Politecnico di Torino

Monografia di Laurea
Introduzione all’Analisi in
Tempo-Frequenza
Autore:
Alberto Tibaldi
Relatore:
Lorenzo Galleani
27 maggio 2009
2
Indice
1 Necessit`a dell’analisi in tempo-frequenza 9
1.1 Analisi in frequenza di segnali . . . . . . . . . . . . . . . . . . . . . . 9
1.1.1 Necessit`a dell’analisi in frequenza . . . . . . . . . . . . . . . . 11
1.2 Necessit` a dell’analisi in tempo-frequenza . . . . . . . . . . . . . . . . 13
1.3 Esempi analitici di segnali non-stazionari . . . . . . . . . . . . . . . . 17
1.3.1 Segnali modulati in frequenza . . . . . . . . . . . . . . . . . . 18
1.4 Conclusione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Concetti fondamentali dell’analisi in tempo-frequenza 23
2.1 Densit` a e funzioni caratteristiche . . . . . . . . . . . . . . . . . . . . 23
2.1.1 Densit`a monodimensionali . . . . . . . . . . . . . . . . . . . . 24
2.1.2 Funzioni caratteristiche monodimensionali . . . . . . . . . . . 28
2.1.3 Densit`a bidimensionali . . . . . . . . . . . . . . . . . . . . . . 32
2.2 Densit` a tempo-frequenza . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.2.1 Caratteristiche di una distribuzione tempo-frequenza . . . . . 39
2.3 Principio di indeterminazione in tempo-frequenza . . . . . . . . . . . 43
2.3.1 Propriet`a del supporto finito debole e forte . . . . . . . . . . . 45
2.3.2 Osservazioni finali . . . . . . . . . . . . . . . . . . . . . . . . . 46
3 Principali distribuzioni tempo-frequenza 47
3.1 STFT e Spettrogramma . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.1 Propriet`a dello spettrogramma . . . . . . . . . . . . . . . . . . 48
3.1.2 Alcuni esempi teorico/pratici . . . . . . . . . . . . . . . . . . 52
3.2 Distribuzione di Wigner-Ville . . . . . . . . . . . . . . . . . . . . . . 56
3.2.1 Propriet`a della distribuzione di Wigner-Ville . . . . . . . . . . 57
3.2.2 Alcuni esempi teorico/pratici . . . . . . . . . . . . . . . . . . 62
3.3 La Classe di Cohen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.3.1 Propriet`a generali del kernel . . . . . . . . . . . . . . . . . . . 65
3
4 INDICE
3.3.2 Distribuzione di Choi-Williams . . . . . . . . . . . . . . . . . 69
3.3.3 Alcuni esempi teorico/pratici . . . . . . . . . . . . . . . . . . 71
A Introduzione alla rappresentazione di spazi funzionali 75
A.1 Introduzione agli spazi funzionali . . . . . . . . . . . . . . . . . . . . 75
A.1.1 Spazi metrici . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
A.1.2 Spazi normati . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
A.2 Spazi infinito-dimensionali . . . . . . . . . . . . . . . . . . . . . . . . 82
A.2.1 Prodotti scalari . . . . . . . . . . . . . . . . . . . . . . . . . . 82
A.2.2 Ortogonalit` a . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
A.2.3 Basi ortonormali per spazi infinito-dimensionali . . . . . . . . 86
A.2.4 Serie di Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . 90
A.2.5 Osservazioni finali . . . . . . . . . . . . . . . . . . . . . . . . . 91
A.3 Espansione di Gabor . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
A.3.1 Applicazione dell’espansione di Gabor : cross-terms . . . . . . 94
B Trasformata di Fourier 97
B.1 Dalla Serie alla Trasformata di Fourier . . . . . . . . . . . . . . . . . 98
B.2 Alcune Domande e Relative Risposte . . . . . . . . . . . . . . . . . . 102
B.2.1 Quali segnali sono trasformabili? . . . . . . . . . . . . . . . . 103
B.2.2 Qual `e il significato fisico delle frequenze negative? . . . . . . 103
B.2.3 Abbiamo pi` u armoniche nella serie o nella trasformata? . . . . 104
B.3 Introduzione ai segnali generalizzati: la Delta di Dirac . . . . . . . . . 104
B.3.1 Propriet` a della Delta di Dirac . . . . . . . . . . . . . . . . . . 105
B.3.2 Esempio Pratico 1 . . . . . . . . . . . . . . . . . . . . . . . . 108
B.3.3 Esempio Pratico 2 . . . . . . . . . . . . . . . . . . . . . . . . 109
B.3.4 Esempio Pratico 3 . . . . . . . . . . . . . . . . . . . . . . . . 109
B.4 Propriet` a della Trasformata di Fourier . . . . . . . . . . . . . . . . . 109
B.4.1 Propriet` a di Linearit` a . . . . . . . . . . . . . . . . . . . . . . 110
B.4.2 Propriet` a di Parit`a . . . . . . . . . . . . . . . . . . . . . . . . 110
B.4.3 Propriet` a di Anticipo/Ritardo . . . . . . . . . . . . . . . . . . 112
B.4.4 Propriet` a di Modulazione . . . . . . . . . . . . . . . . . . . . 113
B.4.5 Propriet` a dello Scalamento . . . . . . . . . . . . . . . . . . . . 114
B.4.6 Propriet` a della Convoluzione . . . . . . . . . . . . . . . . . . . 115
B.4.7 Propriet` a di derivazione . . . . . . . . . . . . . . . . . . . . . 116
B.4.8 Principio di Indeterminazione della trasformata di Fourier . . 118
B.4.9 Propriet` a del Supporto . . . . . . . . . . . . . . . . . . . . . . 121
INDICE 5
B.4.10 Propriet` a della variabilit`a nel tempo . . . . . . . . . . . . . . 123
B.4.11 Propriet` a di Dualit` a . . . . . . . . . . . . . . . . . . . . . . . 125
C Modulazione di frequenza 129
6 INDICE
Introduzione
La presente monografia rappresenta un approfondimento puramente teorico del cor-
so di Teoria dei Segnali, tenuto dal professor Lorenzo Galleani nell’anno accademico
2007/2008 al Politecnico di Torino, corso di studi in Ingegneria Elettronica. L’obiet-
tivo di questa monografia `e quello di introdurre e solidificare le basi matematiche
necessarie per lo studio di una particolare classe di tecniche di analisi dei segnali:
l’analisi in tempo-frequenza. L’autore ha considerato questa monografia di laurea
come un modo di riprendere ed estendere le basi fornite dal professor Galleani du-
rante un seminario interno al corso precedentemente citato e introducendo un certo
numero di nozioni che dovrebbero bastare per introdurre nuovi tipi di analisi.
Il sistema della “Monografia” e il fatto che a essa sia stato associato un numero
basso di CFU limita i contenuti introducibili in una trattazione di questo genere;
l’autore per questo ha cercato di fornire un numero limitato di nozioni, per quanto
approfondite in maniera (si spera) adeguata.
Si analizzano rapidamente i contenuti e le motivazioni che hanno spinto l’autore
a effettuare scelte di diverso tipo.
• Il primo capitolo include una serie di motivazioni che possono portare alla
necessit` a di un’analisi di questo tipo, ossia in tempo-frequenza, includendo
alcuni esempi teorici;
• Il secondo capitolo introduce una serie di nozioni astratte, evidenziando poi la
loro utilit` a al fine di caratterizzare un segnale sotto il punto di vista dell’analisi
in tempo-frequenza;
• Il terzo capitolo contiene informazioni pi` u dettagliate riguardo alcune impor-
tanti distribuzioni in tempo-frequenza, approfondendo il discorso introdotto
durante il corso.
Al fine di aggiungere alcuni materiali, sono state introdotte tre appendici:
7
8 INDICE
• Una prima appendice in grado di generalizzare la teoria dello sviluppo in serie
di segnali, in grado da un lato di mostrare sotto un punto di vista puramente
teorico la serie di Fourier, dall’altro di introdurre una tecnica particolare di
analisi in tempo-frequenza, integrando le nozioni apprese durante i corsi di
Analisi Matematica e Geometria;
• La seconda appendice analizza e dimostra tutte le propriet` a principali dello
strumento basilare del corso di Teoria dei Segnali, ossia la “trasformata di
Fourier”, propriet`a spesso riprese e utilizzate nel corso della trattazione;
• La terza appendice integra i corsi di telecomunicazioni della laurea triennale,
introducendo brevemente la modulazione di frequenza (FM), utilizzata sia per
esempi teorici (primo capitolo) sia per esempi pratici (terzo capitolo).
Torino, 19/05/2009
Alberto Tibaldi
Capitolo 1
Necessit`a dell’analisi in
tempo-frequenza
1.1 Analisi in frequenza di segnali
In questa prima sezione della trattazione si intende introdurre gli strumenti fon-
damentali che hanno portato alla nascita di una grande branca della matematica:
l’analisi armonica.
Il pi` u importante strumento dell’analisi armonica e di conseguenza dell’analisi in
frequenza di segnali `e la trasformata di Fourier, un operatore matematico definito nel
seguente modo: dato un segnale (ossia una generica grandezza variabile) x variabile
nel tempo t, quindi x(t), si pu` o definire la sua trasformata di Fourier X(ν) come:
X(ν) = T ¦x(t)¦ =

+∞
−∞
x(t)e
−j2πνt
dt
Dualmente alla trasformata di Fourier `e possibile definire l’antitrasformata di
Fourier, ossia il suo operatore inverso; data una funzione X variabile nel dominio di
Fourier ν, si pu` o ricavare la funzione a essa corrispondente, nel dominio del tempo,
come:
x(t) = T
−1
¦X(ν)¦ =

+∞
−∞
X(ν)e
j2πνt
dt
Questa coppia di operatori ha permesso di studiare sotto un punto di vista asso-
lutamente innovativo e, per molti versi, semplificato, generiche grandezze variabili
in un certo dominio (spazio, tempo, o altri).
9
10 CAPITOLO 1. NECESSIT
`
A DELL’ANALISI IN TEMPO-FREQUENZA
L’idea fondamentale `e la seguente: anzich´e considerare l’ampiezza di un segnale
(ipotizzando di trattare esclusivamente grandezze reali nel dominio del tempo
1
) in un
dato istante di tempo, si considera il segnale come scomposto nella somma di segnali
sinusoidali; nel dominio di Fourier modulo e fase di ciascun segnale sinusoidale non
dipendono pi` u dal tempo t: ogni sinusoide o ”armonica” A(ν) ha una forma del
tipo:
A(ν) = e
j2πνt
Come si sa dallo studio dell’Analisi Complessa, j `e l’unit` a immaginaria, π `e una
costante, t e ν sono variabili; il fatto di passare nel dominio di Fourier, tuttavia,
elimina la dipendenza dal tempo delle funzioni (dei segnali) trasformati, renden-
doli unicamente parametrizzabili, variabili rispetto alla frequenza ν; considerando
diversi valori della variabile ν, si considerano semplicemente sinusoidi di frequenza
differente, le cui caratteristiche (modulo e fase) saranno conseguentemente differenti
a seconda del segnale nel dominio del tempo. Come si pu`o immaginare, se un segnale
presenta variazioni ”lente” nel dominio del tempo, ossia se la derivata temporale di
x(t) `e limitata in un’immagine ridotta, nel dominio di Fourier si avranno ampiezze
elevate soprattutto per valori piccoli di ν:
Si pu`o osservare, considerando una generica sinusoide di frequenza ν variabile,
che, riducendo ν si riduce la pendenza massima che la sinusoide pu` o avere: volendo
infatti riprodurre un segnale ”lento” mediante una combinazione lineare di funzioni
armoniche, sicuramente non sar`a possibile utilizzare funzioni con pendenze elevate,
1
Ipotesi pi` u che ragionevole dal momento che `e impossibile misurare contemporaneamente, in
un sistema fisico, modulo e fase di una certa grandezza
1.1. ANALISI IN FREQUENZA DI SEGNALI 11
dal momento che esse aumenterebbero la pendenza della ”riproduzione”, rendendola
poco fedele, lontana dalla rappresentazione nel dominio del tempo; dualmente, un
segnale rapidamente variabile nel tempo (l’immagine della cui derivata `e estrema-
mente pi` u ampia rispetto a quella di un segnale ”lento”) avr`a bisogno di armoniche
a frequenze elevate, in grado di presentare veloci variazioni, quindi pendenze elevate.
Dovrebbe a questo punto essere chiara l’idea fondamentale alla base dell’analisi
armonica, e nella fattispecie dell’analisi in frequenza: mediante mezzi matematici
si trasforma una generica funzione, variabile in un determinato dominio, in una
variabile nel dominio reciproco a quello di partenza; ricordando il fatto che:
ν =
1
t
Alla trasformata di Fourier di una grandezza variabile nel tempo, si pu`o dunque
associare un forte significato fisico: per ciascun valore di frequenza ν si possono
ricavare le caratteristiche (modulo e fase) che un certo segnale ha, osservando dunque
che, in questo dominio, il segnale non sar`a pi` u funzione del tempo, ma funzione
della frequenza delle sinusoidi utilizzate per rappresentarlo, ossia nel ”dominio della
frequenza”.
1.1.1 Necessit`a dell’analisi in frequenza
Una volta introdotta l’idea fondamentale alla base dell’analisi in frequenza, ci si
potrebbe porre alcune domande, collegate tra loro: dove nasce la necessit` a del-
l’uso di un’analisi di questo tipo? Per quale motivo si utilizza questo approccio
trasformazionale? Quali vantaggi comporta?
Le risposte a queste domande sono molteplici, e di molteplice natura: l’analisi
armonica `e, per diversi motivi, fondamentale in diverse branche della matematica,
della fisica e dell’ingegneria; rispondere in modo completo `e assolutamente difficile,
di conseguenza si tenter`a di fornire almeno un’idea della potenza degli strumenti
della disciplina in trattazione.
Una contestualizzazione storica della trasformata di Fourier pu` o essere utile per
comprendere un primo vantaggio che si pu` o ricavare dal suo utilizzo: nella rivoluzio-
ne industriale, tra la fine del 1700 e gli inizi del 1800, si stavano sviluppando studi
formali riguardo la propagazione del calore in mezzi materiali; l’ingegnere francese
Jean Baptiste Joseph Fourier, con la sua opera, la Th´eorie analytique de la chaleur
(Teoria analitica del calore), proponeva una soluzione formale a questo problema: la
propagazione del calore, per quanto anisotropa, presenta caratteristiche di armoni-
cit` a, ossia si pu` o avvicinare in qualche modo a un modello periodico. Fourier riusc`ı,
12 CAPITOLO 1. NECESSIT
`
A DELL’ANALISI IN TEMPO-FREQUENZA
una volta rappresentato questo modello, a semplificarlo, rappresentandolo mediante
una serie (somma di infiniti termini) di armoniche fondamentali: la serie di Fourier.
Tra gli altri contenuti del testo, Fourier propose una coppia di funzioni integrali, di
trasformate integrali, ossia di operatori in grado di trasformare per l’appunto una
funzione, presentandone una equivalente, ma variabile nel dominio reciproco a quello
di partenza.
Fourier, in un contesto particolare, introdusse dunque una teoria assolutamen-
te generalizzabile, e ora infatti utilizzata in campi scientifici anche molto scorrelati
dalla termodinamica; si propongono alcuni esempi, di diverso genere, in grado di ri-
spondere ai quesiti precedentemente proposti, presentando alcune applicazioni della
disciplina finora introdotta:
• Ciascun oggetto nell’universo si pu` o analizzare spettralmente, ossia si pu` o ca-
ratterizzare, a partire da informazioni contenute nelle caratteristiche intrinse-
che della materia, mediante uno spettro, un insieme di frequenze che identifica-
no univocamente l’oggetto stesso. Mediante l’analisi armonica `e stato dunque
possibile caratterizzare, descrivere e studiare enti terrestri (ad esempio geolo-
giche come le rocce, o anatomiche come il sangue o le ossa), o extra-terrestri
(mediante un’analisi spettrale delle onde elettromagnetiche captate da appo-
siti telescopi, `e possibile identificare e descrivere le caratteristiche di comete
piuttosto che di stelle piuttosto che di buchi neri, o altre entit`a astronomiche);
• Molto spesso, studiando fenomeni di propagazione di onde (ad esempio elettro-
magnetiche), fondamentale `e lo studio in frequenza del segnale da propagare,
poich´e la stessa possibilit` a di propagarsi del segnale dipende dalla sua fre-
quenza: un dielettrico ad esempio pu` o o meno consentire la propagazione di
un segnale, a seconda della sua frequenza, oppure pu` o ”filtrarlo” permettendo
il passaggio di un solo sottoinsieme delle frequenze appartenenti al suo spettro,
attenuando le altre. L’analisi in frequenza `e dunque un mezzo fondamenta-
le per la previsione del comportamento di determinati sistemi rispetto a un
fenomeno di eccitazione, di conseguenza pu` o essere utilizzata, ad esempio da
un ingegnere, al fine di realizzare strutture guidanti piuttosto che sistemi di
filtraggio di segnali.
• Un motivo per cui l’analisi in frequenza pu` o essere utile, `e nascosto nella de-
finizione del suo strumento fondamentale: la trasformata di Fourier. Essendo
essa un operatore lineare, una funzione complessa viene sostanzialmente tra-
sformata in una combinazione lineare di funzioni ”semplici” da studiare, ossia
1.2. NECESSIT
`
A DELL’ANALISI IN TEMPO-FREQUENZA 13
sinusoidi, esponenziali complessi. Un segnale molto complicato nel dominio del
tempo, potrebbe avere una rappresentazione semplificata nel dominio della fre-
quenza, dunque si potrebbero effettuare manipolazioni analitiche con maggior
semplicit` a.
• Tra le varie propriet` a della trasformata di Fourier, ne esiste una molto interes-
sante sotto il punto di vista matematico: considerando nel dominio del tempo
un’equazione differenziale, essa viene trasformata, nel dominio della frequen-
za, in un’equazione algebrica, molto pi` u semplice da trattare; ci` o risulta essere
estremamente utile quando si devono affrontare modelli differenziali di fenome-
ni fisici, o comunque ogni volta che si devono risolvere equazioni differenziali
ordinarie.
1.2 Necessit`a dell’analisi in tempo-frequenza
Nelle sezioni precedenti `e stato sostanzialmente introdotto l’operatore ”trasformata
di Fourier”, inteso come anello di congiunzione tra due mondi: il dominio del tempo
2
t e il dominio della frequenza ν. La frase appena scritta potrebbe gi` a permettere al
lettore di comprendere i limiti delle analisi nel dominio del tempo e in quello della
frequenza: di fatto si considera lo stesso segnale in due mondi differenti, separati,
tra loro indipendenti (a meno della relazione di reciprocit`a tra le variabili ν e t).
Quali sono i limiti dell’analisi in frequenza? Qual `e la necessit` a di introdurre
la cosiddetta analisi in tempo-frequenza? Per rispondere, si pu`o rivedere ci`o che
`e stato finora detto, nel capitolo introduttivo: dato un segnale variabile nel solo
dominio del tempo t, applicandovi l’operatore trasformata di Fourier, si ottiene un
segnale equivalente al precedente, ”variabile” nel solo dominio della frequenza, ossia
che si studiano a partire da una data frequenza, anzich´e a partire da un dato istante
temporale.
Tempo e frequenza, nei metodi di analisi finora introdotti, sono estremamente di-
saccoppiati: un’analisi nel tempo ed una in frequenza, in molti casi, non permettono
di comprendere e descrivere in modo esaustivo la natura del segnale in studio.
Il grosso difetto dell’analisi in frequenza `e il fatto che, se da un lato essa fornisce
informazione esaustive riguardo quante e quali frequenze esistono in un segnale,
2
Si considerano dunque in via definitiva il dominio del tempo come punto di partenza e il
dominio della frequenza come punto di arrivo nella trattazione, ignorando di qui in avanti altri
significati della trasformata di Fourier, per quanto essi siano comunque esistenti.
14 CAPITOLO 1. NECESSIT
`
A DELL’ANALISI IN TEMPO-FREQUENZA
dall’altro non permette di capire quando, ossia in quali istanti temporali, queste
frequenze sono esistite.
Si sta parlando di disaccoppiamento di due grandezze, ossia del fatto che non
esista una precisa relazione tra due grandezze. Cosa significa in pratica, questo
fatto?
Proviamo a rispondere alla domanda, con un esempio molto semplice, ma co-
munque efficace: si supponga di avere a disposizione due funzioni di densit` a, rap-
presentanti l’altezza e il peso di una specie di animali. Le funzioni di densit`a conten-
gono informazioni assolutamente esaustive per quanto riguarda ciascuna delle due
grandezze: ciascuna funzione mostra, in sostanza, quale sia l’andamento delle carat-
teristiche della specie; in altre parole, a seconda di un certo dato di ingresso (altezza
o peso), si pu` o sapere quanti degli animali della specie avranno tendenzialmente una
caratteristica di questo tipo
Si supponga tuttavia di avere, come dato di ingresso di ricerca, un determinato
peso; `e possibile, a partire dalle funzioni di densit`a a disposizione, determinare
l’andamento dell’altezza collegata al peso? La risposta `e no: a seconda della specie,
`e possibile ad esempio che gli esemplari pi` u pesanti siano quelli pi` u bassi, quelli pi` u
alti, o che semplicemente non vi sia alcuna relazione; dal momento che si hanno
funzioni di densit` a rappresentative, ma solo riguardo le grandezze singole, non `e
possibile, a partire da una funzione di densit`a, ricavare informazioni sull’altra.
Un discorso del tutto analogo `e applicabile parlando di densit` a spettrale ener-
getica nel dominio del tempo ed in quello della frequenza: lo spettro di un segnale,
nel senso finora analizzato, fornisce informazioni riguardanti il contenuto spettrale
dell’intero segnale; non `e possibile, a partire dall’analisi della trasformata di Fourier
di un segnale variabile nel tempo, capire quando le frequenze sono esistite, poich´e,
come nel caso delle funzioni di densit` a delle caratteristiche della specie animale, non
esiste una corrispondenza biunivoca tra istanti temporali e armoniche, allo stato
attuale delle nozioni proposte nella trattazione.
Come si sa dalla Teoria dei Segnali, infatti, `e valido il teorema di Parseval: dato
un segnale variabile nel tempo, x(t), e la sua trasformata di Fourier, X(ν), `e valida
la seguente eguaglianza:

+∞
−∞
[x(t)[
2
dt =

+∞
−∞
[X(ν)[
2

Questo importantissimo teorema fornisce da un lato un’interessante osservazione,
ma pu`o proporre al contempo un quesito: da un lato, esso fornisce un forte legame
tra tempo e frequenza, affermando il fatto che l’energia di un segnale studiato nel
1.2. NECESSIT
`
A DELL’ANALISI IN TEMPO-FREQUENZA 15
dominio del tempo `e uguale all’energia dello stesso segnale, studiato nel dominio della
frequenza (come `e ovvio che sia!); ci` o che non dice questo teorema, la domanda che
pu` o aprire, `e: come varia il contenuto energetico spettrale, al variare del tempo?
´
E ossia possibile legare in modo non solo globale, ma locale, le densit` a energetiche
temporale e spettrale? La risposta `e no: le due funzioni di densit` a di energia, a
meno del teorema di Parseval, sono assolutamente scorrelate tra loro: non esistono
relazioni locali in grado di legare i valori dell’energia di singoli istanti temporali a
valori di energia per singole frequenze.
Si pu` o finalmente comprendere quale sia il grosso limite dell’analisi in frequenza:
a partire dalla sola conoscenza delle informazioni delle armoniche presenti in un
dato segnale, non `e possibile comprendere come lo spettro, ossia l’insieme di queste
armoniche, vari al variare del tempo: non `e possibile studiare le caratteristiche (di
ampiezza o energetiche) simultaneamente al variare del tempo e della frequenza.
La necessit` a di un’analisi in grado di rappresentare, per l’appunto simultanea-
mente l’andamento di una funzione nel tempo e nella frequenza, `e molto pi` u im-
portante di quel che si pu`o pensare dalla descrizione appena introdotta: nella vita
di tutti i giorni si possono osservare moltissimi fenomeni, pi` u o meno complessi,
che potrebbero richiedere la necessit` a, al fine di essere modellizzati in maniera cor-
retta, di un’analisi di questo tipo; si osservano alcuni esempi banali di fenomeni
o entit` a che non si possono modellizzare in modo soddisfacente, senza l’analisi in
tempo-frequenza:
• Un primo esempio assolutamente ordinario pu`o essere la voce umana: essa `e,
probabilmente, il pi` u noto segnale non-stazionario, ossia a spettro variabile.
Comunemente, quello che `e di fatto lo spettro del segnale emesso dalle corde
vocali di un qualsiasi essere umano, viene comunemente denominato “timbro”:
a seconda del numero e delle caratteristiche delle armoniche prodotte dalle
corde vocali, si distingue il timbro della voce delle persone, ossia l’insieme
delle caratteristiche che rende riconoscibile la voce.
• Rimanendo nel mondo dell’acustica, un secondo esempio nel quale oltretutto si
introduce implicitamente un’analisi in tempo-frequenza, `e la musica: al variare
del tempo, differenti strumenti, dal differente timbro
3
, producono differenti
suoni, ossia diversi insiemi di armoniche, riconosciuti dall’orecchio umano come
“musica”.
3
Il significato di timbro `e analogo a quello precedentemente introdotto: il timbro `e fortemente
collegato allo spettro, ossia all’insieme delle armoniche emissibili dallo strumento musicale.
16 CAPITOLO 1. NECESSIT
`
A DELL’ANALISI IN TEMPO-FREQUENZA
Si `e accennato a un primo esempio “implicito” di analisi in tempo-frequenza:
dal momento che la musica, al fine di risultare gradevole all’orecchio umano,
deve essere prodotta rispettando un certo insieme di regole di diversa natura;
a Pitagora si attribuisce l’invenzione della prima scala, ricavata mediante cri-
teri matematici (Temperamento pitagorico), scala poi ri-elaborata nei secoli a
venire fino a raggiungere il livello attualmente raggiunto (noto come Tempe-
ramento equabile). Dal nono secolo dopo Cristo si inizi`o a rappresentare le
note, ricavate a partire dalle scale studiate dai vari musicologi, su di un “rigo
musicale”, meglio conosciuto come “pentagramma”.
Il pentagramma `e un primo esempio di piano tempo-frequenza: in “verticale”
si ha uno sviluppo puramente armonico della musica, in “orizzontale” uno
sviluppo puramente temporale della medesima; considerando il pentagramma
come un piano discretizzato con un numero finito di valori verticali, si pu`o
dire che esso, per ciascun possibile punto, presenti al contempo le armoniche
contenute nella musica e gli istanti di tempo in cui sono esistite. A partire
dal pentagramma, dunque, si riesce non solo a comprendere quante e quali
frequenze sono esistite nella musica (considerando la sola proiezione sull’asse
verticale delle note presenti nella musica), ma anche quando esse sono esistite,
considerando contemporaneamente ascisse e ordinate del piano.
• Un fenomeno che pu`o essere ben modellizzato mediante un’analisi in tempo-
frequenza `e l’effetto Doppler: data una sorgente stazionaria monocromatica
di campo acustico (nozione estensibile, introducendo nozioni di relativit`a spe-
ciale, a sorgenti di campo elettromagnetico) a frequenza ν
0
in moto a velocit` a
costante v
s
ed un osservatore in movimento rispetto a essa con velocit` a v
o
,
percepir` a il campo con una frequenza ν = ν
0
, pari a:
ν = ν
0

v + v
m
−v
o
v + v
m
+ v
s

Dove v `e la velocit` a dell’onda che si propaga in un dato mezzo, v
m
la velocit`a
del mezzo.
In questo caso `e evidente che si abbia a che fare con uno spettro variabile
nel tempo: a seconda del moto dell’osservatore, lo spettro dell’onda ricevuta
da esso sar`a differente; una semplice analisi nel dominio del tempo o della
frequenza non sarebbe esaustiva: a seconda dell’istante temporale, lo spettro
del segnale ricevuto varia, dunque per poter avere informazioni pi` u dettagliate
`e necessario introdurre un’analisi in tempo frequenza.
1.3. ESEMPI ANALITICI DI SEGNALI NON-STAZIONARI 17
• Un fenomeno questa volta puramente visivo che risulta essere ben analizzabile
in tempo-frequenza, `e il tramonto del sole: i colori che caratterizzano il tra-
monto derivano dalla diffusione della luce attraverso le molecole dell’aria. A
seconda delle zone di aria in cui avverranno i fenomeni di diffusione, verranno
prodotte componenti luminose dalle differenti lunghezze d’onda λ. poich´e i
colori del tramonto variano in maniera sensibile con il tempo, un’analisi in
tempo-frequenza, basata sulla frequenza della radiazione luminosa percepita,
pu` o fornire informazioni precise riguardo l’evoluzione dei colori del tramonto al
variare del tempo; `e infatti noto dall’Ottica che lunghezza d’onda e frequenza
dell’onda sono legate dalla seguente relazione:
λ =
c
ν

