STaRS-EXT : Extension multi-domaine testable

🌌 STaRS-EXT : Extension multi-domaine testable Auteur : Kevin FradierDate : Janvier 2026Licence : © 2026 Kevin Fradier — CC BY-NC-ND 4.0 1️⃣ Résumé STaRS-EXT est une extension du corpus STaRS, entièrement opérationnelle et multi-modale.Elle permet de tester la robustesse de signaux ou de structures émergentes dans tout type de données : colonnes fossiles, réseaux trophiques, textes, images, séries temporelles, flux quantiques simulés, etc. Cette version est clé en main : code Python, mini-datasets, visualisations automatiques et rapport statistique inclus.Objectif : permettre à chacun de reproduire, explorer et visualiser des motifs émergents dans différents domaines. 2️⃣ Fonctionnalités principales Application de perturbations / bruit contrôlé pour tester la robustesse locale Analyse de corrélations inter-systèmes (STaRS-NET) Calcul d’entropie, Hurst et autres mesures statistiques (ESE-NET) Génération automatique de figures, réseaux et rapports Hash de signature unique pour chaque jeu de données analysé Comparaison avec bruit de référence pour valider l’existence de motifs Mini-datasets inclus pour test immédiat 3️⃣ Installation git clone [Lien GitHub ou Zenodo] cd STaRS-EXT pip install -r requirements.txt 4️⃣ Utilisation de base import numpy as np from stars_ext import simulate_noise, entropy, robustness, analyze # Exemple : données simulées data_example = [np.random.poisson(5, 10) for _ in range(5)] # Analyse complète STaRS-EXT result = analyze(data_example) print(result) 5️⃣ Modules et fonctions 5.1 Perturbation et bruit def simulate_noise(data, loss_rate=0.3): """Applique une perturbation contrôlée à chaque niveau de données.""" noisy = [] for level in data: mask = np.random.rand(len(level)) > loss_rate noisy.append(level * mask) return noisy 5.2 Entropie def entropy(level): """Calcul d’entropie de Shannon d’un niveau.""" p = level / np.sum(level) if np.sum(level)>0 else level p = p[p>0] return -np.sum(p*np.log2(p)) 5.3 Robustesse def robustness(data, n_iter=100): """Évalue la stabilité d’un signal sous perturbations.""" original = np.array([np.sum(l) for l in data]) scores = [] for _ in range(n_iter): perturbed = simulate_noise(data) pert = np.array([np.sum(l) for l in perturbed]) corr = np.corrcoef(original, pert)[0,1] scores.append(corr) return np.nanmean(scores), np.nanstd(scores) 5.4 Analyse complète import hashlib AUTHOR_SIGNATURE = "Kevin Fradier | STaRS-EXT | 2026" def analyze(data): entropies = [entropy(l) for l in data] mean_corr, std_corr = robustness(data) result = { "mean_entropy": float(np.mean(entropies)), "robustness_corr": mean_corr, "robustness_std": std_corr, "signature": AUTHOR_SIGNATURE } h = hashlib.sha256(str(result).encode()).hexdigest() result["hash"] = h return result 6️⃣ Visualisation Figures automatiques : histogrammes, heatmaps, réseaux Possibilité d’intégrer les résultats dans notebooks interactifs Exemple : import matplotlib.pyplot as plt plt.bar(range(len(data_example)), np.sum(data_example, axis=1)) plt.title("Signal total par niveau") plt.show() 7️⃣ Mini-datasets inclus fossiles.csv reseau_test.csv texte_sample.txt serie_temporelle.npy Ces fichiers permettent de tester l’ensemble des fonctionnalités immédiatement. 8️⃣ Résultats publiables Courbes et réseaux générés automatiquement Scores statistiques par module (STaRS local, STaRS-NET, ESE-NET) Hash de signature pour traçabilité 9️⃣ Points clés Multi-domaines : fossiles, réseaux, texte, images, séries temporelles Bottom-up : aucune hypothèse globale imposée Testable et falsifiable : comparaison avec bruit Reproductible et autonome : tout est inclus 10️⃣ Licence © 2026 Kevin Fradier — Creative Commons Attribution – Pas d’Utilisation Commerciale – Pas de Modification 4.0 International (CC BY-NC-ND 4.0) ✅ Avec ce pack, n’importe qui peut tester, reproduire et explorer les motifs émergents sur ses propres données ou les mini-datasets.