gV (k) (2.209)

2
σTH [k] ≃ fT (H)gT (k). (2.210)

Par conséquent, les valeurs (a, b) minimisant les critères (2.207) et (2.208) avec σV [k]2 = σVH [k]2
et σT [k]2 = σTH [k]2 ne dépendent pratiquement pas de H.
En revanche, si les IMFs sont calculés avec des nombres d’itérations contrôlés par le critère d’ar-
rêt « local » (cf 5.2), la dépendance de σVH [k]2 et σTH [k]2 par rapport à H est plus compliquée
7. Ce résultat n’a été effectivement vérifié que pour 10 et 20 itérations de tamisage.
214 Chapitre 2. Analyse

H = 0.9 H = 0.8 H = 0.7 H = 0.6 H = 0.5 H = 0.4 H = 0.3 H = 0.2 H = 0.1

1 2 3 4 5 6 7 8

Figure 2.82 – Agrandissements des distributions des logarithmes en base 2 des estimées des variances
(en ordonnée) et périodes moyennes (en abscisse) mesurées sur 100000 réalisations de fGn pour chaque
valeur de H. On observe des corrélations positives entre variances et périodes moyennes des IMFs
autres que le premier qui croissent généralement avec H et dans une moindre mesure décroissent avec
l’indice de l’IMF à l’exception du cas H = 0.1 où la variation en fonction de l’indice est inversée. La
corrélation pour le premier IMF est toujours inférieure à celle du second.
2.2. Bruit gaussien fractionnaire — estimation de l’exposant d’une loi d’échelle 215

10 itérations 20 itérations critère d’arrêt 0.1

2

0
log2 (σVH [k] 2 )

−2

−4
H H H
−6

−8

−10
2

0
log2 (σTH [k] 2 )

−2

−4
H H H
−6

−8

−10
0 2 4 6 8 0 2 4 6 8 0 2 4 6 8
indice k indice k indice k

Figure 2.83 – Évolutions de σVH [k]2 et σTH [k]2 en fonction k et H pour différents nombres d’itérations
ou critères d’arrêt du processus de tamisage. Pour des nombres d’itérations fixés a priori, il semble
que la dépendance par rapport à H se résume à un préfacteur.

(cf Fig. 2.83) et les valeurs (a, b) minimisant les critères (2.207) et (2.208) avec σV [k]2 = σVH [k]2
et σT [k]2 = σTH [k]2 dépendent de H. Ce problème peut cependant être contourné en utilisant
une procédure itérative :
1. réaliser une première estimation grossière avec σV [k]2 et σT [k]2 des valeurs moyennées par
rapport à H de σVH [k]2 et σTH [k]2
2. réaliser une deuxième estimation plus fine avec σV [k]2 et σT [k]2 les valeurs de σVH [k]2 et
σTH [k]2 correspondant à la valeur de H obtenue lors de la première estimation.
3. éventuellement itérer l’étape 2 si la nouvelle valeur de H est trop différente de la première
estimation, l’inconvénient étant que la convergence n’est pas garantie.
– la régression linéaire — simple ou pondérée — sur un ensemble de points (xi , yi ) est un esti-
mateur non biaisé des paramètres du modèle linéaire

Eyi = aExi + b. (2.211)

Or, à supposer que V̂ [k] et T̂ [k] sont des estimateurs non biaisés, les relations (2.203) et (2.200)
donnent plutôt

log2 EVH [k] ≃ 2(H − 1)k + log2 C, (2.212)

′
log2 EVH [k] = 2(H − 1) log2 ETH [k] + log2 C , (2.213)

qui diffèrent du modèle (2.211) par le fait que log2 EV̂H [k] 6= E log2 V̂H [k] et log2 ET̂H [k] 6=
E log2 T̂H [k]. De ce fait, les estimateurs Ĥ1 et Ĥ2 comportent un certain biais. En pratique,
le problème ne se pose en fait vraiment que pour les estimateurs des variances puisque les
différences relatives entre log2 EV̂H [k] et log2 V̂H [k] peuvent atteindre pratiquement 10% alors
que les différences relatives entre log2 ET̂H [k] et log2 T̂H [k] ne dépassent pas 0.5%.
216 Chapitre 2. Analyse

Pour corriger le biais dû à la différence entre log2 EV̂H [k] et E log2 V̂H [k], on peut utiliser le fait
qu’on connait les distributions des V̂H [k]. Sachant que pour une variable aléatoire x distribuée
selon une loi Gamma(α, β), on a

Γ′ (α)
E log2 x = log2 Ex + − log2 α, (2.214)
ln 2Γ(α)

on peut obtenir des estimations a priori moins biaisées de H en remplaçant log2 V̂ [k] dans les
régressions linéaires par log2 V̂ [k] + c(α), où

Γ′ (α)
c(α) = − + log2 α. (2.215)
ln 2Γ(α)
Si l’ajout du terme correctif c(α) permet a priori de réduire le biais des estimateurs, il présente
l’inconvénient qu’il dépend théoriquement de la valeur de H qu’on cherche à estimer. Comme
précédemment, cet inconvénient peut heureusement être contourné à l’aide d’une procédure
itérative. Enfin, si l’on ajoute cette correction aux estimateurs définis précédemment, on obtient
les quatre nouveaux estimateurs Ĥ1cor , Ĥ2cor , Ĥ1w,cor et Ĥ2w,cor .

[Link] Performances Les performances des 8 estimateurs définis précédemment ont été évaluées
sur 100000 réalisations de fGn de 2048 points pour H allant de 0.1 à 0.9 par pas de 0.1. Pour chaque
réalisation, les estimateurs utilisent les variances et périodes moyennes des IMFs 2 à 7. Les résultats
sont proposés dans les tableaux Tab. 2.2, Tab. 2.3 et Tab. 2.4. Les réalisations utilisées pour ces
évaluations sont différentes de celles utilisées pour les modélisations. À titre de référence, les tableaux
de résultats contiennent aussi les performances de l’estimateur de Abry et Veitch (noté ĤW T dans la
suite) fondé sur la transformée en ondelettes discrète [1]. Le principe de ce dernier est très semblable
à celui utilisé pour l’estimateur Ĥ1w,cor puisque le comportement de loi d’échelle se traduit par les
mêmes types de propriétés sur les variances des coefficients d’ondelettes que celles observées sur les
variances des IMFs. En fait, les estimateurs basés sur l’EMD s’inspirent très largement des stratégies
d’estimation à base de transformée en ondelettes discrète, telle que celle utilisée pour l’estimateur
utilisé comme référence. L’estimation de l’exposant de Hurst à l’aide de la transformée en ondelettes
est réalisée à partir des échelles 2 à 7 qui correspondent approximativement aux échelles des IMFs 2
à 7.
On constate de manière générale que les estimateurs basés sur l’EMD ont des performances
voisines de celles de l’estimateur de référence. Ce dernier est toutefois en général meilleur, essentiel-
lement parce qu’il présente systématiquement une meilleure variance. Pour ce qui est du biais, les
estimateurs à base d’EMD ont des biais du même ordre de grandeur que l’estimateur de référence,
parfois légèremement plus importants, parfois légèrement meilleurs. Les différents estimateurs à base
d’EMD présentent des biais variables d’un estimateur à l’autre mais généralement du même ordre de
grandeur. Le biais est, à l’exception de l’estimateur Ĥ1cor , systématiquement positif pour les petites
valeurs de H, et négatif pour les grandes avec un minimum aux alentours de H = 0.6 − 0.7. On peut
constater de plus que les corrections pour tenir compte de la distribution Gamma des variances des
IMFs tendent systématiquement à augmenter la valeur du biais de l’ordre de environ 0.01, réduisant
ainsi sa valeur absolue pour les grandes valeurs de H au prix d’une augmentation pour les petites
valeurs de H. Les corrections n’affectant pas les variances des estimateurs, on peut conclure de ma-
nière générale que leur effet n’améliore pas significativement les estimateurs mais déplacent plutôt
les valeur de H pour lesquelles ils ont les meilleurs performances. En moyenne par rapport à H,
l’intervalle sur lequel le biais est positif étant plus grand que celui sur lequel le biais est négatif, les
corrections ont tendance à légèrement dégrader les performances.
L’apport des pondérations est en revanche très net puisqu’elles permettent de réduire systémati-
quement les variances des estimateurs d’un facteur légèrement supérieur à 2. Elles ont également un
2.3. EMD bivariée d’un bruit « blanc » complexe 217

estimateur Ĥ1 Ĥ1w Ĥ1cor Ĥ1w,cor Ĥ2 Ĥ2w Ĥ2cor Ĥ2w,cor ĤW T
H = 0.1 0,2 0,12 0,21 0,12 0,17 0,066 0,18 0,071 -0,11
H = 0.2 0,12 0,08 0,14 0,086 0,1 0,044 0,11 0,049 -0,049
H = 0.3 0,072 0,05 0,083 0,056 0,055 0,026 0,066 0,032 -0,018
H = 0.4 0,036 0,027 0,047 0,034 0,027 0,013 0,038 0,019 -0,00024
H = 0.5 0,012 0,011 0,024 0,018 0,01 0,0032 0,023 0,01 0,01
H = 0.6 -0,0043 -0,00074 0,0093 0,0071 0,00093 -0,004 0,014 0,0036 0,016
H = 0.7 -0,014 -0,0079 0,00092 0,00084 -0,0057 -0,011 0,0095 -0,0026 0,02
H = 0.8 -0,021 -0,012 -0,0036 -0,0018 -0,012 -0,019 0,0055 -0,0093 0,022
H = 0.9 -0,026 -0,012 -0,0066 -0,0015 -0,018 -0,025 8,8e-05 -0,014 0,022

Table 2.2 – Biais des estimateurs. Pour chaque valeur de H, l’estimateur dont le biais est minimal
est mis en gras.

petit effet sur les biais : ceux des estimateurs Ĥ1 sont réduits en moyenne d’un facteur un peu inférieur
à 2 alors que ceux des estimateurs Ĥ2 ne sont réduits que pour H < 0.7 − 0.8 et au contraire augmen-
tés pour les grandes valeurs de H. En moyenne par rapport à H, les erreurs quadratiques moyennes
sont très nettement améliorées par la pondération. La seule exception à cette amélioration concerne
les estimateurs Ĥ2w et Ĥ2w,cor dont les variances pour H = 0.9 sont apparemment détériorées. En fait,
cette détérioration n’est due qu’à un très faible nombre de réalisations (environ 5 sur 100000) pour
lesquels ces deux estimateurs aboutissent à des valeurs totalement aberrantes (par exemple de l’ordre
de 1012 ) dont on a artificiellement limité l’impact sur les performances en les remplaçant par des
valeurs moins aberrantes (typiquement 10 lorsque la valeur retournée par l’estimateur est positive,
-10 sinon). Ces valeurs aberrantes s’expliquent par le fait que les estimateurs Ĥ2w et H2w,cor utilisent
une régression linéaire pondérée avec incertitudes sur les deux coordonnées dont la solution ne peut
être obtenue que par une étape d’optimisation numérique. Les cas où les estimateurs retournent des
valeurs aberrantes correspondent simplement aux cas où l’algorithme d’optimisation numérique (la
fonction de MATLAB fminsearch) n’a pas convergé. Si on supprime ces valeurs aberrantes des statis-
tiques, les variances des estimateurs Ĥ2w et H2w,cor ne sont pas moins bonnes pour H = 0.9 que pour
H = 0.8.
Enfin, on n’observe pas de différences très significatives dans les performances des deux familles
d’estimateurs à base d’EMD basés sur Ĥ1 et Ĥ2 . Les estimateurs basés sur Ĥ2 offrent généralement
un biais plus faible aux petites valeurs de H et parfois un peu plus important aux grandes valeurs.
En contrepartie, les estimateurs basés sur Ĥ1 ont systématiquement une variance un peu meilleure
d’un facteur environ 1.5. Au final, les erreurs quadratiques moyennes des deux familles d’estimateurs
sont assez proches : les estimateurs de la famille Ĥ2 sont un peu meilleurs pour les petites valeurs de
H et un peu moins bons pour les grandes.