ε
r
Dove c `e la velocit` a di un’onda elettromagnetica che si propaga nel vuoto, ν
la relativa frequenza associata alla lunghezza d’onda, ε
r
la costante dielettrica
relativa al mezzo di propagazione dell’onda.
Studiando mediante l’analisi tempo-frequenza questo tipo di fenomenologia `e
possibile comprendere le motivazioni legate ai colori del tramonto; a seconda
del colore della radiazione luminosa come appena detto si possono infatti com-
prendere informazioni sul mezzo nel quale si diffonde: se ad esempio in una
zona sono appena avvenute eruzioni vulcaniche, i gas vengono trattenuti nel-
la troposfera, variandone la composizione e di conseguenza le caratteristiche,
modificando la diffusione della luce in essa.
1.3 Esempi analitici di segnali non-stazionari
Sono stati finora presentati esempi estremamente qualitativi, in grado di permettere
di comprendere la necessit` a di un’analisi in tempo-frequenza ma in modo per ora
solo intuitivo.
Si sceglie a questo punto, una volta fissati i concetti fondamentali mediante gli
esempi precedenti, di introdurre altri esempi altrettanto fondamentali di applicazio-
ni pratiche dell’analisi tempo-frequenza, usando un formalismo matematico atto a
comprendere quali fenomeni non siano assolutamente modellizzabili con le analisi
pi` u classiche.
18 CAPITOLO 1. NECESSIT
`
A DELL’ANALISI IN TEMPO-FREQUENZA
1.3.1 Segnali modulati in frequenza
Tipici esempi atti a far comprendere, in maniera pi` u formale rispetto a come fino-
ra si `e proceduto, dove potrebbe essere utile usare un’analisi di segnali in tempo-
frequenza, si possono costruire a partire da una tecnica di modulazione analogica
molto utilizzata in ambito di telecomunicazioni: la modulazione di frequenza (FM).
Si anticipa il fatto che verranno presentati, in queste sotto-sezioni, risultati “fina-
li”, raggiungibili mediante un certo insieme di calcoli che non vengono riportati
per sintesi
4
; per quanto dunque vi sia un maggior formalismo matematico rispetto
ai precedenti esempi, si eviter` a di presentare passaggi poco esplicativi, preferendo
descrizioni qualitative.
Chirp
Un esempio classico di segnali modulati in frequenza `e costituito dai chirp. Da
studiosi dell’analisi in tempo-frequenza, si potrebbe essere interessati allo studio
di particolari variazioni del contenuto spettrale del segnale al variare del tempo.
Quando si affrontano studi complicati, tendenzialmente si parte sempre da esempi
“semplici”, i quali solitamente sono basati sull’uso di una particolare classe di fun-
zioni: le funzioni lineari. Si sta parlando di variazioni dello spettro al variare del
tempo, dunque ci si potrebbe chiedere: esistono segnali nei quali la variazione di
frequenza `e lineare col tempo?
Dal momento che si intende presentare segnali semplici, consideriamo come ipo-
tesi di partenza il fatto che si trattino segnali monocromatici per ogni istante di
tempo, ossia il fatto che, per ciascun istante di tempo, lo spettro del segnale sia
costituito da una sola frequenza, da una sola armonica; i parametri di questa armo-
nica chiaramente non saranno stazionari, tuttavia facilmente identificabili
5
(al fine
di avere esempi “semplici” ma efficaci).
Si propone un segnale di questo tipo:
x(t) = e

t
2
2
+jω
0
t
= e
jϑ(t)
A partire da questo segnale, `e possibile calcolare la derivata della fase nel tempo
(velocit` a di fase), come:
4
Vedi Appendice C
5
L’ipotesi `e ragionevole: avendo a che fare, parlando di analisi in frequenza, con trasformate
integrali, si ha a disposizione la propriet`a di linearit`a, dunque l’estensione al caso di segnali non-
monocromatici si pu`o affrontare, per ogni istante di tempo, con una semplice sovrapposizione degli
effetti studiati per ciascuna componente armonica del segnale non-monocromatico.
1.3. ESEMPI ANALITICI DI SEGNALI NON-STAZIONARI 19
dϑ(t)
dt
= αt + ω
0
Cosa significa ci` o? Si immagini di avere una pulsazione iniziale del segnale,
per t = 0, pari a ω
0
; per t > 0, la pulsazione aumenta proporzionalmente (a meno
dell’offset iniziale, ω
0
), linearmente al tempo che scorre: `e infatti noto che la derivata
temporale della fase di un’armonica `e pari alla sua frequenza (o pulsazione, a seconda
delle notazioni utilizzate); in questo caso, la frequenza non `e costante, poich´e, per
ogni istante di tempo, essa varia: il segnale, come annunciato in precedenza, `e, per
ogni istante di tempo, monocromatico, poich´e `e costituito da una singola armonica,
la cui pulsazione tuttavia varia con il variare del tempo.
In questo caso `e risultato semplice determinare la relazione, come semplice sa-
rebbe lo studio della frequenza del segnale per un qualsiasi istante di tempo poich´e
l’esempio `e fatto ad hoc; questo esempio non pu` o tuttavia far a meno di confermare
tutto ci` o che `e stato detto in precedenza: l’analisi in frequenza non dispone dei
mezzi sufficienti per l’analisi, istante per istante, di un segnale: sarebbe sicuramente
possibile, mediante trasformata di Fourier, analizzare in frequenza questo tipo di
segnale (a patto di limitare i tempi a un certo istante t = T), ma non sarebbe possi-
bile determinare, a partire da un’analisi di questo tipo, il valore della frequenza del
segnale per un determinato istante τ.
Si presenta a questo punto un altro esempio “classico”, ma pi` u complicato di
quello appena introdotto, al fine di introdurre complicazioni pi` u serie per l’analisi in
tempo-frequenza, ossia per la determinazione istantanea dello spettro del segnale.
Segnale modulato sinusoidalmente
Come fatto per quanto concerne il chirp, appena analizzato, si introduce senza
particolari passaggi propedeutici un nuovo tipo di segnale: un segnale “modulato
sinusoidalmente”
6
, s(t). Si considerano quindi due rappresentazioni del suddetto
segnale: una nel dominio del tempo, t, ed una nel dominio della pulsazione, ω:
s(t) =

α
π
1
4
e
−α
t
2
2
+jβ
t
2
2
+jmsin(ω
m
t)+jω
0
t
Questo segnale rappresenta un’unione di diverse possibili fonti di variazione:
smorzamenti, chirp lineari, modulanti sinusoidali; come si pu` o infatti osservare, vi
`e un termine di smorzamento esponenziale per fattore α; si pu`o ritrovare inoltre
la stessa espressione precedentemente introdotta, ovvero la variazione, con t
2
, a
6
Non si analizza, nella trattazione, il significato del nome, per discuterlo solo nell’Appendice C
20 CAPITOLO 1. NECESSIT
`
A DELL’ANALISI IN TEMPO-FREQUENZA
partire da una certa frequenza di partenza ω
0
; oltre a tutto ci` o, si introduce un
termine modulante, mediante una variazione sinusoidale del tempo, la frequenza del
segnale; la rappresentazione in serie di Fourier del segnale appena presentato `e la
seguente:
S(ω) =

π
a
1
4
+∞
¸
n=−∞
J
n
(β)e

(ω−nω
n
−ω
0
)
2

Si presenta questo esempio per presentare quello che potrebbe essere un caso pi` u
“tipico” da studiare: nell’esempio numerico precedente era possibile determinare,
con estrema semplicit` a, il contenuto spettrale del segnale a ogni istante di tempo;
questo esempio contiene elementi del precedente esempio, e ulteriori elementi, che
vengono meglio formalizzati nell’Appendice C; ci` o che si pu` o immediatamente no-
tare, ad ogni modo, `e il fatto che sia nel dominio del tempo sia nel dominio della
frequenza effettuare uno studio tempo-frequenza `e assolutamente impossibile: le due
funzioni contengono elementi completamente scorrelati tra loro, e non correlabili in
alcun modo, con gli strumenti matematici finora introdotti.
1.4 Conclusione
Nel mondo di tutti i giorni si trovano numerosissimi fenomeni non stazionari, mo-
dellizzabili di conseguenza con segnali dalle caratteristiche variabili nel tempo. Esi-
stono diverse cause che possono comportare variazioni del contenuto spettrale di un
segnale: il fatto che i sistemi artificiali o naturali degradino e varino le proprie carat-
teristiche, “invecchino”; il fatto di desiderare al contrario spettri variabili, come nel
caso della musica, dove si intende produrre particolari suoni, mediante combinazioni
di diverse frequenze al variare del tempo.
Si noti un ulteriore fatto: entrambi gli esempi analitici presentati, hanno un
grosso vantaggio: sono analitici. Il primo esempio rappresenta probabilmente il pi` u
semplice esempio effettuabile di segnale a frequenza variabile nel tempo, mentre
il secondo ne rappresenta una complicazione, pur restando relativamente sempli-
ce; i segnali reali, ossia quelli sui quali si deve effettivamente utilizzare un’analisi,
non si possono conoscere con esattezza, ma solo numericamente, ossia in seguito
a un’operazione di acquisizione che ha tradotto grandezze fisicamente esistenti in
numeri elaborabili da un calcolatore. Volendo lavorare su segnali di questo tipo, i
mezzi analitici finora introdotti, le osservazioni effettuabili a partire dagli operatori
matematici utilizzati, sono assolutamente inutili.
1.4. CONCLUSIONE 21
Volendo studiare in maniera completa e formale dei segnali, l’introduzione di
tecniche versatili per effettuare analisi in tempo-frequenza `e assolutamente fonda-
mentale: solo mediante uno studio simultaneo di tempo e frequenza `e possibile
comprendere quali frequenze esistano in determinati istanti e quindi avere una co-
noscenza completa del segnale sia sotto il punto di vista armonico sia sotto quello
temporale.
22 CAPITOLO 1. NECESSIT
`
A DELL’ANALISI IN TEMPO-FREQUENZA
Capitolo 2
Concetti fondamentali dell’analisi
in tempo-frequenza
In questo capitolo si introdurranno i prerequisiti necessari per la comprensione del-
l’analisi in tempo-frequenza, in modo da solidificare le basi per il capitolo successivo,
dove si introdurranno le principali tecniche di analisi in tempo-frequenza. Verranno
dunque ripresi ed estesi alcuni concetti noti dallo studio della Teoria dei Segnali, in
modo da adattarli alla teoria che si sta studiando.
2.1 Densit`a e funzioni caratteristiche
Un tipo di funzioni, di grandezze, di quantit`a che si utilizzeranno molto spesso in
ambito di analisi in tempo-frequenza sono le densit` a. Ogni qual volta si considera
il modulo quadro di un segnale, o della sua trasformata di Fourier, si considera ad
esempio una densit` a di energia, ossia una funzione che, a un certo istante di tempo
(nel caso del segnale nel tempo) o per una certa armonica (nel caso della trasformata
di Fourier) quantifica l’energia prodotta.
In senso fisico, si potrebbe cercare di capire cosa sia una densit` a a partire dai
seguenti esempi: una funzione in grado di esprimere, dato un volume, una funzione
di densit`a volumetrica di carica `e una funzione che quantifica la carica presente su
ciascun punto del volume; allo stesso modo, un altro esempio pu`o essere di tipo mec-
canico: una funzione di densit` a volumetrica di massa `e una funzione che quantifica
la massa di un singolo punto dell’oggetto. In altre parole, per densit` a si intende una
funzione che, dato in ingresso un certo valore, fornisce in uscita un altro valore, con
un determinato significato: elettrico, meccanico, energetico. Discorso simile si pu`o
23
24CAPITOLO2. CONCETTI FONDAMENTALI DELL’ANALISI INTEMPO-FREQUENZA
fare in ambito probabilistico: una densit` a di probabilit` a `e una funzione che, dato in
ingresso un certo evento, fornisce in uscita la probabilit` a che l’evento avvenga.
Si considerer` a in modo astratto il concetto di densit` a, in modo da poterlo
sfruttare al fine di introdurre i concetti a noi necessari per la trattazione.
2.1.1 Densit`a monodimensionali
Per funzioni di densit`a monodimensionali si intende, citando [1], “la quantit` a di
qualcosa per unit`a di qualcos’altro”. Data una generica grandezza x al variare
della quale si vuole misurare un’altra grandezza, si ha una densit` a P in grado di
quantificare quest’ultima: P(x). Si pu` o dunque dire che P(x) sia una funzione
di densit` a monodimensionale al variare della quantit`a x. Dato un intervallo di
variazione di x, ∆x, `e possibile quantificare l’ammontare A
∆x
della grandezza di cui
si ha la densit` a, nel seguente modo:
A
∆x
= P(x) ∆x
Volendo calcolare in totale quanta della grandezza di cui P fornisce informa-
zioni locali `e presente, `e sufficiente effettuare l’operazione di integrazione sull’in-
tera retta reale: trattandosi di densit`a unidimensionali, il dominio sar`a infatti
monodimensionale:
A
tot
=

+∞
−∞
P(x)dx
Spesso le densit` a sono grandezze normalizzate, in modo che esse forniscano esclu-
sivamente il valore rapportato a 1 (o percentuale, volendo) del totale. Spesso,
dunque:

+∞
−∞
P(x)dx = 1
In questo modo, introdotta una x nella funzione di densit` a, essa restituisce la
quantit` a di grandezza A
x
rapportata a 1.
Le tre caratteristiche da attribuire a una funzione di densit` a monodimensionali
sono le seguenti:
• Integrale sulla retta reale unitario: in questo modo si normalizza a 1 il valore
dell’ammonto totale della funzione di densit` a (come appena visto);
2.1. DENSIT
`
A E FUNZIONI CARATTERISTICHE 25
• Positivit` a: una funzione di densit` a rappresenta la presenza di una determinata
quantit` a di una grandezza in un certo contesto; questa quantit` a pu` o essere
positiva o nulla, dunque una funzione di densit` a che restituisca, data una x in
ingresso, un valore negativo, non avrebbe significato fisico;
• A valori singoli: le funzioni di densit` a devono essere funzioni, ossia per ogni
x in ingresso devono avere un solo valore in uscita possibile; il fatto che a
una x siano associati pi` u valori renderebbe insensata la densit` a, poich´e non si
avrebbero pi` u informazioni ben definite riguardo le grandezze da quantificare.
Si introducono, a questo punto, alcune notazioni e concetti a partire dai quali si
studiano le funzioni di densit`a appena introdotte.
Distribuzioni
Spesso capita di scambiare i termini “densit` a” e “distribuzioni”, dal momento che
intuitivamente P(x) indica come una certa grandezza sia distribuita al variare della
variabile x. In realt`a, la parola distribuzione `e associabile a un significato ben
preciso: la distribuzione di una funzione di densit` a per un certo valore x
0
`e la
somma di tutti i contributi dei singoli valori della funzione di densit` a fino a x
0
:
D(x
0
) =

x
−∞
P(x)dx

x=x
0
Questa funzione, in ambito probabilistico, viene anche soprannominata “funzione
di distribuzione cumulativa”, dal momento che accumula tutti i valori della funzione
di densit`a da quando inizia a esistere −∞ al valore x
0
.
Si noti che, invertendo la formula:
P(x) =
dF(x)
dx
Questo, naturalmente quando F(x) `e una funzione derivabile.
Momenti di una funzione di densit`a
Le funzioni di densit`a spesso possono essere estremamente complicate da studia-
re: esse di fatto racchiudono informazioni, che tuttavia, “a occhio”, possono essere
alquanto complicate da studiare. Ci` o che `e stato pensato, `e “sacrificare” parte
delle informazioni contenute nelle funzioni di densit`a, per ottenere indicatori del-
le caratteristiche delle suddette in grado di renderle pi` u semplici da caratterizzare.
26CAPITOLO2. CONCETTI FONDAMENTALI DELL’ANALISI INTEMPO-FREQUENZA
L’approccio utilizzato si basa sul ricavare, per ciascuna funzione di densit`a, dei “mo-
menti”, ossia degli indicatori in grado di evidenziare in maniera abbastanza signifi-
cativa alcuni aspetti della funzione di densit` a. Questo `e uno stratagemma utilizzato
in moltissime branche: in ambito probabilistico, anzich´e studiare l’intera variabile
aleatoria si studia una caratterizzazione mediante media o varianza, in meccanica
anzich´e studiare il moto del corpo rigido lo si caratterizza mediante baricentro e mo-
mento di inerzia, in elettrostatica si studia anzich´e la una densit` a spaziale di cariche
un’equivalente puntiforme.
A seconda del modello che si intende utilizzare, si pu` o dunque attribuire un
significato fisico/matematico a ciascuno dei momenti; maggiore `e il numero di mo-
menti considerati, maggiore sar`a la quantit` a di informazioni, di indicatori ottenuti
a partire dalle funzioni di densit`a.
La generica espressione a partire dalla quale si calcola il momento n-esimo di
una funzione di densit` a P(x) `e:
'x
n
` =

+∞
−∞
x
n
P(x)dx
Si propongono a questo punto interpretazioni generiche dei primi due momenti,
quelli pi` u comunemente utilizzati nei vari tipi di analisi.
Media
Il momento primo di una funzione di densit`a `e anche noto come “media”, poich´e
indica, a partire da tutti i valori acquisibili dalla funzione di densit`a, un valore che,
con una certa validit`a, pu` o rappresentarli tutti. Ci` o che l’operazione di mediazione
fa, dunque, `e quella di sostituire un insieme di valori con un singolo valore, in modo
da ottenere un indicatore pi` u o meno ragionevole della concentrazione della densit`a.
La media di una funzione di densit` a si calcola come:
'x` =

+∞
−∞
xP(x)dx
Si noti un fatto, tuttavia: questo tipo di mediazione `e basato sulla mediazione
“classica”, a partire dalla variabile x; ci` o che `e possibile fare, tuttavia, `e considerare
una variante di questo fatto, mediando su di una generica funzione f(x):
'f(x)` =

+∞
−∞
f(x)P(x)dx
2.1. DENSIT
`
A E FUNZIONI CARATTERISTICHE 27
La mediazione “classica” attribuisce a ciascun punto della funzione di densit` a lo
stesso peso, in modo dunque da non aumentare l’importanza di certi punti a scapito
di altri; se `e necessario tener conto di un certo insieme di campioni a scapito di altri,
tuttavia, una soluzione come quella appena proposta pu` o essere intelligente.
Si noti che la media `e un operatore lineare: si pu` o dimostrare banalmente,
sfruttando la linearit`a dell’operatore integrale, il fatto che:
'cf(x) + dg(x)` = 'cf(x)` +'dg(x)` = c'f(x)` + d'g(x)`
Varianza
Un altro momento frequentemente utilizzato `e la cosiddetta “varianza”: con la media
si `e ottenuto un valore fittizio in grado di rappresentare l’intera funzione di densit` a;
ci` o che ci si pu` o chiedere, a questo punto, `e: la media rappresenta “bene” la funzione
di densit`a, o no? In altre parole, si pu` o dire che il punto che media i valori assunti
dalla funzione di densit`a sia quello dal momento che quasi tutti i punti “importanti”,
ad ampiezza elevata della funzione di densit` a si trovino in un intorno della media,
o dal momento che vi `e una grossa dispersione?
La varianza `e in grado di quantificare la dispersione, rispetto al valore medio, dei
punti della funzione di densit`a: se la varianza sar`a elevata, si avr`a una media poco
rappresentativa della funzione, dal momento che la dispersione risulta essere molto
elevata; una varianza bassa `e invece indicatore di una buona rappresentazione della
media.
La varianza, come si pu`o intuire dalla generica forma dei momenti, si pu`o
calcolare come:
σ
2
x
=

+∞
−∞
(x −'x`)
2
P(x)dx = 'x
2
` −'x`
2
Ci` o `e naturalmente estensibile al caso in cui si voglia pesare con una funzione,
anzich´e con pesi uniformi, analogamente alle medie:
σ
2
f(x)
=

+∞
−∞
(f(x) −'f(x)`)
2
P(x)dx = 'f
2
(x)` −'f(x)`
2
Un modo di verificare le affermazioni appena fatte pu`o essere introdotto con
un esempio “classico”: alla domanda “Quanto vale la varianza della costante?”, la
risposta non pu`o che essere “0”: data una funzione di densit` a costante, essa potr`a
assumere, come il nome suggerisce, un singolo valore, indipendentemente da x. Per
questo motivo, la media coincider`a con il valore stesso della costante, e, poich´e non vi
28CAPITOLO2. CONCETTI FONDAMENTALI DELL’ANALISI INTEMPO-FREQUENZA
`e dispersione (dal momento che la funzione di densit`a ha solo un valore), la varianza
sar` a nulla.
2.1.2 Funzioni caratteristiche monodimensionali
Un modo alternativo di studiare quantit` a, senza utilizzare direttamente funzioni di
densit` a come quelle precedentemente introdotte, pu` o essere quello di passare dal
nostro operatore preferito: l’integrale di Fourier. Si definisce la “funzione caratteri-
stica monodimensionale” la media integrale, utilizzando come funzione di mediazione
un’armonica e
jϑx
:
M(ϑ) = 'e
jϑx
` =

+∞
−∞
e
jϑx
P(x)dx
Si ricorda che, data una generica variabile ξ, lo sviluppo in serie di Taylor della
funzione esponenziale `e:
e
ξ
=
+∞
¸
n=1
ξ
n
n!
Considerando la funzione caratteristica, `e possibile riscrivere tutto come:
M(ϑ) =

+∞
−∞
+∞
¸
n=1
(jϑx)
n
n!
P(x)dx
Si noti, a questo punto, il seguente fatto: si ha un x
n
che moltiplica P(x), inte-
grando sulla retta reale; riprendendo le nozioni precedentemente introdotte, questo
si pu`o vedere come “momento n-esimo della funzione di densit` a”, quindi:
M(ϑ) =

+∞
−∞
+∞
¸
n=1
(jϑ)
n
n!
x
n
P(x)dx
A questo punto la sommatoria `e indipendente da x, dunque si pu` o portare fuori
dall’integrale, per linearit` a; l’integrale si pu`o semplificare come “momento n-esimo”
della funzione di densit` a, ottenendo quindi:
M(ϑ) =
+∞
¸
n=1
(jϑ)
n
n!

+∞
−∞
x
n
P(x)dx =
+∞
¸
n=1
(jϑ)
n
n!
'x
n
`
Si noti un fatto: si ha a che fare con la serie di Taylor, serie notoriamente dotata
della seguente caratteristica: una funzione di partenza viene sviluppata in una base
2.1. DENSIT
`
A E FUNZIONI CARATTERISTICHE 29
di monomi, in modo da approssimarla con una funzione polinomiale di grado sempre
maggiore. Quando si parla di “approssimare”, in termini di serie di Taylor, si parla
di “derivare”. Quello che abbiamo attualmente ottenuto, `e un risultato del tipo:
M(ϑ) =
+∞
¸
n=1
(jϑ)
n
n!
'x
n
`
Si sa tuttavia che, dalla teoria generale della serie di Taylor, si avrebbe:
M(ϑ) =
+∞
¸
n=1

n
M(ϑ)
∂ϑ
n

ϑ
n
n!
Si possono dunque eguagliare le due espressioni, rendendole simili, in modo da
ottenere un risultato molto interessante:
M(ϑ) =
+∞
¸
n=1
j
n
(ϑ)
n
n!
'x
n
` =
+∞
¸
n=1

n
M(ϑ)
∂ϑ
n

ϑ
n
n!

ϑ=0
Da qui, si pu` o banalmente ricavare, dal momento che le espressioni sono equiva-
lenti, che:
'x
n
` =
1
j
n

n
M(ϑ)
∂ϑ
n

ϑ=0
Questo risultato `e molto interessante: una volta ottenuta in qualche maniera
un’espressione della funzione caratteristica, `e possibile, mediante una semplice ope-
razione di derivazione, ottenere i momenti n-esimi; ci` o `e molto pi` u semplice rispetto
al dover calcolare l’integrale della definizione del momento.
Come esiste una formula per il passaggio da funzione di densit` a a funzione ca-
ratteristica, esiste anche la sua duale; si pu`o infatti dire, invertendo l’operatore,
che:
P(x) =
1

+∞
−∞
M(ϑ)e
−jϑx

Osservazioni e propriet`a
Le funzioni caratteristiche, oltre a semplificare notevolmente il calcolo dei momenti
n-esimi, posseggono alcune propriet`a interessanti, che ora analizzeremo brevemen-
te; si introdurr` a quindi un insieme di condizioni necessarie e sufficienti, affinch´e
30CAPITOLO2. CONCETTI FONDAMENTALI DELL’ANALISI INTEMPO-FREQUENZA
una generica funzione di variabile complessa si possa trattare come una funzione
caratteristica.
Considerando ϑ = 0, si ha:
M(0) =

+∞
−∞
P(x)dx = 1
Questo fatto si pu` o interpretare in un modo abbastanza semplice: quando si me-
dia una funzione utilizzando come funzione di peso la funzione costante, l’operazione
di mediazione non esiste pi` u, dal momento che non vi `e un fattore che attribuisca
i pesi alle varie grandezze; l’operazione di mediazione si riduce a un’operazione di
integrazione, ottenendo di fatto il risultato appena proposto.
Altra propriet`a interessante riguarda il comportamento della funzione complessa
coniugata alla caratteristica:
M

(ϑ) =

+∞
−∞
e
−jϑx
P

(x)dx = M(−ϑ)
Da qua, si pu` o anche affermare, cambiando il segno iniziale:
M

(−ϑ) = M(ϑ)
Ulteriore propriet` a: come nel caso della funzione di densit` a, il valore assoluto
della funzione caratteristica valutata per un certo ϑ
0
`e sempre minore o uguale di 1:
[M(ϑ)[
ϑ=ϑ
0
≤ 1
Questo poich´e:
[M(ϑ)[
ϑ=ϑ
0
=

+∞
−∞
e
jϑx
P(x)dx

+∞
−∞

e
jϑx

[P(x)[ dx
Grazie alla diseguaglianza di Cauchy-Schwartz; osservando a questo punto che
P(x) `e sempre positiva, e che e
jϑx
`e un termine a modulo unitario (poich´e esclusiva-
mente oscillante), si pu`o dire che:

+∞
−∞

e
jϑx

[P(x)[ dx =

+∞
−∞
P(x)dx = 1
Quindi:
[M(ϑ)[ ≤ M(0) = 1
2.1. DENSIT
`
A E FUNZIONI CARATTERISTICHE 31
Un’ultima osservazione per quanto concerne le funzioni caratteristiche monodi-
mensionali: si pu`o affermare che una funzione caratteristica sia una funzione di
variabile complessa, ma non che tutte le funzioni di variabili complesse sono anche
funzioni caratteristiche: il fatto di aver utilizzato valori assoluti e la diseguaglian-
za di Cauchy-Schwartz non ci ha infatti, finora, permesso di considerare un fattore
molto importante delle funzioni di densit`a, ossia la loro positivit` a. Al fine di de-
terminare una condizione necessaria e sufficiente affinch´e una generica funzione di
variabile complessa sia anche una funzione caratteristica, si pu`o fare il seguente
ragionamento: se esiste un’altra funzione g(ϑ), tale per cui:
M(ϑ) =

+∞
−∞
g

) g(ϑ

+ ϑ)dϑ

E

+∞
−∞
[g(ϑ)[
2
dϑ = 1
Si dimostra ora questo risultato: se questa funzione g(ϑ) esiste, allora si ha che:
P(x) =
1

+∞
−∞
M(ϑ)e
−jϑx

Questo si pu` o ri-scrivere utilizzando g:
=
1

+∞
−∞

+∞
−∞
g

)g(ϑ

+ ϑ)e
−jϑx


Si considera a questo punto un cambio di variabili:
ϑ

= ϑ

+ ϑ; dϑ

= dϑ
Da ci`o, l’integrale si riduce a diventare:
P(x) =
1

+∞
−∞
g(ϑ)e
−jϑx

2
Quindi, se la funzione g(ϑ) esiste e soddisfa la condizione in questione, P(x)
`e una funzione di densit` a, poich´e positiva, e M(ϑ) di conseguenza `e una funzione
caratteristica. Se P(x) per ipotesi `e normalizzata a 1 (come qualsiasi funzione di
densit` a), per il teorema di Parseval lo sar`a anche g(ϑ), in norma euclidea.
32CAPITOLO2. CONCETTI FONDAMENTALI DELL’ANALISI INTEMPO-FREQUENZA
2.1.3 Densit`a bidimensionali
Il fatto di dover lavorare con due grandezze contemporaneamente (tempo e fre-
quenza), costringe a studiare non solo funzioni di densit` a o funzioni caratteristiche
monodimensionali, bens`ı anche multidimensionali (nella fattispecie, bidimensiona-
li); il caso monodimensionale sotto molti punti di vista `e fondamentale, in quanto
spesso le nozioni si riconducono a esso, tuttavia si deve sapere che il passaggio da
funzioni monodimensionali a multidimensionali non `e del tutto indolore: si avranno,
oltre ai concetti gi` a affrontati, nuovi concetti molto importanti da conoscere, specie
in ottica di uno studio dell’analisi in tempo-frequenza.
La definizione di funzione di densit`a bidimensionale non `e molto differente ri-
spetto a quella del caso monodimensionale: date due variabili, due quantit`a x e y,
la densit` a bidimensionale P(x, y) `e l’ammontare di una certa grandezza al variare
delle due grandezze, delle due quantit` a.
Come nel caso precedente, `e possibile definire l’ammontare totale della grandezza,
A
tot
, mediante l’integrale non sulla retta reale, ma sul piano R
2
della densit`a:
A
tot
=

+∞
−∞

+∞
−∞
P(x, y)dydx
Come nei casi precedenti, si sceglie di normalizzare l’ammontare totale della
funzione di densit` a a 1, in modo da ottenere, per ciascun punto (x, y), un valore
indicante relativamente al valore complessivo la quantit` a di grandezza:

