STaRS – Phase 1 : Pack Multimodal Accessible

: 🌌 STaRS – Phase 1 : Pack Multimodal Accessible Auteur : Kevin FradierLicence : © 2026 Kevin Fradier — CC BY‑NC‑ND 4.0 Résumé :STaRS est un outil multi-domaines testable et accessible pour détecter et visualiser des motifs structurels émergents dans n’importe quel type de données : colonnes fossiles, réseaux, texte, séries temporelles, images.Cette version permet à chacun de tester facilement les modules de base, comparer avec un bruit de référence et générer des visualisations claires. 📦 Contenu du pack Modules Python STaRS-LOCAL : analyse et robustesse sur un jeu de données STaRS-NET : corrélations inter-sites / multi-domaines STaRS-VIS : figures et cartes simples Mini-datasets Colonnes simulées, réseaux aléatoires, séries temporelles simples Pipeline complet Exécution en 1 script Scores, visualisations et hash uniques 💻 Code Python (exécutable) import numpy as np import networkx as nx import matplotlib.pyplot as plt import hashlib # --- Signature auteur --- AUTHOR = "Kevin Fradier | STaRS 2026" # --- Fonctions centrales --- def simulate_noise(data, loss_rate=0.3): """Perturbation aléatoire pour créer un bruit témoin""" noisy = [] for level in data: mask = np.random.rand(len(level)) > loss_rate noisy.append(level * mask) return noisy def compute_entropy(level): """Calcul d'entropie de Shannon""" p = level / np.sum(level) if np.sum(level)>0 else level p = p[p>0] return -np.sum(p*np.log2(p)) def robustness_score(data, n_iter=100): """Robustesse du signal par comparaison avec bruit""" original = np.array([np.sum(l) for l in data]) scores = [] for _ in range(n_iter): pert = simulate_noise(data) pert_sum = np.array([np.sum(l) for l in pert]) corr = np.corrcoef(original, pert_sum)[0,1] scores.append(corr) return np.nanmean(scores), np.nanstd(scores) def STaRS_analyze(data): """Pipeline complet : entropie, robustesse, hash""" entropies = [compute_entropy(l) for l in data] mean_corr, std_corr = robustness_score(data) result = { "mean_entropy": float(np.mean(entropies)), "robustness_corr": mean_corr, "robustness_std": std_corr, "author": AUTHOR } # Hash unique h = hashlib.sha256(str(result).encode()).hexdigest() result["hash"] = h return result # --- Mini-dataset testable --- # Colonnes simulées : poisson + 5 niveaux data_example = [np.random.poisson(5, 10) for _ in range(5)] # Analyse complète result = STaRS_analyze(data_example) print("Résultats STaRS :", result) # --- Visualisation simple --- plt.figure(figsize=(6,4)) plt.bar(range(len(data_example)), [np.sum(l) for l in data_example]) plt.title("Somme par niveau – Exemple STaRS") plt.xlabel("Niveau") plt.ylabel("Valeur") plt.show() 🗂 Mini-datasets data_fossil.npy : colonnes fossiles simulées data_network.npy : adjacency matrices aléatoires data_timeseries.npy : séries temporelles simulées Tous les datasets sont générés avec des règles simples et accessibles. 📊 Fonctionnement Charger le dataset (ou créer un jeu simulé) Lancer STaRS_analyze(data) Obtenir : mean_entropy : complexité globale robustness_corr : stabilité vs bruit hash : signature unique de votre exécution Visualiser rapidement le résultat avec le module VIS 🔹 Points clés Universel : applicable à tout type de données numériques Accessible : code simple, visualisations instantanées Testable : comparaison systématique avec bruit aléatoire Reproductible : seeds fixes, résultats cohérents Cette version est Phase 1. D’autres modules STaRS (TOP, DYN, INT, VR, SENSOR) seront publiés progressivement.Chaque module se connecte aux autres pour former un corpus complet, garantissant reproductibilité et cohérence. Licence : © 2026 Kevin Fradier — CC BY‑NC‑ND 4.0