2.3 EMD bivariée d’un bruit « blanc » complexe

2.3.1 Modèles de bruits

On s’est intéressé pour cette étude à deux types de bruits complexes. Le premier est un bruit
blanc gaussien complexe ayant pour parties réelles et imaginaires deux bruits blancs gaussiens réels
indépendants de moyenne nulle et de variance unité. Ses échantillons, considérés comme des couples
(partie réelle, partie imaginaire) sont donc indépendants et identiquement distribués selon une loi
normale bivariée centrée dont la matrice de covariance est l’identité. Par la suite, ce type de bruit
blanc sera appelé « bruit blanc simple ».
Le deuxième type de bruit auquel on s’est intéressé, qu’on appellera par la suite « bruit blanc
analytique », est obtenu à partir du bruit blanc précédent en lui appliquant un filtre analytique dont
218 Chapitre 2. Analyse

estimateur Ĥ1 Ĥ1w Ĥ1cor Ĥ1w,cor Ĥ2 Ĥ2w Ĥ2cor Ĥ2w,cor ĤW T
H = 0.1 0,0022 0,001 0,0022 0,001 0,0035 0,0017 0,0035 0,0017 0,00098
H = 0.2 0,0022 0,001 0,0022 0,001 0,0033 0,0016 0,0033 0,0016 0,00094
H = 0.3 0,0023 0,001 0,0024 0,001 0,0033 0,0015 0,0033 0,0015 0,00092
H = 0.4 0,0025 0,0011 0,0025 0,0011 0,0033 0,0015 0,0033 0,0015 0,00091
H = 0.5 0,0027 0,0012 0,0027 0,0012 0,0033 0,0015 0,0034 0,0015 0,0009
H = 0.6 0,0029 0,0012 0,0031 0,0013 0,0034 0,0015 0,0035 0,0015 0,00091
H = 0.7 0,0033 0,0014 0,0034 0,0014 0,0035 0,0016 0,0036 0,0016 0,00092
H = 0.8 0,0037 0,0015 0,0038 0,0016 0,0036 0,0017 0,0038 0,0017 0,00094
H = 0.9 0,0041 0,0017 0,0042 0,0017 0,0038 0,0072 0,0038 0,011 0,00097

Table 2.3 – Variances des estimateurs. Pour chaque valeur de H, l’estimateur dont la variance est
minimale est mis en gras.

estimateur Ĥ1 Ĥ1w Ĥ1cor Ĥ1w,cor Ĥ2 Ĥ2w Ĥ2cor Ĥ2w,cor ĤW T
H = 0.1 0,041 0,015 0,045 0,017 0,031 0,006 0,035 0,0068 0,013
H = 0.2 0,018 0,0075 0,021 0,0085 0,013 0,0035 0,016 0,004 0,0034
H = 0.3 0,0076 0,0035 0,0093 0,0042 0,0062 0,0022 0,0076 0,0025 0,0012
H = 0.4 0,0038 0,0018 0,0048 0,0022 0,004 0,0017 0,0048 0,0019 0,00091
H = 0.5 0,0028 0,0013 0,0033 0,0015 0,0034 0,0015 0,0039 0,0016 0,001
H = 0.6 0,003 0,0012 0,0031 0,0013 0,0034 0,0015 0,0037 0,0016 0,0012
H = 0.7 0,0035 0,0014 0,0034 0,0014 0,0035 0,0017 0,0037 0,0016 0,0013
H = 0.8 0,0041 0,0017 0,0039 0,0016 0,0038 0,0021 0,0038 0,0018 0,0014
H = 0.9 0,0048 0,0018 0,0042 0,0017 0,0041 0,0078 0,0038 0,011 0,0015

Table 2.4 – Erreurs quadratiques moyennes pour les différents estimateurs (définies comme EQM =
biais2 + variance). Pour chaque valeur de H, le meilleur estimateur est mis en gras.
2.3. EMD bivariée d’un bruit « blanc » complexe 219

la réponse en fréquence Ha est

(
1 si f >= 0,
Ha (f ) = (2.216)
0 si f < 0.

Le résultat est un bruit gaussien mais n’est pas à proprement parler un bruit blanc puisque ses
échantillons ne sont pas indépendants. Toutefois, on conservera abusivement l’appellation bruit blanc
parce que sa densité spectrale de puissance est constante pour les fréquences positives.

2.3.2 Statistiques d’ordre 1

Comme pour le cas de l’EMD classique de bruits blancs gaussiens réels, on s’est intéressé aux
densités de probabilité marginales des IMFs et approximations (cf Fig. 2.84 à Fig. 2.99). On observe
pour les deux algorithmes que celles des IMFs sont presque gaussiennes à partir du deuxième IMF
pour le bruit blanc simple, et que celles des approximations sont toujours gaussiennes. Les densités
marginales des IMFs sont similaires à celles observées dans le cas classique dans la mesure où elles
ressemblent à des « gaussiennes pointues » mais le caractère pointu est encore plus prononcé ici,
surtout dans le cas des IMFs issus du bruit blanc analytique et plus particulièrement ceux calculés
par l’algorithme Algo. 4. De plus, les densités de probabilité des approximations sont invariantes
par rotation, comme le signal analysé, quel que soit le nombre de directions utilisé pour calculer la
moyenne de l’enveloppe (cf Fig. 2.102, Fig. 2.103, Fig. 2.106 et Fig. 2.107). On peut considérer que
celles des IMFs autres que le premier le sont approximativement dès que le nombre de directions est
supérieur à 16 environ.
Le cas du premier IMF (cf Fig. 2.100, Fig. 2.101, Fig. 2.104 et Fig. 2.105) est encore une fois
particulier puisqu’il il n’est jamais gaussien et que de plus la structure de sa densité de probabilité
marginale dépend fortement du nombre de directions utilisées pour calculer le centre de l’enveloppe.
On observe ainsi que la densité de probabilité du premier IMF obtenu à l’aide de N directions est
symétrique par rapport à 2N axes correspondant à ces directions ainsi qu’à leurs bissectrices. Il n’y a
là rien de surprenant puisqu’il s’agit très exactement de la structure de symétrie de l’algorithme lui-
même. Plus en détail, on peut justifier les positions des N directions où la densité de probabilité est la
plus faible en faisant appel au même raisonnement que celui utilisé pour justifier l’aspect bimodal des
densités de probabilité du premier IMF dans le cas de l’EMD classique d’un bruit blanc. Considérons
pour cela la formulation de l’algorithme Algo. 6

N/2
4 X
S B2 [x](t) = uϕk S[pϕk ](t) (2.217)
N
k=1

où pϕk (t) est la projection de x(t) sur la direction représentée par le vecteur unitaire uϕk . Dans le
cas particulier où N = 4, cet algorithme revient à appliquer l’EMD classique indépendemment (mais
avec les mêmes nombres d’itérations) sur les parties réelles et imaginaires du signal. L’explication
de l’aspect quadrimodal de la densité de probabilité découle alors directement de l’aspect bimodal
des parties réelles et imaginaires. Plus généralement, pour un nombre de directions pair, on peut
considérer que la contribution uϕk S[pϕk ](t) a tendance à éloigner de zéro les extrema de la projection
pϕk (t), ce qui se traduit par une « direction creuse » orthogonale à uϕk dans la densité de probabilité
marginale du premier IMF. Le même raisonnement reste en partie valable pour l’algorithme Algo. 4.
Si on reprend la définition, l’opérateur de tamisage pour cet algorithme est défini par

4
1 X
S B1 [x](t) = x(t) − eϕk (t), (2.218)
N
k=1
220 Chapitre 2. Analyse

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.84 – Densités marginales des IMFs issus du bruit blanc simple calculés par l’algorithme
Algo. 4 avec 16 directions. (échelles normalisées)
2.3. EMD bivariée d’un bruit « blanc » complexe 221

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.85 – Coupes des densités marginales des IMFs issus du bruit blanc simple calculés par
l’algorithme Algo. 4 avec 16 directions. Il ne s’agit pas des densités marginales des parties réelles (ou
imaginaires) mais d’une coupe des densités bivariées Fig. 2.84. Si Pr (r) est la densité du module d’un
IMF, ce qui est représenté est Pr (r)/r avec une partie négative rajoutée par symétrie. La courbe en
pointillés est la gaussienne de référence.
222 Chapitre 2. Analyse

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.86 – Densités marginales des IMFs issus du bruit blanc simple calculés par l’algorithme
Algo. 5 avec 16 directions. (échelles normalisées)
2.3. EMD bivariée d’un bruit « blanc » complexe 223

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.87 – Coupes des densités marginales des IMFs issus du bruit blanc simple calculés par
l’algorithme Algo. 5 avec 16 directions. Il ne s’agit pas des densités marginales des parties réelles (ou
imaginaires) mais d’une coupe des densités bivariées Fig. 2.86. Si Pr (r) est la densité du module d’un
IMF, ce qui est représenté est Pr (r)/r avec une partie négative rajoutée par symétrie. La courbe en
pointillés est la gaussienne de référence.
224 Chapitre 2. Analyse

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.88 – Densités marginales des approximations issues du bruit blanc simple calculées par
l’algorithme Algo. 4 avec 16 directions. (échelles normalisées)
2.3. EMD bivariée d’un bruit « blanc » complexe 225