+∞
−∞

+∞
−∞
P(x, y)dydx = 1
Una volta definite queste notazioni, `e possibile introdurre un certo insieme di
propriet` a e caratteristiche per le funzioni di densit`a bidimensionali, in modo da
poter semplificare il loro studio.
Marginali
Un concetto molto importante, specialmente in ambito di analisi in tempo-frequenza,
`e quello di densit` a marginali: data una funzione di densit`a bidimensionale P(x, y),
una tecnica molto comoda per studiarla potrebbe essere quella di scomporla (quan-
do possibile) in due funzioni di densit`a monodimensionali: una, in grado di de-
scrivere l’andamento della densit` a al variare della sola quantit`a x, l’altra in grado
di descrivere l’andamento della densit` a al variare della sola quantit` a y. Una vol-
2.1. DENSIT
`
A E FUNZIONI CARATTERISTICHE 33
ta effettuata questa “suddivisione”, `e possibile applicare tutte le idee e le tecniche
precedentemente affrontate, in modo da completare lo studio.
Quale pu`o essere un’idea? Supponendo che sia possibile farlo (cosa che verr` a di-
scussa effettivamente in seguito), un’idea potrebbe essere quella di ottenere funzioni
in grado di descrivere l’andamento della funzione di densit`a in una sola variabile,
integrando nell’altra variabile la funzione di densit` a congiunta, ossia quella bidi-
mensionale: sommando infatti tutti i contributi di una variabile di una funzione di
densit` a bidimensionale, a certe condizioni (ossia se una variazione di x `e “indipen-
dente” dal valore di y e viceversa), si considerano gi`a “trattati” i contributi della
variabile, dunque solo i contributi dell’altra variabile avran peso.
Si possono definire le cosiddette funzioni di densit`a “marginali” P
x
(x) e P
y
(y)
come:
P
x
(x) =

+∞
−∞
P(x, y)dy; P
y
(y) =

+∞
−∞
P(x, y)dx
Per ora si introduce esclusivamente questa definizione, che verr` a ripresa, ridi-
scussa e contestualizzata in ambito tempo-frequenza.
Medie globali
Data una funzione “di peso” g(x, y), `e possibile estendere banalmente il concetto
di media al concetto di media globale, ossia al concetto di media della funzione di
densit` a multidimensionale, nel seguente modo:
'g(x, y)` =

+∞
−∞

+∞
−∞
g(x, y)P(x, y)dydx
Funzioni caratteristiche multidimensionali e calcolo dei momenti
Non si approfondisce particolarmente il metodo di calcolo diretto dei momenti (come
invece fatto per quanto concerne le densit` a monodimensionali) in quanto il metodo
pi` u intelligente e pi` u frequentemente utilizzato per il calcolo dei momenti delle fun-
zioni di densit` a si basa sull’uso di un concetto precedentemente introdotto: quello
di funzione caratteristica.
Anche nel caso di funzioni di densit` a multidimensionali `e possibile introdurre
un equivalente dominio reciproco, che permette di ottenere notevoli semplificazioni
sotto certi punti di vista; si pu`o definire dunque la funzione caratteristica bidimen-
sionale estendendo il concetto precedente, considerando le variabili reciproche ϑ e τ,
34CAPITOLO2. CONCETTI FONDAMENTALI DELL’ANALISI INTEMPO-FREQUENZA
considerando questa volta la mediazione della funzione di densit`a su un esponenziale
con due componenti:
M(ϑ, τ) = 'e
jϑx+jτy
` =

+∞
−∞

+∞
−∞
e
jϑx+jτy
P(x, y)dydx
Esiste ovviamente anche la trasformazione duale alla precedente:
P(x, y) =
1

2

+∞
−∞

+∞
−∞
M(ϑ, τ)e
−jϑx−jτy
P(x, y)dϑdτ
Considerando la somma degli esponenti dello stesso esponenziale come il prodotto
di due esponenziali, si pu` o analogamente a prima ricavare lo sviluppo in serie di
Taylor, sfruttare la normalizzazione dell’integrale sul piano reale della funzione di
densit` a, eguagliare alla definizione di polinomio in serie di Taylor come somma
di monomi con coefficienti uguali alle derivate parziali, e ottenere, in maniera del
tutto uguale a prima, un’espressione operativa in grado di calcolare semplicemente
i momenti della funzione di densit`a multidimensionale:
'x
n
y
m
` =
1
j
n
j
m

n+m
∂ϑ
n
τ
m
M(ϑ, τ)

ϑ,τ=0
Una piccola nota aggiuntiva: come si sa dalle nozioni precedentemente introdotte,
sostituendo “0” alla variabile reciproca della funzione caratteristica, si ottiene “1”:
in tal caso, infatti, l’integrale di mediazione si riduce ssere un integrale sulla retta
reale della funzione di densit` a, normalizzato a 1.
Questa osservazione pu` o essere utile anche nel caso di funzioni di densit`a / fun-
zioni caratteristiche multivariate: esiste infatti un interessante legame tra la funzione
caratteristica multivariata e le funzioni caratteristiche marginali (nel caso che ovvia-
mente esse esistano e siano rispettate): volendo ottenere, a partire da una funzione
caratteristica multidimensionale una funzione caratteristica marginale, `e possibile
provare a ragionare cos`ı: annullando tutte le variabili reciproche tranne quella del-
la quale si intende calcolare la marginale, tutti i contributi degli esponenziali si
annulleranno, tranne quello interessato:
M(ϑ, τ)[
τ=0
= M(ϑ, 0) =
=

+∞
−∞

+∞
−∞
e
jϑx+j0y
P(x, y)dydx =

+∞
−∞

+∞
−∞
e
jϑx
P(x, y)dydx =
2.1. DENSIT
`
A E FUNZIONI CARATTERISTICHE 35
=

+∞
−∞
e
jϑx
P(x)dx = M(ϑ)
Si pu`o dunque ripetere per l’altra variabile lo stesso ragionamento, ottenendo:
M(ϑ, 0) = M(ϑ)
M(0, τ) = M(τ)
Correlazione e dipendenza
Si `e parlato di funzioni marginali, come d’altra parte del fatto che si han due va-
riabili; ci`o che ci si pu` o chiedere, a questo punto, `e: effettivamente, una variabile `e
indipendente dall’altra? In altre parole, il fatto che la funzione di densit`a, al variare
del valore di una certa variabile assuma determinati valori, `e indipendentemente dal
variare dell’altra variabile?
Tra le varie definizioni introdotte, ne `e stata introdotta una riguardante i mo-
menti della densit` a, momenti misti; ci` o che si pu`o dire `e che, se le variabili sono in-
dipendenti, allora il momento misto di primo ordine `e pari al prodotto dei momenti
primi marginali:
'xy` = 'x` 'y`
Si introduce, a partire da questa equazione, un indicatore molto importante: la
covarianza.
cov
xy
= 'xy` −'x` 'y`
A seconda del valore assunto, si potr`a quantificare il grado di correlazione tra le
due variabili, per quanto concerne la funzione di densit` a multivariata P(x, y); date
σ
x
e σ
y
le due radici delle varianze, si suol definire il coefficiente di correlazione
come:
=
cov
x,y
σ
x
σ
y
Data la normalizzazione, il coefficiente di correlazione pu` o variare da -1 a +1 per
qualsiasi funzione di densit` a.
Si noti un fatto molto, molto importante: correlazione e dipendenza sono concet-
ti imparentati, ma non assolutamente coincidenti: se esiste una qualche correlazione
36CAPITOLO2. CONCETTI FONDAMENTALI DELL’ANALISI INTEMPO-FREQUENZA
tra le due variabili, esiste una certa dipendenza tra le due variabili; non `e tuttavia
detto che, se la correlazione `e nulla, allora sia nulla anche la dipendenza tra le va-
riabili (a meno di casi specifici eventualmente citati in seguito). La nozione appena
introdotta permette di avere un indicatore qualitativo della dipendenza, della pos-
sibile presenza di dipendenza quantomeno, tra le variabili della funzione di densit` a,
ma non `e assolutamente un indicatore preciso e assoluto, a causa delle differenze
tra correlazione e dipendenza: quello che l’indicatore fornisce infatti `e un’informa-
zione sui momenti primi e secondi (a causa della normalizzazione per le deviazioni
standard), quindi, a meno di particolari ipotesi aggiuntive, si tratta di informazioni
preziose ma al contempo viziose.
Media e varianza condizionale
Nella sezione precedente `e stato introdotto un problema finora non considerato: il
fatto che, data una funzione di densit` a multidimensionale P(x, y), le variabili interne
non siano indipendenti. Dal momento che molto spesso esistono casistiche di questo
genere, `e necessario introdurre alcune nozioni aggiuntive, basate sul fatto che, data
una funzione di densit` a e una quantit` a che si intende variare al fine di determinare le
variazioni “marginali” della grandezza finale, `e necessario tener conto delle condizioni
in cui si trova l’altra variabile. Si introduce quindi una notazione del tipo:
P(y[x)
Dove si intende indicare il fatto che si ha una densit` a al variare della variabile y,
a seconda delle condizioni di una variabile x fissata a un certo valore. Questo tipo
di notazione indica una “densit` a condizionale”.
Ricavare una densit` a condizionale a partire dalle densit` a marginali e congiunte
`e relativamente semplice: partendo dalla densit`a congiunta, al fine di determina-
re la densit` a condizionale fissata una certa variabile, `e necessario normalizzare la
congiunta per la marginale:
P(y[x) =
P(x, y)
P(x)
P(x[y) =
P(x, y)
P(y)
Precedentemente, `e stato introdotto il coefficiente di correlazione , ossia un
indicatore in grado di quantificare la correlazione tra due variabili al variare delle
quali una funzione di densit`a restituisce valori. Le definizioni appena introdotte
possono permettere di trovare non la definizione di correlazione, bens`ı la definizione
di dipendenza: se infatti capita che:
2.1. DENSIT
`
A E FUNZIONI CARATTERISTICHE 37
P(y[x) =
P(x, y)
P(x)
= P(y)
Significa che:
P(x, y) = P(x) P(y)
Quindi, si pu`o dire che le funzioni di densit` a siano indipedenti, e non solo
scorrelate tra loro.
Fatta l’introduzione, si estende il concetto di momento, e nella fattispecie quelli
di media e varianza, per quanto concerne le densit` a condizionali; si definisce 'y`
x
la
media condizionale della densit`a di probabilit` a P(x, y) al variare della sola y, fissato
un valore di x, come:
'y`
x
=

+∞
−∞
yP(y[x)dy =
1
P(x)

+∞
−∞
yP(x, y)dy
Come il concetto di media si pu` o estendere a quello di media condizionale, cos`ı
quello di varianza pu`o essere esteso al concetto di varianza condizionale; si definisce
quindi σ
2
y|x
la varianza condizionale, per quanto riguarda la funzione di densit`a
P(x, y), considerando la variabile y e fissata x:
σ
2
y|x
=
1
P(x)

+∞
−∞
(y −'y`
x
)
2
P(x, y)dy = 'y
2
`
x
−'y`
2
x
Relazioni tra medie e varianze condizionali e globali
Per concludere, si presenta un ultimo risultato, piuttosto importante per quanto ri-
guarder` a l’analisi in tempo-frequenza. Sono state analizzate, mediante questa analisi
astratta (senza introdurre un significato fisico alle grandezze) medie locali (calcolate
su funzioni di densit`a marginali) e medie globali (calcolate su funzioni di densit`a con-
giunte). Si possono trovare collegamenti interessanti tra le due categorie di medie,
collegamenti che verranno ora esposti.
Si consideri la media condizionale considerando la variabile y, fissata x, ossia
'y`
x
: questa funzione rappresenta una media ottenuta fissando un singolo valore
della variabile x; sommando tutti i contributi (integrando) della variabile x, si pu` o
pensare di ottenere la media globale rispetto alla variabile y; si verifica se `e vero,
calcolando la media marginale rispetto alla sola variabile y:
'y` =

+∞
−∞

+∞
−∞
yP(x, y)dydx =

+∞
−∞

+∞
−∞
yP(y[x)P(x)dydx
38CAPITOLO2. CONCETTI FONDAMENTALI DELL’ANALISI INTEMPO-FREQUENZA
Recuperando le definizioni precedentemente introdotte, si ottiene:
'y` =

+∞
−∞
'y`
x
P(x)dx
Un ragionamento analogo pu`o essere effettuato per quanto riguarda la varianza
globale e la varianza condizionale: si media la funzione di densit` a marginale rispetto
a x, P(x):

+∞
−∞
σ
2
y|x
P(x)dx =

+∞
−∞

+∞
−∞
(y −'y`
x
)
2
P(x, y)dydx =
= 'y
2
` −

+∞
−∞
'y`
2
x
P(x)dx
Al membro destro dell’equazione, a questo punto, si somma e sottrae il termine
'y`
2
, ottenendo:

+∞
−∞
σ
2
y|x
P(x)dx = 'y`
2
−'y`
2
+'y
2
` −

+∞
−∞
'y`
2
x
P(x)dx
A questo punto, due osservazioni: da un lato, si sa che la varianza si pu`o calcolare
come differenza tra il momento secondo e il quadrato della media, ossia:
'y
2
` −'y`
2
= σ
2
y
D’altro canto, si ha che:
'y`
2
=

+∞
−∞
'y`
2
x
dx
Quindi:

+∞
−∞
σ
2
y|x
P(x)dx = σ
2
y

+∞
−∞
('y`
2
x
−'y`
2
)dx
Questa dimostrazione porta a un’interessante conclusione: la varianza globale
`e sempre composta da due contributi: da un lato si ha la media della varianza
standard, dall’altro lo scarto della media condizionale rispetto alla media globale.
2.2. DENSIT
`
A TEMPO-FREQUENZA 39
2.2 Densit`a tempo-frequenza
A questo punto della trattazione sono state poste tutte le basi necessarie all’in-
troduzione di uno studio formale dell’analisi in tempo-frequenza. Come gi` a fatto
intuire precedentemente, lo scopo fondamentale dell’analisi in tempo-frequenza e
introdurre funzioni in grado di descrivere la densit` a di energia di un segnale contem-
poraneamente nel dominio del tempo e nel dominio della frequenza, ossia di poter
quantificare quali armoniche, in un certo tempo, producono l’energia del segnale.
Si noti che a questo punto tornano utili tutti i discorsi introduttivi concernenti
le densit` a multidimensionali: in una semplice analisi di Fourier o nel dominio del
tempo, si considera di fatto una sola variabile; in un’analisi classica si considera
dunque solo una densit` a monodomensionale. Quando si studiano, mediante la stessa
funzione di densit` a, i contributi contemporaneamente in due domini, tornano utili
molti dei concetti precedentemente introdotti.
2.2.1 Caratteristiche di una distribuzione tempo-frequenza
Ci si concentrer` a principalmente, come gi`a preannunciato, sullo studio di densit` a
di energia e potenza (soprattutto energia), dove si considereranno sostanzialmente
tre grandezze: il segnale nel dominio del tempo s(t), la sua trasformata di Fourier
S(ν), e la densit` a tempo-frequenza congiunta di energia P(t, ν). Dei segnali nel
dominio di tempo e frequenza, spesso si considereranno i moduli quadri, ossia le
densit` a energetiche nel tempo ([s(t)[
2
) e le densit` a spettrali di energia ([S(ν)[
2
).
Marginali
Una delle pi` u importanti condizioni da soddisfare, in una distribuzione tempo-
frequenza, `e il rispetto delle marginali: come gi`a introdotto in un senso puramente
astratto, per funzioni di densit`a marginali si intendono quelle funzioni di densit`a,
in una sola variabile, ottenute integrando la densit` a multidimensionale in tutte le
altre variabili. Nella fattispecie, in ambito di analisi in tempo-frequenza, le funzioni
marginali di densit`a (energetiche) sono:

+∞
−∞
P(t, ν)dν

+∞
−∞
P(t, ν)dt
In questo caso, tuttavia, ci si prefigge un obiettivo (purtroppo non sempre rag-
giungibile, come si vedr` a studiando una delle pi` u importanti distribuzioni tempo-
frequenza): il fatto che queste densit`a marginali coincidano con le densit` a temporali
40CAPITOLO2. CONCETTI FONDAMENTALI DELL’ANALISI INTEMPO-FREQUENZA
e spettrali di potenza, ossia con i moduli quadri rispettivamente del segnale variabile
nel dominio del tempo e della sua trasformata di Fourier; se questo fatto `e rispettato,
ossia se valgono le seguenti condizioni:
[s(t)[
2
=

+∞
−∞
P(t, ν)dν
[S(ν)[
2
=

+∞
−∞
P(t, ν)dν
Allora si dice che “la distribuzione tempo-frequenza rispetta i marginali”.
Energia totale
Riprendendo le nozioni introdotte generalmente, `e possibile calcolare nel caso spe-
cifico delle distribuzioni tempo-frequenza l’energia totale del segnale, mediante il
seguente calcolo:
E =

+∞
−∞

+∞
−∞
P(t, ν)dνdt =

+∞
−∞
[s(t)[
2
dt =

+∞
−∞
[S(ν)[
2

Si noti che questa condizione `e pi` u debole rispetto al rispetto delle marginali:
se una funzione di densit` a soddisfa le marginali, automaticamente il metodo di
calcolo dell’energia totale appena proposto `e assolutamente valido; nel caso tuttavia
il teorema dell’energia totale sia valido, non `e possibile aggiungere nulla al calcolo
delle marginali: questo teorema `e in grado di proporre un metodo di calcolo per
l’energia, senza tuttavia introdurre ipotesi aggiuntive sulle singole densit`a nel tempo
e nella frequenza, quindi non garantendo condizioni sufficienti per il rispetto delle
marginali.
Positivit`a
Una delle caratteristiche fondamentali per quanto concerne le distribuzioni in tempo-
frequenza `e la positivit`a, ossia il fatto che esse possano assumere esclusivamente
valori maggiori o uguali di 0. Anche per quanto concerne questa propriet`a, come
per il caso delle marginali, esistono casi fondamentali di distribuzioni in tempo-
frequenza che non rispettano questa ipotesi; a differenza delle marginali, tuttavia,
questa fornisce limiti ben pi` u pesanti, dal momento che si perde il significato ener-
getico attribuibile alla funzione: essa non `e pi` u, di fatto, una densit`a di energia, dal
momento che l’energia negativa non pu`o avere significato fisico.
2.2. DENSIT
`
A TEMPO-FREQUENZA 41
Si vedr` a in seguito che uno dei criteri a partire dai quali si progetta una distri-
buzione in tempo-frequenza `e proprio la positivit`a della distribuzione.
Medie e varianze
Si pu` o riprendere in maniera del tutto naturale i risultati precedentemente ottenuti,
per presentarli in ambito di tempo-frequenza; dai risultati precedenti, si sa che:
P(ν[t) =
P(t, ν)
P(t)
P(t[ν) =
P(t, ν)
P(ν)
Dove P(t) e P(ν) sono le marginali delle distribuzioni; si noti che questa teoria `e
valida anche se le marginali non sono soddisfatte: questa teoria `e assolutamente ge-
nerale, e prescinde dal fatto che le distribuzioni marginali coincidano effettivamente
con le densit` a temporali e spettrali di energia.
Si ha che:
'ν`
t
=
1
P(t)

+∞
−∞
νP(t, ν)dν = ϕ

(t)
't`
ν
=
1
P(ν)

+∞
−∞
tP(t, ν)dt = −ψ

(ν)
Cosa `e stato ottenuto? Beh, ϕ

(t) rappresenta la frequenza istantanea per un
dato t, e dualmente ψ

(ν) rappresenta il tempo medio nel quale vi `e una certa
frequenza, ossia il tempo dove mediamente sono contenute certe frequenze.
Di queste grandezze, `e possibile introdurre la varianza, indicatore classico della
variabilit`a, utilizzando il momento secondo, ossia la deviazione standard condizio-
nale:
σ
2
ν|t
=
1
P(t)

+∞
−∞
(ν −'ν`)
2

σ
2
t|ν
=
1
P(ν)

+∞
−∞
(t −'t`)
2
dt
Cosa significa tutto ci`o? Sono state definite le medie condizionali di tempo
e frequenza, dove si considera in sostanza, data una certa posizione del tempo, la
frequenza media pi` u presente in esso, e viceversa per frequenza e tempo. Le varianze
hanno lo stesso significato che `e stato finora introdotto: verificare e quantificare
l’affidabilit` a del valore medio: se a un dato istante di tempo le frequenze in gioco
sono molte e diverse, la varianza sar`a molto elevata, dal momento che la media sar` a
42CAPITOLO2. CONCETTI FONDAMENTALI DELL’ANALISI INTEMPO-FREQUENZA
poco rappresentativa; se dualmente si ha una concentrazione spettrale nei dintorni
di una certa frequenza, la varianza sar` a piccola. Stesso discorso per il tempo: se,
data una certa frequenza, essa `e presente solo a un dato istante di tempo, la varianza
sar` a bassa.
Un esempio in grado di chiarire quest’idea pu`o essere l’uso di un segnale mono-
cromatico: dal momento che un segnale monocromatico ha una sola frequenza per
qualsiasi istante di tempo, si pu` o dire che la sua rappresentazione in tempo-frequenza
sia univoca, dunque la media in frequenza sar` a concentrata sul valore della frequenza
del segnale, mentre la varianza in frequenza sar` a nulla. Per il tempo, `e molto pi` u
problematico: la stessa frequenza esiste in ogni istante di tempo, dunque, se da un
lato l’eguaglianza tempo-frequenza `e molto semplice da studiare sotto il punto di
vista delle frequenze esistenti, pi` u difficile sar`a per i tempi in cui esistono, poich´e la
stessa frequenza esister` a in tutti gli istanti di tempo.
Invarianza a traslazione in tempo-frequenza
Dato un generico segnale nel tempo s(t), e un segnale a esso identico ma traslato nel
tempo di un ritardo t
0
, s(t −t
0
), si vuole capire quale dovrebbe essere l’andamento
della distribuzione corrispondente, in tempo-frequenza. Ci si pu` o aspettare che, se si
ha subito una traslazione di t
0
sulla retta temporale, allora si subir`a una traslazione
di t
0
anche nel piano tempo-frequenza, ottenendo:
P(t, ν) −→P(t −t
0
, ν)
Lo stesso discorso pu`o essere fatto per quanto riguarda la frequenza: se si trasla
lo spettro di un fattore ν
0
, ottenendo, a partire dalla trasformata di Fourier di
s(t), S(ν), la funzione S(ν −ν
0
). Ci si pu`o aspettare che dunque si abbia anche una
traslazione per quanto concerne la componente spettrale del piano tempo-frequenza:
P(t, ν) −→P(t, ν −ν
0
)
I due effetti si possono anche gestire contemporaneamente: se che nel dominio
del tempo si introduce un ritardo nel segnale e lo si moltiplica per un esponen-
ziale complesso, si ottengono, nel piano tempo-frequenza, da un lato la traslazione
temporale, dall’altro la traslazione spettrale
1
.
s(t) −→e
j2πν
0
t
=⇒P(t, ν) −→P(t −t
0
, ν −ν
0
)
1
Per la dimostrazione di queste propriet`a, considerate singolarmente, si faccia riferimento
all’Appendice B : Trasformata di Fourier
2.3. PRINCIPIO DI INDETERMINAZIONE IN TEMPO-FREQUENZA 43
Riscalamento
Dato un generico segnale nel dominio del tempo s(t), dato il segnale s
r
(t) definito
come:
s
r
(t) =

a s(at)
Si tratta di una versione riscalata nel tempo di s(t). A seconda di a, il nuovo
segnale sar`a pi` u veloce o pi` u lento, dunque a supporto pi` u compatto o pi` u esteso.
Come si sa dalla Teoria dei Segnali (vedi Appendice B), lo spettro del segnale `e pari
a:
S
r
(ν) =
1

a
S

ν
a

Cosa significa ci`o in tempo-frequenza? Beh, combinando i due effetti del risca-
lamento, si ha semplicemente che:
P
s
(t, ν) = P

at,
ν
a

Questo fatto `e abbastanza scontato, a partire dalle sole conoscenze dell’analisi
in frequenza rispetto all’analisi nel tempo: riscalare un segnale nel dominio del
tempo comporta un riscalamento inversamente proporzionale a quello effettuato nel
dominio della frequenza; quello che si avr`a in tempo-frequenza sar` a un risultato
del tutto analogo, combinando tuttavia i due effetti sulla distribuzione congiunta
risultante.
2.3 Principio di indeterminazione in tempo-frequenza
Come si sa dalla Teoria dei Segnali, per quanto riguarda lo studio di un segnale nel
dominio del tempo e nel dominio della frequenza, esiste un particolare principio,
detto “principio di indeterminazione”, che fornisce limiti riguardanti i supporti dei
segnali nei due domini.
Ragionando separatamente su di un generico segnale nel dominio del tempo s(t)
e sulla sua trasformata di Fourier S(ν), si pu` o vedere che:
T
2
=

+∞
−∞
(t −'t`)
2
[s(t)[
2
dt
B
2
=

+∞
−∞
(ν −'ν`)
2
[S(ν)[
2
dt
44CAPITOLO2. CONCETTI FONDAMENTALI DELL’ANALISI INTEMPO-FREQUENZA
Dove ovviamente s(t) e S(ν) devono essere legati mediante la coppia di integrali
di Fourier.
Calcolando le varianze da una distribuzione congiunta tempo-frequenza, si pu`o
ottenere qualcosa di interessante:
σ
2
t
=

+∞
−∞

+∞
−∞
(t −'t`)
2
P(t, ν)dtdν =

+∞
−∞
(t −'t`)
2
P(t)dt
σ
2
ν
=

+∞
−∞

+∞
−∞
(ν −'ν`)
2
P(t, ν)dtdν =

+∞
−∞
(ν −'ν`)
2
P(ν)dt
Al fine di legare il risultato del principio di indeterminazione valido sulle singole
variabili in un risultato pi` u generale, basato sullo studio dell’indeterminazione in
tempo-frequenza causata da un’eccessiva varianza (come precedentemente descrit-
to), `e necessaria un’ipotesi fondamentale: il fatto che le marginali siano rispettate.
In tal caso, si pu` o dire che il principio di indeterminazione sia estensibile al caso di
densit` a congiunte in tempo-frequenza.
Supponendo dunque di rispettare i marginali, vi `e un ulteriore problema: in
tempo-frequenza, ossia analizzando il segnale contemporaneamente nel tempo e nella
frequenza, non esiste un metodo univoco per “unificare” i due domini, ossia non
esiste un’unica distribuzione in grado di rappresentare in un piano tempo-frequenza
un determinato segnale
2
. Si hanno informazioni ulteriori: si sa che la distribuzione
congiunta avr`a supporto non limitato o nel tempo, o nella frequenza, o in entrambi,
indipendentemente dalla distribuzione.
Il risultato fondamentale che si ottiene, parlando di principio di indeterminazione,
`e il seguente:
σ
y
σ
x
≥ η
Dove η `e una costante universale, calcolabile come un funzionale del segnale.
Questa condizione `e rispettata sempre, indipendentemente dal soddisfare la con-
dizione sulle densit` a marginali
3
.
2
Si approfondir`a l’argomento nel prossimo capitolo, dove si proporranno le idee rudimentali
dietro al progetto di distribuzioni tempo-frequenza
3
Il significato della costante η `e parzialmente approfondito nell’Appendice B, riguardante la
trasformata di Fourier, riferendosi al principio di indeterminazione; non `e stata comunque intro-
dotta un’analisi del principio di indeterminazione su operatori generici, considerando dunque una
casistica limitata.
2.3. PRINCIPIO DI INDETERMINAZIONE IN TEMPO-FREQUENZA 45
2.3.1 Propriet`a del supporto finito debole e forte
A partire dal principio di indeterminazione `e possibile effettuare, come gi`a introdot-
to, alcune osservazioni concernenti il supporto della funzione di densit` a congiunta
tempo-frequenza. Una prima occasione in cui si `e parlato di supporto, riguarda il
riscalamento: come gi` a noto dalla Teoria dei Segnali, un riscalamento in un dominio
comporta nel dominio reciproco un riscalamento inversamente proporzionale.
Si supponga che si abbia, nel dominio del tempo, un segnale non nullo in un
intervallo di tempo compreso tra due istanti t
1
e t
2
, t
1
< t
2
. Essendo il segnale nullo
al di fuori degli istanti di tempo, ci si potrebbe aspettare che la distribuzione in
tempo-frequenza del segnale sia nulla, prima e dopo i due tempi-limite: in questo
caso, si dice che la distribuzione abbia un supporto finito debole nel tempo, ossia
che:
P(t, ν) = 0, t ∈ (t
1
; t
2
)
Si noti che questa condizione non `e per forza rispettata dalle varie distribuzioni
tempo-frequenza: rientra tra le caratteristiche che si desiderano avere, al momento
del progetto di una certa distribuzione, ma non sempre `e possibile ottenerla.
Lo stesso discorso si potrebbe applicare in maniera del tutto analoga alla fre-
quenza: dire che la distribuzione ha supporto debole in frequenza, significa che si
possono identificare due frequenze limite, ν
1
e ν
2
, al di fuori delle quali lo spet-
tro della funzione `e nullo, sia nella trasformata di Fourier del segnale sia nella sua
rappresentazione tempo-frequenza:
P(t, ν) = 0, ν ∈ (ν
1
; ν
2
)
Esiste, in ambito di tempo-frequenza, una terza condizione: il fatto che vi sia in
uno dei due domini un gap, ossia che il segnale per un certo intervallo di tempi sia
nullo, in tutti gli altri no (o, dualmente, che lo spettro sia nullo per un certo range di
frequenze e per tutti gli altri no). Trattando ad esempio il caso in cui il segnale nel
dominio del tempo vale zero per un certo intervallo di tempo, si potrebbe desiderare,
dalla distribuzione in tempo-frequenza, che anch’essa sia nulla in quell’intervallo
di tempo. Se la distribuzione soddisfa queste ipotesi, si dice che essa abbia un
“supporto finito forte”.
Si noti ancora una volta che una distribuzione tempo-frequenza non pu`o essere
concentrata in una regione finita del piano tempo-frequenza: il principio di indeter-
minazione pone chiari limiti sui supporti dei singoli segnali nel dominio del tempo e
46CAPITOLO2. CONCETTI FONDAMENTALI DELL’ANALISI INTEMPO-FREQUENZA
nel dominio della frequenza, impedendo di fatto la possibilit`a di avere una condizione
di questo genere.
2.3.2 Osservazioni finali
Il fatto che esista, in ambito di tempo-frequenza (ma anche semplicemente in ambito
di analisi in frequenza tradizionale), un principio di indeterminazione, `e riconduci-
bile allo studio delle funzioni di densit` a marginali, o, pi` u precisamente, al fatto che
esse sono correlate: variando le caratteristiche di una delle due marginali, automati-
camente cambiano anche le caratteristiche dell’altra. Questo permette di concludere
che le variabili tempo e frequenza non siano tra loro scorrelate.
Ci` o si pu` o osservare introducendo un maggior formalismo matematico: come di-
mostrato, nel caso sia rispettata la condizione sui marginali, il principio di indeter-
minazione `e applicabile alle varianze globali dei segnali. Un metodo di calcolo delle
varianze `e basato sull’uso di un teorema precedentemente dimostrato, affermante
che:
σ
2
ν
=

