🔢 mathematics

An Application of Complex Fuzzy Soft Matrices in Signal Processing

Cet article présente une application des matrices floues complexes molles au traitement du signal, démontrant via un algorithme d'identification que l'utilisation de la transformée de Fourier permet d'obtenir une meilleure référence de signal.

Auteurs originaux : Olayemi R. Oladokun, Taiwo O. Sangodapo

Publié 2026-03-19

📖 4 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Olayemi R. Oladokun, Taiwo O. Sangodapo

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

📡 Le Détective des Ondes : Comment trouver l'aiguille dans la botte de foin

Imaginez que vous êtes un détective (le récepteur numérique) dans une grande ville bruyante. Autour de vous, des milliers de voitures, de sirènes et de musiques (les signaux) passent en même temps. Votre mission ? Trouver une voiture spécifique (le signal de référence) parmi toutes ces autres voitures pour savoir si elle est passée par ici.

Le problème, c'est que le monde n'est pas toujours noir ou blanc. Parfois, une voiture ressemble un peu à la vôtre, mais pas tout à fait. Parfois, elle est floue, parfois elle est claire. C'est là que les mathématiques traditionnelles (qui disent "oui" ou "non") échouent.

C'est ici qu'interviennent les auteurs de ce papier, Olayemi Oladokun et Taiwo Sangodapo, avec une nouvelle arme secrète : les Matrices Fuzzy Complexes.

1. Les Outils du Détective : La "Matrice Floue" 🧩

Pour comprendre leur outil, imaginons deux concepts :

Le "Fuzzy" (Flou) : Au lieu de dire "cette voiture est rouge" ou "elle ne l'est pas", on dit "elle est rouge à 70%". C'est comme un filtre de photo : on peut ajuster la transparence.
Le "Complexe" : C'est comme ajouter une couche de profondeur (une phase) à cette image. Imaginez que chaque voiture a non seulement une couleur (l'amplitude), mais aussi une vibration ou une danse spécifique (la phase).

Les auteurs créent une Grille Magique (la matrice) qui note chaque voiture non pas par un seul chiffre, mais par une combinaison de couleur et de danse. Cette grille permet de stocker des milliers de signaux dans la mémoire de l'ordinateur, comme un classeur géant rempli de fiches détaillées.

2. La Méthode : La Danse des Signaux 💃🕺

Comment trouver la bonne voiture parmi toutes les autres ? Les auteurs proposent deux méthodes, mais ils en préfèrent une en particulier.

Méthode A : La Comparaison Directe (Le "Cross-Product")
Imaginez que vous prenez votre voiture de référence et que vous la faites danser avec chaque voiture suspecte.

Si la danse est parfaite, les mouvements s'alignent.
Si c'est faux, les mouvements se heurtent.
La matrice calcule cette "danse" pour chaque paire et donne un score de ressemblance.

**Méthode B : La Transformation de Fourier (Le "Super-Scanner") 🌊
C'est la méthode gagnante selon les auteurs.
Imaginez que chaque voiture émet un son unique. La Transformation de Fourier est comme un oreille magique qui décompose ce son en ses notes de musique fondamentales (les fréquences).

Au lieu de regarder la voiture de loin, on écoute sa "partition musicale".
On compare la partition de la voiture suspecte avec celle de la voiture de référence.

3. Le Résultat : Qui est le coupable ? 🏆

Dans l'exemple du papier, ils testent plusieurs signaux (des voitures).

Ils utilisent leur grille magique pour calculer à quel point chaque signal ressemble au signal de référence.
Ils regardent le score le plus élevé.

Le verdict :
L'algorithme basé sur la Transformation de Fourier (la méthode B) s'est avéré être le meilleur détective. Pourquoi ?
Parce qu'il a donné le score le plus élevé et le plus clair. Il a réussi à isoler le signal de référence avec une précision que les autres méthodes n'ont pas atteinte.

En langage simple : La Transformation de Fourier a mieux "nettoyé" le bruit de fond et a mis en évidence la voiture qu'ils cherchaient, comme si un projecteur s'allumait soudainement sur elle dans la foule.

🎯 En Résumé

Ce papier nous dit que pour trier des signaux complexes (comme dans les téléphones, les radars ou la radio) :

On ne doit pas être trop rigide (utiliser le "flou").
On doit prendre en compte la "vibration" du signal (le "complexe").
La meilleure façon de comparer ces signaux est d'utiliser la Transformation de Fourier, car elle agit comme un filtre ultra-puissant qui révèle la vérité cachée derrière le bruit.

C'est comme passer d'une recherche à l'aveugle dans une pièce sombre à l'utilisation d'un scanner laser qui vous montre exactement où se trouve l'objet que vous cherchez ! 🔦✨

1. Problématique

Le traitement du signal traditionnel repose souvent sur des modèles déterministes, précis et « nets » (crisp), où les paramètres sont connus avec certitude. Cependant, dans les environnements réels, les signaux sont souvent affectés par l'incertitude, l'imprécision et le bruit. Les outils classiques de logique binaire (vrai/faux) ou d'ensembles classiques sont insuffisants pour modéliser ces nuances, en particulier lorsqu'il s'agit de distinguer un signal de référence parmi un grand nombre de signaux d'intérêt détectés par un récepteur numérique.

L'objectif de cet article est de proposer une approche mathématique avancée pour gérer cette incertitude et améliorer la précision de l'identification des signaux en utilisant la théorie des ensembles flous complexes (Complex Fuzzy Sets - CFS) et des matrices floues complexes molles (Complex Fuzzy Soft Matrices - CFSM).