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.89 – Coupes des densités marginales des approximations issues du bruit blanc simple
calculées par l’algorithme Algo. 4 avec 16 directions. Il ne s’agit pas des densités marginales des
parties réelles (ou imaginaires) mais d’une coupe des densités bivariées Fig. 2.88. Si Pr (r) est la
densité du module d’une approximation, ce qui est représenté est Pr (r)/r avec une partie négative
rajoutée par symétrie. La courbe en pointillés est la gaussienne de référence.
226 Chapitre 2. Analyse

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.90 – Densités marginales des approximations issues du bruit blanc simple calculées par
l’algorithme Algo. 5 avec 16 directions. (échelles normalisées)
2.3. EMD bivariée d’un bruit « blanc » complexe 227

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.91 – Coupes des densités marginales des approximations issues du bruit blanc simple
calculées par l’algorithme Algo. 5 avec 16 directions. Il ne s’agit pas des densités marginales des
parties réelles (ou imaginaires) mais d’une coupe des densités bivariées Fig. 2.90. Si Pr (r) est la
densité du module d’une approximation, ce qui est représenté est Pr (r)/r avec une partie négative
rajoutée par symétrie. La courbe en pointillés est la gaussienne de référence.
228 Chapitre 2. Analyse

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.92 – Densités marginales des IMFs issus du bruit blanc analytique calculés par l’algorithme
Algo. 4 avec 16 directions. (échelles normalisées)
2.3. EMD bivariée d’un bruit « blanc » complexe 229

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.93 – Coupes des densités marginales des IMFs issues du bruit blanc analytique calculées
par l’algorithme Algo. 4 avec 16 directions. Il ne s’agit pas des densités marginales des parties réelles
(ou imaginaires) mais d’une coupe des densités bivariées Fig. 2.92. Si Pr (r) est la densité du module
d’un IMF, ce qui est représenté est Pr (r)/r avec une partie négative rajoutée par symétrie. La courbe
en pointillés est la gaussienne de référence.
230 Chapitre 2. Analyse

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.94 – Densités marginales des IMFs issus du bruit blanc analytique calculés par l’algorithme
Algo. 5 avec 16 directions. (échelles normalisées)
2.3. EMD bivariée d’un bruit « blanc » complexe 231

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.95 – Coupes des densités marginales des IMFs issues du bruit blanc analytique calculées
par l’algorithme Algo. 5 avec 16 directions. Il ne s’agit pas des densités marginales des parties réelles
(ou imaginaires) mais d’une coupe des densités bivariées Fig. 2.94. Si Pr (r) est la densité du module
d’un IMF, ce qui est représenté est Pr (r)/r avec une partie négative rajoutée par symétrie. La courbe
en pointillés est la gaussienne de référence.
232 Chapitre 2. Analyse

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.96 – Densités marginales des approximations issues du bruit blanc analytique calculées par
l’algorithme Algo. 4 avec 16 directions. (échelles normalisées)
2.3. EMD bivariée d’un bruit « blanc » complexe 233

d1 d2 d3

d4 d5 d6

d7 d8 d9

Figure 2.97 – Coupes des densités marginales des approximations issues du bruit blanc analytique
calculées par l’algorithme Algo. 4 avec 16 directions. Il ne s’agit pas des densités marginales des
parties réelles (ou imaginaires) mais d’une coupe des densités bivariées Fig. 2.96. Si Pr (r) est la
densité du module d’un approximation, ce qui est représenté est Pr (r)/r avec une partie négative
rajoutée par symétrie. La courbe en pointillés est la gaussienne de référence.
234 Chapitre 2. Analyse

a1 a2 a3

a4 a5 a6

a7 a8 a9

Figure 2.98 – Densités marginales des approximations issues du bruit blanc analytique calculées par
l’algorithme Algo. 5 avec 16 directions. (échelles normalisées)
2.3. EMD bivariée d’un bruit « blanc » complexe 235

a1 a2 a3

a4 a5 a6

a7 a8 a9

Figure 2.99 – Coupes des densités marginales des approximations issues du bruit blanc analytique
calculées par l’algorithme Algo. 5 avec 16 directions. Il ne s’agit pas des densités marginales des
parties réelles (ou imaginaires) mais d’une coupe des densités bivariées Fig. 2.98. Si Pr (r) est la
densité du module d’un approximation, ce qui est représenté est Pr (r)/r avec une partie négative
rajoutée par symétrie. La courbe en pointillés est la gaussienne de référence.
236 Chapitre 2. Analyse

où eϕk (t) est l’armature latérale associée à la direction uϕk . Si on divise chacune des armatures
latérales en ses composantes colinéaire et orthogonale au vecteur uϕk , on obtient
N N
1 X k 1 X ⊥
S B1 [x](t) = x(t) − e ϕk + e ϕk (2.219)
N N
k=1 k=1

où la première somme est en fait la moitié de la moyenne telle que définie dans l’algorithme Algo. 5. On
peut alors écrire l’opérateur de tamisage de l’algorithme Algo. 4 en fonction de celui de l’algorithme
Algo. 5 :
N
1 x(t) 1 X ⊥
S B1 [x](t) = S B2 [x](t) + − e ϕk . (2.220)
2 2 N
k=1

Si l’on se base sur cette expression et qu’on suppose de plus que la deuxième partie de celle-ci est
relativement invariante par rotation, on obtient que la densité de probabilité du premier IMF pour
l’algorithme Algo. 4 doit présenter les mêmes « directions creuses » que dans le cas de l’algorithme
Algo. 5 mais en moins accentué, ce qui correspond aux résultats expérimentaux. De plus, le fait que
les lobes de la distribution soient légèrement plus resserrés que dans le cas de l’algorithme Algo. 5
est également cohérent avec ce raisonnement.
Lorsque le nombre N de directions augmente, on constate que la densité de probabilité tend à
être invariante par rotation (cf Fig. 2.84, Fig. 2.86, Fig. 2.92, Fig. 2.94). La densité de probabilité
asymptotique est le pendant à deux dimensions de la densité bimodale observée dans le cas réel :
elle s’apparente à une gaussienne avec un creux important en zéro. L’évolution de l’invariance par
rotation de cette densité de probabilité en fonction de N permet de plus d’évaluer la vitesse à laquelle
les algorithmes convergent vers des algorithmes covariants par rapport aux rotations du plan, ou du
moins une borne supérieure de cette vitesse. Les observations laissent entrevoir que pour 30 directions
environ, les deux algorithmes seraient covariants par rapport aux rotations. Cependant, un tel résultat
est à prendre avec précautions parce que la résolution des mesures ne permet pas vraiment d’observer
ce qui se passe au-delà d’une trentaine de directions.

2.3.3 Statistiques d’ordre 2

Concernant, les statistiques d’ordre 2 on pourrait comme on l’a fait pour les bruits réels s’intéresser
aux densités de probabilité à l’ordre 2. Celles-ci ont sans doute des informations à révéler mais le fait
qu’elles soient de dimension 4 les rend difficiles à représenter et on s’abstiendra donc de les étudier
ici.
Pour ce qui est des spectres et interspectres des IMFs et approximations, on observe des compor-
tements très similaires à ceux de l’EMD classique d’un bruit blanc.
Dans tous les cas, les parties positives des spectres des IMFs (cf Fig. 2.108, Fig. 2.109, Fig. 2.110 et
Fig. 2.111) ont la même allure que ceux des IMFs et approximations issus de l’EMD d’un bruit blanc
réel : en première approximation, tout se passe comme si les algorithmes d’EMD bivariée agissaient
comme des bancs de filtres. Les parties négatives sont quant à elles symétriques des parties positives
pour le bruit blanc simple et relativement faibles mais non négligeables pour le bruit blanc analytique.
Si on s’intéresse plus en détail aux parties positives des spectres, on peut schématiser les dépendances
vis à vis des différents paramètres ainsi :

algorithme les deux algorithmes ont du point de vue des spectres des comportement très similaires
qui diffèrent essentiellement par le facteur d’auto-similarité entre les spectres des IMFs (autres
que le premier), et encore assez peu dans le cas du bruit blanc analytique.

modèle de bruit les spectres des IMFs issus des deux types de bruits diffèrent à la fois par le
facteur d’auto-similarité (surtout pour l’algorithme Algo. 4) et par la forme des spectres des
2.3. EMD bivariée d’un bruit « blanc » complexe 237

4 6 8 10

12 14 16 18

20 22 24 26

28 30 32 34

Figure 2.100 – Densité marginale du premier IMF issu du bruit blanc simple calculé par l’algorithme
Algo. 4 avec de 2 à 34 directions.
238 Chapitre 2. Analyse

4 6 8 10

12 14 16 18

20 22 24 26

28 30 32 34

Figure 2.101 – Densité marginale du premier IMF issu du bruit blanc simple calculé par l’algorithme
Algo. 5 avec de 2 à 34 directions.
2.3. EMD bivariée d’un bruit « blanc » complexe 239

4 6 8 10

12 14 16 18

20 22 24 26

28 30 32 34

Figure 2.102 – Densité marginale de la première approximation issue du bruit blanc simple calculée
par l’algorithme Algo. 4 avec de 2 à 34 directions.
240 Chapitre 2. Analyse

4 6 8 10

12 14 16 18

20 22 24 26

28 30 32 34

Figure 2.103 – Densité marginale de la première approximation issue du bruit blanc simple calculée
par l’algorithme Algo. 5 avec de 2 à 34 directions.
2.3. EMD bivariée d’un bruit « blanc » complexe 241

4 6 8 10

12 14 16 18

20 22 24 26

28 30 32 34

Figure 2.104 – Densité marginale du premier IMF issu du bruit blanc simple calculé par l’algorithme
Algo. 4 avec de 2 à 34 directions.
242 Chapitre 2. Analyse

4 6 8 10

12 14 16 18

20 22 24 26

28 30 32 34

Figure 2.105 – Densité marginale du premier IMF issu du bruit blanc analytique calculé par l’algo-
rithme Algo. 5 avec de 2 à 34 directions.
2.3. EMD bivariée d’un bruit « blanc » complexe 243

4 6 8 10

12 14 16 18

20 22 24 26

28 30 32 34

Figure 2.106 – Densité marginale de la première approximation issue du bruit blanc analytique
calculée par l’algorithme Algo. 4 avec de 2 à 34 directions.
244 Chapitre 2. Analyse

4 6 8 10

12 14 16 18

20 22 24 26

28 30 32 34

Figure 2.107 – Densité marginale de la première approximation issue du bruit blanc analytique
calculée par l’algorithme Algo. 5 avec de 2 à 34 directions.
2.3. EMD bivariée d’un bruit « blanc » complexe 245