+∞
−∞
σ
2
ν|t
P(t)dt +

+∞
−∞
('ν`
t
−'ν`)
2
P(t)dt
σ
2
t
=

+∞
−∞
σ
2
t|ν
P(ν)dν +

+∞
−∞
('t`
ν
−'t`)
2
P(ν)dν
Volendo ricollegarsi al principio di indeterminazione, si possono moltiplicare le
due varianze, e trovare che il valore risultante sar` a sempre maggiore di una certa
costante (che sar`a η
2
).
Caratterizzando le distribuzioni tempo-frequenza in questi termini, `e possibile
dimostrare, per ciascuna di esse, di quanto si discosti dalla condizione base del
principio di indeterminazione.
Capitolo 3
Principali distribuzioni
tempo-frequenza
In questo capitolo della trattazione verranno presentate alcune delle principali distri-
buzioni utilizzate nell’ambito dell’analisi in tempo-frequenza, al fine di fornire i mezzi
fondamentali per uno studio di questo tipo. A un’analisi formale di queste distribu-
zioni si aggiungeranno alcuni esempi teorici e pratici di analisi in tempo-frequenza,
ottenuti mediante il software MATLab, munito del “Time-Frequency Toolbox”.
3.1 STFT e Spettrogramma
Uno degli strumenti storicamente (e non solo) pi` u importanti nell’ambito dell’analisi
di segnali non stazionari `e la STFT, ossia la Short Time Fourier Transform (letteral-
mente, trasformata di Fourier a tempo corto). L’idea nascosta dietro questo tipo di
analisi `e fondamentalmente la seguente: come si sa dall’introduzione, considerando
la trasformata di Fourier dell’intero segnale si ottiene sostanzialmente una rappre-
sentazione spettrale del medesimo, nella quale quindi si ha, per ciascuna armonica,
il contributo che essa fornisce durante l’intero segnale, ossia considerato per tutti
gli istanti di tempo nei quali esso esiste. L’idea alla base della STFT `e basata sul
seguente stratagemma: anzich´e considerare l’intero segnale, esso viene suddiviso, al
variare del tempo, in molti intervalli; anzich´e trasformare l’intero segnale, si conside-
ra per ciascuno degli intervalli la trasformata di Fourier, in modo da avere, invece di
un’unico spettro per l’intero segnale, molti spettri “temporalmente locali”, in grado
di associare un contenuto spettrale in ciascun intervallo temporale. Viene effettuata
la cosiddetta operazione di “finestramento” nel dominio del tempo e in quello della
47
48 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
frequenza: si considera una funzione “a finestra”, “a porta” h(t), in grado di limitare
il segnale entro un certo intervallo di tempo; per ciascuna finestra, traslata di un
tempo τ, si considerer` a la trasformata di Fourier, che avr` a dunque una forma del
tipo:
X(t, τ) =

+∞
−∞
x(t)h(t −τ)e
−j2πνt
dt
Questo, di fatto, `e il modo pi` u semplice di fare analisi in tempo-frequenza: sup-
ponendo di considerare un generico segnale, si potr` a avere un’approssimazione del
contenuto spettrale del segnale per un intervallo di valori di tempo, di fatto otte-
nendo una maggior localizzazione rispetto alla trasformata di Fourier: mediante la
trasformata semplice, come gi`a detto, `e possibile ottenere informazioni globali; in
questo caso, con questo stratagemma, scegliendo opportunamente la finestra tempo-
rale h(t), `e possibile localizzare maggiormente (tendenzialmente a proprio piacimen-
to, a meno di alcuni problemi che verranno tra breve esposti) il contenuto spettrale
del segnale, assegnando per ciascun intervallo di tempo un contenuto spettrale
1
. La
localizzazione non `e naturalmente massima: quello che si considera `e una sorta di
“spettro mediato” nell’intervallo di tempo, dunque non `e possibile garantire il fatto
che, per un istante di tempo, vi sia esattamente quel contenuto spettrale (cosa che
difficilmente sar` a realizzabile in ambito tempo-frequenza, come si vedr`a); si tratta
comunque di un risultato semplice e utilizzato molto frequentemente.
Una volta definita la STFT, lo spettrogramma `e un’estensione del tutto banale:
lo spettrogramma rappresenta semplicemente la densit` a tempo-frequenza di energia
ottenuta a partire dalla STFT, dunque `e calcolabile mediante il calcolo del modulo
quadro della STFT appena definita:
P
SP
(t, ν) = [X(t, τ)[
2
=

+∞
−∞
x(τ)h(τ −t)e
−j2πντ

2
3.1.1 Propriet`a dello spettrogramma
Una volta introdotto un discorso generale, si introduce uno studio alle principali
caratteristiche della distribuzione tempo-frequenza. Verranno riprese le nozioni in-
1
Esiste una distribuzione duale, ossia la SFTT (Short-Frequency Time Transform), in grado
di fornire una descrizione duale, pi` u indicata della STFT quando si intende studiare quali siano i
tempi nei quali esiste una certa frequenza. La definizione `e del tutto duale a quella della STFT, e
non verr`a considerata ulteriormente.
3.1. STFT E SPETTROGRAMMA 49
trodotte nello scorso capitolo e applicate direttamente allo spettrogramma, in modo
da evidenziarne i pregi e i limiti.
Energia totale
L’energia totale, come `e ben noto, si pu` o ottenere integrando l’espressione operativa
dello spettrogramma su tutto il piano tempo-frequenza. Si sceglie, come metodo di
calcolo, quello basato sul calcolo della funzione caratteristica dello spettrogramma;
come si sa dalle nozioni precedenti, si pu` o dire che:
P(t, ν) = [X
t
(ν)[
2
= [x
ν
(t)[
2
La funzione caratteristica sar` a dunque pari a:
M
SP
(ϑ, τ) =

+∞
−∞

+∞
−∞
[X
t
(ν)[
2
e
j2πt(ϑ+ν)
dtdν =
= A
x
(ϑ, τ) A
h
(−ϑ, τ)
Dove:
A
x
(ϑ, τ) =

+∞
−∞
x

t −
1
2
τ

x

t +
1
2
τ

e
j2πϑt
dt
A partire dalla funzione caratteristica si pu` o calcolare l’energia, scrivendo che:
E
SP
=

+∞
−∞

+∞
−∞
P
SP
(t, ν)dtdν = M
SP
(0, 0) =

+∞
−∞
[x(t)[
2
dt

+∞
−∞
[h(t)[
2
dt
poich´e solitamente si sceglie che l’energia della finestra sia normalizzata a 1,
l’energia dello spettrogramma sar` a coincidente con l’energia del segnale:

+∞
−∞
[h(t)[
2
dt = 1 =⇒E
SP
=

+∞
−∞
[x(t)[
2
dt
Marginali
Come si sa, le funzioni marginali si possono ottenere integrando sulla retta identifi-
cata dalla variazione della variabile opposta rispetto alle funzioni di densit` a che si
intendono calcolare; nel caso del tempo, ad esempio, la funzione marginale si pu` o
calcolare come:
50 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
P(t) =

+∞
−∞
[X
t
(ν)[
2
dν =

+∞
−∞
x(τ)h(τ −t)x

)h

−t)e
−j2πν(τ−τ

)
dτdτ

dν =
=

+∞
−∞
x(τ)h(τ −t)x

)h

−t)δ(τ −τ

)dτdτ

=

+∞
−∞
[x(τ)[
2
[h(τ −t)[
2
dτ =
=

+∞
−∞
A
2
x
(τ)A
2
h
(τ)dτ
In modo del tutto duale, si pu`o verificare che:
P(ν) =

+∞
−∞
B
2

)B
2
H
(ν −ν

)dν

Dove per B(ν) si intende una funzione tale per cui:
B
2
(ν) = [S(ν)[
2
Ci` o che si pu` o verificare da questi calcoli `e che lo spettrogramma non rispetta la
condizione sulle marginali, ossia che:
P(t) = [s(t)[
2
P(ν) = [S(ν)[
2
Il fatto che le marginali non siano soddisfatte `e collegabile al meccanismo interno
all’idea stessa di spettrogramma: la finestratura, ossia il fatto che si introduca una
finestra temporale modifica di fatto le caratteristiche del segnale. Osservando gli
integrali, si vede chiaramente che l’unica differenza sta in effetti nel fatto che si ha
un contributo dettato anche dal modulo quadro della funzione finestra. Quello che
capita `e in pratica il fatto che l’energia della finestra modifica l’energia globale della
distribuzione, rendendo impossibile, dunque, il calcolo delle marginali, dal momento
che contengono contributi di fatto sconosciuti.
3.1. STFT E SPETTROGRAMMA 51
Propriet`a di supporto finito
Ci si potrebbe porre un’ulteriore domanda: esistono condizioni tali per cui lo spet-
trogramma sia in grado di avere un supporto finito? Si supponga che il segnale sia
nullo prima di un certo tempo t
0
, e si supponga di considerare, nel piano tempo-
frequenza ricavato a partire dallo spettrogramma, un istante di tempo inferiore a
t
0
. Non `e assolutamente detto che prima di t
0
lo spettrogramma produca solo valori
nulli: ci` o dipende, di fatto, dalla finestra temporale, che potrebbe “campionare”
valori anche positivi, coinvolgendo cos`ı lo spettrogramma. Quando una finestra non
`e sufficientemente precisa da riuscire a ottenere esattamente in prossimit` a dell’inizio
dell’intervallo di punti in cui il segnale `e nullo una mediazione dello spettro tale da
permettere che il segnale sia nullo (cosa molto, molto spesso verificata), la propriet`a
del supporto finito non `e verificata. Si deve dunque dire che, generalmente, que-
sta propriet`a, per lo spettrogramma, non `e verificata. Se una finestra di lunghezza
non idonea arriva a campionare armoniche successive a quelle nulle, in modo da
introdurre un contenuto spettrale anche dove, nel segnale reale, non ve ne sarebbe.
Cenni alla scelta della larghezza di finestra idonea
L’idea alla base dello spettrogramma, come gi` a detto, `e quella di “campionare” una
parte del segnale e farne la trasformata di Fourier nell’intervallo. Il discorso `e stato
approfondito senza considerare di fatto un elemento molto importante: la larghezza
della finestra temporale; al variare della larghezza della finestra, si potr`a ottene-
re una diversa “risoluzione” nel tempo o nella frequenza. Per “risoluzione” si vuole
intendere la “precisione”, la “definzione”, l’assenza di indeterminazione nel diagram-
ma tempo-frequenza: nel caso del chirp lineare, ad esempio, una buona risoluzione
permetterebbe di visualizzare il chirp sostanzialmente come una retta verticale, la
cui pendenza `e data dalla rapidit` a di variazione della frequenza del segnale. Intui-
tivamente, si pu`o dire ci`o: se si vuole avere una buona localizzazione, una buona
risoluzione temporale, `e necessario considerare una finestra corta, limitata. Per il
principio di indeterminazione non `e possibile ottenere una risoluzione arbitraria in
tempo e frequenza dunque, a seconda di ci` o che si interessa ottenere, si sceglier`a
una finestra corta (per migliorare la risoluzione nel tempo a scapito di quella in
frequenza) o lunga (per migliorare la risoluzione in frequenza a scapito di quella nel
tempo).
Si cerca di spiegare in maniera pi` u “visiva” questo fatto:
Come si vede, scegliendo una finestra corta, la definizione nel tempo `e molto
elevata: al variare del tempo, si distingue facilmente quando si ha la variazione di
52 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
frequenza nel segnale; il valore della frequenza nei vari tempi non `e tuttavia ben
definito: il fatto di aver utilizzato una finestra cos`ı corta ha comportato il fatto
di avere una grossa indeterminazione in frequenza, il che si traduce come “egual
possibilit`a di avere pi` u frequenze per gli stessi istanti di tempo”, anche quando di
fatto il segnale non ha un contenuto spettrale di questo genere.
Usando una finestra lunga, accade il contrario: lo spettrogramma “ritarda” a
campionare gli elementi, avendo sicuramente un’ottima precisione in frequenza, dal
momento che i tempi consentono di localizzare in maniera pi` u efficace il contenuto
spettrale del segnale, ma creando, per i tempi “limite” tra i “salti” tra valori di
frequenze, una sovrapposizione: per gli stessi istanti di tempo, “limite”, sono di
fatto riconosciuti, dallo spettrogramma, pi` u valori di frequenza, a causa di una
“cattiva mediatura” provocata dalla finestra temporale troppo lunga, che campiona
armoniche “di troppo”.
Positivit`a
Una delle condizioni fondamentali affinch´e una funzione sia una densit` a, come gi` a
precedentmente detto, `e la positivit` a, ossia il fatto che essa assuma sempre valori
maggiori o uguali di 0. Nel caso dello spettrogramma, la condizione `e banalmente
verificata, dal momento che essa viene definita come il modulo quadro della Short
Time Fourier transform.
3.1.2 Alcuni esempi teorico/pratici
Per concludere ciascuna delle descrizioni delle distribuzioni tempo-frequenza che
saranno analizzate fino al termine della trattazione, si proporranno alcuni esempi
pratici, basati sull’uso del software di calcolo numerico MATLab; per chi non lo
conoscesse, MATLab `e un potente software in grado di ottenere diversi tipi di elabo-
3.1. STFT E SPETTROGRAMMA 53
razioni dei dati in ingresso, siano essi in forma scalare o vettoriale. Su MATLab si
appoggiano diversi tipi di toolbox, in grado di effettuare le pi` u svariate operazioni.
Nel caso della trattazione, si utilizza il “Time-Frequency Toolbox”, ossia una col-
lezione di script implementanti le principali tecniche di analisi in tempo-frequenza,
tra quelle descritte durante la trattazione, recuperato dal sito:
http://tftb.nongnu.org
Dal momento che questo `e il primo esempio pratico, verr`a proposta una presen-
tazione dettagliata dei segnali introdotti, per poi osservare un’applicazione pratica
concernente la distribuzione appena analizzata, ossia lo spettrogramma.
Al fine di considerare diverse casistiche, verranno considerati sostanzialmente tre
segnali:
• Un chirp lineare;
• Due chirp lineari, considerati assieme (mediante operazione di somma, con-
sentita dalla linearit`a delle trasformazioni utilizzate);
• Un segnale sperimentale, prelevato dal sito internet precedentemente proposto,
contenente il suono emesso da un pipistrello.
I segnali (una volta posizionati tutti gli script .m nella cartella di lavoro di
MATLab) vengono caricati mediante il seguente script:
clear all
close all
load batsig
sig0 = fmlin(128, 0, 0.5, 64);
sig1 = fmlin(128, -0.2, 0, 64);
sig2 = fmlin(128, 0, 0.2, 64);
sig = sig1 + sig2;
54 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
Il segnale “sig0” `e il chirp lineare considerato singolarmente; “sig1” e “sig2”
sono i due chirp, che verranno sommati nel segnale risultante “sig”. Ciascun chirp
lineare viene ottenuto mediante il comando “fmlin()” (ossia, segnale modulato in
frequenza, con variazione lineare), i cui parametri sono il numero di punti (scelta
128 in quanto potenza di 2, al fine di semplificare i conti, come MATLab suggerisce
in fase di definizione del segnale), la frequenza normalizzata di partenza, la frequenza
normalizzata di termine, e un valore temporale di riferimento (si `e scelto il 64esimo
punto, ossia il punto “centrale”). I dati del segnale sperimentale si trovano nella
variabile “batsig”, contenuta nell’ambiente di lavoro (workspace) dopo aver eseguito
il precedente script. I risultati proposti nella trattazione sono stati ottenuti mediante
MATLab 7.5.0 (R2007b), regolando mediante la GUI del Time-Frequency Toolbox
alcune opzioni: si sceglie di proporre, per ogni analisi in tempo-frequenza effettuata,
il segnale nel dominio del tempo, il segnale nel dominio della frequenza, con due
visualizzazioni tempo-frequenza: una bidimensionale, in modalit` a “pcolor”, una in
modalit` a “surf”, tridimensionale.
Date queste premesse, `e possibile presentare i risultati dell’analisi dei tre segnali,
per quanto riguarda lo spettrogramma.
Chirp lineare singolo
L’analisi mediante spettrogramma del chirp lineare singolo, ottenuta mediante il
seguente comando:
tfrsp(sig0)
Ha prodotto i seguenti risultati:
Come finestra per lo spettrogramma non sono state introdotte opzioni; il TFTB
di base utilizza una finestra di Hamming, ossia una particolare finestra a coseno
rialzato. Si pu` o osservare che le rappresentazioni sono assolutamente coincidenti con
quelle che ci si potrebbero aspettare da un chirp: crescita lineare della frequenza al
variare del tempo. La rappresentazione non `e tuttavia eccellente: si ha una cattiva
“definizione” dell’immagine, causata dal compromesso selezionato della finestra di
Hamming al fine di ottimizzare, per quanto sia possibile, la definizione stessa e la
localizzazione delle frequenze.
3.1. STFT E SPETTROGRAMMA 55
Somma di due chirp lineari
L’analisi mediante spettrogramma della somma dei due chirp lineari `e stata ottenuta
mediante il precedente comando, applicato alla variabile “sig”. Sono stati dunque
prodotti i seguenti risultati:
Non `e possibile visualizzare il chirp a “frequenza negativa”, rispetto alla norma-
lizzazione effettuata da TFTB; a parte questa fenomenologia, non si registrano altri
particolari inconvenienti, quantomeno rispetto alla precedente analisi: il segnale `e
rappresentato mediante una localizzazione non ottimale, come ci si poteva aspettare.
Segnale sperimentale
Mediante la solita procedura, sono stati ricavati i seguenti risultati grafici:
56 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
In questo caso la finestratura risultante dalla finestra di Hamming si rivela pi` u
efficace; si tratta di un segnale molto differente dal precedente, dunque, evidente-
mente, una finestra di questo tipo sembra essere pi` u efficace, come si pu` o osservare
sia dalla figura bidimensionale sia dalla figura tridimensionale. Da un confronto con
altre distribuzioni tempo-frequenza, sar`a eventualmente possibile effettuare altre
osservazioni e confermare il giudizio proposto.
3.2 Distribuzione di Wigner-Ville
La distribuzione di Wigner (detta anche di Wigner-Ville in onore dello studioso
che la propose in termini di distribuzione tempo-frequenza) rappresenta la base
per il progetto di distribuzioni tempo-frequenza diverse da quelle in qualche modo
“collegate” allo spettrogramma.
La prima apparizione in ambito scientifico di questa distribuzione `e attribuita
al fisico Eugene Wigner, in ambito di studio di correzioni quantistiche nella teoria
della meccanica statistica, nel 1932. L’idea fondamentale nascosta dietro questa
distribuzione, idea che potrebbe in qualche modo ricordare i nostri fini, era quella di
eliminare dall’equazione di Schr¨ odinger la nota funzione d’onda Ψ, sostituendola con
una densit` a di probabilit` a variabile per`o nello spazio delle fasi, anzich´e nello spazio
convenzionalmente usato (considerando quindi una sorta di funzione d’onda variante
per`o nel dominio reciproco). A partire da queste considerazioni, Ville ri-propose,
circa quindici anni dopo l’uscita dell’articolo originale di Wigner, un articolo nel
quale sfruttava la distribuzione di Wigner in ambito tempo-frequenza, ossia per lo
studio dei segnali non-stazionari.
3.2. DISTRIBUZIONE DI WIGNER-VILLE 57
In termini del segnale x(t), o del suo spettro S(ν), la distribuzione di Wigner si
pu` o definire come:
W(t, ν) =

+∞
−∞
x

t −
1
2
τ

x

t +
1
2
τ

e
−j2πτν

Oppure:
W(t, ν) =

+∞
−∞
X

ν +
1
2
ϑ

x

ν −
1
2
ϑ

e
−j2πτϑ

Le due espressioni sono del tutto equivalenti: sostituendo nella prima definizione
l’espressione della trasformata di Fourier del segnale x(t), sfruttando le propriet` a.
Si noti il seguente fatto, dalla semplice lettura dell’espressione appena introdotta:
il valore del segnale trattato mediante la distribuzione di Wigner per un certo istante
di tempo t si ottiene sommando (mediante l’operatore integrazione) parti del segnale
in un tempo “passato” moltiplicate per parti del segnale in un tempo “futuro”.
Immaginando idealmente di sovrapporre i valori per l’insieme dei tempi “passati”
su quello dei tempi “futuri”, se vi sono sovrapposizioni, ossia punti nei quali passato
e futuro coincidono, allora questi punti saranno presenti sul piano tempo-frequenza
risultante dalla trasformazione. Ci`o `e osservabile dall’integrale: si ha, di fatto, il
prodotto di questi due termini del segnale; avere “sovrapposizioni” significa avere sia
“a destra” sia “a sinistra” valori non nulli del segnale x

t ±
1
2
τ

; questo fatto implica
che la “sovrapposizione” sar`a data dal prodotto del valore assunto dal segnale nel
tempo passato con quello del valore assunto dal segnale nel tempo futuro; questo
fatto provocher` a alcuni problemi.
3.2.1 Propriet`a della distribuzione di Wigner-Ville
In questa sottosezione verranno analizzate le principali propriet`a della distribuzione
di Wigner-Ville, al fine di completarne la caratterizzazione. Le caratteristiche ana-
lizzate saranno differenti da quelle dello spettrogramma, dal momento che si parla
di due distribuzioni tempo-frequenza fondamentalmente diverse.
Calcolo della funzione caratteristica
Una delle innovazioni nell’uso di questa distribuzione in tempo-frequenza, attribui-
bile a Ville, consiste nell’utilizzo di un approccio basato sullo studio della funzione
caratteristica della distribuzione tempo-frequenza. Si propone dunque il calcolo di
quest’ultima:
58 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
M(ϑ, τ) =

+∞
−∞

+∞
−∞
e
j2πϑt
W(t, ν)dtdν =
=

+∞
−∞

+∞
−∞

+∞
−∞
e
j2πϑt+j2πτν
x

t −
1
2
τ

x

t +
1
2
τ

e
−j2πτ

ν

dtdν =
=

+∞
−∞

+∞
−∞
e
j2πϑt
δ(τ −τ

)x

t −
1
2
τ

x

t +
1
2
τ

dt =
=

+∞
−∞
x

t −
1
2
τ

x

t +
1
2
τ

dt =
= A(ϑ, τ)
Realit`a
La distribuzione di Wigner assume valori sempre reali, anche nell’ipotesi (non fisi-
camente realizzabile) che il segnale assuma valori complessi.
Una condizione sufficiente affinch´e una generica quantit` a sia reale, `e quella
secondo cui il suo complesso coniugato sia uguale al numero stesso; nel nostro caso:
W

(t, ν) = W(t, ν)
Si verifica questo fatto:
W

(t, ν) =

+∞
−∞
x

t −
1
2
τ

x

t +
1
2
τ

e
j2πτν
dτ =
= −

+∞
−∞
x

t +
1
2
τ

x

t −
1
2
τ

e
−j2πτν
dτ =
=

+∞
−∞
x

t +
1
2
τ

x

t −
1
2
τ

e
−j2πτν
dτ = W(t, ν)
Si noti che la propriet` a di realit`a si potrebbe anche osservare a partire dalla
funzione caratteristica: se infatti vale la condizione:
M

(−ϑ, −τ) = M(ϑ, τ)
Si pu` o dire che la distribuzione sia reale. Si pu`o verificare, a partire dal calcolo
della funzione caratteristica, che questa condizione sia infatti verificata.
3.2. DISTRIBUZIONE DI WIGNER-VILLE 59
Simmetria
Una propriet`a interessante della distribuzione di Wigner-Ville `e una propriet` a di
simmetria: considerando un segnale x(t) reale nel dominio nel tempo, si sa che il
suo spettro sar`a simmetrico rispetto all’asse delle ordinate, nel dominio di Fourier;
la distribuzione di Wigner-Ville preserva questa propriet`a, per i segnali reali:
x(t) ∈ R =⇒W(t, ν) = W(t, −ν)
Marginali
Esaminando la funzione caratteristica precedentemente calcolata e ricordando i
risultati ottenuti nel capitolo precedente, si pu`o ottenere con facilit`a il fatto che:
M(ϑ, 0) =

+∞
−∞
[x(t)[
2
e
j2πϑt
dt
M(0, τ) =

+∞
−∞
[X(ν)[ e
j2πτν

Essendo queste le funzioni caratteristiche dei marginali, allora anche i marginali
sono soddisfatti. Si pu` o naturalmente dimostrare anche utilizzando la definizione di
marginali vera e propria, ma si `e scelto di utilizzare questa breve dimostrazione al
fine di sfruttare un approccio un po’ “alternativo”, che spesso si rivela fondamentale.
Traslazione in tempo e in frequenza
Tra le svariate propriet` a della distribuzione di Wigner-Ville, vi `e anche la possibilit`a
di effettuare traslazioni sia nel dominio del tempo sia nel dominio della frequen-
za, come descritto in via teorica nel capitolo precedente. L’ipotesi che si intende
verificare `e la seguente:
Se x(t) −→e
j2πν
0
t
x(t −t
0
) =⇒W(t, ν) −→W(t −t
0
, ν −ν
0
)
Ci` o si pu` o dimostrare usando la definizione di distribuzione di Wigner:
W
tras
(t, ν) =

