Reconnaissance de notes de musique

Je n’ai toujours pas compris comment on fait pour supprimer l’attaque, ni à quoi correspond l’oscillogramme symétrique que tu montre.

Le signal "symétrique", c’est le signal de départ, qui est passé dans la fenêtre de Hamming et auquel on a enlevé l’attaque, je ne vois pas trop ce que je peux dire de plus dessus…

OK, mais je dois dire que la fenêtre de Hamming, ce n’est pas très clair.
Si je comprends bien la légende, j’imagine qu’il s’agit de conserver les échantillons dont l’amplitude est proche de la moyenne.
Peut être devrais-tu expliquer ces choses dans ton texte.

Ok je vois. Merci pour ces remarques. Je vais peut-être ajouter une image en plus et expliquer un peu plus histoire que ce soit plus clair.

On ne peut pas dire grand chose, mis à part que l’amplitude ne varie pas beaucoup, et est en moyenne décroissante, ce qui est normal vu que l’extrait est un accord tenu

Heu moi je vois franchement une amplitude décroissance et en plus oscillante du coup dire qu’elle

ne varie pas beaucoup

me parait pas hyper correct .

La construction de la transformée de Fourier fait que l’on obtient en réalité le signal concaténé à lui-même en miroir. On ne s’intéresse donc qu’à la première moitié de la transformée (ce que l’on a affiché plus haut), vu que la seconde moitié n’apporte rien de plus.

La formulation n’est pas claire. Seul celui qui connait déjà comprend. Je ne suis pas sur que ce soit une remarque utile.

En python (ou tout autre langage), on va représenter cette transformée de Fourier par un tableau, avec dans chaque case la valeur de la fréquence correspondante. Cependant, l’indice du tableau ne correspond pas à la fréquence (on a pas la case 2 = 2 Hz), donc il est important de savoir la précision spectrale, c’est-à-dire la "distance" en Hertz entre deux cases du tableau. On calcule cette précision simplement par le ratio freˊquence maxtaille du tableautaille du tableaufreˊquence max​. Dans mon cas, c’est approximativement 1.41.4 Hz.

Je ne suis pas trop sur de l’utilité de ce passage qui parle de technique alors que le reste ne parle pas de technique. ( laisse moi deviner, tu t’es cassés les dents pendant X minutes/heures/jours avant de comprendre que c’était pas des hertz ? ça me rappelle ma première FFT )

(eh oui, votre oreille entend en échelle log

Je ne suis pas sur que ça veuille dire quelque chose dans le contexte. La phrase est Française, aucun doute mais le sens … ? Tu veux dire un truc du genre que "l’on perçoit une harmonie entre des sons egalement espacé sur une échelle logarithmique" ?

Pour faire court, la transformée de Fourier permet de

C’est un peu trop parlé et pas assez mélioratif (un peu comme si ça te faisait chier quoi ). Je dit pas que faut détailler mais peut être trouver une formulation un peu moins "expéditive" et plus coulante.

Nope. Je ne sais pas si il existe une manière intuitive d’expliquer les effets des fenetres à partir de leur forme mais voici l’explication formelle :

En faite quand on fait la transformée de fourrier d’un signal physique on ne fait pas "la vrai transformée de fourrier" qui devrait s’étendre de $t \rightarrow -\infty$ à $t \rightarrow +\infty$ mais uniquement la TF sur une fenêtre de temps (ici quelque secondes). En pratique le résultat d’une telle TF est de convoluer la TF de ton signal parfait (de moins l’inf à +l’inf) que l’on appelle couramment le spectre par la TF de la fenêtre.

Par défaut si on ne fait rien on a une fenêtre rectangulaire qui vaut zéro partout sauf sur la zone ou on a échantillonné ou elle vaut 1. Ça donne une convolution par un sinus cardinal (qui la TF de la fonction porte rectangulaire).

En fonction de ce qui intéresse la personne qui fait la TF il peut être malin d’utiliser une autre fenêtre pour changer la fonction de convolution et avoir une meilleurs précision sur le spectre.

Par exemple quelqu’un qui cherche à résoudre des fréquences très proche mais très marqué en amplitude utilisera une fenêtre qui lui permet d’avoir les pics les plus fins possible (pour qu’ils ne se chevauchent pas ce qui rendrait la détection plus délicate). Au contraire quelqu’un qui cherche des signaux d’amplitude très basse, cherchera une fenêtre qui limite l’étalement des pics.

(ça c’est la théorie "de base", pour les analyses plus poussé il y a sans doute des d’outils qui s’ajoutent à cela et qui complexifient la chose)

Merci d’avance pour vos commentaires.

J’ai considéré les quelques remarques et modifié en conséquence. Pour la remarque technique, c’est un héritage du premier jet où je voulais mettre une partie implémentation en même temps, mais finalement ce n’était pas top. Pour la fenêtre, je le mentionne dans le tuto, en disant que c’est utile, mas en mettant des liens pour plus d’informations, ça me paraît plus pertinent. Le principe étant que quand n utilise une fenêtre carrée (pas de fenêtre du tout en fait), on se retrouve avec du bruit dû au fait que la tf d’une fonction porte est en effet un sinus cardinal, enfin bref, je ne trouve pas pertinent de mettre ça dans le tuto.

Merci d’avance pour vos commentaires.

J’ai fait une petite relecture et il ne doit plus y avoir trop de coquilles. S’il n’y a plus de remarques je pense que ça va bientôt partir en validation.