15

10

5
DSP – dB

−5

−10

−15

−20

−25

15

10

5
DSP – dB

−5

−10

−15

−20

−25
−2 −4 −6 −8 −10 −10 −8 −6 −4 −2
log2 (−fréquence) log2 fréquence

Figure 2.108 – Spectres des IMFs obtenus à l’aide de 10 itérations de tamisage par composante et 4
directions. En haut le bruit blanc simple, en bas le bruit blanc analytique. Les spectres tracés en trait
plein noir correspondent à l’algorithme Algo. 4. Ceux en tirets bleus correspondent à l’algorithme
Algo. 5.
246 Chapitre 2. Analyse

15

10

5
DSP – dB

−5

−10

−15

−20

−25

15

10

5
DSP – dB

−5

−10

−15

−20

−25
−2 −4 −6 −8 −10 −10 −8 −6 −4 −2
log2 (−fréquence) log2 fréquence

Figure 2.109 – Spectres des IMFs obtenus à l’aide de 10 itérations de tamisage par composante et 8
directions. En haut le bruit blanc simple, en bas le bruit blanc analytique. Les spectres tracés en trait
plein noir correspondent à l’algorithme Algo. 4. Ceux en tirets bleus correspondent à l’algorithme
Algo. 5.
2.3. EMD bivariée d’un bruit « blanc » complexe 247

15

10

5
DSP – dB

−5

−10

−15

−20

−25

15

10

5
DSP – dB

−5

−10

−15

−20

−25
−2 −4 −6 −8 −10 −10 −8 −6 −4 −2
log2 (−fréquence) log2 fréquence

Figure 2.110 – Spectres des IMFs obtenus à l’aide de 10 itérations de tamisage par composante et 32
directions. En haut le bruit blanc simple, en bas le bruit blanc analytique. Les spectres tracés en trait
plein noir correspondent à l’algorithme Algo. 4. Ceux en tirets bleus correspondent à l’algorithme
Algo. 5.
248 Chapitre 2. Analyse

15

10

5
DSP – dB

−5

−10

−15

−20

−25

15

10

5
DSP – dB

−5

−10

−15

−20

−25
−2 −4 −6 −8 −10 −10 −8 −6 −4 −2
log2 fréquence log2 fréquence

Figure 2.111 – Spectres des IMFs obtenus à l’aide de 50 itérations de tamisage par composante et 32
directions. En haut le bruit blanc simple, en bas le bruit blanc analytique. Les spectres tracés en trait
plein noir correspondent à l’algorithme Algo. 4. Ceux en tirets bleus correspondent à l’algorithme
Algo. 5.
2.3. EMD bivariée d’un bruit « blanc » complexe 249

−5
DSP — dB

−10

−15
−8 −6 −4 −2 −8 −6 −4 −2
log2 f réquence log2 f réquence

Figure 2.112 – Spectre du premier IMF pour le bruit blanc simple pour 4, 8, 16, 32 et 64 directions.
À gauche algorithme Algo. 4. À droite algorithme Algo. 5. L’amplitude de la partie basse fréquence
du premier IMF décroı̂t quand le nombre de directions augmente mais cette décroissance semble se
stabiliser à partir de 32 directions.

IMFs. Ce dernier aspect est surtout marqué sur le premier IMF : celui-ci a une composante
basse fréquence nettement plus importante dans le cas du bruit blanc simple.
nombre d’itérations de tamisage le nombre d’itérations de tamisage influence globalement la
forme des spectres des IMFs mais pour des nombres d’itérations pas trop grands, son influence
se résume, comme dans le cas de l’EMD classique d’un bruit blanc réel, essentiellement au
facteur d’auto-similarité entre les spectres des IMFs (cf Fig. 2.113).
nombre de directions le nombre de directions influe à la fois sur les facteurs d’auto-similarité et
sur l’importance de la partie basse fréquence du spectre du premier IMF qui décroissent tous
deux quand le nombre de directions augmente. Toutefois, il semble que cette décroissance soit
limitée puisque le nombre de directions semble ne plus avoir d’influence au-delà de 16 environ
sur les facteurs d’auto-similarité et au-delà de 32 environ pour les parties basses fréquences des
spectres des premiers IMFs (cf Fig. 2.112).
Les interspectres entre les IMFs sont réels tout comme dans le cas de l’EMD classique d’un bruit
blanc. L’explication est à nouveau liée au fait que l’EMD ne privilégie pas de direction temporelle
(covariance par rapport aux inversions du temps) à quoi s’ajoute le fait que les algorithmes bivariés
n’ont pas non plus de sens de rotation privilégié (covariance par rapport à la conjugaison). Grâce à ces
deux propriétés, on peut montrer que l’intercorrélation entre deux IMFs est à symétrie hermitienne,
ce qui implique que l’interspectre est réel. Considérons deux IMFs d’indices k et k ′ issus du signal
x(t). L’intercorrélation pour un décalage τ s’écrit

rk,k′ (τ ) = Edk [x](t)d∗k′ [x](t + τ ). (2.221)

250 Chapitre 2. Analyse

simple analytique
1.4

1.2
log2 fact. auto-sim.

0.8

0.6

0.4
0 1 2 0 1 2
10 10 10 10 10 10
nombre d’itérations nombre d’itérations

Figure 2.113 – Évolution du facteur d’auto-similarité du banc de filtres en fonction du nombre

d’itérations pour les deux types de bruit. Les courbes correspondant à l’algorithme Algo. 4 sont en
trait plein noir. Celles correspondant à l’algorithme Algo. 5 sont en tirets bleus.

En utilisant la covariance par rapport à la conjugaison, on obtient

Edk [x](t)d∗k′ [x](t + τ ) = Ed∗k [x∗ ](t)dk′ [x∗ ](t + τ ). (2.222)

Or le processus aléatoire x(t) étant stationnaire gaussien et centré, x∗ (t) est identique à x(−t) et la
covariance par rapport aux inversions du temps donne

Edk [x](t)d∗k′ [x](t + τ ) = Ed∗k [x](−t)dk′ [x](−t − τ ), (2.223)

ce qui permet de conclure que l’intercorrélation est bien à symétrie hermitienne.

Plus en détail, les allures des interspectres sont très similaires à celles observées dans le cas réel
(cf Fig. 2.114, Fig. 2.115, Fig. 2.116 et Fig. 2.117). On retrouve ainsi que les IMFs dont les indices
se succèdent sont positivement corrélés dans la bande de fréquence entre celles où ces deux IMFs ont
leur contributions maximales puis négativement dans la partie plus basse fréquence de la bande de
l’IMF de plus grand indice. De même les IMFs éloignés de plus d’un indice sont négativement corrélés
dans la bande correspondant à l’IMF de plus grand indice. Enfin, au-delà de ces ressemblances mor-
phlogiques, les amplitudes des corrélations, mesurées par les normes des interspectres, sont également
très semblables aux cas de bruits blancs réels (cf Fig. 2.118).

2.4 Liens avec le modèle déterministe

L’étude du comportement de l’EMD sur des bruits large bande a montré que dans bien des cas,
celui-ci s’apparente à celui d’un banc de filtres. Ce comportement est loin d’être évident à expliquer
mais il n’est pas inintéressant de le rapprocher de celui de l’EMD sur des sommes de sinusoı̈des et
autres composantes périodiques simples, où on a pu mettre en évidence des effets de filtrage linéaire.
Le modèle proposé alors étant valable dès lors que le signal a des extrema uniformément répartis, il
est clair qu’on ne peut l’appliquer directement aux cas de bruits. Cependant, on a également observé
pour les sommes de composantes périodiques que le comportement de l’EMD était bien décrit par le
2.4. Liens avec le modèle déterministe 251

1 2 3 4
0.6
0.4
0.2
1 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
2 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
3 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
4 0
−0.2
−0.4
−0.6
−8 −6 −4 −2 −8 −6 −4 −2 −8 −6 −4 −2 −8 −6 −4 −2
log2 fréquence log2 fréquence log2 fréquence log2 fréquence

Figure 2.114 – Interspectres entre les IMFs issus du bruit blanc simple calculés par l’algorithme
Algo. 4 avec 32 directions.
252 Chapitre 2. Analyse

1 2 3 4
0.6
0.4
0.2
1 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
2 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
3 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
4 0
−0.2
−0.4
−0.6
−8 −6 −4 −2 −8 −6 −4 −2 −8 −6 −4 −2 −8 −6 −4 −2
log2 fréquence log2 fréquence log2 fréquence log2 fréquence

Figure 2.115 – Interspectres entre les IMFs issus du bruit blanc simple calculés par l’algorithme
Algo. 5 avec 32 directions.
2.4. Liens avec le modèle déterministe 253

1 2 3 4
0.6
0.4
0.2
1 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
2 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
3 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
4 0
−0.2
−0.4
−0.6
−8 −6 −4 −2 −8 −6 −4 −2 −8 −6 −4 −2 −8 −6 −4 −2
log2 fréquence log2 fréquence log2 fréquence log2 fréquence

Figure 2.116 – Interspectres entre les IMFs issus du bruit blanc analytique calculés par l’algorithme
Algo. 4 avec 32 directions.
254 Chapitre 2. Analyse

1 2 3 4
0.6
0.4
0.2
1 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
2 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
3 0
−0.2
−0.4
−0.6
0.6
0.4
0.2
4 0
−0.2
−0.4
−0.6
−8 −6 −4 −2 −8 −6 −4 −2 −8 −6 −4 −2 −8 −6 −4 −2
log2 fréquence log2 fréquence log2 fréquence log2 fréquence

Figure 2.117 – Interspectres entre les IMFs issus du bruit blanc analytique calculés par l’algorithme
Algo. 5 avec 32 directions.
2.4. Liens avec le modèle déterministe 255

simple analytique

1 0 -8 -14 -16 -17 -18 0 -9 -17 -19 -21 -22

2 -8 0 -7 -17 -21 -22 -9 0 -9 -16 -20 -21

3 -14 -7 0 -8 -18 -22 -17 -9 0 -10 -16 -20

4 -16 -17 -8 0 -8 -18 -19 -16 -10 0 -10 -17

5 -17 -21 -18 -8 0 -8 -21 -20 -16 -10 0 -9

6 -18 -22 -22 -18 -8 0 -22 -21 -20 -17 -9 0

1 0 -10 -14 -16 -17 -18 0 -10 -17 -19 -21 -22

2 -10 0 -9 -18 -21 -22 -10 0 -9 -16 -20 -21

3 -14 -9 0 -9 -18 -22 -17 -9 0 -9 -16 -20

4 -16 -18 -9 0 -9 -18 -19 -16 -9 0 -9 -17

5 -17 -21 -18 -9 0 -9 -21 -20 -16 -9 0 -9

6 -18 -22 -22 -18 -9 0 -22 -21 -20 -17 -9 0

1 2 3 4 5 6 1 2 3 4 5 6

Figure 2.118 – Normes des interspectres entre les IMFs. La colonne de gauche correspond au bruit
blanc simple, celle de droite au bruit blanc analytique. La rangée du haut correspond à l’algorithme
Algo. 4, celle du bas à l’algorithme Algo. 5.
256 Chapitre 2. Analyse

modèle dès lors que la densité d’extrema du signal était la même que dans la situation asymptotique
où les extrema sont effectivement uniformément espacés. Dans le cas des bruits, les extrema ne sont
jamais uniformément espacés mais on peut toujours définir une densité d’extrema moyenne, ce qui
laisse penser que la situation n’est peut-être pas si différente de celle d’une somme de sinusoı̈des dans
le cas où la densité d’extrema est identique à celle de l’une des deux composantes mais où les extrema
ne sont pas uniformément espacés. En réalité, les situations sont suffisamment différentes pour qu’on
ne puisse appliquer simplement le modèle déterministe mais on peut cependant proposer un modèle
simpliste qui reprend les ingrédients du modèle déterministe, échantilonnage et filtrage linéaire, et
permet de retrouver qualitativement les comportements de type banc de filtres et d’apporter un
nouvel éclairage sur certaines de ses caractéristiques.