+∞
−∞
e
−j2πν
0(
t−
τ
2
)
x

t −t
0

1
2
τ

e
−j2πντ
x

t −t
0
+
1
2
τ

dτ =
=

+∞
−∞
x

t −t
0

1
2
τ

x

t −t
0
+
1
2
τ

e
−j2πτ(ν−ν
0
)
dτ =
60 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
= W(t −t
0
, ν −ν
0
)
Propriet`a del supporto finito e bilinearit`a
Si riprenda un ragionamento precedentemente fatto: dato un generico segnale nel
dominio del tempo, al fine di comprendere qualitativamente il significato della di-
stribuzione di Wigner-Ville, un’idea potrebbe essere quella di “sovrapporre” tempi
positivi e negativi rispetto un certo tempo di riferimento t; a seconda del fatto che
vi siano o meno “sovrapposizioni” tra le due parti dei grafici, la distribuzione di
Wigner-Ville assumer`a valori nulli o non nulli.
A questo punto, si possono considerare alcune casistiche, in modo da poter de-
terminare in maniera quantomeno qualitativa la validit` a delle propriet` a del supporto
in questo tipo di distribuzioni.
1. Se il segnale nel dominio del tempo `e non nullo per tutti i tempi, la “so-
vrapposizione” provocher`a sempre la presenza di valori non-nulli, poich´e sia a
“sinistra” sia a “destra” dell’istante di riferimento t i valori assunti dal segnale
saranno non nulli.
2. Se un segnale `e nullo per un certo intervallo di valori, per esempio prima di
un certo istante t (cosa che avviene ogni qual volta si abbia un segnale causale
ad esempio, ossia un segnale nullo per t < 0), immaginando di sovrapporre il
semipiano sinistro sul semipiano destro, non vi saranno punti in cui il segnale
assumer` a valori non nulli.
3. Stesso discorso se il segnale `e non nullo solo per un certo numero di punti: solo
per tutti gli istanti di tempo “sovrapposti” in cui entrambi i segnali (passati e
futuri rispetto t) assumono valori non nulli si avr` a di fatto un valore non nullo
assunto dal segnale trattato mediante la distribuzione.
4. Ragionando mediante le sovrapposizioni, esistono casi in cui le sovrapposizioni
portano a un fatto abbastanza spiacevole: la distribuzione tempo-frequenza
pu` o assumere valori non nulli anche in intervalli in cui il segnale `e di fatto nullo.
Ci` o capita ad esempio quando il punto t `e scelto al centro di un intervallo in cui
il segnale `e nullo. Se si ha un andamento di questo genere, la sovrapposizione
tra i due segnali sar` a non nulla, dunque anche per istanti in cui il tempo `e
nullo si avr` a un risultato non-nullo per quanto riguarda la funzione di densit` a
risultante
3.2. DISTRIBUZIONE DI WIGNER-VILLE 61
Dall’ultima osservazione si pu` o evincere quello che probabilmente `e l’aspetto
pi` u negativo della distribuzione di Wigner-Ville: essa `e sostanzialmente una buona
distribuzione, poich´e soddisfa tutte le principali propriet`a, ma presenta un enorme
problema, ossia il fatto di essere una distribuzione bilineare.
Come si pu` o intuire osservando la definizione, questa distribuzione `e quadratica
(ci` o coincide con il dire “bilineare”), dal momento che la distribuzione risultante
`e ottenuta mediante la trasformazione di un segnale ottenuto dal prodotto di due
componenti del segnale di partenza, ossia quelle passate e future rispetto a un tempo
di riferimento t. Questo fatto introduce un fenomeno molto spiacevole, ossia quello
dei “cross-terms” (termini incrociati): come nel caso dell’ultima osservazione (4),
pu` o capitare che, anche per valori temporali in cui il segnale dovrebbe essere nullo,
si abbiano valori non nulli. Nell’ambito dello spettrogramma questo fatto era impu-
tabile a una cattiva finestratura sotto il punto di vista della definizione del tempo,
finestratura che mediava di fatto componenti che non dovrebbero essere presenti con
altre pi` u significative, introducendo un visibile errore nel supporto della distribuzio-
ne risultante. In questo caso la fenomenologia non dipende dal tipo di finestratura,
di campionamento che si utilizza, bens`ı dal fatto che la distribuzione di Wigner-Ville
`e bilineare, dunque per questo motivo presenta termini spuri (i cross-terms) i quali
per l’appunto presentano termini aggiuntivi negativi ai fini della rappresentazione.
Il fatto che la distribuzione sia bilineare comporta un ulteriore enorme problema:
la bilinearit` a comporta la presenza dei cross-terms, molto fastidiosi al momento di
effettuare analisi di segnali reali, ossia non-didattici (quali chirp, o segnali semplici,
dai quali si potrebbe intuire a priori quale potrebbe essere il risultato finale in
tempo-frequenza), ma soprattutto fastidiosi in quanto introducono un ulteriore fatto
nefasto: a causa dei termini incrociati, la distribuzione di Wigner-Ville di un generico
segnale pu` o assumere valori negativi. Ci` o `e inammissibile: ciascuna distribuzione
tempo-frequenza `e ideata per essere una densit`a di energia, e le funzioni di densit` a
notoriamente non devono assumere valori negativi.
Questo ultimo aspetto storicamente non ha comportato grossi problemi: la parte
negativa della distribuzione `e sempre stata “evitata”, ossia non le `e mai stato dato
un significato fisico; il fatto che ci siano termini incrociati tuttavia come gi`a detto
comporta grossi problemi nell’uso della distribuzione di Wigner, che dunque non `e
sempre idonea in ambito di analisi in tempo-frequenza.
62 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
3.2.2 Alcuni esempi teorico/pratici
Come effettuato nella precedente sezione per quanto concerne lo spettrogramma,
verranno anche in questa sezione proposti gli stessi tre esempi, in modo da poter
verificare ci`o che `e stato scritto nella parte teorica della trattazione e fare alcuni
confronti.
Chirp lineare singolo
Viene proposta l’analisi del primo esempio, ossia il chirp lineare semplice. Cambian-
do il tipo di distribuzione, cambia ovviamente il comando che si utilizza al fine di
produrre l’analisi in tempo-frequenza; in questo caso, per produrre un diagramma
tempo-frequenza basato sulla distribuzione di Wigner-Ville, si user` a il comando:
tfrwv(sig0)
Sono stati ottenuti i seguenti risultati grafici:
Come si pu` o notare immediatamente, rispetto alla precedente rappresentazione
si ha una localizzazione eccellente in tempo e in frequenza; come gi` a detto in ambito
teorico, dunque, la distribuzione di Wigner-Ville permette di rappresentare il segnale
modo estremamente definito. Si pu` o tuttavia notare, dal grafico tridimensionale,
uno dei grandi limiti di questa distribuzione: la distribuzione assume anche valori
negativi, proprio come anticipato nella teoria.
3.2. DISTRIBUZIONE DI WIGNER-VILLE 63
Somma di due chirp lineari
Si presenta a questo punto il secondo esempio, basato sulla variabile “sig”:
Sia la rappresentazione bidimensionale sia quella tridimensionale presentano l’e-
norme difetto della distribuzione di Wigner-Ville: la presenza di cross-terms. Utiliz-
zando un segnale di poco pi` u complicato rispetto al precedente, `e possibile notare in
maniera cos`ı evidente questo preoccupante limite della distribuzione. La localizza-
zione continua a essere ovviamente ottima, e il segnale principale si pu` o distinguere
semplicemente dai cross-terms, dal momento che sono ben note le sue caratteristi-
che; ancora pi` u evidente rispetto al caso precedente, inoltre, `e il contributo negativo
presente nella distribuzione. Il prossimo esempio mostrer` a in maniera ancora pi` u
evidente i limiti della distribuzione in questione.
Segnale sperimentale
Si presenta a questo punto l’esempio concernente il segnale sperimentale, basato
sulla variabile “batsig” del workspace:
Studiando un segnale “reale” i limiti della distribuzione di Wigner-Ville divengo-
no evidenti: quando il segnale non `e molto semplice, come la combinazione lineare di
chirp precedentemente presentata, la presenza dei cross-terms rende notevolmente
difficile la caratterizzazione in tempo-frequenza del segnale. Come nei casi preceden-
ti, la rappresentazione `e caratterizzata da un’ottima localizzazione delle componenti
del segnale, ma mai come ora questa rappresentazione non pu`o essere utilizzata a
scopi analitici: i termini interferenti rendono veramente troppo complicata un’ana-
64 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
lisi del segnale, rendendo preferibile un’analisi mediante spettrogramma, per quanto
le prestazioni in termini di definizione del segnale siano assolutamente peggiori.
3.3 La Classe di Cohen
Nella scorsa sezione `e stata descritta e caratterizzata una delle pi` u importanti di-
stribuzioni in ambito di tempo-frequenza: la distribuzione di Wigner-Ville. Di essa
si `e detto che ha molti vantaggi, ma anche un grosso, enorme problema: la bili-
nearit` a, e la conseguente presenza di cross-terms, ossia termini incrociati che, in
molti casi, disturbano violentemente la rappresentazione del segnale in un dominio
tempo-frequenza.
Finora sono state presentate due delle pi` u importanti distribuzioni, ossia lo spet-
trogramma e la suddetta Wigner-Ville, ma, data la semplicit` a nel progetto di nuove
distribuzioni e soprattutto la necessit` a nello studio di segnali non-stazionari (ossia le
cui caratteristiche variano al variare del tempo), continuavano a nascere distribuzioni
tempo-frequenza, pi` u o meno correlate tra loro, senza che esistesse una classificazio-
ne in grado di catalogarle e differenziarle per gli aspetti fondamentali. Tra gli anni
’40 (periodo in cui nei laboratori Bell venne ideato lo spettrogramma) e ’60 vennero
pubblicati diversi lavori nei quali si definivano, senza partire da schemi ben definiti,
diverse distribuzioni tempo-frequenza.
Nel 1966 Leon Cohen innov` o lo studio dell’analisi in tempo-frequenza, intro-
ducendo una classe di distribuzioni, detta Classe di Cohen (Cohen’s Class), in un
articolo del Journal of Mathematical Physics. Questa classe era in grado di racchiu-
3.3. LA CLASSE DI COHEN 65
dere tutte le distribuzioni tempo-frequenza, e classificarle in base a un parametro:
il cosiddetto “kernel” della distribuzione.
Si propone la formulazione della “classe generale” o “classe di Cohen”, ossia
l’espressione a partire dalla quale si ottengono tutte le rappresentazioni tempo-
frequenza:
C(t, ν) =

+∞
−∞

+∞
−∞

+∞
−∞
x

u −
1
2
τ

x

u +
1
2
τ

ϕ(ϑ, τ)e
−j2πϑt−j2πϑν−j2πϑu
dudτdϑ
Dove il “kernel” `e dato dalla funzione ϕ(t, ν).
Si osservi la formula, poich´e essa contiene elementi gi`a analizzati in precedenza:
si pu` o notare, in questa formula, un’enorme analogia con una distribuzione preceden-
temente analizzata, ossia la Wigner-Ville. Di fatto, l’osservazione di Cohen fu pro-
prio basata sulla Wigner-Ville: essa `e un’ottima distribuzione in tempo-frequenza,
a meno del problema dei cross-terms. Quello che si pu` o fare, dunque, a partire
dalla Wigner-Ville, `e utilizzarla come “prototipo” per tutte le altre distribuzioni
tempo-frequenza, cercando di eliminare i cross-terms mediante l’applicazione di una
funzione supplementare, il “kernel”, ossia una funzione in grado in qualche modo di
“filtrare” il contributo dei cross-terms. Il kernel dunque altri non rappresenta che
una funzione di filtraggio, in grado di ridurre il contenuto dei cross-terms, a costo
di peggiorare tuttavia le altre propriet`a della distribuzione di Wigner-Ville.
Ci` o in cui differiscono dunque le varie distribuzioni tempo-frequenza, utilizzan-
do la classificazione di Cohen, `e proprio questa funzione filtrante: a seconda della
rappresentazione che si intende ottenere e a seconda dei segnali che si intendono
trattare, converr` a utilizzare un kernel piuttosto che un altro.
3.3.1 Propriet`a generali del kernel
La differenziazione delle varie distribuzioni in tempo-frequenza sono generate dai
diversi kernel applicabili alla distribuzione di base, ossia alla Wigner-Ville. Al fine
di ottenere una determinata distribuzione in tempo-frequenza, `e possibile selezionare
come kernel funzioni dotate di diverse caratteristiche; al fine di imporre queste
caratteristiche, `e necessario proporre alcune condizioni, riconducibili alle condizioni
gi` a studiate precedentemente, in modo da ottenere informazioni generali.
66 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
Marginali
Al fine di ricavare una condizione generale per il kernel affinch´e la distribuzione
appartenente alla classe di Cohen soddisfi i marginali, `e necessario integrare l’e-
spressione della classe di Cohen nella variabile complementare. Si considera ad
esempio il marginale rispetto al tempo, dunque l’integrazione va fatta rispetto alla
frequenza; poich´e nessuna espressione dipende direttamente da ν, ci`o che si otterr` a
sar` a semplicemente la stessa espressione della classe di Cohen, all’interno del cui
integrale si moltiplica per una δ(τ):

+∞
−∞
C(t, ν)dν =
=

+∞
−∞

+∞
−∞

+∞
−∞
δ(τ)x

u −
1
2
τ

x

u +
1
2
τ

ϕ(ϑ, τ)e
−j2πϑt−j2πϑν−j2πϑu
dudτdϑ =
Da ci`o, osservando le analogie del capitolo precedente, si pu` o notare che ci`o
equivale a dire:
=

+∞
−∞

+∞
−∞
ϕ(ϑ, 0) [x(u)[
2
e
jϑ(u−t)
dϑdu
Si impone a questo punto che questa espressione sia uguale al modulo quadro di
x(t); a tal fine, bisogna far in modo da “eliminare” un integrale. Ci`o si pu` o ottenere,
di fatto, ponendo un integrale pari a una delta di Dirac:

+∞
−∞
ϕ(ϑ, 0)e
j2πϑ(u−t)
dϑ = δ(t −u)
L’unico modo in cui ci`o pu`o capitare, `e avere una funzione ϕ tale per cui:
ϕ(ϑ, 0) = 1
Questa `e la condizione che deve essere rispettata affinch´e la condizione sul mar-
ginale temporale sia verificata. In maniera del tutto duale, si pu` o dimostrare che la
condizione affinch´e la marginale spettrale sia rispettata, `e semplicemente:
ϕ(0, τ) = 1
Da qui si pu` o aggiungere una nota, riguardo il principio di indeterminazione:
come precedentemente affermato, il principio di indeterminazione `e verificato se
3.3. LA CLASSE DI COHEN 67
e solo se entrambe le marginali sono rispettate; se dunque si verificano entram-
be le condizioni sul kernel appena presentate, si pu`o dire che valga il principio di
indeterminazione sulla distribuzione tempo-frequenza.
Energia totale
Una delle condizioni che si possono desiderare, al fine di avere una densit` a con
significato fisico, `e il fatto che essa abbia l’energia normalizzata a 1. Questo fatto si
pu` o verificare se e solo se `e verificata la seguente condizione:
ϕ(0, 0) = 1
Ci` o si potrebbe dimostrare calcolando:

+∞
−∞

+∞
−∞
C(t, ν)dνdt
E osservando il fatto che tutti i conti tendono a ridurre l’integrale al solo valore
del kernel, valutato per τ = ϕ = 0; da qui, si normalizza il kernel a 1.
Traslazione in tempo e in frequenza
affinch´e un segnale x(t) sia traslato di un tempo t
0
e di una frequenza ν
0
, `e necessario
che esso venga trattato come:
x(t) −→e
j2πν
0
t
x(t −t
0
)
In tal caso, si pu` o dimostrare (si tralascia la dimostrazione) il fatto che la ca-
ratteristica del kernel della distribuzione tale per cui si verifichi la condizione `e la
sua indipendenza da tempo e frequenza: ϕ(ϑ, τ) `e una funzione delle variabili ϑ e
τ; se l’istante temporale o la posizione spettrale che si considera influenza il valore
del kernel scelto, allora la traslazione nel tempo e in frequenza non sar`a applicabile,
ossia non sar` a possibile dire che:
x(t) −→e
j2πν
0
t
x(t −t
0
) =⇒C
tras
(t, ν) = C(t −t
0
, ν −ν
0
)
Riscalamento
Una propriet` a introdotta solo in un contesto teorico e generico, ma non ancora
riscontrata in una distribuzione tempo-frequenza, `e la propriet` a del riscalamento.
Dato x
sc
=

a x(at), si vorrebbe che:
68 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
C
sc
(t, ν) = C

at,
ν
a

Questa condizione `e verificata se e solo se il kernel `e una funzione del solo prodotto
delle due variabili: anzich´e variare nelle due singole variabili ϑ e τ, il kernel deve
variare secondo una funzione del prodotto delle due variabili, ossia ϑ τ. A questa
condizione, la distribuzione progettata a partire dalla classe di Cohen rispetta la
propriet` a di riscalamento.
Supporto finito debole e forte
Esistono due condizioni per quanto riguarda sia la propriet` a del supporto finito
debole sia per la propriet`a del supporto finito forte. Come si pu` o immaginare,
quella del supporto finito forte sar` a pi` u stringente rispetto all’altra. Si descriver` a
esclusivamente la condizione nel tempo, poich´e quella in frequenza ha motivazioni
del tutto analoghe a quella nel tempo.
Affinch´e sia verificata la propriet`a del supporto finito debole, `e necessario che
la distribuzione valga zero prima che il segnale incominci ad assumere valori non
nulli, e dopo che smetta di assumerne; ci` o si pu` o identificare mediante la seguente
condizione:

+∞
−∞
ϕ(ϑ, τ)e
−j2πϑt
dϑ = 0, [τ[ ≤ 2 [t[
Per quanto riguarda la frequenza:

+∞
−∞
ϕ(ϑ, τ)e
−j2πτν
dτ = 0, [ϑ[ ≤ 2 [ν[
La condizione sul supporto finito forte `e ancora pi` u stringente: supporto finito
forte significa che la distribuzione vale zero per un certo intervallo in cui il segnale
vale zero. Nel caso di distribuzioni bilineari, sono valide le seguenti propriet` a; per
quanto riguarda il tempo:

+∞
−∞
ϕ(ϑ, τ)e
−j2πϑt
dϑ = 0, [τ[ = 2 [t[
E per quanto riguarda la frequenza:

+∞
−∞
ϕ(ϑ, τ)e
−j2πτν
dτ = 0, [ϑ[ = 2 [ν[
3.3. LA CLASSE DI COHEN 69
3.3.2 Distribuzione di Choi-Williams
Si vuole proporre a questo punto una delle pi` u significative applicazioni teori-
co/pratiche nate in seguito alla classificazione di Cohen: la funzione di distribuzione
di Choi-Williams. Il nome della distribuzione deriva dagli studiosi che, nel 1989, la
proposero per la prima volta, e attualmente `e una delle distribuzioni pi` u utilizzate
in ambito di studio di segnali non-stazionari.
Come precedentemente detto, la funzione “kernel” rappresenta sostanzialmente
un filtro, atto a eliminare i contributi dei cross-terms provocati dalla bilinearit` a della
funzione di distribuzione di Wigner-Ville. Traendo ispirazione dalla parola “filtro”,
si pu` o provare a motivare, quantomeno sotto un punto di vista molto intuitivo, il
significato del kernel applicato da Choi e Williams:
ϕ(ϑ, τ) = e

(ϑτ)
2
σ
Dove σ `e un parametro modificabile a seconda del segnale e del tipo di filtraggio.
Questo andamento potrebbe ricordare un concetto molto noto in elettronica:
quello di filtro passa-basso. Come `e ben noto dallo studio dell’Elettrotecnica e
dell’Automatica, una funzione di trasferimento del tipo:
H(jω) =
1
jω + jω
0
Presenta un polo sulla pulsazione −ω
0
; antitrasformando questa espressione, `e
possibile ritrovare una funzione di tipo esponenziale. Altro modo di vedere la cosa,
`e il fatto che un filtro passa basso si realizza con un condensatore in un ramo in pa-
rallelo al circuito; l’equazione risultante del circuito `e differenziale del primo ordine,
dunque la soluzione avr`a un andamento di tipo esponenziale, essendo l’esponenziale
l’autofunzione dell’operatore “derivata”. L’idea di Choi e Williams, dunque, `e quella
di utilizzare un filtro di tipo passa basso, al fine di tentare di eliminare i disturbi
provocati dai cross-terms.
La distribuzione risultante, C
x
(t, ν), sar`a, sostituendo le espressioni:
C
CW
(t, ν) =

+∞
−∞

+∞
−∞

+∞
−∞
x

u −
1
2
τ

x

u +
1
2
τ

e

(ϑτ)
2
σ
e
−j2πϑt−j2πϑν−j2πϑu
dudτdϑ
Se ne esaminano a questo punto le principali caratteristiche:
70 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
Propriet`a del supporto finito forte e debole
Si esamina a questo punto la propriet` a del supporto finito, utilizzando la nozione
precedentemente introdotta:

+∞
−∞
ϕ(ϑ, τ)e
−j2πϑt
dϑ =

πσ
τ
2
e

σt
2

2
Come si pu`o vedere, in teoria la condizione sul supporto forte non `e rispetta-
ta; la condizione che permette la validazione della propriet`a del supporto debo-
le, invece, tendenzialmente non `e valida, a meno che non si considerino valori di
σ sufficientemente elevati, in modo da permettere che l’esponenziale assuma va-
lori sufficientemente bassi da essere considerati simili a 0, quantomeno in prima
approssimazione.
Marginali
Si pu`o verificare banalmente, utilizzando le propriet` a precedentemente ricavate,
che il kernel di Choi-Williams soddisfa entrambe le marginali; osservando infatti
l’espressione del kernel:
ϕ(ϑ, τ) = e

(ϑτ)
2
σ
Sia che ϑ = 0, sia che τ = 0, il kernel senza dubbio varr` a 1, dunque entrambe le
marginali saranno soddisfatte:
ϕ(0, τ) = ϕ(ϑ, 0) = 1
Riduzione dell’interferenza di cross-term
Lo scopo per cui vengono progettate distribuzioni in tempo-frequenza basate sull’uso
di kernel di Choi-Williams, come dovrebbe ormai esser ben noto, `e ridurre l’interfe-
renza dovuta ai termini incrociati nati a causa della bilinearit` a della distribuzione
di Wigner. A seconda di come si “impostano” i parametri della Choi-Williams,
nella fattispecie a seconda di come si sceglie σ, si potr` a avere un diverso effetto di
filtraggio sulla distribuzione in tempo-frequenza. Come si pu`o osservare dall’espres-
sione del kernel, il parametro σ regola “quanto” viene introdotto il peso del kernel
nella distribuzione complessiva: se il valore di σ `e molto elevato, ad esempio, si
pu` o vedere che l’argomento dell’esponenziale tende asintoticamente a 0, ma quindi
3.3. LA CLASSE DI COHEN 71
l’esponenziale a valere 1. La distribuzione tempo-frequenza con kernel unitario `e la
Wigner-Ville; si pu` o immaginare che un valore elevato di σ non sia troppo indicato.
Unica nota: il fatto di “filtrare” la distribuzione tempo-frequenza non `e sem-
pre positivo: utilizzare un filtraggio eccessivo potrebbe comportare una perdita di
informazione, ad esempio una perdita di risoluzione in tempo-frequenza; se da un
lato dunque un σ elevato comporterebbe un filtraggio troppo basso, e la presen-
za troppo evidente di termini incrociati, dall’altro un sigma troppo basso potrebbe
comportare un filtraggio troppo elevato e quindi danneggiare eccessivamente le in-
formazioni sul piano tempo-frequenza, comportando perdita di informazione. Come
in ogni cosa, `e necessario trovare un buon compromesso tra filtraggio e definizione
in tempo-frequenza, in modo da ottenere un buon risultato.
3.3.3 Alcuni esempi teorico/pratici
Viene infine presentata, come precedentemente effettuato nelle due grandi distri-
buzioni tempo-frequenza proposte, una serie di esempi pratici ottenuti mediante il
TFTB. A priori ci si pu` o aspettare un risultato peggiore in termini di definizio-
ne, rispetto alla precedente Wigner-Ville, ma un’attenuazione dei cross-terms, che
dovrebbero diventare meno influenti.
Chirp lineare singolo
Viene proposta l’analisi del primo esempio, ossia il chirp lineare semplice. Cambian-
do il tipo di distribuzione, cambia ovviamente il comando che si utilizza al fine di
produrre l’analisi in tempo-frequenza; in questo caso, per produrre un diagramma
tempo-frequenza basato sulla distribuzione di Choi-Williams, si user` a il comando:
tfrcw(sig0)
Il calcolatore ha dunque prodotto il seguente risultato:
Nel caso del chirp lineare semplice si ottiene un risultato pi` u definito rispetto
allo spettrogramma, ma assolutamente meno definito rispetto alla distribuzione di
Wigner-Ville, che per l’analisi di questo segnale risulta essere la migliore; il segnale
appena studiato `e tuttavia molto semplice, poich´e tendenzialmente non presenta
“sovrapposizioni di frequenze”, ossia la presenza di diverse frequenze per gli stessi
tempi, limitando dunque gli effetti negativi; si pu`o immaginare che, se i futuri
72 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
risultati saranno di questa portata, delle tre distribuzioni questa potrebbe essere
la migliore, nonostante la non eccellente definizione.
Somma di due chirp lineari
Si analizza mediante la distribuzione di Choi-Williams la somma dei due chirp lineari,
ottenendo il seguente risultato:
Si pu` o a questo punto apprezzare la potenza di questa distribuzione: i cross-terms
sono stati eliminati in maniera del tutto efficace, perdendo senza dubbio parte della
risoluzione della distribuzione di Wigner-Ville, ma senza raggiungere livelli negativi
quali quelli dello spettrogramma.
3.3. LA CLASSE DI COHEN 73
Segnale sperimentale
Viene analizzato il segnale sperimentale:
Anche in questo caso il risultato ottenuto sembra essere ottimo: buona defi-
nizione, ossia buona localizzazione in tempo e in frequenza, e scarsa presenza di
cross-terms. Si pu`o certamente dire, da questi esempi, di aver trovato un’ottima
distribuzione tempo-frequenza: localizzazione non ottima ma sicuramente soddisfa-
cente, quantomeno per molte applicazioni, e ottima rimozione dei termini interferenti
causati dalla bilinearit`a della distribuzione di Wigner.
74 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA
Appendice A
Introduzione alla rappresentazione
di spazi funzionali
La presente appendice si prepone sostanzialmente alcuni obiettivi: un’introduzione
ai concetti fondamentali necessari per caratterizzare spazi molto pi` u complicati da
studiare rispetto al tipico caso degli spazi vettoriali reali su due o tre dimensioni,
introduzione a partire dalla quale si proporranno metodi per la rappresentazione di
spazi di dimensioni finite e infinite. Questa introduzione permetter` a di introdurre il
secondo obiettivo, ossia considerare le serie di Fourier come esempio banale di svilup-
po, mediante una base ortonormale, di funzioni appartenenti a una ben determinata
classe; sulla falsa riga delle serie di Fourier, verr`a proposta una delle rappresenta-
zioni classiche di segnali in tempo-frequenza, sfruttando la teoria introdotta nella
trattazione e nell’appendice in questione.
A.1 Introduzione agli spazi funzionali
La fisica per molti anni (fino all’avvento della cosiddetta “fisica moderna”) ha po-
tuto utilizzare, al fine di realizzare modelli di vario genere, strumenti matematici
relativamente semplici e che in qualche modo potrebbero essere compresi mediante
semplici esempi concernenti il mondo in cui viviamo: l’analisi matematica in una o
pi` u variabili, di fatto, introduce metodi in grado di studiare sotto un punto di vista
qualitativo e quantitativo fenomenologie presenti in spazi molto semplici da vedere
e modellizzare, dal momento che sono molto simili al mondo in cui viviamo. A meno
di effetti relativistici, infatti, il mondo `e modellizzabile mediante un semplice spazio
vettoriale euclideo continuo di dimensione 3, R
3
; mediante l’uso di metodi analitici
75
76APPENDICE A. INTRODUZIONE ALLARAPPRESENTAZIONE DI SPAZI FUNZIONALI
introdotti su spazi di questo tipo, `e possibile studiare fenomenologie riguardanti la
meccanica, la termodinamica, la fluidodinamica, l’elettromagnetismo, l’ottica e tut-
te le altre branche della cosiddetta “fisica classica”. La nascita di nuove branche
della fisica, appartenenti alla cosiddetta “fisica moderna”, ha comportato, al fine di
introdurre una modellistica completa, la nascita di nuovi spazi sui quali `e necessario
operare, spazi ben pi` u complicati da studiare e meno riconducibili alla nostra con-
cezione di “spazio”: il fatto di introdurre nella fisica componenti aleatorie introduce
la necessit` a di utilizzare spazi ad esempio con un numero infinito di dimensioni, o
non euclidei, sui quali identificare e utilizzare vari modelli.
Come si pu` o immaginare, costruire da zero una teoria, una definizione di spazio,
non `e assolutamente semplice, poich´e potrebbe stravolgere la vecchia concezione di
spazio; ci` o che `e stato fatto, `e cercar di “generalizzare”, a partire da nozioni ben
comprese, la concezione di spazio n-dimensionale, ottenendo caratteristiche minimali
che uno spazio deve possedere al fine di essere caratterizzabile.
A.1.1 Spazi metrici
Uno spazio metrico `e un concetto astratto che permette di studiare elementi ana-
litici basilari gi` a affrontati nell’analisi classica, quali la convergenza di successioni
o la continuit`a di funzioni. Alla base della possibilit` a di studiare un determinato
spazio, `e necessario “pretendere” qualcosa da esso, ossia identificare caratteristiche
che possono essere utilizzate per classificare i vari tipi di spazi esistenti; riportandosi
ad un concetto intuitivo, un buon modo per definire gli “spostamenti” su di uno
spazio `e quello di introdurre un concetto in grado di definire, in un dato spazio, una
distanza. Quello che si intende fare dunque `e cercare spazi nei quali sia possibile
definire una “metrica”, ossia una funzione in grado di rappresentare, nello spazio in
studio, il concetto di distanza.
Una metrica su di un insieme M `e una funzione d : M M −→ R che soddisfi
le seguenti propriet`a.
Per ogni x, y, z ∈ M:
• d(x, y) ≥ 0;
• d(x, y) = 0 ⇐⇒x = y;
• d(x, y) = d(y, x);
• d(x, z) ≥ d(x, y) + d(y, z) ( Diseguaglianza di Minkowski, o Diseguaglianza
triangolare ).
A.1. INTRODUZIONE AGLI SPAZI FUNZIONALI 77
Se la funzione d `e una metrica su M, allora la coppia (M, d) `e chiamata “spazio
metrico”.
Si noti che su di un insieme M potrebbe essere possibile definire pi` u di una
metrica (a condizione che essa non sia composta da un singolo punto); se tuttavia a
partire da un dato insieme M `e evidente quale sar`a la conseguente metrica utilizzata,
spesso si riduce la notazione chiamando direttamente M e non la coppia (M, d)
“spazio metrico”.
Si sappia che, dato N un sottoinsieme dello spazio metrico M (con metrica d),
dunque N ⊂ M, `e possibile, per ogni x, y ∈ N, limitare il dominio della metrica d
a N, ottenendo quella comunemente detta “metrica indotta”. Non si approfondisce
l’argomento, poich´e non fondamentale ai termini della trattazione; si sceglie di intro-
durre alcune ulteriori definizioni e teoremi riguardanti la convergenza di successioni
su spazi metrici, poich´e pi` u avanti potrebbero tornare utili.
Data una successione ¦x
n
¦ in uno spazio metrico (M, d), essa si dice “convergen-
te” a un certo x ∈ M se, dato ε > 0, esiste un N ∈ N tale per cui:
d(x, x
n
) < ε ∀n ≥ N
Come nel caso dell’analisi in una variabile, `e possibile definire il concetto di limite
della successione a partire da questo concetto, dicendo che:
lim
n→∞
x
n
= x
A partire da ci` o, data la successione ¦x
n
¦ definita nello spazio metrico (M, d),
essa `e detta “successione di Cauchy” se:
∀ ε > 0 ∃N ∈ N : d(x
m
, x
n
) < ε ∀m, n ≥ N
A partire da ci`o che `e stato finora definito, `e possibile dire le stesse cose in
differenti maniere; le precedenti definizioni sono equivalenti a:
d(x, x
n
) →0, n →∞; d(x
m
, x
n
) →0, m, n →∞
Si pu` o a questo punto introdurre un teorema molto importante: data ¦x
n
¦ una
successione convergente in uno spazio metrico (M, d), allora:
• Il limite
x = lim
n→∞
x
n
78APPENDICE A. INTRODUZIONE ALLARAPPRESENTAZIONE DI SPAZI FUNZIONALI
esiste ed `e unico;
• Ogni sottosuccessione di ¦x
n
¦ converge a x;
• ¦x
n
¦ `e una successione di Cauchy.
A partire da questo teorema `e possibile definire diverse propriet` a e classi di
sottoinsiemi di spazi metrici, introducendo una topologia per spazi di questo tipo;
dal momento che le nozioni topologiche non sono fondamentali per la trattazione,
non si proseguir`a, tuttavia si pu`o immaginare che esistano enormi analogie con
le nozioni topologiche dell’analisi in pi` u variabili; si sceglie dunque di privilegiare
alle nozioni topologiche, date per scontate, alcune ulteriori nozioni, concernenti la
continuit`a delle funzioni su spazi metrici.
Dati gli spazi metrici (M, d
M
) e (N, d
N
), data la funzione f : M −→N:
• La funzione f `e continua sul punto x ∈ M se:
∀ε > 0 ∃δ > 0 : d
N
(f(x), f(y)) < ε, ∀y ∈ M
• La funzione f `e continua su M se `e continua su ogni punto di M;
• La funzione f `e uniformemente continua su M se:
∀ε > 0 ∃δ > 0 : ∀x, y ∈ M, d
M
(x, y) < δ =⇒ d
N
(f(x), f(y)) < ε
Dove δ `e un numero scelto indipendentemente da x e y.
Vale, a partire da queste definizioni, il seguente teorema: date (M, d
M
), (N, d
N
)
spazi metrici, e f : M −→N una funzione, allora:
• f `e continua su x ∈ M se e solo se per ogni successione ¦x
n
¦ definibile sullo
spazio metrico (M, d
M
) con x
n
convergente a x, la successione di funzioni
¦f(x
n
)¦ in (N, d
N
) converge alla funzione f(x);
• f `e continua su M se e solo se sono valide entrambe le seguenti condizioni:
1. Per ogni insieme aperto A ⊂ N, l’insieme f
−1
(A) ⊂ M `e ancora aperto;
2. Per ogni insieme chiuso A ⊂ N, l’insieme f
−1
(A) ⊂ M `e ancora chiuso.
A.1. INTRODUZIONE AGLI SPAZI FUNZIONALI 79
Uno spazio metrico (M, d) si dice completo se ogni successione di Cauchy `e
convergente nel suddetto spazio metrico. Allo stesso modo, dato A ⊂ M, A `e
completo se ogni successione di Cauchy in A converge a un elemento di A.
Un generico spazio vettoriale di k dimensioni, F
k
con k ≥ 1 `e uno spazio me-
trico completo; ci`o `e abbastanza intuitivo: si tratta di una semplice estensione a
k dimensioni della retta reale. Non `e purtroppo assolutamente garantito il fatto
che uno spazio metrico sia completo, anche se gli esempi considerati nel seguito
dell’appendice lo saranno.
Al fine di completare le nozioni preliminari atte a definire gli spazi su cui si ope-
rer` a, si introduce un’ulteriore definizione, con alcune conseguenze ad essa annesse:
la definizione di compattezza.
Dato uno spazio metrico (M, d), un insieme A ⊂ M `e compatto se ogni suc-
cessione ¦x
n
¦ in A contiene una sottosuccessione che converga a un elemento di
A. Un insieme A ⊂ M `e relativamente compatto se la chiusura A `e compatta. Se
l’intero insieme M `e compatto, allora lo spazio metrico (M, d) `e uno spazio metrico
compatto.
Dato uno spazio metrico (M, d) e un sottoinsieme di M, A ⊂ M, allora:
• Se A `e completo allora esso `e chiuso;
• Se M `e completo allora A `e completo se e solo se `e chiuso;
• Se A `e compatto allora esso `e chiuso e limitato;
Vale il teorema di Bolzano - Weierstrass: ogni sottoinsieme chiuso e limitato di
uno spazio vettoriale a k dimensioni `e compatto.
La compattezza `e una propriet`a molto potente e importante, ma spesso `e difficile
da ottenere; il teorema di Bolzano - Weierstrass riesce a garantirla per un grosso
insieme di spazi; nella teoria pi` u generale, quella degli spazi metrici, si han situazioni
differenti: spesso, gli spazi metrici sono costituiti da insiemi di funzioni definite su
altri spazi (questo, capita spesso parlando di analisi funzionale). Limitandoci a
parlare di spazi vettoriali, dei quali studieremo in sostanza una “famosa estensione”
(gli spazi di Hilbert), si pu` o introdurre un altro teorema piuttosto interessante.
Dato uno spazio metrico compatto (M, d), data una funzione f : M −→ F
continua, allora esiste una costante b > 0 tale per cui
[f(x)[ ≥ b ∀x ∈ M
80APPENDICE A. INTRODUZIONE ALLARAPPRESENTAZIONE DI SPAZI FUNZIONALI
Ossia, f `e limitata. Se nel dettaglio F ≡ R, allora l’estremo superiore (sup) e
inferiore (inf) della funzione esistono e sono finiti, ossia esistono x
s
e x
i
, x
s
, x
i
∈ M,
tali per cui:
f(x
s
) = sup ¦f(x) : x ∈ M¦ , f(x
i
) = inf ¦f(x) : x ∈ M¦
A.1.2 Spazi normati
Si `e detto che pu` o essere molto importante, al fine di caratterizzare spazi complicati,
introdurre un concetto di distanza. Un ulteriore concetto molto interessante sotto il
punto di vista dell’attuale trattazione `e quello di “norma”: come in spazi vettoriali
ordinari, quali R
2
o R
3
si pu`o introdurre l’idea di “lunghezza” di un vettore, in spazi
vettoriali generici, ad esempio infinito-dimensionali, si pu` o introdurre un concetto
analogo, ossia il gi` a citato concetto di norma.
Dato un generico spazio vettoriale X definito a partire da F, una norma su X si
definisce come una funzione [[.[[ : X −→ R tale per cui qualsiasi punto x, y ∈ X e
α ∈ F `e tale da:
• [[x[[ ≥ 0;
• [[x[[ = 0 se e solo se x = 0;
• [[αx[[ = [α[ [[x[[;
• [[x + y[[ ≤ [[x[[ +[[y[[.
Se nello spazio vettoriale X esiste una norma, allora esso `e anche chiamato
“spazio vettoriale normato” o “spazio normato”. Se X `e uno spazio normato, viene
detto “vettore unit`a” qualsiasi x tale per cui [[x[[ = 1.
Spazi normati finito-dimensionali
Gli esempi pi` u basilari di spazi normati sono sicuramente quelli finito-dmensionali.
Si pu`o dimostrare che qualsiasi spazio finito-dimensionale sia normato, anche se la
norma dipende dalla scelta della base utilizzata per generare lo spazio. Su ciascuno
spazio si possono introdurre diversi tipi di norme, in diverse maniere; a seconda
delle caratteristiche dello spazio, tuttavia, una norma potrebbe essere scambiata
con un’altra; si introducono a tal scopo alcune definizioni.
Dato lo spazio vettoriale X, e date [[.[[
1
e [[.[[
2
due norme su X, si dice che le
due norme siano equivalenti se esistono m e M tali per cui, per ogni x ∈ X:
A.1. INTRODUZIONE AGLI SPAZI FUNZIONALI 81
m[[x[[
1
≤ [[x[[
2
≤ M[[x[[
1
A partire dalla definizione di norma, `e possibile trovare un collegamento con gli
spazi metrici. Dati nella fattispecie X uno spazio vettoriale, e date [[.[[ e [[.[[
1
norme
sullo spazio vettoriale X, date d e d
1
le metriche definite da d(x, y) = [[x −y[[,
d
1
(x, y) = [[x −y[[
1
, supposto che esista un K > 0 tale per cui [[x[[ ≤ K[[x[[
1
per
ogni x ∈ X, data ¦x
n
¦ una successione su X
• Se ¦x
n
¦ converge a x nello spazio metrico (X, d
1
) allora ¦x
n
¦ converge a x
nello spazio metrico (X, d);
• Se ¦x
n
¦ `e una successione di Cauchy sullo spazio metrico (X, d
1
) allora ¦x
n
¦
`e una successione di Cauchy nello spazio metrico (X, d).
A partire da ci` o `e possibile introdurre dei corollari in grado di caratterizzare uno
spazio metrico metrico a partire dalla conoscenza delle carattestiche di un altro:
data ¦x
n
¦ una successione definita sullo spazio vettoriale X:
• La successione ¦x
n
¦ converge a x nello spazio metrico (X, d) se e solo se essa
converge a x anche nello spazio metrico (X, d
1
);
• La successione ¦x
n
¦ `e di Cauchy nello spazio metrico (X, d) se e solo se lo `e
anche nello spazio metrico (X, d
1
);
• Lo spazio metrico (X, d) `e completo se e solo se anche (X, d
1
) `e completo.
Spazi di Banach
Parlando nella fattispecie di spazi infinito-dimensionali, dato ad esempio uno spazio
vettoriale X, `e possibile che esistano differenti norme su X non equivalenti. Nel-
la fattispecie, oltre a questa propriet` a, vi sono altre propriet` a non estensibili in
maniera naturale al caso di spazi infinito-dimensionali. Ci` o che si intende fare in
questa sottosezione, dunque, `e ricercare, un insieme di propriet`a basilari per gli spazi
infinito-dimensionali, in modo da poter introdurre una teoria basilare sugli spazi di
Hilbert.
A partire da tutti i teoremi colleganti norma, metrica e completezza introdotti
su spazi finito-dimensionali, si introduce una fondamentale classe di spazi: gli spazi
di Banach.
82APPENDICE A. INTRODUZIONE ALLARAPPRESENTAZIONE DI SPAZI FUNZIONALI
Per spazio di Banach si intende un generico spazio vettoriale normato completo
rispetto alla metrica associata alla norma. Si completa ora il discorso generale sugli
spazi normati, introducendo un ultimo teorema, in grado di permettere una migliore
classificazione degli spazi di Banach:
• Ogni spazio vettoriale normato finito-dimensionale `e uno spazio di Banach;
• Se X `e uno spazio metrico compatto allora l’insieme delle funzioni continue
definite su X, C
F
(X), `e uno spazio di Banach;
• l
p
`e uno spazio di Banach, per 1 ≤ p ≤ ∞;
• Se X `e uno spazio di Banach e Y `e un sottospazio lineare di X, allora Y `e uno
spazio di Banach se e solo se Y `e chiuso in X.
A.2 Spazi infinito-dimensionali
A.2.1 Prodotti scalari
Sono state introdotte le principali idee in grado di permettere una caratterizzazione
di un generico spazio. Come si sa dallo studio dell’algebra lineare, e dall’introduzione
della scorsa sezione, `e possibile identificare la “lunghezza di un vettore” mediante
una funzione detta “norma”.
Un altro concetto molto importante, assieme a quello di norma, `e quello di “pro-
dotto scalare”. Come si sa dalla fisica, un significato attribuibile, in uno spazio
finito-dimensionale (esempio classico utilizzato in fisica e ingegneria `e lo spazio vet-
toriale reale tridimensionale, R
3
), il prodotto scalare tra due vettori appartenenti allo
spazio rappresenta una proiezione del primo vettore sul secondo. Dati due vettori
a, b ∈ R
3
:
a =