2. Méthodologie

Les auteurs développent une méthodologie hybride combinant la théorie des ensembles flous complexes, la théorie des ensembles mous (Soft Sets) et la transformée de Fourier.

A. Fondements Théoriques

Ensembles Flous Complexes (CFS) : Contrairement aux ensembles flous classiques dont la fonction d'appartenance est réelle et comprise dans $[0, 1]$ , les CFS étendent cette valeur à un disque unité dans le plan complexe. Un élément est défini par une amplitude ( $r \in [0, 1]$ ) et une phase ( $\omega \in [0, 2\pi)$ ), permettant de capturer à la fois l'intensité et la phase du signal.
Matrices Floues Complexes Molles (CFSM) : Les auteurs définissent ces matrices comme des représentations matricielles des ensembles flous complexes molles, où chaque élément est un nombre complexe de la forme $r_{ij}e^{i\omega_{ij}}$ . Des opérations algébriques sont définies sur ces matrices (somme, produit, intersection, union, complément).

B. Algorithmes Proposés

Deux approches algorithmiques sont présentées pour l'identification d'un signal de référence ( $R$ ) parmi plusieurs signaux inconnus ( $S_i$ ) :

Approche par Produit Croisé de Matrices (Section 5) :
- Les signaux échantillonnés sont convertis en matrices de nombres complexes.
- Un produit matriciel usuel est effectué entre la matrice des signaux inconnus ( $A$ ) et celle du signal de référence ( $B$ ).
- Une matrice de décision « max-min » est calculée pour extraire les valeurs optimales.
- L'ensemble flou optimal est déterminé pour identifier le signal le plus proche de la référence.
Approche par Transformée de Fourier (Section 6) :
- Cette méthode utilise la Transformée de Fourier Discrète (DFT) et sa version inverse (IDFT) pour modéliser les signaux.
- Les signaux sont représentés par des coefficients complexes (amplitude et phase) restreints à l'intervalle $[0, 1]$ pour l'amplitude, conformément à la théorie floue.
- Algorithme de comparaison :
  - Calcul du produit croisé (cross product) entre chaque échantillon du signal inconnu $x_i(n)$ et le signal de référence $r(n)$ .
  - Calcul de la valeur absolue de chaque terme du produit croisé, divisée par $N^2$ .
  - Extraction de la valeur maximale pour chaque paire de signaux.
  - Comparaison des valeurs maximales globales : le signal inconnu produisant la valeur maximale la plus élevée est identifié comme étant le signal de référence.

3. Contributions Clés

Extension théorique : Introduction et formalisation rigoureuse des matrices floues complexes molles et de leurs opérations algébriques.
Nouveau paradigme de modélisation : Application de la phase et de l'amplitude complexes (via les CFS) au traitement du signal, permettant une modélisation plus riche que les méthodes floues réelles classiques.
Algorithmes d'identification : Développement d'algorithmes spécifiques pour le traitement du signal numérique, intégrant le produit croisé et la transformée de Fourier dans un cadre flou complexe.
Validation par l'exemple : Démonstration pratique sur des signaux échantillonnés (cas d'étude avec 4 signaux et cas avec 2 signaux) montrant la capacité du modèle à distinguer le signal correct.

4. Résultats

Les auteurs ont appliqué leurs algorithmes à des exemples numériques simulés :

Dans l'exemple de la section 5, l'algorithme a permis d'identifier le signal $\nu_2$ comme étant le plus proche du signal de référence $R$ en calculant l'ensemble flou optimal.
Dans l'exemple de la section 6 (utilisant la Transformée de Fourier), deux signaux ( $x_1$ et $x_2$ ) ont été comparés à une référence. Le calcul des produits croisés et des maxima a révélé que le signal $x_2$ présentait une valeur optimale supérieure ($0.23$ contre $0.18$ pour $x_1$ ), l'identifiant ainsi comme le signal de référence.
Conclusion comparative : L'étude a mis en évidence que l'approche utilisant la Transformée de Fourier a fourni des valeurs optimales plus élevées et une identification plus fiable du signal de référence $R$ par rapport à la méthode basée uniquement sur le produit matriciel standard.

5. Signification et Impact

Cet article est significatif pour plusieurs raisons :

Gestion de l'incertitude : Il offre un cadre mathématique robuste pour traiter les signaux bruités ou incertains, là où les méthodes déterministes échouent.
Amélioration de la précision : En exploitant la dimension de phase (via les nombres complexes) en plus de l'amplitude, la méthode capture des caractéristiques du signal souvent ignorées par les ensembles flous classiques.
Applicabilité : La méthode est applicable aux systèmes de communication, à la reconnaissance de formes et au diagnostic médical (comme mentionné dans les travaux antérieurs des auteurs), offrant une nouvelle voie pour l'identification de signaux dans des environnements complexes.
Validation de l'approche hybride : La conclusion souligne que la combinaison des matrices floues complexes avec la transformée de Fourier est supérieure pour l'optimisation de la détection de signaux, suggérant que cette approche devrait être privilégiée dans les futurs travaux de recherche en traitement du signal.

En résumé, ce papier propose une avancée théorique et pratique en intégrant la complexité des signaux (phase et amplitude) dans la logique floue, offrant ainsi un outil puissant pour l'identification précise de signaux dans des systèmes numériques.