2.4.1 Adaptation du modèle déterministe aux cas de bruits

Le modèle établi précédemment pour le cas où les extrema sont uniformément espacés est constitué
de deux étapes : (sous-)échantillonnage et filtrage linéaire. Pour modéliser le comportement de l’EMD
sur des bruits large bande, on se propose de reprendre ces deux ingrédients et de les adapter en
s’appuyant sur les résultats de simulation. De manière générale, on peut exprimer le modèle développé
précédemment de la manière suivante
Sx = x − I (x + Ax) , (2.224)
où I représente un opérateur de filtrage linéaire passe-bas et A représente les distortions introduites
par l’échantillonnage (repliement). La moyenne des enveloppes du signal x(t) s’exprime donc comme
m = I (x + Ax) . (2.225)
Pour définir plus précisément les opérateurs I et A, on se propose de formuler tout d’abord un certain
nombre d’hypothèses raisonnables et de compléter par la suite les informations manquantes à l’aide
de simulations.

[Link] Opérateur de filtrage linéaire Dans le cadre du modèle développé précédemment pour
les sommes de signaux périodiques, on a vu que l’opérateur de filtrage linéaire prenait la forme d’un
filtre passe-bas dont la fréquence de coupure était typiquement le quart de la densité d’extrema du
signal. Dans le cas de bruits blancs, on sait que la probabilité que le signal présente un maximum
(resp. minimum) local en un point donné est exactement 1/3, ce qui fait qu’on peut lui associer une
densité de maxima (resp. minima) de 1/3 et une densité d’extrema de 2/3. De là, il semble raisonnable
de proposer que l’opérateur de filtrage appliqué au bruit blanc prenne la forme d’un filtre passe-bas
de fréquence de coupure 1/6. De plus, on peut supposer en première approximation que la forme du
filtre est la même que dans le cas des sommes de signaux périodiques, c’est-à-dire que sa fonction de
transfert est I(3ν) avec
 
sin πν 4 3
I(ν) = . (2.226)
πν 2 + cos(2πν)
Plus généralement, pour un signal stationnaire x quelconque, on définira l’opérateur I comme le
filtre linéaire de fonction de transfert I(2ν/de [x]) avec de [x] la densité d’extrema de x. Dans le cas
où x est un processus gaussien, celle-ci peut être obtenue par une formule dérivée de la formule de
Rice [48, 34] qui relie la densité de passages à zéro d’un processus aléatoire stationnaire gaussien au
comportement de son autocorrélation en zéro. En appliquant une version discrète de la formule de
Rice à la dérivée de x, on peut aboutir à la formule suivante [34] qui relie sa densité d’extrema à sa
densité spectrale de puissance
R1
cos(2πν)Sx (ν) sin2 (πν)dν
de [x] = 0 R 1 2
. (2.227)
0 Sx (ν) sin (πν)dν
2.4. Liens avec le modèle déterministe 257

−5

DSP – dB
−10

−15

−20

−25
−10 −8 −6 −4 −2
log2 fréquence

Figure 2.119 – Spectres des IMFs calculés par le modèle simplifié avec A = 0 dans le cas d’un bruit
blanc avec 10 itérations de tamisage par IMF.

Avant de chercher à modéliser l’opérateur A représentant les effets dus à l’échantillonnage, on

peut d’ores et déjà s’intéresser au comportement du modèle avec A = 0. Le modèle d’une itération
de tamisage dans ce cas est simplement décrit par la procédure en deux étapes
1. calculer la densité d’extrema du signal(supposé  à l’aide de la formule (2.227) : de [x]
 gaussien)
c 2ν
2. appliquer le filtre linéaire : (Sx)(ν) = 1−I x̂(ν)
de [x]
Le résultat de l’application de ce modèle à un bruit blanc est donné Fig. 2.119. Pour chaque IMF
on a appliqué exactement 10 itérations de la procédure précédente. On observe que ce modèle très
simple permet de retrouver le comportement de type banc de filtres et même de retrouver un facteur
d’auto-similarité entre les spectres proche de 2 pour 10 itérations de tamisage. En revanche, il ne
permet pas de modéliser correctement la forme des spectres des IMFs, notamment le fait qu’ils aient
une partie basses fréquences relativement importante entre −10 et −15 dB.

[Link] Modélisation des distortions introduites par l’échantillonnage La modélisation

précédente peut être améliorée en tenant compte des effets d’échantillonnage à travers l’opérateur
A. Celui-ci est plus délicat à modéliser puisque l’échantilloannage par les maxima/minima d’un
bruit blanc est a priori assez différent d’un échantillonnage régulier ou quasi-régulier tel qu’il était
dans le cadre des sommes de composantes périodiques. On va donc plutôt s’inspirer des résultats de
simulations pour déterminer quelle forme on peut lui donner pour le modèle. Si I se comporte bien
comme un opérateur de filtrage linéaire, le modèle suggère que la densité spectrale de puissance de
la moyenne des enveloppes Sm d’un bruit blanc ainsi que l’interspectre Sx,m entre cette dernière et
le signal prennent la forme

Sm (ν) = I(3ν)2 (Sx (ν) + SAx (ν) + 2Re (Sx,Ax (ν))) , (2.228)
Sx,m (ν) = I(3ν) (Sx (ν) + Sx,Ax (ν)) . (2.229)

En particulier, sachant que Sx (ν) = 1 et I(ν) est constant égal à 1 lorsque ν tend vers zéro, on
doit avoir au voisinage de zéro Sm (ν) = 1 + SAx (ν) + 2Re (Sx,Ax (ν)) et Sx,m (ν) = 1 + Sx,Ax (ν). La
comparaison de ces dernières expressions aux résultats de simulations présentés Fig. 2.120, permet
258 Chapitre 2. Analyse

Sm Sx,m
1.4

1.2

0.8
DSP

0.6

0.4

0.2

0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
fréquence fréquence

Figure 2.120 – Calibration de l’opérateur A. À gauche, le spectre de la moyenne des enveloppes Sm

en trait plein et sa modélisation en tirets. À droite, l’interspectre entre le signal et la moyenne de ses
enveloppes Sx,m en trait plein et sa modélisation en tirets.

d’identifier les différents termes, du moins pour ν tendant vers zéro :

Sx,Ax (ν → 0) ≃ 0, (2.230)
SAx (ν → 0) ≃ 0.2. (2.231)
Tout se passe donc comme si Ax avait une densité spectrale constante à basse fréquence et était
décorrélé de x également à basse fréquence. En fait, compte tenu de la forme de la fonction de
transfert du filtre I, on peut même supposer que ces comportements sont valables sur toute la
gamme de fréquences sans pour autant trop s’éloigner des résultats des simulations (cf Fig. 2.120).
En s’inspirant de ce résultat observé dans le cas où x est un bruit blanc gaussien, on propose de
modéliser de manière plus générale Ax par un bruit blanc indépendant de x. On supposera de plus
Ax gaussien de manière à rester dans un cadre gaussien pour pouvoir appliquer la formule (2.227).
Il reste à savoir quelle puissance lui attribuer. Classiquement, lorsqu’on échantillonne un signal sta-
tionnaire x(t) à une fréquence f , la puissance des distortions dues à l’échantillonnage observées dans
la bande [−f /2, f /2] est la puissance du signal en dehors de cette bande. Dans le cas de l’EMD d’un
signal aléatoire, l’équivalent de la fréquence d’échantilonnage f est la densité d’extrema de qui est la
fréquence moyenne à laquelle le signal est échantillonné si l’on considère les deux enveloppes conjoin-
tement. Dans la mesure où A représente des distortions dues au sous-échantillonnage, on peut donc
supposer que la puissance de Ax dans la bande [−de /2, de /2] est égale à la puissance de x en dehors
de cette même bande. En réalité, comme on l’a vu pour les sommes de signaux périodiques simples,
le fait que l’échantillonnage ne soit pas régulier fait que des composantes de fréquences inférieures
à de /2 peuvent également contribuer aux distortions dues à l’échantillonnage. Cependant, comme
leur influence est a priori moindre que celles des composantes de fréquences supérieures à de /2, on se
contentera de l’approximation précédente.
Selon ce modèle, on définirait donc Ax comme un bruit blanc gaussien de puissance
Z 0.5
2
Sx (ν)dν. (2.232)
de [x] de [x]/2
Le problème est qu’une telle définition est en fait relativement loin des résultats observés puisque dans
le cas d’un bruit blanc, elle suggère une densité spectrale de puissance de 0.5 pour Ax alors qu’on
2.4. Liens avec le modèle déterministe 259

observe en réalité plutôt 0.2. Dans la mesure où l’échantillonnage par les extrema est très différent
d’un échantillonnage régulier, il n’est pas vraiment surprenant d’observer un tel écart, d’autant
plus que l’estimation de sa puissance par (2.232) est très grossière. On peut par exemple observer
que les maxima (ou les minima) d’un signal ont une variance différente de celle du signal lui-même,
typiquement de l’ordre de la moitié pour un bruit blanc gaussien, ce qui va dans le sens de la puissance
des effets d’aliasing réellement observée. Pour tenir compte de cet écart difficile à modéliser plus
précisément, on propose de simplement ajouter un facteur de proportionnalité de 0.4 à l’expression
de la puissance de Ax (2.232). Il s’agit certes d’un ajustement grossier mais pas forcément si gênant
dans la mesure où l’intérêt du modèle est plus de justifier qualitativement la forme des spectres
des IMFs à partir d’un modèle simple que d’expliquer quantitativement toutes les caractéristiques
observées.