a
1
a
2
a
3

b =

b
1
b
2
b
3

'a[b` a
1
b
1
+ a
2
b
2
+ a
3
b
3
Ci` o si pu` o esprimere anche in forma polare:
'a[b` = [[a[[ [[b[[ cos(ϑ)
Dove come norme si utilizza la norma 2, o norma euclidea:
A.2. SPAZI INFINITO-DIMENSIONALI 83
[[a[[ =

a
2
1
+ a
2
2
+ a
2
3
; [[b[[ =

b
2
1
+ b
2
2
+ b
2
3
E ϑ `e l’angolo compreso tra i due vettori.
In un generico spazio vettoriale reale X, per prodotto interno si definisce una
funzione '.[.` definita su X X −→R tale per cui, per ogni x, y, z ∈ X, e α, β ∈ R:
• 'x[x` ≥ 0;
• 'x[x` = 0 se e solo se x = 0;
• 'αx + βy[z` = α'x[z` + β'y[z`;
• 'x[y` = 'y[x`.
Nel caso lo spazio X anzich´e reale sia complesso, la quarta propriet` a assume una
variante:
'x[y` = 'y[x`
Dato X un generico spazio dotato di prodotto scalare, dati x, y ∈ X, allora:
• ['x[y`[
2
≤ 'x[x` 'y[y`
• La funzione [[.[[ : X −→R definita come [[x[[ = 'x[x`
1
2
`e una norma su X.
Il fatto che siano valide le precedenti affermazioni `e fondamentale al fine di
introdurre uno degli elementi pi` u interessanti in ambito di spazi sui quali `e defini-
to un prodotto scalare: la diseguaglianza di Cauchy-Schwartz; la prima delle due
affermazioni si pu` o infatti riscrivere come:
['x[y`[ ≤ [[x[[ [[y[[
A.2.2 Ortogonalit`a
Introdurre i prodotti scalari `e fondamentale al fine di introdurre il concetto di “fase”
per generici vettori appartenenti a generici spazi. Come si sa, su di uno spazio sul
quale `e definito un prodotto scalare, `e valida la diseguaglianza di Cauchy-Schwartz.
A partire da essa, si pu` o dire che:
−1 ≤
'x[y`
[[x[[ [[y[[
≤ 1
84APPENDICE A. INTRODUZIONE ALLARAPPRESENTAZIONE DI SPAZI FUNZIONALI
Quindi si pu` o dire che la fase ϑ si pu`o definire come:
ϑ = cos
−1

'x[y`
[[x[[ [[y[[

Questo concetto di fase `e molto semplice da interpretare su spazi “semplici”, quali
l’ormai classico spazio vettoriale di dimensione 2 (piano): si tratterebbe, infatti,
dell’angolo compreso tra due vettori.
Quando ci si trova in uno spazio pi` u complicato, un concetto di fase, in questo
senso, non ha molto senso: quando si ha infatti a che fare con 4, 5, o infinite dimen-
sioni, la sola visualizzazione dello spazio `e estremamente difficile (per non dire impos-
sibile), dunque i significati geometrici di questo tipo vanno abbandonati. Lo scopo
della presente sezione, tuttavia, non `e quella di introdurre rappresentazioni visive,
geometriche di un vettore in un generico spazio, bens`ı ottenere particolari condizioni
in grado di facilitare lo studio di spazi per ora impossibili da caratterizzare.
Una condizione molto importante, al fine di caratterizzare spazi anche di tipo
molto particolare, `e la ricerca dell’indipendenza lineare dei vettori appartenenti allo
spazio: come `e noto, un insieme di vettori linearmente indipendenti che, se combinati
mediante trasformazioni lineari di vario genere, riescono a generare l’intero spazio,
formano una cosiddetta “base”.
Una condizione molto interessante che due vettori possono avere tra loro `e
l’ortogonalit` a, ossia il fatto che la fase compresa tra loro sia pari a:
K
π
2
, K ∈ N
in questo caso, infatti, cos(ϑ) = 0.
A partire dalla definizione di prodotto scalare, `e possibile proporre dunque la
seguente definizione: dato un generico spazio sul quale `e definito un prodotto scalare,
X, dati i vettori x, y ∈ X, essi sono detti ortogonali se
'x[y` = 0
Introduciamo a questo punto alcune definizioni e alcuni teoremi a partire da
questa definizione, in modo da sfruttare in modo massiccio l’ortogonalit` a tra due
vettori.
Dato X uno spazio sul quale `e associato un prodotto scalare, l’insieme ¦e
1
, e
2
, ..., e
k
¦ ⊂
X `e detto ortonormale se [[e
n
[[ = 1 per 1 ≤ n ≤ k, e 'e
m
[e
n
` = 0 per ogni m = n.
A partire da questo risultato `e possibile introdurre un altro teorema, fondamen-
tale e che da qui in poi permetter` a l’introduzione di una caratterizzazione totale
A.2. SPAZI INFINITO-DIMENSIONALI 85
di una larga classe di spazi: ogni insieme ortonormale di dimensione k, formato da
¦e
1
, ..., e
k
¦ `e linearmente indipendente. Nel caso lo spazio X sia k-dimensionale,
allora l’insieme in questione rappresenta una base ortonormale per lo spazio; ci`o
significa che, in altre parole, qualsiasi elemento (vettore) x ∈ X pu` o essere espresso
come:
x =
k
¸
n=1
'x[e
n
`e
n
Ossia, pu` o essere intuitivamente presentato come la somma di tutte le proiezioni
del vettore su ciascun elemento della base ortonormale, moltiplicato per il vettore
della base ortonormale.
Due sono gli elementi particolarmente interessanti in questa rappresentazione: il
fatto che ci sia questo concetto di “proiezione”, e il fatto che si possa interamente
ottenere il risultato come “somma” delle proiezioni. Vediamo perch´e tutto ci` o `e
possibile:
• Si `e detto che l’insieme ortonormale `e una base per lo spazio; si vuole ricordare
e ribadire, al fine di chiarificare le idee, che una base `e un insieme di vettori
in grado di rappresentare qualsiasi vettore appartenente allo spazio. Come
si sa dai corsi di algebra lineare, infatti, per “base” si intende un insieme di
vettori tali da essere dei generatori linearmente indipendenti. Il fatto che vi sia
indipendenza lineare `e garantito dall’ortonormalit` a dei vettori, mentre il fatto
che siano generatori, ossia in grado di “raggiungere” qualsiasi vettore dello
spazio `e dato dal fatto che la dimensione dell’insieme coincide, per ipotesi, con
la dimensione dello spazio in questione;
• Molto interessante `e il fatto che la combinazione con la quale si combinano i
vari elementi `e dato da una semplice somma pesata: ciascun “peso” `e dato dalla
proiezione, ottenuta come si pu` o immaginare mediante prodotto scalare di un
vettore dall’orientamento qualsiasi sullo spazio, su di un vettore ben definito.
Proiettare significa considerare il peso, rispetto al vettore, della variazione nello
spazio a partire da una singola componente (una di k, dove k `e la dimensione
dello spazio). Il fatto che la combinazione pesata sia ottenuta mediante una
somma, `e possibile dal momento che tutti gli spazi in studio sono rigorosamente
lineari, dunque chiusi rispetto all’operazione di somma e di moltiplicazione
per scalare. Si pu`o dire che, anche in questi spazi generici, valga il principio
di sovrapposizione degli effetti, dunque che la somma permetta di avere una
combinazione valida.
86APPENDICE A. INTRODUZIONE ALLARAPPRESENTAZIONE DI SPAZI FUNZIONALI
Si introduce un teorema, fondamentale soprattutto in ambito di spazi a dimensio-
ne infinita, che per la sua importanza merita di essere dimostrato: dato X uno spazio
k-dimensionale sul quale `e definito un prodotto scalare, data una base ortonormale
¦e
1
, ..., e
k
¦, allora, per ogni valore di k:

k
¸
n=1
a
n
e
n

2
=
k
¸
n=1
[a
n
[
2
Dimostrazione: considerando l’ipotesi di ortogonalit` a e le propriet`a del prodotto
scalare, `e possibile sviluppare il membro sinistro dell’equazione come:

k
¸
n=1
a
n
e
n

2
=

k
¸
m=1
a
m
e
m

k
¸
n=1
a
n
e
n
¸
=
k
¸
m=1
k
¸
n=1
a
m
a
n
'e
m
[e
n
` =
=
k
¸
n=1
a
n
a
n
=
k
¸
n=1
[a
n
[
2
Si definisce “complemento ortogonale” di un generico sottospazio A dello spazio
X sul quale `e definito un prodotto scalare l’insieme:
A

= ¦x ∈ X : 'x[a` = 0 ∀a ∈ A¦
Questo insieme semplicemente contiene l’insieme dei vettori, appartenenti allo
spazio X, tali da essere ortogonali (nel senso precedentemente definito) a qualsiasi
vettore appartenente allo spazio A. In altre parole, il complemento ortogonale del-
l’insieme rappresenta l’insieme dei vettori tali per cui, se “proiettati” su un qualsiasi
vettore di A, avranno proiezione nulla.
A.2.3 Basi ortonormali per spazi infinito-dimensionali
Finora i risultati sono stati introdotti su di un normale spazio k-dimensionale, dove
k `e un valore finito. In realt` a, `e possibile generalizzare, indipendentemente dal valore
di k, ossia della dimensione dello spazio, i concetti finora pensati, introducendo il
concetto di spazio di Hilbert.
Per spazio di Hilbert H si intende un qualsiasi spazio sul quale sia definibile
un prodotto scalare, che sia completo rispetto alla metrica associata con la norma
indotta dal prodotto scalare.
L’idea di base ortonormale `e molto interessante poich´e, come tra poco si vedr` a,
essa `e estensibile anche per spazi infinito-dimensionali, quali ad esempio gli spazi di
Hilbert nel loro significato pi` u generico.
A.2. SPAZI INFINITO-DIMENSIONALI 87
Dato X un generico spazio sul quale `e definito un prootto interno, una sequenza
¦e
n
¦ ⊂ X `e detta “successione ortonormale” se [[e
n
[[ = 1 per ogni n ∈ N, e 'e
m
[e
n
` =
0 per ogni n, m ∈ N, dove m = n.
Esiste un risultato molto importante: qualsiasi spazio infinito-dimensionale sul
quale sia definito un prodotto scalare, contiene una successione ortonormale.
In un generico spazio sul quale `e definibile un prodotto scalare X, data una
successione ¦e
n
¦ ortonormale in X, per ogni x ∈ X si ha che la serie

¸
n=1
['x[e
n
`[
2
Converge; `e inoltre valida la diseguaglianza di Bessel:

¸
n=1
['x[e
n
`[
2
≤ [[x[[
2
Dato uno spazio di Hilbert H e data una successione ortonormale ¦e
n
¦ in H,
data ¦a
n
¦ una successione in F, allora la serie

¸
n=1
a
n
e
n
Converge se e solo se

¸
n=1
[a
n
[
2
< ∞
In questo caso, vale la seguente eguaglianza:


¸
n=1
a
n
e
n

2
=

¸
n=1
[a
n
[
2
Questo teorema `e assolutamente fondamentale, poich´e, se verificato, potr` a avere
conseguenze rilevabili nel mondo fisico di portata enorme, come si specificher` a in
seguito. Si sceglie di dimostrarlo, in modo da permettere la comprensione ulteriore,
in seguito, di alcuni meccanismi fondamentali.
Si supponga che la successione della quale si calcola la norma converga, e sia
uguale ad un dato vettore x:
x =

¸
n=1
a
n
e
n
88APPENDICE A. INTRODUZIONE ALLARAPPRESENTAZIONE DI SPAZI FUNZIONALI
Per qualsiasi m ∈ N, dunque, si pu` o dire che:
'x[e
m
` = lim
k→∞

k
¸
n=1
a
n
e
n

e
m
¸
= a
m
Utilizzando la diseguaglianza di Bessel, si pu` o dire che:

¸
n=1
[a
n
[
2
=

¸
n=1
['x[e
n
`[ ≤ [[x[[
2
< ∞
A questo punto `e stato impostato un bound; supposto che la seguente serie
converga:

¸
n=1
[a
n
[
2
< ∞
Si pu`o dire che per ogni k ∈ N si pu`o avere:
x
k
=
k
¸
n=1
a
n
e
n
Per ogni j, k ∈ N, con k > j, si pu` o dire che:
[[x
k
−x
j
[[
2
=

k
¸
n=j+1

2
=
k
¸
n=j+1
[a
n
[
2
Se la serie dei moduli quadri degli a
n
converge a un valore, allora convergono
anche le somme parziali, dunque, per i teoremi precedentemente introdotti, essa
forma una successione di Cauchy. Quindi ¦x
k
¦ `e una successione di Cauchy nello
spazio di Hilbert H e converge. Da qua, il teorema `e verificato introducendo il
passaggio al limite:


¸
n=1
a
n
e
n

2
= lim
k→∞

k
¸
n=1
a
n
e
n

2
= lim
k→∞
k
¸
n=1
[a
n
[
2
=
=

¸
n=1
[a
n
[
2
Da qui in teorema `e dimostrato.
Una condizione necessaria e sufficiente affinch´e la condizione converga `e il fatto
che:
A.2. SPAZI INFINITO-DIMENSIONALI 89
¦a
n
¦ ∈ l
2
Negli spazi di Hilbert si ha un particolare vantaggio: dato uno spazio di Hilbert
H e data una successione ortonormale ¦e
n
¦ in H, allora per qualsiasi x ∈ H la
seguente serie sicuramente converge:

¸
n=1
'x[e
n
`e
n
Questa espressione pu` o suggerire qualcosa: tornando indietro di qualche pagina,
si pu`o ritrovare un’espressione analoga, in ambito di definizione di basi ortonormali
e rappresentazione di vettori generici. Ci` o che si sta finora garantendo, `e il fatto
che un’estensione per k → ∞ della precedente successione converga a un valore
prettamente finito. Si prover` a a questo punto ad attribuire un particolare significato
a questo tipo di rappresentazione.
Dato uno spazio di Hilbert He data una successione ortonormale ¦e
n
¦, le seguenti
condizioni sono equivalenti:
¦e
n
: n ∈ N¦

= ¦0¦
Sp ¦e
n
: n ∈ N¦ = H
x =

¸
n=1
'x[e
n
`e
n
∀x ∈ H
[[x[[
2
=

¸
n=1
['x[e
n
`[
2
∀x ∈ H
Cosa significa tutto ci` o? Beh, dato un generico spazio di Hilbert H, ossia un
generico spazio sul quale sia definito un prodotto scalare, completo rispetto alla me-
trica indotta dalla norma, se il complemento ortogonale dell’insieme delle successioni
ortogonali `e nullo, allora si pu` o dire che lo span (insieme delle combinazioni lineari)
lineare chiuso, ossia l’intersezione di tutti i sottospazi lineari chiusi di H contenenti
le combinazioni lineari degli elementi della successione ortogonale in studio coincida
con lo spazio H stesso. Ci`o equivale a dire, di fatto, che qualsiasi vettore x appar-
tenente allo spazio di Hilbert in questione pu` o essere rappresentato mediante una
combinazione lineare degli elementi della successione, dove i coefficienti scalari sono
90APPENDICE A. INTRODUZIONE ALLARAPPRESENTAZIONE DI SPAZI FUNZIONALI
dati dalla proiezione del vettore su ciascuno di essi. Se una di queste condizioni `e va-
lida, allora la successione ¦e
n
¦ `e una base ortonormale per lo spazio H, ossia a partire
da essa `e possibile identificare qualsiasi vettore dello spazio infinito-dimensionale.
Non si `e fatto cenno alla quarta condizione (anch’essa sufficiente affinch´e si possa
parlare di base sullo spazio di Hilbert in questione): la quarta condizione afferma
che la somma dei moduli quadri di tutte le proiezioni su ciascun vettore della base
in grado di generare H, calcolate mediante prodotto scalare (con il procedimento
di Gram-Schmidt), equivale al quadrato della norma del vettore x, per qualsiasi x
appartenente a H. Questo `e un punto chiave per la trattazione, poich´e si collega di
fatto un’informazione riguardante un generico vettore dello spazio alle sue proiezioni
sulla base ortonormale utilizzata. Per gli studiosi di Teoria dei Segnali, questo
teorema potrebbe essere anche riconosciuto come “teorema di Parseval”, ossia come
il teorema in grado di legare l’energia di un segnale alla somma dei coefficienti della
sua serie di Fourier. Si noti che per ora non `e stata introdotta in alcun modo la
serie di Fourier: si sta introducendo esclusivamente una teoria generale in grado
di rappresentare spazi dalle caratteristiche estremamente stravaganti, come quelli
finora descritti.
A.2.4 Serie di Fourier
Si introducono a questo punto, come uno di tutti i possibili sviluppi in serie, intesi
come combinazione lineare degli elementi di una data base ortonormale in grado
di rappresentare qualsiasi vettore in un generico spazio di Hilbert H, le cosiddette
“serie di Fourier”.
La prima cosa `e capire: di tutti gli spazi di Hilbert, qual `e uno spazio nel quale ci
si potrebbe ambientare in maniera “idonea” per uno sviluppo di questo tipo? Beh,
un’idea potrebbe esser quella di scegliere, come ambiente-base, L
2
R
, ossia l’insieme
delle funzioni reali integrabili, in senso di Lebesgue, in modulo quadro. Questo
sar` a lo spazio di partenza. Come precedentemente introdotto, questo spazio `e uno
spazio di Hilbert, dunque `e possibile tentare l’applicazione di tutti i discorsi teorici
precedentemente proposti.
Si consideri il seguente insieme di funzioni:
E =

e
n
(x) = (2π)

1
2
e
jnx
: n ∈ Z
¸
Si tratta, volendo attribuire un significato fisico, di un insieme di armoniche,
ossia di funzioni sinusoidali elementari. L’idea che si intende utilizzare, dunque, `e
ricercare una base per lo spazio L
2
R
costituita da funzioni sinusoidali.
A.2. SPAZI INFINITO-DIMENSIONALI 91
Si calcola il prodotto scalare della funzione, considerandone un’estensione conti-
nua mediante l’integrazione:
'e
m
[e
n
` =
1


−π
e
j(m−n)x
dx
Consideriamo a questo punto il seguente fatto: se m = n, l’esponenziale com-
plesso si riduce a diventare un’unit` a:
e
j0
= 1
Quindi, integrando, si ottiene:

π
−π
1dx = 2π
Dal momento che, tuttavia, la classe di funzioni da noi scelta `e normalizzata per
2π, si pu` o dire che il risultato finale sia normalizzato a 1.
Se m = n, si ottiene, dato k = m−n:

π
−π
e
jkx
dx =
1
jk
e
jkx

π
−π
=
1
jk

e
jkπ
−e
−jkπ

=
=
1
jk

e
jkπ
−e
jkπ

= 0
Ci` o `e molto interessante: data una generica successione di armoniche e
jnx
, essa
`e ortonormale, nello spazio di partenza (ossia L
2
C
[−π; π] ).
La serie di Fourier, dunque, pu` o essere intesa come combinazione lineare delle
proiezioni, su di una base di funzioni sinusoidali. In maniera del tutto analoga `e
possibile definire la trasformata di Fourier, considerando n variabile, anzich´e in un
insieme discreto, in un insieme con la potenza del continuo (R). Considerando la
tradizionale estensione di prodotto scalare tra due funzioni:
'f(x)[g(x)` =

