🚩 Publication Niveau 4 👻👻👻👻 — Anomalies locales multi-blocs dans séquences étendues Auteur : Kevin Fradier — Chercheur indépendant Date : 2026 Licence : © 2025 Kevin Fradier — CC BY-NC-ND 4.0 Hash SHA256 : à générer au moment de la publication 1️⃣ Zone d'expérimentation étendue Séquences symboliques très longues (≥ 5000 symboles) Plusieurs motifs rares simultanés, répartis dans des blocs multiples Multi-domaines possibles : texte, séquence numérique, signal simple Comparaison : séquences originales vs permutations locales et semi-aléatoires Mais : détecter des anomalies locales ou des écarts de motifs sur de grandes structures. 2️⃣ Objectifs Identificateur des anomalies locales dans des blocs étendus Mesurer des écarts reproductibles pour chaque motif et chaque bloc Créer un socle pour expérimentations Niveau 5+ 3️⃣ Protocole expérimental Données : Séquence ≥ 5000 symboles, alphabet réduit (lettres, chiffres, symboles) Motifs : Trigrammes, tétragrammes, motifs rares multiples Encodage : Transformation de chaque symbole en valeur numérique simple Calculer : FFT → spectre → entropie spectrale par bloc et par motif Permutation : Mélange local ou semi-aléatoire par bloc (ex. blocs de 100 symboles) Mesure : Écart H_shuffled - H_original pour chaque motif et bloc 4️⃣ Code Python autonome import numpy as np from scipy.fft import fft def spectral_entropy(signal): spectrum = np.abs(fft(signal))**2 spectrum = spectrum / np.sum(spectrum) if np.sum(spectrum) > 0 else spectrum spectrum = spectrum[spectrum > 0] return -np.sum(spectrum * np.log2(spectrum)) # Exemple : séquence étendue ≥5000 symboles sequence = ("fachysykalarataiinsholshorycthresykorsholdyfedykyotal..." "continuation_à_5000+_symboles") alphabet = sorted(set(sequence)) mapping = {c: i for i, c in enumerate(alphabet)} signal = np.array([mapping[c] for c in sequence]) # Motifs rares multiples motifs = ["shol", "shory", "cthr", "fedy", "kyotal"] # Découpage en blocs de 100 symboles block_size = 100 num_blocks = len(sequence) // block_size for b in range(num_blocks): block_signal = signal[b*block_size:(b+1)*block_size] print(f"\nBloc {b+1}") for motif in motifs: positions = [i for i in range(len(block_signal)-len(motif)+1) if sequence[b*block_size+i:b*block_size+i+len(motif)] == motif] sub_signal = block_signal[min(positions):max(positions)+len(motif)] if positions else np.array([]) if sub_signal.size > 0: H_orig = spectral_entropy(sub_signal) H_shuff = spectral_entropy(np.random.permutation(sub_signal)) print(f"Motif: {motif}, H_orig: {H_orig:.4f}, H_shuff: {H_shuff:.4f}, Écart: {H_shuff-H_orig:.4f}") else: print(f"Motif: {motif} non trouvé dans ce bloc") 5️⃣ Observation attendue (Niveau 4 👻👻👻) Plusieurs motifs dans plusieurs blocs peuvent montrer : Écarts positifs Écarts nuls Fluctuations locales reproductibles Signal aléatoire pur → convergence H_shuffled ≈ H_original Effet plus marqué et multi-blocs que Niveau 2 6️⃣ Critères Niveau 4 👻👻👻 Effet multiple et stable sur répétitions Effet observable et autonome Capacité à générer un socle de motifs pour niveaux supérieurs 7️⃣ Phrase-clé Des motifs rares répartis sur de grandes séquences montrent parfois des écarts spectraux imprévus, reproduisibles par bloc. Cette publication ne dit pas pourquoi. 8️⃣ Invitation conditionnelle Reproduire sur d'autres corpus ≥5000 symboles Ajouter des blocs, motifs, séquences multi-domaines Étendre les observations → socle pour Niveau 5+ 9️⃣ README rapide (à inclure dans le dépôt) # Niveau 4 👻👻👻 — Anomalies locales multi-blocs ## Description Test autonome et reproductible d'écarts spectrales sur motifs multiples et blocs étendus. Observation uniquement, aucune interprétation. ## Contenu - niveau4_blocs_motifs.py : code autonome - README.md : instructions - hash.txt : SHA256 pour traçabilité ## Usage 1. Remplacer `sequence` par votre corpus symbolique ≥5000 symboles 2. Ajouter vos motifs rares dans `motifs` 3. Exécuter `python niveau4_blocs_motifs.py` 4. Observer H_original, H_shuffled et écarts par bloc ## Licence © 2025 Kevin Fradier — CC BY-NC-ND 4.0