[Link] Algorithme du modèle Partant d’un signal stationnaire gaussien x de densité spectrale
de puissance Sx , le modèle ainsi défini permet de calculer itérativement les densités spectrales de
puissance du premier IMF et de la première approximations obtenus à l’aide de n itérations de
tamisage selon la procédure Algo. 7. En appliquant à nouveau cette procédure sur la première

Algorithme 7 : Modèle du comportement de l’EMD sur les bruits large bande

1 Sd(0) ← Sx
1
2 pour 1 ≤ k ≤ n faire
3 Calculer la densité d’extrema :
R1
0 cos(2πν)Sd(k) (ν) sin2 (πν)dν
d(k)
e = R1 1
2
S
0 d (k) (ν) sin (πν)dν
1

(k)
4 Déterminer la puissance du bruit blanc gaussien Ade :
Z 0.5
(n) 2
P = (k)
Sd(k) (ν)dν.
(k)
de de /2 1

(k+1)
5 Calculer la densité spectrale de puissance de d1 :
! 2 ! 2
2ν (k) 2ν
Sd(k+1) (ν) = 1 − I (k)
Sd(k) + 0.4P I (k)
1
de 1
de

et l’interspectre avec x :
!!
2ν
Sd(k+1) ,x (ν) = 1−I (k)
Sd(k) ,x
1
de 1

(n) (n)
6 Calculer la densité spectrale de puissance de l’approximation a1 = x − d1 :

Sa(n) (ν) = Sd(n) (ν) + Sx (ν) − 2Sd(n) ,x (ν)

1 1 1

(n)
approximation a1 on peut obtenir les densités spectrales de puissance du deuxième IMF et de la
deuxième approximation, puis récursivement celles de tous les IMFs et approximations.
260 Chapitre 2. Analyse

15

10

DSP – dB
0

−5

−10

−15

−20

−25
−12 −10 −8 −6 −4 −2
log2 fréquence

Figure 2.121 – Application du modèle au cas d’un bruit blanc avec 10 itérations de tamisage par
IMF. Modèles de spectres des IMFs (trait plein) et modèles de spectres des approximations (tirets).

2.4.2 Résultats
[Link] Cas d’un bruit blanc Les spectres des IMFs et approximations d’un bruit blanc obtenus
par cette méthode avec 10 itérations de tamisage par IMF, sont représentés Fig. 2.121. On observe
que l’ajout de l’opérateur A au modèle permet de retrouver le fait que les IMFs ont une composante
basses fréquences relativement importante. Ce résultat n’est en fait pas vraiment probant dans la
mesure où Ax a en réalité été créé à partir de cette observation dans le cas particulier d’une unique
itération de tamisage sur un bruit blanc. En revanche, l’ajout de A permet aussi de retrouver le fait
que les densités spectrales de puissance des approximations en zéro augmentent avec leur indice, ce
qui tend à valider l’idée selon laquelle les composantes basses fréquences des IMFs seraient liées à
des effets de sous-échantillonnage.
Plus en détail, on observe que les composantes basses fréquences des IMFs autres que le premier
prévues par le modèle sont plus importantes que celles observées en réalité. En particulier l’im-
portance de celles-ci augmente avec l’indice de l’IMF alors qu’en réalité, les densités spectrales de
puissance des IMFs en 0 sont à peu près constantes à l’exception du premier IMF. Du point de vue
de l’interprétation, le fait que le modèle surévalue ainsi les composantes basses fréquences pourrait
indiquer que les effets de sous-échantillonnage sont plus importants pour le premier IMF que pour les
autres, sans doute parce que l’échelle de variation du premier IMF est proche du pas de discrétisation.

[Link] Cas de bruits gaussiens fractionnaires Au-delà du bruit blanc, on s’est également
intéressé au comportement du modèle sur des fGns (cf Fig. 2.122). On observe que le modèle permet
dans tous les cas de retrouver qualitativement les comportements observés en réalité : l’EMD se
comporte grossièrement comme un banc de filtres pour H > 0.5 ; pour H < 0.5, les allures des
spectres sont similaires mais leur amplitude diminue avec leur indice moins vite que l’amplitude de la
densité spectrale du signal aux mêmes fréquences. Quantitativement, on retrouve le défaut observé
dans le cas du bruit blanc qui est que la composante basses fréquences des IMFs d’indice supérieur à
un est surévaluée. Dans le cas où H < 0.5, il en découle que l’amplitude des spectres des IMFs selon
le modèle diminue encore moins vite qu’en réalité, voire augmente à partir d’un certain indice.
2.4. Liens avec le modèle déterministe 261

H = 0.1 H = 0.2 H = 0.3

10
DSP – dB

−10

−20

H = 0.4 H = 0.5 H = 0.6

10
DSP – dB

−10

−20

H = 0.7 H = 0.8 H = 0.9

10
DSP – dB

−10

−20

−12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2 −12 −10 −8 −6 −4 −2

log2 fréquence log2 fréquence log2 fréquence

Figure 2.122 – Application du modèle au cas de fGns avec 10 itérations de tamisage par IMF. Seuls
les modèles des spectres des IMFs sont représentés pour améliorer la lisibilité.
262 Chapitre 2. Analyse
Synthèse et ouverture

Arrivant au terme de ce manuscrit, on peut dresser le bilan des contributions présentées et ou-
vrir quelques pistes pour de futurs travaux. Par rapport à l’objectif initial qui était d’améliorer la
compréhension de l’EMD, on a dans un premier temps évalué ses performances dans les cas simples
où le signal en entrée de l’EMD est soit une somme de deux composantes périodiques simples soit
un bruit large bande. Dans un deuxième temps on a proposé un modèle de son comportement dans
ces cas simples. Au passage, on s’est intéressé aux choix algorithmiques nécessaires à la réalisation
d’une implantation et on s’est également penché sur la question de l’influence de l’échantillonnage
dont les effets étaient a priori difficiles à prévoir du fait de la non-linéarité de l’algorithme. Enfin, une
autre contribution importante de cette thèse est l’introduction d’algorithmes permettant d’appliquer
l’EMD à des signaux bivariés, ou complexes.
La mise en place d’un algorithme d’EMD a été l’occasion d’aborder trois petits problèmes pour
lesquels soit la contribution originale propose des solutions perfectibles, soit elle n’en propose pas du
tout. Ces problèmes sont ceux des conditions aux bords pour définir les enveloppes aux extrémités du
signal, celui de l’arrêt du processus de tamisage, et celui de l’interpolation. À l’exception du cas de
l’interpolation, l’étude de ces problèmes a permis de proposer de nouvelles solutions qui remplacent
avantageusement celles proposées initialement, même si elles sont a priori loin d’être optimales. En
plus de ces solutions, ces études ont permis de mieux cerner les difficultés liées à chaque problème.
Au-delà de l’algorithme en lui-même, on s’est intéressé aux conditions d’une bonne utilisation
de ce dernier à travers la problématique de l’influence de l’échantillonnage. Le bilan de notre étude
sur ce sujet est mitigé. On arrive en effet à contrôler l’ordre de grandeur des variations dues à
l’échantillonnage sur une itération de tamisage mais les résultats se dégradent rapidement lorsqu’on
réalise plusieurs itérations et qu’on extrait plusieurs IMFs. Dans le cas d’une unique itération, le
résultat le plus important de notre étude est sans doute le fait que l’écart au continu se comporte
généralement comme l’inverse de la fréquence d’échantillonnage quand celle-ci tend vers l’infini et
plutôt comme le carré de son inverse quand elle tend vers zéro, du moins tant que tous les extrema
du signal à temps continu ont leur contrepartie dans le signal échantillonné. L’intérêt de ce résultat
est cependant limité dans la mesure où dès qu’on se place dans les conditions d’utilisation réelles de
l’EMD, le nombre d’itérations de tamisage devient variable, ce qui crée des variations plus importantes
que celles dues à l’échantillonnage sur une seule itération, sauf éventuellement pour les très basses
fréquences d’échantillonnage. De plus, le fait que les IMFs soient extraits successivement a pour
conséquence que les variations observées sur un IMF se transmettent au suivant ce qui fait qu’à mesure
qu’on extrait des IMFs, on accumule de plus en plus de variations. Au final, de petites variations
dues à l’échantillonnage sur le signal peuvent mener à des variations nettement plus importantes
de la décomposition. La problématique de l’échantillonnage permet ainsi d’observer des propriétés
relatives à la stabilité ou à la robustesse de la décomposition. Il apparait en effet que le fait que le
nombre d’itérations soit variable constitue une cause d’instabilité dans la mesure où l’écart entre deux
itérations sucessives est non nul lors de l’arrêt du processus de tamisage. Cette instabilité s’explique
par le fait que le choix de poursuivre ou non le processus de tamisage est binaire et qu’il ne peut
donc toujours évoluer de manière infinitésimale sous l’action d’une perturbation infinitésimale du
signal, à moins de ne pas dépendre du tout de ce dernier. L’EMD est donc généralement instable à
264 Synthèse et ouverture