+∞
−∞
f(x)g

(x)dx
Si possono ottenere risultati del tutto analoghi.
A.2.5 Osservazioni finali
Seppur in termini prettamente formali e matematici, dunque, `e stato ottenuto un
risultato con un forte significato fisico. Il fatto di aver ottenuto la serie di Fourier
92APPENDICE A. INTRODUZIONE ALLARAPPRESENTAZIONE DI SPAZI FUNZIONALI
(e, di conseguenza, la trasformata di Fourier) come caso particolare di una serie di
generalizzazioni, `e possibile comprenderne i limiti. Un limite ottenuto a partire da
tutte le osservazioni fatte `e chiaro: tutti i discorsi fatti possono funzionare in un
contesto preciso, quello dello spazio L
2
C
[−π; π]; uno sviluppo in serie di Fourier dun-
que pu` o esistere, a partire dalle dimostrazioni e teorie introdotte, esclusivamente in
questo spazio. La cosa non `e in alcun modo limitante: nel mondo fisico / ingegne-
ristico, raramente capita di dover utilizzare funzioni particolarmente patologiche;
molto spesso, nella fisica, `e stato sufficiente utilizzare funzioni integrabili in senso
di Riemann, esistenti su di uno spazio vettoriale di tre dimensioni. Come detto
nell’introduzione all’appendice, la nascita della fisica moderna, in particolare della
meccanica quantistica, ha introdotto nella fisica la necessit` a di utilizzare spazi mol-
to pi` u complicati di quelli abitualmente studiati, restando in questo specifico caso
comunque nell’ambito di spazi di Hilbert, dotati dunque comunque di una certa rego-
larit` a. L’introduzione utilizzata per le serie di Fourier dunque, per quanto potrebbe
non essere valida per qualsiasi funzione, `e sicuramente valida per una classe di pi` u
funzioni, o segnali, molto pi` u ampia di quella relativa a quelli realmente esistenti,
non rappresentando dunque un limite vero e proprio per lo strumento matematico.
Si vuole evidenziare il fatto che, dal momento che tutti i teoremi riguardanti un
generico spazio di Hilbert sono applicabili, allora `e valido anche il noto teorema di
Parseval, affermante il fatto che, come gi` a accennato nel corso della trattazione, la
norma al quadrato della serie rappresentante il valore di un certo vettore o, meglio, di
una certa funzione appartenente all’insieme delle combinazioni lineari delle funzioni
appartenenti allo spazio, `e equivalente alla somma dei moduli quadri dei coefficienti
ottenuti mediante la proiezione della funzione su ciascun elemento i-esimo della
base scelta (nel nostro caso, la base di Fourier, ossia gli elementi della successione
ortogonale di funzioni armoniche).
Questo teorema presenta un grosso, enorme limite, che si pu` o evincere dalla so-
la dimostrazione utilizzata: al fine di dimostrare il teorema di Parseval sono state
utilizzati mezzi matematici non “locali”, bens`ı “globali”, basati sullo studio dell’ap-
plicazione della diseguaglianza di Bessel e sullo studio della convergenza in norma
della serie; avendo sfruttato mezzi “globali”, risulta impossibile ottenere informa-
zioni locali quali quelle riguardanti l’analisi in tempo-frequenza, dove si intende, per
due grandezze, avere informazioni su “ciascun coefficiente”, “ciascuna variabile”, in
entrambi i domini, non un’informazione globale sulla somma di tutti i contributi
delle proiezioni nei due domini.
A.3. ESPANSIONE DI GABOR 93
A.3 Espansione di Gabor
A partire da tutta la teoria finora introdotta si vuole a questo punto concludere l’ap-
pendice presentando almeno brevemente un risultato molto interessante in grado di
introdurre un particolare approccio di analisi in tempo-frequenza. Questo approc-
cio, sostanzialmente, pu` o essere riconosciuto come una sorta di generalizzazione della
distribuzione tempo-frequenza “spettrogramma”, proposta nel terzo capitolo della
trattazione.
La differenza tra ci` o che si sta per trattare e le idee finora presentate `e la se-
guente: mediante le tecniche finora introdotte, `e stato effettuato lo sviluppo in serie,
l’espansione, l’individuazione delle componenti di un vettore mediante l’uso di una
singola base ortonormale qualsiasi. Questo tipo di idea `e sicuramente valido ai fi-
ni di introdurre una semplice analisi in frequenza: dato un certo spazio, si sfrutta
l’esistenza di una successione ortogonale tale da poter generare, mediante le com-
binazioni lineari dei suoi elementi, qualsiasi elemento appartenente allo spazio, in
modo da poter rappresentare un vettore (una funzione) mediante una certa base di
vettori (o di funzioni, dal momento che si sta parlando di spazi funzionali). Fino a
questo punto, tuttavia, non `e stato possibile introdurre un metodo per l’espansione
di funzioni, in grado di scomporre una funzione mediante l’uso di due basi, ossia
considerando nello sviluppo finale contemporaneamente due domini.
Il fisico ungherese Dennis Gabor concep`ı l’idea di sviluppare una funzione a una
sola variabile (quale ad esempio un segnale, ossia una generica grandezza variabile
nel tempo) mediante una base di due variabili, dove una variabile `e la reciproca
dell’altra (caso eccellente per quanto concerne l’analisi in tempo-frequenza: a partire
da un esame variabile nel dominio del tempo, si ottiene cos`ı una rappresentazione
in un piano tempo-frequenza).
L’idea alla base di questo sviluppo consiste nel discretizzare il piano tempo-
frequenza, suddividendolo in una “griglia” composta da punti tra loro equispaziati
sui due assi (tempo e frequenza); data una distanza temporale T, e una distanza in
frequenza N, un generico punto si pu`o identificare come:
t
i
= nT ν
i
= mN −∞≥ n, m ≥ +∞
L’idea fondamentale di Gabor fu quella di considerare il fatto che un generico
segnale potesse essere espanso nella forma:
x(t) =
¸
n,m
c
n,m
h
n,m
(t) n, m ∈ ] −∞; +∞[
94APPENDICE A. INTRODUZIONE ALLARAPPRESENTAZIONE DI SPAZI FUNZIONALI
Dove:
h
n,m
(t) = h(t −mT)e
j2πnNt
Dove c
n,m
sono i coefficienti, i pesi della funzione, e h(t) `e una funzione a una
variabile. Ciascun coefficiente, al variare di n e m, indica il peso, l’intensit`a della
funzione di densit` a risultante in questo dominio bidimensionale discretizzato.
Ci si potrebbe porre una domanda: esiste, a questo punto, una funzione ottimale
per essere h(t) ? Si cerchi di interpretare il significato vero e proprio di h(t): essa
deve essere una funzione in grado di gestire, al variare della propria posizione, il
peso delle componenti temporali e delle componenti spettrali del segnale, in mo-
do da fornirne la miglior rappresentazione contemporaneamente nel tempo e nella
frequenza possibili. A limitare questo tipo di rappresentazione, come `e ben noto
dalla trattazione, `e il principio di indeterminazione della trasformata di Fourier: il
dominio della rappresentazione nel dominio del tempo del segnale fornisce precisi
limiti al dominio della rappresentazione nel dominio spettrale, e viceversa. Dalla
trattazione, nonch´e dall’Appendice B, si pu` o evincere il fatto che il miglior segnale
in termini di compattezza come prodotto tempo-frequenza sia la funzione gaussiana:
h(t) =

α
π
1
4
e

1
2
αt
2
I coefficienti da ricavare ai termini di caratterizzare l’espansione non sono unici,
come non sono unici i metodi di calcolo approntati al fine di determinarli. Non si
approfondir` a ulteriormente l’argomento.
A.3.1 Applicazione dell’espansione di Gabor : cross-terms
Il formalismo di Gabor per l’espansione in tempo-frequenza di generici segnali varia-
bili nel dominio del tempo pu` o essere utilizzato per molti obiettivi che non vengono
analizzati in quest’appendice. Ci` o che si intende fare, per completare il discorso, `e
presentare un’applicazione teorica di questo tipo di formalismo. Nella trattazione
si `e parlato di distribuzione di Wigner-Ville, distribuzione eccellente se non per un
difetto abbastanza importante da considerare: la presenza di cross-terms. Median-
te il formalismo di Gabor `e possibile “visualizzare” analiticamente la presenza di
cross-terms, riuscendo cos`ı a dar loro un significato matematico.
Dal momento che il formalismo di Gabor produce l’espansione di una generica
funzione matematica nel dominio in cui essa varia e nel suo dominio reciproco,
A.3. ESPANSIONE DI GABOR 95
si sviluppa il termine bilineare da integrare nell’espressione della distribuzione di
Wigner-Ville secondo l’espansione di Gabor:
x

u −
1
2
τ

x

u +
1
2
τ

=
¸
n

,m

¸
n,m
c

n

,m
c
n,m
h

n

,m

u −
1
2
τ

h
n,m

u +
1
2
τ

La forma generale della distribuzione di Wigner-Ville in espansione di Gabor pu`o
essere scritta come:
W(t, ν) =
¸
n

,m

¸
n,m
c

n

,m
c
n,m
W
n

,m

;n,m
(t, ν)
Dove il coefficiente W
n

,m

;n,m
(t, ν) `e calcolato mediante la definizione di classe di
Cohen per n, m, utilizzando kernel unitario:
W
n

,m

;n,m
=

+∞
−∞

+∞
−∞

+∞
−∞
h

n

,m

u −
1
2
τ

h
n,m

u +
1
2
τ

dudτdϑ
Espandendo le sommatorie, `e possibile dividerle in due sotto-sommatorie, distin-
guendone una globale, e una in cui non si considerano n = n

e m = m

:
W(t, ν) =
¸
n,m
[c
n,m
[
2
W
n,m;n

,m
(t, ν) +
¸
n,mn=n

m=m

c

n

,m
c
n,m
W
n

,m

;n,m
(t, ν)
Ci` o `e vero, ipotizzando che le h(t) siano effettivamente funzioni gaussiane, co-
me supposto da Gabor. In tal caso, si riescono a distinguere due sommatorie: la
prima, contenente i soli termini di energia, come una sorta di Parseval in tempo-
frequenza, e l’altra in cui si considerano termini spuri, derivanti dall’errore causato
dalla bilinearit` a della distribuzione di Wigner-Ville. In questo modo, prettamente
matematico, `e stato possibile presentare quantomeno i passi fondamentali ai fini di
ricavare un’espressione analitica dei cross-terms.
Osservazioni finali
La rappresentazione di Gabor completa di fatto l’appendice, introducendo un’idea
riguardo lo sviluppo in serie, l’espansione, di una funzione in una variabile in una
somma di funzioni in pi` u variabili. Questo tipo di rappresentazione introduce un
formalismo molto interessante che si `e scelto di presentare quantomeno in forma “pri-
mordiale”, anche per una motivazione in grado di permettere un’intuizione ulteriore
96APPENDICE A. INTRODUZIONE ALLARAPPRESENTAZIONE DI SPAZI FUNZIONALI
riguardo una delle distribuzioni in tempo-frequenza: di fatto, l’idea dello spettro-
gramma e quella dell’espansione di Gabor non sono molto lontane tra loro. Questo,
di fatto, perch´e in entrambe le rappresentazioni `e presente un concetto, quello di
“suddivisione” dello spazio mediante una sorta di processo di discretizzazione (di
fatto, pi` u evidente nel discorso dell’espansione di Gabor).
La differenza fondamentale tra spettrogramma ed espansione di Gabor `e la se-
guente: se da un lato l’espansione di Gabor `e basata sullo studio di un’espressione
di sintesi, atta cio`e a ricercare da subito una base idonea per la ricostruzione del
segnale, nello spettrogramma si parte dall’espressione analitica, e da essa si defi-
nisce una base ad hoc di funzioni atta a “analizzare” il segnale, finestrandolo. In
entrambi i casi, tuttavia, pu` o capitare un fatto molto spiacevole rispetto a ci` o che `e
stato precedentemente detto per quanto concerne le basi di spazi di Hilbert e nella
fattispecie le basi di Fourier: spesso, le funzioni costituenti la base per le espansioni
di Gabor e in spettrogrammi, sono non ortonormali. La teoria espressa nella sezio-
ne, nonostante ci` o, `e da considerarsi assolutamente valida e applicabile, come finora
fatto.
Appendice B
Trasformata di Fourier
Viene introdotta nella presente appendice un’analisi pi` u completa rispetto a quella
introdotta nel cuore della trattazione, riguardo il mezzo fondamentale sul quale si
basa l’analisi in frequenza di segnali, la trasformata di Fourier.
Si potrebbe incominciare l’appendice con un interrogativo: perch´e vogliamo un
mezzo pi` u potente della gi` a eccellente serie? La risposta `e semplice: un limite che
abbiamo annunciato, ma non sufficientemente evidenziato, `e il fatto che la serie di
Fourier `e in grado di sviluppare, di rappresentare, solo e unicamente segnali con
dominio del tempo limitato, ossia a tempo di vita nel dominio del tempo limitato.
Supponendo di avere tuttavia un segnale per esempio del tipo:
x(t) = u(t)e
−kt
Questo segnale `e utilissimo: esso rappresenta la soluzione dell’equazione differen-
ziale modellizzante un circuito RC, e quindi di sicuro potrebbe essere studiata molto
spesso quantomeno in ambito elettronico. Si ricordi che la soluzione di equazioni
differenziali a coefficienti costanti ha comunque una forma contenente esponenziali
di questo tipo, quindi moltissimi sistemi modellizzati mediante oscillatori armonici
avrebbero bisogno, per un’analisi in frequenza, di avere un mezzo matematico di
analisi come quello che vogliamo ottenere.
Come potremmo fare? Questo segnale non ha dominio limitato, infatti `e non
nullo su tutto il semiasse di tempo positivo. Servir` a un qualcosa in grado di espri-
mere, nel dominio delle frequenze, anche un segnale a tempo di vita non limitato.
Vediamo come arrivarci in modo quantomeno intuitivo.
97
98 APPENDICE B. TRASFORMATA DI FOURIER
B.1 Dalla Serie alla Trasformata di Fourier
Prima di gettarci in pasto ai formalismi (che comunque purtroppo in questa appendi-
ce potranno non essere soddisfacenti ai cultori della matematica formale), cerchiamo
di capire una nuova cosa dalla serie di Fourier, o meglio di interpretare meglio il ri-
sultato dello sviluppo. Prima abbiamo sviluppato in serie una porta, un segnale a
finestra rettangolare. Sviluppando in serie di Fourier questo segnale, cosa troviamo?
Nel dominio delle frequenze troviamo non solo la funzione limitata nel suo tempo
di esistenza,


T
2
;
T
2

, ma della stessa funzione prolungata per periodicit` a su tutto
l’asse dei tempi. Spieghiamoci meglio: si considera un singolo periodo, ma di fatto
il risultato che si ottiene `e sviluppare la funzione per periodicit` a, ossia continuare a
“ripetere” questo periodo, per tutto l’asse dei tempi, da −∞ a +∞.
Ci` o che la serie di Fourier rappresenta non vale solo per un periodo, bens`ı per
tutto l’asse reale; prima abbiamo infatti calcolato la serie di Fourier di una porta,
ma quello che abbiamo di fatto ottenuto `e la serie di Fourier di un’onda quadra:
limitando l’onda quadra su di un suo periodo, infatti, si ottiene un singolo impulso
rettangolare. Di qui, calcolando i coefficienti, si trover` a una rappresentazione in serie
di Fourier non solo della porta, bens`ı dell’intera onda quadra (o treno di impulsi) su
tutta la retta reale R.
Si pu` o banalmente dimostrare che la serie di Fourier rispetta la definizione di
periodicit`a, e dunque `e periodica! Ricordando che:
x(t + T) = x(t)
Il segnale x(t + T), sviluppato in serie di Fourier, varr` a:
x(t + T) =
+∞
¸
n=−∞
µ
n
e
j

T
n(t+T)
=
+∞
¸
n=−∞
µ
n
e
j

T
nt
e
j

T
nT
Semplificando l’argomento dell’esponenziale, vediamo che si ottiene:
x(t + T) =
+∞
¸
n=−∞
µ
n
e
j

T
nt
e
j2πn
Ma 2πn `e multiplo di 2π, dal momento che n ∈ Z, e quindi possiamo dire che
esso valga sempre 1:
x(t + T) =
+∞
¸
n=−∞
µ
n
e
j

T
nt
= x(t)
B.1. DALLA SERIE ALLA TRASFORMATA DI FOURIER 99
In poche parole, abbiamo appena dimostrato che con la serie di Fourier si possono
trattare tutti i segnali periodici che sull’intervallo-periodo base sono a energia finita.
Ci` o per`o vale ovviamente per un T finito, ossia per un periodo finito, tale per cui si
possa riprodurre continuamente il contenuto di un singolo periodo sull’asse reale.
Proviamo a pensare a una cosa un po’ particolare: abbiamo appena detto che
T deve essere finito, al fine di poter calcolare tutto con la serie di Fourier. Ma
se provassimo a raddoppiarlo? Cosa otterremmo? Vediamo un po’: definiamo un
nuovo periodo T

= 2T, e calcoliamo i relativi µ
n
:
µ

n
=
1
T

+
T

2

T

2
x(t)e
−j

T

nt
dt =
1
2T

+T
−T
x(t)e
−j
π
T
nt
dt
Cosa abbiamo ottenuto? Vediamo, osservando semplicemente l’espressione pre-
cedente, che per n pari, i µ
n
saranno gli stessi di prima; gli n dispari saranno invece
nuovi, e avranno dei µ
n
nuovi: abbiamo infatti diminuito il passo di campionamen-
to, ossia la distanza minima sull’asse delle frequenze nel dominio di Fourier, e nella
fattispecie dimezzato. Ci` o che abbiamo fatto, dunque, raddoppiando il periodo, `e
stato “infittire” l’asse dei tempi, renderlo pi` u fitto, aumentare i punti del dominio
di esistenza. Nella fattispecie abbiamo raddoppiato il numero di punti esistenti:
ν

0
=
1
T

=
1
2
1
T
=
1
2
ν
0
La nuova “griglia” sar` a doppiamente pi` u fitta della precedente, poich´e il passo
si `e dimezzato: nei punti pari ritroviamo i vecchi µ
n
, nei dispari troviamo nuovi
µ
n
, che vanno a campionare sempre la stessa curva inviluppo, ma aumentando la
precisione e la qualit` a del campionamento.
Cosa possiamo fare ora, in maniera del tutto intuitiva? Se raddoppiando T abbia-
mo dimezzato il tempo di campionamento, proviamo a pensare cosa capiterebbe se
continuassimo ad aumentare il periodo T dell’ipotetico segnale da analizzare: sicura-
mente il passo di frequenza diventerebbe minimo, infinitesimo; ci` o che si otterrebbe,
idealmente parlando, sarebbe passare da un insieme numerabile di punti, discreto,
a uno pi` u che numerabile, a un insieme completo, con la potenza del continuo: au-
mentare all’infinito il periodo farebbe tendere a 0 il tempo di campionamento, e
quindi a un infinitesimo. Cerchiamo, per quanto sia possibile, di introdurre un po’
di formalismo in tutto ci`o:
x(t) =
+∞
¸
n=−∞

1
T

+
T
2

T
2
e
−j

t
nt

dt

e
j

t
nt
100 APPENDICE B. TRASFORMATA DI FOURIER
Se il periodo T →+∞, avvengono i seguenti fatti, intuitivamente parlando:
• L’integrale pi` u interno verr`a valutato da −∞ a +∞, poich´e il limite prolunga
all’infinito l’intervallo di integrazione;
• Definendo le seguenti grandezze:
1
T
= ν
0
n + 1
T

n
T
=
1
T
= ∆ν
Dove ∆ν dunque `e il passo di campionamento in frequenza, dal momento che
T cresce tendendo a ∞, il ∆ν tende a diventare un differenziale, ossia un dν;
• Non effettuiamo pi` u passi discreti al variare di un n ∈ Z, ma variamo nel
continuo:

0
= ν, ν ∈ R
Tenendo conto di tutte queste espressioni, di tutto questi cambiamenti, otterre-
mo:
x(t) =

+∞
−∞
¸
+∞
−∞
x(t

)e
−j2πνt

dt

e
j2πνt

L’integrale pi` u interno, tra parentesi quadre, viene definito X(ν), ossia la Tra-
sformata di Fourier del segnale x(t), e sar` a identificato come:
X(ν) = T ¦x(t)¦ =

+∞
−∞
x(t)e
−j2πνt

dt
L’integrale pi` u esterno riesce a invertire la trasformata, tornando al segnale di
partenza nel dominio del tempo x(t):
x(t) = T
−1
¦X(ν)¦ =

+∞
−∞
X(ν)e
j2πνt

Gli operatori che abbiamo appena introdotto, ossia la coppia trasformata/antitrasformata
di Fourier, permettono di passare dal dominio del tempo al dominio delle frequenze
segnali a tempo di vita non limitato, aperiodici. La trasformata di Fourier X(ν)
B.1. DALLA SERIE ALLA TRASFORMATA DI FOURIER 101
viene detta anche “spettro delle frequenze” o “spettro in frequenza” (frequency spec-
trum) di un segnale, poich´e rappresenta la naturale estensione per segnali aperiodici
della serie di Fourier: se prima potevamo analizzare il contributo solo di frequenze
n-esime, ora sar` a possibile selezionare una qualsiasi frequenza appartenente all’asse
reale, e studiarne il contributo, mantenendo le stesse idee precedentemente utilizzate
e proposte per quanto riguarda lo studio mediante serie di Fourier.
Dal momento che X(ν) si definisce mediante un integrale complesso, possiamo
banalmente intuire che essa sia una funzione complessa. Possiamo dunque esprimerla
mediante la nostra solita notazione, come modulo e fase:
X(ν) = [X(ν)[ e
j∠X(ν)
La trasformata di Fourier ci permette di analizzare segnali appartenenti a una
classe molto pi` u ampia rispetto a quelli sviluppabili in serie di Fourier; vi `e tuttavia
qualche analogia tra i due strumenti, come vogliamo ora dimostrare mediante un
esempio pratico.
Esempio Pratico
Dato il segnale:
x(t) = Ap
T
(t)
Calcolarne la trasformata di Fourier.
Utilizzando la definizione, possiamo semplicemente dire che:
T ¦Ap
T
(t)¦ =

+∞
−∞
Ap
T
(t)e
−j2πνt
dt = A

+
T
2

T
2
e
−j2πνt
dt =
A
−j2πν
e
−j2πνt

+
T
2

T
2
=
=
A
−j2πν

e
−j2πν
T
2
−e
j2πν
T
2

=
A
j2πν

e
j2πν
T
2
−e
−j2πν
T
2

=
=
Asin(πνT)
πν
Cosa abbiamo ritrovato? Un seno cardinale, esattamente come ci era capitato nel
calcolo mediante serie di Fourier ! Abbiamo ottenuto dunque lo stesso risultato che
avevamo ottenuto precedentemente, cosa che conferma la validit`a della trasformata
da noi ricavata: i nostri ragionamenti, fino a qui, funzionano.
102 APPENDICE B. TRASFORMATA DI FOURIER
Esempio Pratico
Proviamo ora a fare qualcosa di diverso, cercando di applicare la trasformata di
Fourier per il motivo per cui l’abbiamo creata: studiare segnali non periodici, a
tempo di vita non limitato, e quindi non sviluppabili in serie di Fourier; consideriamo
in questo esempio pratico il segnale:
x(t) = u(t)e
−kt
Calcoliamo al solito mediante la definizione:
T ¦x(t)¦ =

+∞
−∞
u(t)e
−kt
e
−j2πνt
dt =

+∞
0
e
−t(k+j2πν)
dt =
=
e
−(k+j2πν)t
−(k + j2πν)

+∞
0
=
1
k + j2πν
Beh, abbiamo calcolato la trasformata, calcoliamone modulo e fase! Utilizzando
le propriet`a dei numeri complessi, vediamo:
[X(ν)[ =
1

k
2
+ 4π
2
ν
2
∠X(ν) = −arctan

2πν
k

Nota, errore che pu`o capitare spesso: il “-” si introduce davanti all’arcotangente
dal momento che prima portiamo la funzione al numeratore, elevandola alla “-1”, e
poi calcoliamo l’angolo a partire dalla tangente cos`ı ricavata.
Le armoniche dell’esponenziale, per quanto riguarda il loro modulo, sono con-
centrate sulle basse frequenze (poich´e [X(ν)[ `e molto elevata in un intorno di ν = 0,
e tende a decrescere all’aumentare di ν).
B.2 Alcune Domande e Relative Risposte
Poniamoci alcune domande, riguardo ci` o che abbiamo appena presentato e visto,
cercando di rispondere, al fine di fornire idee e chiarire concetti.
B.2. ALCUNE DOMANDE E RELATIVE RISPOSTE 103
B.2.1 Quali segnali sono trasformabili?
Alla domanda “quali segnali sono trasformabili?” potremmo rispondere molto ba-
nalmente: la trasformata di Fourier esiste sempre per segnali a energia finita, ossia
per i segnali del mondo fisico. Vorrei far notare che esistono molti dibattiti sulle con-
dizioni minimali di convergenza della trasformata di Fourier, che vengono affrontati,
in Analisi Matematica, introducendo la Teoria delle Distribuzioni, e un determinato
formalismo generalizzante il concetto di “funzione” nel concetto di “distribuzione”,
e introducendo spazi distribuzionali di convergenza. Noi non considereremo tutto
questo, anche perch´e per quanto teorica questa trattazione vuole essere rivolta a
un lettore in cerca di “pratica”, non di formalismi (cercando di non andare troppo
al di sotto dei limiti imposti dal “buon gusto” della matematica). Per noi, quin-
di, i segnali trasformabili mediante trasformata di Fourier saranno semplicemente
tutti i segnali a energia finita. Vale, come per quanto riguarda la serie di Fourier,
l’eguaglianza di Parseval, affermante che:

+∞
−∞
[x(t)[
2
dt =

+∞
−∞
[X(ν)[
2

L’energia del segnale nel dominio del tempo, e nel dominio della frequenza, resta
sempre la stessa. Questo significa “convergenza in norma quadratica”: abbiamo la
garanzia di avere la stessa energia, in entrambi i domini di studio.
B.2.2 Qual `e il significato fisico delle frequenze negative?
Domanda interessante su di un argomento che non abbiamo ancora toccato: trasfor-
mando mediante la trasformata di Fourier un segnale, nel dominio delle frequenze
avremo (praticamente sempre) tanti valori sul semiasse negativo quanti sul semiasse
positivo. Ma quindi significa che si hanno contributi delle frequenze negative! Quello
che ci chiediamo `e: quale significato fisico hanno le frequenze negative?
La risposta `e molto semplice: nessuno: fisicamente, non `e possibile interpretare
in alcun modo una frequenza negativa.
Abbiamo per`o un notevole vantaggio: i segnali del mondo fisico sono tutti reali,
e quindi funzioni del tipo:
x(t) : R −→R
Per questo motivo, come dimostreremo, il modulo della trasformata di Fourier `e
una funzione pari, la fase della trasformata di Fourier `e dispari, e quindi le frequen-
ze negative non aggiungono informazione, non dicono niente di nuovo sul segnale
104 APPENDICE B. TRASFORMATA DI FOURIER
(niente che non si possa capire guardando la parte positiva del segnale e conoscendo
la relazione di parit` a/disparit` a rispettivamente di modulo e fase).
B.2.3 Abbiamo pi` u armoniche nella serie o nella trasforma-
ta?
Domanda che potremmo porci, volendo, `e la seguente: abbiamo pi` u armoniche, cio`e
pi` u punti da studiare, nella serie di Fourier o nella trasformata di Fourier? Quello
che noi facciamo ogni volta `e studiare i contributi delle singole armoniche, delle
singole e
j2πνt
, ossia degli esponenziali complessi. Quello che vogliamo capire `e: ci
sono pi` u armoniche nella serie, o nella trasformata?
In entrambe le espressioni, abbiamo infinite armoniche. Il problema `e che non
tutti gli infiniti sono uguali! Nell’ambito della serie di Fourier, abbiamo che ciascun
µ
n
varia con n ∈ Z, dove Z `e un insieme numerabile, cio`e che ha la potenza del
discreto. La trasformata di Fourier lavora su R, e ha quindi la potenza del continuo,
che `e molto pi` u che numerabile! Si tratta di due infiniti, ma di potenza molto
diversa! Dalla topologia, infatti, possiamo sapere che R `e un insieme “completo”,
poich´e copre tutti i vari “buchi” tra un razionale e un altro. Senza andare troppo
nel dettaglio, si sappia dunque che, pur essendo entrambe infinite, le armoniche
fornite dalla trasformata di Fourier sono molto maggiori di quelle fornite dalla serie
di Fourier.
B.3 Introduzione ai segnali generalizzati: la Delta
di Dirac
Il concetto di distribuzione (o di funzione generalizzata) nasce nel 1900 circa dal
fisico Paul Adrien Maurice Dirac, che aveva bisogno di una modellizzazione ideale di
particolari fenomeni, su tutti di quelli impulsivi. Dirac introdusse cos`ı la Delta, ossia
il modello di un segnale impulsivo. Pi` u avanti matematici del calibro di Schwartz,
Sobolev e altri, introdussero un formalismo matematico per la teoria, estendendola
notevolmente.
Il segnale generalizzato pi` u interessante `e la Delta di Dirac della quale stiamo
facendo molte lodi: x(t) = δ(t). Possiamo dire che δ(t) sia il metodo di misura
ideale per un fenomeno: un metodo di misura preciso, senza incertezze e latenze.
Impropriamente la definizione di Delta che si introduce `e quella come integrale,
anche se sarebbe pi` u corretto parlare della pi` u formale definizione mediante fun-
B.3. INTRODUZIONE AI SEGNALI GENERALIZZATI: LADELTADI DIRAC105
zionale. Utilizzando dunque una sorta di prodotto scalare, considerato in ambito
distribuzionale, definiamo la Delta di Dirac applicata su di un segnale x(t) come:
'δ(t)[x(t)` =