moins d’utiliser des nombres d’itérations fixés a priori. Et encore, même dans ce cas, le phénomène
d’apparition d’extrema peut être une cause d’instabilité dans la mesure où de petites perturbations
peuvent influencer l’apparition ou non d’une paire d’extrema à une itération donnée du processus de
tamisage.
En dehors de ces observations relatives à la stabilité de l’EMD on s’est intéressé à ses performances
à travers l’étude de son comportement sur des sommes de signaux périodiques simples et des bruits
large bande. On a observé en particulier dans ces deux situations que le tamisage avait un comporte-
ment apparenté à un filtrage linéaire et que donc l’EMD pouvait être globalement raisonnablement
bien décrite par une succession d’opérations de filtrage linéaire. De ce fait, la capacité de l’EMD à
décomposer des sommes de signaux non linéaires périodiques n’est a priori pas meilleure que celle
d’un filtrage linéaire. En fait, elle semble même moins bonne si on ajoute à cela les effets de repliement
spectral apparaissant du fait que les enveloppes sont construites uniquement à partir des extrema du
signal. Toutefois, on peut remarquer que les deux situations étudiées sont stationnaires et que par
conséquent les capacités de l’EMD à s’adapter aux variations temporelles de la structure du signal ne
sont pas utilisées. Dans des situations non stationnaires, ces capacités d’adaptation sont clairement
un avantage par rapport à un filtrage linéaire. On ne les a finalement pratiquement pas abordées
au cours de cette thèse, mais leur étude est sans doute aussi importante pour la compréhension de
l’EMD que celles que nous avons menées dans les situations stationnaires. Les capacités d’adaptation
de l’algorithme ne sont cependant pas indépendantes de ses performances dans les situations station-
naires. En particulier, on a observé que la résolution fréquentielle de l’EMD est relativement faible,
deux fréquences devant typiquement être dans un rapport supérieur à deux pour être séparées. En
contrepartie, la résolution temporelle est généralement très bonne. Si on prend l’exemple d’une mo-
dulation d’amplitude sinusoı̈dale, la résolution fréquentielle relative de 0.5 suggère que l’EMD serait
capable de suivre des variations d’amplitude jusqu’à une fréquence de l’ordre du tiers de celle de la
porteuse, ce qui correspond assez bien aux observations même si le raisonnement est très grossier. De
plus, l’augmentation de la résolution fréquentielle avec le nombre d’itérations est en accord avec la
diminution concomitante de la résolution temporelle qui se traduit par le fait que les variations des
enveloppes se font plus douces. En revanche, on n’a par cette voie aucune information sur la capacité
de l’EMD à suivre les évolutions de la fréquence du signal. Le cas d’une modulation de fréquence
pure suggère que celle-ci serait excellente et indépendante du nombre d’itérations contrairement aux
variations d’amplitude. Toutefois il est a priori difficile d’évaluer dans quelle mesure ces capacités
évoluent dans des situations plus compliquées.
Au-delà de ces évaluations de performances, la principale avancée de cette thèse en matière de
compréhension de l’EMD est la mise en évidence d’un modèle décrivant son comportement dans
le cas où le signal présente des extrema espacés de manière relativement régulière. Ce modèle per-
met de rapprocher l’EMD d’outils plus classiques du traitement du signal dans la mesure où il est
constitué de deux ingrédients simples, échantillonnage et filtrage linéaire, et il explique efficacement
le comportement de l’EMD dans une grande partie des cas où le signal est la somme de deux com-
posantes périodiques faiblement non linéaires. Plus précisément, il donne de bons résultats dès que
les extrema du signal sont proches de ceux de l’une des deux composantes, ce qui est généralement
le cas quand le rapport de leurs amplitudes est soit grand soit petit en valeur absolue. De plus, les
premiers résultats concernant une adaptation au cas de composantes modulées en amplitude et en
fréquence sont très encourageants et on a également montré que le modèle permettait de retrouver
les principales caractéristiques du comportement de l’EMD sur des bruits large bande, moyennant
quelques ajustements. Ces adaptations du modèle n’ont été qu’ébauchées ici mais elles méritent sans
doute une étude plus approfondie. En dépit de ces résultats prometteurs, le modèle souffre d’une
limitation importante dans la mesure où il ne peut expliquer la décomposition d’un signal constitué
de deux composantes périodiques lorsque le rapport des amplitudes n’est ni suffisamment petit ni
suffisamment grand pour que les extrema du signal puissent être considérés comme proches de ceux
Synthèse et ouverture 265

de l’une des deux composantes. Il y a cependant certains cas où il pourrait être adapté, notamment
celui où les extrema peuvent localement sur des intervalles pas trop courts être associés à l’une des
deux composantes. On a pu voir en particulier que ce cas se produisait pour les sommes de deux
sinusoı̈des. Si le modèle peut alors être appliqué localement et modéliser correctement le résultat
d’une itération de tamisage, l’extension à plusieurs itérations pose un problème dans la mesure où
des extrema peuvent apparaı̂tre au cours du processus de tamisage ce qui a pour conséquence de
déplacer ou supprimer les zones où ces derniers peuvent être associés à l’une ou l’autre composante.
Pour adapter le modèle à ces situations il faudrait donc être en mesure de prévoir les apparitions
d’extrema. Plus généralement, le phénomène d’apparition d’extrema au cours du processus de tami-
sage n’a pratiquement pas été abordé dans cette thèse mais son étude constitue clairement un objectif
important pour améliorer la compréhension de l’EMD. Ce phénomène accroı̂t en effet de manière im-
portante les capacités de décomposition de l’EMD et constitue l’intérêt principal de l’aspect itératif
du processus de tamisage. Aussi, une application importante de son étude pourrait être de prévoir
les apparitions d’extrema ce qui permettrait d’inclure les futurs extrema dès la première itération de
tamisage, avec éventuellement la possibilité de ramener ainsi le processus de tamisage à une seule
itération.
Enfin, outre les apports à l’EMD originale, une contribution importante de cette thèse est l’in-
troduction de nouveaux algorithmes étendant l’EMD au cas de signaux bivariés. Malgré le côté très
récent de ces algorithmes, on s’est efforcé de transposer autant que possible les analyses effectuées
sur la méthode originale au cas bivarié. Les premiers résultats montrent que les propriétés de ces
algorithmes semblent prolonger celles de l’EMD mais il est encore difficile d’évaluer leurs capaci-
tés dans des situations plus générales en raison du très faible nombre de cas d’étude, qu’il s’agisse
de simulations ou de signaux expérimentaux. De plus, les deux algorithmes proposés ont des com-
portements proches mais différents et, si l’un apparaı̂t moins sensible à l’échantillonnage, il paraı̂t
prématuré d’exclure totalement l’autre qui peut encore se révéler intéressant dans des situations très
bien échantillonnées.
Bibliographie

[1] P. Abry, P. Flandrin, M. S. Taqqu et D. Veitch : Wavelets for the analysis, estimation and
synthesis of scaling data. In K. Park et W. Willinger, éds : Self-Similar Network Traffic and
Performance Evaluation, p. 39–88. Wiley, 2000.

[2] H. Akima : A new method of interpolation and smooth curve fitting based on local procedures.
Journal of the ACM, 17(4):589–602, 1970.

[3] F. Auger et P. Flandrin : Improving the readability of time-frequency and time-scale repre-
sentations by reassignment methods. IEEE Transactions on Signal Processing, 43(5):1068–1089,
1995.

[4] E. Bedrosian : A product theorem for hilbert transforms. Proceedings of the IEEE, 51:868–869,
1963.

[5] B. Boashash, éd. Time Frequency signal analysis and processing. Elsevier, 2003.

[6] R. Carmona, W.-L. Hwang et B. Torrésani : Practical time-frequency analysis. Academic

Press, 1998.

[7] M. Casdagli et S. Eubank, éds. Nonlinear modeling and forecasting. Addison-Wesley, 1992.

[8] J. C. Cexus : Analyse des signaux non stationnaires par Transformation de Huang, Opérateur de
Teager–Kaiser et transformation de Huang–Teager. Thèse de doctorat, Université de Rennes 1,
2005.

[9] Q. Chen, N. Huang, S. Riemenschneider et Y. Xu : A B-spline approach for empirical mode

decompositions. Advances in Computational Mathematics, 24(1):171–195, jan 2006.

[10] L. Cohen : Time-frequency analysis. Prentice Hall Signal Processing Series, 1995.

[11] C. Damerval, S. Meignen et V. Perrier : A fast algorithm for bidimensional EMD. IEEE
Signal Processing Letters, 12(10):701–704, 2005.

[12] M. Dätig et T. Schlurmann : Performance and limitations of the hilbert-huang transformation

(hht) with an application to irregular water waves. Ocean Engineering, 31(14-15):1783–1834,
October 2004.

[13] C. de Boor : A practical guide to splines. Springer Verlag, New York, 1978.

[14] R. Deering et J. Kaiser : The use of a masking signal to improve empirical mode decompo-
sition. In IEEE International Conference on Acoustics Speech and Signal Processing, vol. 4, p.
485–488, March 2005.

[15] E. Deléchelle, J. Lemoine et O. Niang : Empirical mode decomposition : an analytical

approach for sifting process. IEEE Signal Processing Letters, 12(11):764–767, november 2005.

266
Bibliographie 267

[16] Y. DENG, W. WANG, C. QIAN, Z. WANG et D. DAI : Boundary-processing-technique in

EMD method and Hilbert transform. Chinese Science Bulletin, 46(11):954–961, june 2001.

[17] P. G. Drazin : Nonlinear systems. Cambridge University Press, 1992.

[18] P. Flandrin : Temps-fréquence. Hermes, 1993.

[19] P. Flandrin et P. Gonçalves : Empirical Mode Decompositions as a data-driven wavelet-

like expansions. International Journal of Wavelets, Multiresolution and Information Processing,
2(4):477–496, 2004.

[20] P. Flandrin, P. Gonçalves et G. Rilling : EMD equivalent filter banks, from interpretations
to applications. In [27], p. 57–74.

[21] P. Flandrin, G. Rilling et P. Gonçalves : Empirical Mode Decomposition as a filter bank.

IEEE Signal Processing Letters, 11(2):112–114, fév. 2004.

[22] F. N. Fritsch et R. E. Carlson : Monotone piecewise cubic interpolation. SIAM Journal on

Numerical Analysis, 17:238–246, 1980.

[23] D. Guégan : Séries chronologiques non linéaires à temps discret. Economica, 1994.

[24] F. Hlawatsch et F. Auger, éds. Temps-fréquence. Hermes, 2005.

[25] N. Huang, Z. Shen et S. R. Long : A new view of nonlinear water waves : The hilbert spectrum.
Annual Review of Fluid Mechanics, 31:417–457, 1999.

[26] N. E. Huang : Introduction to the Hilbert–Huang Transform and its related mathematical
problems. In [27], p. 1–26.

[27] N. E. Huang et S. S. P. Shen, éds. Hilbert–Huang Transform and Its Applications. World
Scientific, 2005.

[28] N. E. Huang, Z. Shen, S. R. Long, M. L. Wu, H. H. Shih, Q. Zheng, N. C. Yen, C. C. Tung

et H. H. Liu : The Empirical Mode Decomposition and Hilbert spectrum for nonlinear and non-
stationary time series analysis. Proceedings of the Royal Society London Series A, 454:903–995,
1998.

[29] N. E. Huang, M.-L. C. Wu, S. R. Long, S. S. P. Shen, W. Qu, P. Gloersen et K. L. Fan : A

confidence limit for the empirical mode decomposition and Hilbert spectral analysis. Proceedings
of the Royal Society London Series A, 459:2317–2345, 2003.

[30] N. E. Huang, Z. Wu et S. R. Long : On instantaneous frequency. Advances in Adaptive Data

Analysis, 1(2):177–229, avr. 2009.

[31] R. N. M. Jr. : HHT sifting and filtering. In [27], p. 75–105.

[32] C. Junsheng, Y. Dejie et Y. Yu : Research on the intrinsic mode function (imf) criterion in
emd method. Mechanical Systems and Signal Processing, 20(4):817–824, May 2006.

[33] C. Junsheng, Y. Dejie et Y. Yu : Application of support vector regression machines to the

processing of end effects of Hilbert-Huang transform. Mechanical Systems and Signal Processing,
21(3):1197–1211, April 2007.

[34] B. Kedem : Spectral analysis and discrimination by zero-crossings. Proceedings of the IEEE,
74(11):1477–1493, November 1986.
268 Bibliographie

[35] Y. Kopsinis et S. McLaughlin : Enhanced empirical mode decomposition using a novel

sifting-based interpolation points detection. In IEEE Workshop on Statistical Signal Processing,
Madison (USA) 2007.

[36] Y. Kopsinis et S. McLaughlin : Investigation and performance enhancement of the empi-

rical mode decomposition method based on a heuristic search optimization approach. IEEE
Transactions on Signal Processing, 2007. (a paraı̂tre).

[37] J. M. Lilly et J.-C. Gascard : Wavelet ridge diagnosis of time-varying elliptical signals with
application to an oceanic eddy. Nonlinear Processes in Geophysics, 13:467–483, 2006.

[38] A. Linderhed : 2D empirical mode decompositions in the spirit of image compression. In

Wavelet and Independent Component Analysis Applications IX , SPIE Proceedings, vol. 4738,
p. 1–8, April 2002.

[39] A. Linderhed : Adaptive image compression with wavelet packets and empirical mode decom-
position. Thèse de doctorat, Linköping University, Image Coding Group, 2004.

[40] Z. Liu et [Link] : Boundary processing of bidimensional EMD using texture synthesis. IEEE
Signal Processing Letters, 12(1):33–36, jan. 2004.

[41] Z. Liu, H. Wang et [Link] : Texture segmentation using directional empirical mode decom-
position. In International Conference on Image Processing, vol. 1, p. 279–282, 2004.

[42] S. Mallat : A wavelet tour of signal processing. Academic Press, 1998.

[43] J. C. Nunes : Analyse multiéchelle d’image, Application à l’angiographie rétinienne et à la

DMLA. Thèse de doctorat, Paris 12 Val de Marne : Créteil, 2003.

[44] J. C. Nunes, Y. Bouaoune, E. Delechelle, O. Niang et P. Bunel : Image analysis by

bidimensional empirical mode decomposition. Image and Vision Computing, 21(12), 2003.

[45] A. Papandreou-Suppappola, éd. Applications in Time-Frequency analysis. CRC Press, 2003.

[46] K. Qi, Z. He et Y. Zi : Cosine window-based boundary processing method for emd and its
application in rubbing fault diagnosis. Mechanical Systems and Signal Processing, 21(7):2750–
2760, October 2007.

[47] S. Qin et Y. Zhong : A new envelope algorithm of hilbert-huang transform. Mechanical Systems
and Signal Processing, 20(8):1941–1952, November 2006.

[48] S. O. Rice : Statistical properties of a sine wave plus random noise. Bell System Technical
Journal, 27:109–157, jan 1948.

[49] P. Richardson, D. Walsh, L. Armi, M. Schröder et J. F. Price : Tracking three Meddies

with SOFAR floats. Journal of Physical Oceanography, 19:371–383, 1989.

[50] G. Rilling et P. Flandrin : Sur la Décomposition Modale Empirique des signaux échantillon-
nés. In Actes du 20e Colloque GRETSI sur le Traitement du Signal et des Images, p. 755–758,
Louvain-la-Neuve (B) 2005.

[51] G. Rilling et P. Flandrin : On the influence of sampling on the Empirical Mode Decomposi-
tion. In IEEE International Conference on Acoustics Speech and Signal Processing, Toulouse (F)
2006. DOI : 10.1109/ICASSP.2006.1660686.
Bibliographie 269

[52] G. Rilling et P. Flandrin : Une extension bivariée pour la décomposition modale empirique –
application à des bruits blancs complexes. In Actes du 21e Colloque GRETSI sur le Traitement
du Signal et des Images, Troyes (F) 2007.

[53] G. Rilling et P. Flandrin : One or two frequencies ? the empirical mode decomposition
answers. IEEE Transactions on Signal Processing, 2007. (à paraı̂tre).

[54] G. Rilling et P. Flandrin : Sampling effects on the empirical mode decomposition. Advances
in Adaptive Data Analysis, 1(1):43–59, jan. 2009.

[55] G. Rilling, P. Flandrin et P. Gonçalves : On Empirical Mode Decomposition and its

algorithms. In IEEE-EURASIP Workshop on Nonlinear Signal and Image Processing, Grado
(I) 2003.

[56] G. Rilling, P. Flandrin et P. Gonçalves : Empirical Mode Decomposition, fractional Gaus-

sian noise and Hurst exponent estimation. In IEEE International Conference on Acoustics
Speech and Signal Processing, vol. 4, p. iv/489– iv/492, mars 2005.

[57] G. Rilling, P. Flandrin, P. Gonçalves et J. M. Lilly : Bivariate Empirical Mode Decom-

position. IEEE Signal Processing Letters, 14(12):936–939, déc. 2007.

[58] B. Schölkopf et A. J. Smola : Learning with kernels. MIT Press, 2002.

[59] R. C. Sharpley et V. Vatchev : Analysis of the Intrinsic Mode Functions. Constructive

Approximation, 24:17–47, 2006.

[60] T. Tanaka et D. P. Mandic : Complex Empirical Mode Decomposition. IEEE Signal Processing
Letters, 14(2):101–104, 2007.

[61] H. Tong : Non-linear time series analysis. Oxford science publications, 1990.

[62] M. Unser : Splines : A perfect fit for signal processing. IEEE Signal Processing Magazine,
16(6):22–38, 1999.

[63] W. Wang, X. Li et R. Zhang : Boundary processing of hht using support vector regression
machines. In International Conference on Computer Science, p. 147–177, Beijing (China) 2007.

[64] Z. Wu et N. E. Huang : Statistical significance test of intrinsic mode functions. In [27], p.

107–127.

[65] Z. Wu et N. E. Huang : Ensemble empirical mode decomposition : a noise-assisted data analysis

method. Rap. tech. Tech. Rep. No.173., Centre for Ocean-Land-Atmosphere Studies, 2004.

[66] Y. Xu, B. Liu, J. Liu et S. Riemenschneider : Two-dimensional empirical mode decomposition

by finite elements. Proceedings of the Royal Society London Series A, 462(2074):3081–3096, 2006.
Résumé. Décompositions Modales Empiriques : Contributions à
la théorie, l’algorithmie et l’analyse de performances
La Décomposition Modale Empirique (EMD pour « Empirical Mode Decomposition ») est un outil récent
de traitement du signal dévolu à l’analyse de signaux non stationnaires et/ou non linéaires. L’EMD produit
pour tout signal une décomposition multi-échelles pilotée par les données. Les composantes obtenues sont
des formes d’onde oscillantes potentiellement non harmoniques dont les caractéristiques, forme, amplitude et
fréquence peuvent varier au cours du temps. L’EMD étant une méthode encore jeune, elle n’est définie que par
la sortie d’un algorithme inhabituel, comportant de multiples degrés de liberté et sans fondement théorique
solide.
Nous nous intéressons dans un premier temps à l’algorithme de l’EMD. Nous étudions d’une part les
questions soulevées par les choix de ses degrés de liberté afin d’en établir une implantation. Nous proposons
d’autre part des variantes modifiant légèrement ses propriétés et une extension permettant de traiter des
signaux à deux composantes.
Dans un deuxième temps, nous nous penchons sur les performances de l’EMD. L’algorithme étant initiale-
ment décrit dans un contexte de temps continu, mais systématiquement appliqué à des signaux échantillonnés,
nous étudions la problématique des effets d’échantillonnage sur la décomposition. Ces effets sont modélisés dans
le cas simple d’un signal sinusoı̈dal et une borne de leur influence est obtenue pour des signaux quelconques.
Enfin nous étudions le mécanisme de la décomposition à travers deux situations complémentaires, la dé-
composition d’une somme de sinusoı̈des et celle d’un bruit large bande. Le premier cas permet de mettre en
évidence un modèle simple expliquant le comportement de l’EMD dans une très grande majorité des cas de
sommes de sinusoı̈des. Ce modèle reste valide pour des sinusoı̈des faiblement modulées en amplitude et en
fréquence ainsi que dans certains cas de sommes d’ondes non harmoniques périodiques. La décomposition de
bruits large bande met quant à elle en évidence un comportement moyen de l’EMD proche de celui d’un banc
de filtres auto-similaire, analogue à ceux correspondant aux transformées en ondelettes discrètes. Les propriétés
du banc de filtres équivalent sont étudiées en détail en fonction des paramètres clés de l’algorithme de l’EMD.
Le lien est également établi entre ce comportement en banc de filtres et le modèle développé dans le cas des
sommes de sinusoı̈des.
Mots-clés : Empirical Mode Decomposition, décomposition adaptative, multi-résolution, temps-
fréquence, temps-échelle, banc de filtres

Abstract. Empirical Mode Decompositions : Contributions to

theory, algorithms and performance analysis
The Empirical Mode Decomposition (EMD) is a novel signal processing tool dedicated to the analysis of
nonstationary and/or nonlinear signals. The EMD provides for any signal a data-driven multi-scale decom-
position. The components are oscillatory signals, not necessarily harmonic, whose characteristics, waveform,
amplitude and frequency may be time-varying. The EMD being rather recent, it is only defined as the output
of an unusual algorithm, with many degrees of freedom and no sound theoretical basis.
We first focus on the algorithm of the EMD. The questions raised by the possibilities for the degrees of
freedom are studied in order to propose an implementation. We also propose some slight variations on the
original algorithm and an extension to process bivariate signals.
Motivated by the fact that the algorithm is initially presented in a continuous time framework, but sys-
tematically applied to sampled signals, we study the effect of sampling on the decomposition. A model of
sampling effects is proposed for the simple case of a sinusoidal input signal and a bound on the magnitude of
these effects is derived for arbitrary input signals.
Finally the mechanism underlying the decomposition is studied by means of the analysis of two comple-
mentary situations, the decomposition of sums of two sinusoids and that of broadband noise signals. The first
case allows the derivation of a simple model explaining the behavior of the EMD for a vast majority of the
possibilities of sums of sinusoids. This model remains valid for slightly amplitude and frequency modulated
sinusoids and also for some cases of sums of non harmonic periodic waveforms. As for broadband noise signals,
we observe that the behavior of the EMD is close to that of an autosimilar filter bank, analogous to those
corresponding to discrete wavelet transforms. The properties of the equivalent filter bank are studied in detail
as a function of the key parameters of the EMD algorithm. A link is also established between this filter bank
behavior and the model developed for the sums of sinusoids.
Key words : Empirical Mode Decomposition, adaptive decomposition, multi-resolution, time-frequency,
time-scale, filter bank