+∞
−∞
x(t)δ(t)dt x(0)
Cosa significa tutto ci`o? Cerchiamo di capirlo! Dato un segnale, vorremmo farne
la misura in un punto, ossia rilevare, campionare il suo valore in un dato punto. Ci`o
che uno strumento di misura dunque fa, `e effettuare la misura di x(t
0
), con una certa
incertezza T sul valore catturato. Possiamo modellizzare la misura come il calcolo
dell’area di una porta di altezza pari al segnale:
ˆ x(t) =

+∞
−∞
x(t)p
T
(t −t
0
)dt
Due accorgimenti:
• Scegliamo di considerare una misura mediata, ossia di normalizzare l’integrale
di un divisore T, dividendo dunque tutto per T (teorema della media integrale);
• poich´e T `e piccolo, dato che utilizziamo (o almeno ipotizziamo di utilizzare)
uno strumento accuratissimo, l’area del tratto di rettangoloide si pu` o circa
approssimare con l’area della porta di altezza x(t
0
), ossia del segnale valutato
nel punto, poich´e ci si trova in un intorno di questo punto e si pu`o considerare
ci` o una buona approssimazione:
ˆ x(t) ∼
1
T

+∞
−∞
x(t
0
)p
T
(t −t
0
)dt =
x(t
0
)
T

+
T
2

T
2
1dt = T
x(t
0
)
T
= x(t
0
)
Ci` o `e vero, se la larghezza della porta, T, tende a 0: con uno strumento
privo di indeterminazione, e quindi ideale. Come vedremo tra breve, questa `e
un’interpretazione, una definizione di δ(t).
B.3.1 Propriet`a della Delta di Dirac
Elenchiamo qui un insieme propriet` a od osservazioni riguardanti la Delta di Dirac,
dimostrando quelle non banali che presenteremo.
106 APPENDICE B. TRASFORMATA DI FOURIER
Definizione

+∞
−∞
x(t)δ(t −t
0
)dt = x(t
0
)
Definizione come limite di una porta per larghezza infinitesima
Come gi`a detto, una possibile definizione di δ(t), `e il limite della porta per T → 0:
se infatti T si stringe, e l’ampiezza della porta rimane costante, poich´e l’integrale
della porta deve sempre valere 1, possiamo immaginare che pi` u lo “spessore”, la
“larghezza” della porta diventi infinitesima, pi` u si elevi l’altezza, mantenendo sempre
costante l’integrale, che varr` a sempre 1:
lim
T→0
p
T
(t) = δ(t)
Nota: esistono altre definizioni asintotiche di δ, che forse definiremo in seguito.
Riscalamento di una Delta
δ(at) =
1
[a[
δ(t) =
1
[a[
x(0) =
1
[a[
δ(t)
Dimostrazione: dalla teoria delle distribuzioni, utilizzando un po’ di quel forma-
lismo che ci sta cos`ı simpatico:
'δ(at)[x(t)` 'δ(t)[
1
[a[
x(t)` =
1
[a[
x(0) =
1
[a[
δ(t)
Scaricando tutto come di solito si fa sulla funzione test, che in questo caso `e
il nostro “misurando”, il segnale x(t), si ottiene facilmente questa propriet` a. Le
motivazioni derivano dalla Teoria delle Distribuzioni, e si possono facilmente dimo-
strare estendendo i risultati ottenuti dalle distribuzioni regolari sullo spazio T. In
una dispensa di Teoria delle Distribuzioni sicuramente saranno formalizzati tutti i
passaggi.
Lemma della precedente propriet`a
La Delta di Dirac `e una funzione pari (funzione generalizzata, ma chiamiamola senza
troppi problemi funzione):
δ(−t) = δ(t)
Dimostrazione: dalla propriet` a appena vista:
B.3. INTRODUZIONE AI SEGNALI GENERALIZZATI: LADELTADI DIRAC107
δ(−t) =
1
[−1[
δ(t) = δ(t)
Supporto della Delta
δ(t) = 0 ∀t = 0
La δ(t) `e una funzione generalizzata il cui supporto `e esclusivamente t = 0.
Propriet`a di Campionamento
x(t)δ(t) = x(0)δ(t)
Questa propriet` a ha in s´e probabilmente un alone di misticismo, ma in realt` a
`e molto intuitiva; inoltre, `e assolutamente fondamentale perch´e permette di “cam-
pionare” (come suggerito nel nome che le `e stato scelto) un valore. La propriet` a `e
intuitiva per il seguente motivo: se a una funzione moltiplichiamo una Delta di Dirac
(in questo caso supposta centrata in 0), capita che tutto ci`o che sta fuori dal suppor-
to della Delta viene annullato (moltiplichiamo infatti la funzione per 0 per qualsiasi
punto, come immaginiamo dalla propriet`a del supporto appena presentata); tutto
ci` o che resta della funzione sar` a dunque il valore presente sull’intersezione dei sup-
porti delle due funzioni, e quindi solo nel punto in cui esiste la delta, ottenendo cos`ı
banalmente questa formula.
Propriet`a della Trasformata di Fourier

+∞
−∞
e
±j2πνt
dt = δ(ν)
Questa propriet` a `e veramente importantissima, e anche interessantissima, poich´e
deriva da una considerazione non ancora fatta sulla trasformata di Fourier. Prima
di parlarne, diamone una dimostrazione basata sul formalismo della Teoria delle
Distribuzioni.
Dimostrazione: consideriamo, dalla Teoria delle Distribuzioni, la Trasformata di
Fourier di una δ(t), come:
'δ(t)[e
−j2πνt
` = 'δ(t)[e
−j2πν0
` = 1
Anticipando la propriet` a di simmetria, valida per la trasformata di Fourier (che
dopo discuteremo e dimostreremo ampiamente):
108 APPENDICE B. TRASFORMATA DI FOURIER
T ¦1¦ = δ(ν) ←→

+∞
−∞
1 e
−j2πνt
dt = δ(ν)
Questo fatto ha un’interpretazione fisica veramente affascinante: se noi trasfor-
miamo mediante Fourier una costante (ν = 0), troveremo una δ(ν), ossia un impulso
fissato alla frequenza nulla. Se ci pensiamo, se il segnale nel tempo `e una costante, si-
gnifica che si ha solo ed esclusivamente una continua, e dunque solo una componente
a frequenza nulla! Supponendo ora di avere invece una sinusoide come esponenziale
complesso a frequenza ν
0
, allo stesso modo avremo, nel dominio di Fourier, solo una
δ(ν −ν
0
), ossia una delta di Dirac centrata in ν
0
. Questo perch´e la sinusoide ha una
sola componente in frequenza, perch´e si pu` o esprimere come una sola sinusoide, e
dunque `e sufficiente una delta, una riga spettrale nel dominio di Fourier.
Derivata del gradino di Heavyside
Si pu`o dimostrare, mediante la Teoria delle Distribuzioni, che:
∂u(t)
∂t
= δ(t)
Essendo materia di Teoria delle Distribuzioni, si sceglie di trascurare qui la
dimostrazione formale.
B.3.2 Esempio Pratico 1
Consideriamo, al fine di meglio comprendere le propriet` a della Delta appena intro-
dotte, tre esempi pratici, di cui questo `e il primo. Questo esempio riguarder`a la
propriet` a 6, e vuole essere esplicativo sul come applicarla “al meglio”: tutto ci`o che
sta tra “j2π” e “t” sar`a argomento della δ dopo aver calcolato l’integrale:

+∞
−∞
e
j2π
[
QUALCOSA
]
t
dt = δ([QUALCOSA])
Ad esempio:

+∞
−∞
e
j2π(x
3
+x)t
dt = δ(x
3
+ x)
Nota: questa propriet`a vale solo e soltanto se l’integrale viene calcolato su tutta
la retta reale! Se cos`ı non fosse la propriet`a non `e valida, e bisogna calcolare con
metodi pi` u ‘classici” il tutto.
B.4. PROPRIET
`
A DELLA TRASFORMATA DI FOURIER 109
B.3.3 Esempio Pratico 2
Dato il segnale x(t):
x(t) = e
j2πν
0
t
Calcolarne la trasformata di Fourier.
Molto semplice:
X(ν) =

+∞
−∞
x(t)e
−j2πν
t
dt =

+∞
−∞
e
−2π(ν−ν
0
)t
dt = δ(ν −ν
0
)
B.3.4 Esempio Pratico 3
Nota: questo esempio pratico `e a dir poco fondamentale, e sar` a usatissimo in tutta
la trattazione. Si conosca dunque molto bene, data la sua enorme importanza.
Calcolare la trasformata di Fourier del segnale x(t):
x(t) = cos(2πν
0
t)
Utilizziamo la formula derivante da quella di Eulero, ottenendo:
x(t) = cos(2πν
0
t) =
1
2

e
j2πν
0
t
+ e
−j2πν
0
t

Niente di pi` u banale! Riutilizzando l’esempio pratico 2, otterremo semplicemen-
te:
X(ν) =
1
2
[δ(ν −ν
0
) + δ(ν + ν
0
)]
Ossia, la trasformata di Fourier di un coseno `e uguale alla somma di due δ,
traslate di +ν
0
e −ν
0
. Si ricordi sempre questo esempio, in quanto fondamentale.
B.4 Propriet`a della Trasformata di Fourier
Al fine di poter studiare efficacemente l’analisi dei segnali, `e necessario conoscere
molto bene le propriet`a della trasformata di Fourier. Per questo, ora elencheremo
le prime propriet`a, proponendo per ciascuna una dimostrazione, corredando il tutto
con riflessioni che permettano di meglio coglierne l’essenza.
110 APPENDICE B. TRASFORMATA DI FOURIER
B.4.1 Propriet`a di Linearit`a
Dato segnale y(t) definito come:
y(t) = ax
1
(t) + bx
2
(t)
Y (ν) = T ¦y(t)¦ = aT ¦x
1
(t)¦ + bT ¦x
2
(t)¦
Dimostrazione
Essendo l’integrale un operatore lineare operante su spazi vettoriali, si ha che:
Y (ν) =

+∞
−∞
[ax
1
(t) + bx
2
(t)] e
−j2πνt
dt =
= a

+∞
−∞
x
1
(t)e
−j2πνt
dt + b

+∞
−∞
x
2
(t)e
−j2πνt
dt = aT ¦x
1
(t)¦ + bT ¦x
2
(t)¦
B.4.2 Propriet`a di Parit`a
Dato un segnale reale x(t), allora il modulo della sua trasformata di Fourier, [X(ν)[
`e una funzione pari, mentre la fase della sua trasformate di Fourier `e una funzione
dispari.
Dimostrazione
In senso molto generale, potremmo interpretare x(t) come modulo e fase nel piano
complesso:
x(t) = [x(t)[ e
j∠x(t)
poich´e tuttavia ci troviamo in R, abbiamo che:
x(t) = ±[x(t)[
poich´e, trovandoci sull’asse reale, la fase pu` o essere o 0 o π, se i numeri sono
rispettivamente o positivi o negativi.
Possiamo dunque pensare alla quantit`a e
j2πνt
, mediante la formula di Eulero,
come:
B.4. PROPRIET
`
A DELLA TRASFORMATA DI FOURIER 111
e
j2πνt
= cos(2πνt) + j sin(2πνt)
Possiamo dunque calcolare la trasformata di Fourier come somma di due contri-
buti: quello della parte reale, e quello della parte immaginaria, partendo da ci` o che
abbiamo ottenuto:
X(ν) = T ¦x(t)¦ =

+∞
−∞
x(t)e
j2πνt
dt =
=

+∞
−∞
x(t) cos(2πνt)dt + j

+∞
−∞
x(t) sin(2πνt)dt = Re [X(ν)] + j Im[X(ν)]
Possiamo fare alcune considerazioni: si vede molto bene, da queste ultime de-
finizioni, che, in caso di funzioni reali (come secondo le ipotesi che abbiamo finora
seguito per arrivare a questo risultato), che la parte reale sia una funzione pari, e la
parte immaginaria una funzione dispari. Vediamo perch´e:
Re [X(−f)] =

+∞
−∞
x(t) cos(2π(−f)t)dt =

+∞
−∞
x(t) cos(2πνt)dt = Re [X(ν)]
Im[X(−f)] =

+∞
−∞
x(t) sin(2π(−f)t)dt = −

+∞
−∞
x(t) sin(2πνt)dt = −Im[X(ν)]
poich´e sappiamo dall’algebra che una funzione dispari al quadrato diviene pari,
che la somma di funzioni pari `e ancora una funzione pari, e che la radice di funzioni
pari `e ancora una funzione pari, avremo che:
[X(ν)[ =

[Re [X(ν)]]
2
+ [Im[X(ν)]]
2
Senza dubbio `e pari.
Per quanto riguarda la fase:
∠X(ν) = arctan

Im[X(ν)]
Re [X(ν)]

Notoriamente, nel suo dominio, l’arcotangente `e una funzione dispari, dunque
abbiamo dimostrato la relazione di parit`a tra le trasformate.
Ci siamo dilungati tanto su questa propriet` a perch´e essa `e fondamentale: come
abbiamo gi` a accennato, essa elimina, per quanto riguarda segnali reali, la presenza
112 APPENDICE B. TRASFORMATA DI FOURIER
di informazione nelle frequenze negative, perch´e introduce concetti di simmetria che
ci permettono ricavare tutte le informazioni dalle sole frequenze positive. Si noti che
ci` o vale su segnali reali solo perch´e ∠X(ν) = 0; π: in questo modo valgono le pro-
priet` a trigonometriche che hanno permesso la propriet` a. Uno sfasamento sul piano
complesso annullerebbe la propriet` a di parit`a, anche se ci` o nei segnali `e impossibile
da verificarsi, in quanto i segnali con cui si ha a che fare nel mondo fisico sono
grandezze reali.
B.4.3 Propriet`a di Anticipo/Ritardo
Dato un segnale y(t) definito come:
y(t) = x(t −T)
La sua trasformata `e:
Y (ν) = T ¦y(t)¦ =

+∞
−∞
y(t)e
−j2πνt
dt = X(ν)e
−j2πνT
In altre parole un ritardo, nel dominio della frequenza, si pu`o interpretare come
il prodotto per un fattore lineare di fase, ossia per un’armonica. Si parla di fattore
lineare di fase poich´e esso non provoca di fatto variazioni nello spettro di energia
del segnale:
x(t) −→o
x
(ν) = [X(ν)[
2
y(t) −→o
x
(ν) =

X(ν)e
−j2πνT

2
= [X(ν)[ e
−j2πνT
2
= [X(ν)[
2
Un ritardo del segnale nel dominio del tempo, non provoca alcuna variazione
nello spettro di energia in frequenza.
Dimostrazione
Dato y(t) = x(t −t
0
):
Y (ν) = T ¦y(t)¦ =

+∞
−∞
x(t −t
0
)e
−j2πνt
dt
Mediante un cambio di variabili, abbiamo:
s = t −t
0
; t = s + t
0
; dt = ds
B.4. PROPRIET
`
A DELLA TRASFORMATA DI FOURIER 113
Da qua:

+∞
−∞
x(s)e
−j2πν(s+t
0
)
ds = e
−j2πνt
0

+∞
−∞
x(s)e
−j2πνs
ds = X(ν)e
−j2πνt
0
B.4.4 Propriet`a di Modulazione
Si tratta di una propriet` a assolutamente duale alla precedente, molto utilizzata in
ambito di telecomunicazioni. Essa ci dice che, dato un segnale x(t):
T
¸
x(t)e
j2πν
0
t
¸
= X(ν −ν
0
)
Intuitivamente, cosa capita? Se moltiplichiamo nel dominio del tempo un segnale
per un’armonica, il segnale al variare del tempo varier`a seguendo il profilo preceden-
te, ma anche la curva inviluppo “dettata” dall’armonica. Ci` o che facciamo `e simile
all’accelerare la x(t), facendole seguire l’inviluppo della sinusoide, dell’armonica.
A cosa pu`o servire questa cosa? Supponiamo di avere due segnali nel tempo, ad
esempio due comunicazioni, che devono “parlare” tra loro sullo stesso filo. Suppo-
niamo di avere questi x
1
(t) e x
2
(t), e di doverli mettere sullo stesso doppino. Per
fare ci`o, dovremo moltiplicare per una certa armonica i due, e cos`ı sintonizzarli a
frequenze diverse, in modo da farli parlare sullo stesso filo, senza far s`ı che si so-
vrappongano e creino problemi e interferenze l’uno sull’altro. In questo modo, nel
tempo, moltiplicheremo cos`ı:
x
1
(t)e
j2πν
1
t
x
2
(t)e
j2πν
2
t
Si noti che noi effettuiamo riscalamenti mediante prodotto per esponenziali com-
plessi, ma nella pratica si moltiplica, nelle applicazioni di telecomunicazioni (ad
esempio), per dei coseni. Dal momento che l’esponenziale complesso non esiste, la
migliore cosa che possiamo fare `e accontentarci del coseno, e ottenere:
Y (ν) = x
1
(ν) cos(2πν
1
t) + x
2
(ν) cos(2πν
2
t)
Dimostrazione
La dimostrazione `e abbastanza banale e simile alla precedente; vediamo che se
moltiplichiamo la funzione per e
j2πν
0
t
, otteniamo:
114 APPENDICE B. TRASFORMATA DI FOURIER
X
0
(ν) = T
¸
x(t)e
j2πν
0
t
¸
=

+∞
−∞
x(t)e
j2πν
0
t
e
−j2πνt
dt =

+∞
−∞
x(t)e
−j2πt(ν−ν
0
)
dt = X(ν−ν
0
)
B.4.5 Propriet`a dello Scalamento
Dato un segnale x(t), uno scalamento nel tempo corrisponde a uno scalamento
opposto in frequenza:
T ¦x(kt)¦ ←→
1
[k[
X

ν
k

Prima di dimostrare tutto ci`o, alcune osservazioni. Prima di tutto, ricordiamo
che:
• Se [k[ > 1, si ha una compressione nel tempo;
• Se [k[ < 1, si ha una dilatazione nel tempo.
Qual `e il significato di tutto ci` o? A una compressione nel tempo corrisponde una
dilatazione nel dominio delle frequenze, a una dilatazione nel dominio del tempo
corrisponde una compressione nel dominio delle frequenze.
Cosa significa “comprimere” un segnale? Significa, se vogliamo guardare sotto
questo punto di vista, “variare la velocit` a di percorrenza”: moltiplicando t per un
fattore positivo e maggiore di 1, con lo stesso “tempo” avremo percorso una maggior
porzione di segnale, e avremo quindi una velocit` a maggiore! Per “aumentare la
velocit` a di percorrenza”, quindi, intendiamo semplicemente aumentare la pendenza
dei tratti di curva.
Prendendo ad esempio una finestra triangolare, aumentando la velocit`a di per-
correnza ci mettiamo meno tempo a “salire” su per il triangolo, ma quindi esso sar`a
pi` u compresso. Ci` o che capita in frequenza, `e il fatto che serviranno sinusoidi pi` u
ripide, con frequenze pi` u elevate, poich´e una sinusoide a bassa frequenza `e di fatto
piatta, e quindi non in grado di presentare ripide pendenze. In questo modo, se
servono sinusoidi a frequenza pi` u alta, lo spettro si dilater`a: serviranno armoniche
a frequenza pi` u alta, ma quindi pi` u lontane dall’origine, e quindi a compressione nel
tempo, capiamo che ha senso pensare che ci sia una dilatazione in frequenza.
La riduzione dell’ampiezza sulle basse frequenze `e dovuta al fatto che abbiamo
sempre e comunque convergenza in norma quadratica, e quindi la stessa energia
rispetto al tempo! Vale sempre e comunque l’eguaglianza di Parseval, dunque il
fattore di normalizzazione `e giustificato, dal momento che cos`ı si avr`a sempre la
stessa energia in entrambi i domini.
B.4. PROPRIET
`
A DELLA TRASFORMATA DI FOURIER 115
Dimostrazione
T ¦x(kt)¦ =

+∞
−∞
x(kt)e
−j2πνt
dt
Effettuiamo a questo punto un cambio di variabili:
s = kt; t =
s
k
; dt =
1
k
Da qua avremo:
=⇒

+∞
−∞
x(s)e
−j2π
ν
k
s

1
k
ds
Facciamo un’osservazione: se k > 0, tutto regolare; se k < 0, allora l’esponenziale
avrebbe segno negativo, ma ci`o va contro la definizione di trasformata di Fourier:
l’esponente deve avere sempre segno negativo davanti. Dobbiamo dunque distinguere
due casistiche:

k, k > 0
−k, k < 0
Ma questa definizione ricorda proprio la definizione di funzione modulo! Al posto
di k, molto banalmente, useremo [k[, che sostituisce esattamente il comportamento
che ricerchiamo:
=⇒

+∞
−∞
x(s)e
−j2π
ν
|k|
s
ds =
1
[k[
X

ν
[k[

B.4.6 Propriet`a della Convoluzione
Prima di introdurre questa propriet`a, riprendiamo la definizione di prodotto di
convoluzione da Analisi Matematica II; dati due segnali, x
1
(t) e x
2
(t):
y(t) = x
1
(t) ⊗x
2
(t)

+∞
−∞
x
1
(t −τ)x
2
(τ)dτ =

+∞
−∞
x
2
(t −τ)x
1
(τ)dτ
Il prodotto di convoluzione `e un operatore commutativo. In seguito, vedremo
la sua utilit` a nell’analisi dei segnali. La cosa interessante di questa propriet` a `e che
quest’operazione, cos`ı difficile da calcolare (nella maggior parte dei casi reali), nel
dominio di Fourier diviene un semplice prodotto algebrico!
y(t) = x
1
(t) ⊗x
2
(t) ←→X
1
(ν) X
2
(ν)
116 APPENDICE B. TRASFORMATA DI FOURIER
Dimostrazione
Dato y(t) = x
1
(t) ⊗x
2
(t), si vede che:
y(t) =

+∞
−∞
x
1
(t −τ)x
2
(τ)dτ
La sua trasformata di Fourier, Y (ν), sar`a:
Y (ν) =

+∞
−∞

+∞
−∞
x
1
(t −τ)x
2
(τ)e
−j2πνt
dtdτ
Utilizziamo un piccolo artificio algebrico: moltiplichiamo per l’esponenziale com-
plesso con variabile temporale τ, ossia per e
j2πντ
; otteniamo cos`ı:
Y (ν) =

+∞
−∞

+∞
−∞
x
1
(t −τ)x
2
(τ)e
−j2πν(t−τ+τ)
dtdτ =
=

+∞
−∞

+∞
−∞
x
1
(t −τ)e
−j2πν(t−τ)
x
2
(τ)e
−j2πντ
dtdτ
Utilizziamo ora un cambio di variabili: t −τ = s; da qua, dt = ds; otterremo in
questo modo da un singolo integrale doppio due integrali semplici moltiplicati tra
loro, dal momento che le funzioni di integrazione dipenderanno da variabili differenti,
e potremo cos`ı dire che:
=⇒

+∞
−∞
x
1
(s)e
−j2πνs
ds

+∞
−∞
x
2
(τ)e
−j2πντ

= X
1
(ν) X
2
(ν)
Si noti che, come formalizzeremo meglio dopo, vale anche la propriet`a duale
(come spesso per l’appunto capiter` a, a causa di una propriet`a ancora da definirsi,
nelle trasformate di Fourier): una convoluzione in frequenza diviene un prodotto
algebrico nel tempo; dato y(t) = x
1
(t) x
2
(t),
Y (ν) = X
1
(ν) ⊗X
2
(ν)
B.4.7 Propriet`a di derivazione
Dato un segnale y(t) definito come:
y(t) =
dx(t)
dt
= x

(t)
B.4. PROPRIET
`
A DELLA TRASFORMATA DI FOURIER 117
La sua trasformata di Fourier, Y (ν), sar`a:
Y (ν) = j2πνX(ν)
Questa propriet` a `e una delle pi` u classicamente usate e importanti sotto il punto di
vista della risoluzione di sistemi differenziali (anche se pi` u spesso si fa uso, allo stesso
fine, della trasformata di Laplace, che ora non trattiamo): l’operazione di derivazione
nel dominio del tempo coincide, nel dominio della frequenza, con una moltiplicazione
per la variabile indipendente ν. Ci`o significa che mediante la trasformata di Fourier
`e possibile ricondurre un’equazione differenziale di ordine generico a un’equazione
algebrica, e dunque molto pi` u semplice da risolvere.
Dimostrazione
Dato y(t) = x

(t), abbiamo che:
T ¦y(t)¦ =

+∞
−∞
x

(t)e
−j2πνt
dt
Integrando per parti, si ottiene:
=⇒ x(t)e
−j2πνt

+∞
−∞
−(−j2πν)

+∞
−∞
x(t)e
−j2πνt
dt
Sappiamo che come al solito x(t) `e trasformabile, a energia finita, e dunque:
x(t) ∈ L
2
Dove L
2
`e lo spazio di funzioni il cui modulo quadro `e integrabile in senso di
Lebesgue. Per essere integrabile in tal senso, deve essere a supporto compatto, o
quantomeno infinitesima all’infinito (in realt` a la definizione richiederebbe il fatto
che l’insieme sia a misura nulla, cosa che comunque noi supponiamo vera; a parte
funzioni particolari, possiamo immaginare che quest’ipotesi sia sempre verificabile);
ci` o che possiamo dunque dire `e che:
x(+∞) = x(−∞) = 0
Il primo termine dunque sparisce; osservando il secondo termine, si potr`a dire
banalmente che:
Y (ν) = j2πνX(ν)
118 APPENDICE B. TRASFORMATA DI FOURIER
Una nota: applicando iterativamente questo ragionamento, questa dimostrazio-
ne, alle derivate n-esime, si pu` o dimostrare che, dato y(t) cos`ı definito:
y(t) =
d
n
x(t)
dt
n
Si ha:
Y (ν) = (j2πν)
n
X(ν)
B.4.8 Principio di Indeterminazione della trasformata di
Fourier
Prima di introdurre l’enunciato del principio di indeterminazione riguardante la
trasformata di Fourier, definiamo due quantit`a fondamentali che ci serviranno:
• Estensione temporale del segnale (o durata) d:
d
2

1
ε
x

+∞
−∞
t
2
[x(t)[
2
dt
• Estensione in frequenza o ‘banda’ D del segnale:
D
2


2
ε
x

+∞
−∞
ν
2
[X(ν)[
2

Nota: abbiamo chiamato D la banda del segnale, ma si noti che questa non `e
l’unica definizione di banda esistente (si noti che il 4π deriva dall’introduzione di
una costante di normalizzazione, ma non sarebbe necessario, anche se permette di
presentare un risultato pi` u elegante ma equivalente a quello che si otterrebbe senza);
inoltre, le varie definizioni non sono tra di loro equivalenti.
Passiamo all’enunciato del teorema in questione: il principio di indeterminazione
afferma che, in un qualsiasi segnale a energia finita:
d D ≥
1
2
B.4. PROPRIET
`
A DELLA TRASFORMATA DI FOURIER 119
Dimostrazione
Riprendiamo un attimo la definizione di D
2
, e vediamo che possiamo usare un pic-
colo accorgimento: applicando l’appena enunciata propriet`a della derivazione e il
teorema di Parseval/Plancherel, possiamo moltiplicare e dividere per j2π all’interno
del modulo, e ottenere:
D
2
=

2
ε
x

+∞
−∞
ν
2
[X(ν)[
2
dν =

2

2
ε
x

+∞
−∞
[j2πνX(ν)[
2

Utilizzando ora Plancherel, possiamo dire che l’integrale in modulo quadro di
j2πνX(ν) coincida con l’integrale in modulo quadro della derivata del segnale x(t),
nel dominio del tempo! Semplificando dunque i termini 4π
2
, otteniamo:
=⇒
1
ε
x

+∞
−∞

dx(t)
dt

dt
Abbiamo ottenuto una forma un po’ pi` u maneggevole per quanto riguarda D
2
;
studiamo a questo punto il prodotto durata-banda, e vediamo cosa capita:
d
2
D
2
=
1
ε
2
x

+∞
−∞
t
2
[x(t)[
2
dt

+∞
−∞

dx(t)
dt

dt
Proseguiamo considerando la diseguaglianza di Schwartz; essa ci permette infatti
di dire che:

+∞
−∞
t
2
[x(t)[
2
dt

+∞
−∞

dx(t)
dt

dt ≥
¸
+∞
−∞
tx(t)
dx(t)
dt
dt

2
A questo punto, calcoliamo, mediante la tecnica di integrazione per parti, l’inte-
grale minorante il prodotto di durata e banda:

+∞
−∞
tx(t)
dx(t)
dt
dt =

+∞
−∞
tx(t)dx(t) = t
x
2
(t)
2

+∞
−∞

1
2

+∞
−∞
x
2
(t)dt
Dal momento che supponiamo il segnale a energia finita, vale il discorso effettuato
al momento della dimostrazione della propriet` a di derivazione: possiamo supporre,
all’infinito, il valore del segnale infinitesimo, ossia tendente a 0; per questo motivo,
x
2
(t), a ±∞, varr` a 0. Rimarr` a dunque solo il secondo integrale:
= −
1
2
ε
x
120 APPENDICE B. TRASFORMATA DI FOURIER
Il fattore ε
x
si ottiene osservando che il secondo integrale `e semplicemente l’e-
nergia del segnale x(t). Inseriamo il risultato dunque nel contesto precedente,
ottenendo:
d
2
D
2

1
ε
2
x

¸

1
2
ε
x

2
=
1
4
Calcolando la radice, otterremo banalmente:
d D ≥
1
2
Abbiamo cos`ı dimostrato il principio di indeterminazione della trasformata di
Fourier! Questa dimostrazione non `e del tutto generale: il principio di indetermina-
zione `e infatti pi` u “famoso” in ambito fisico, nella fattispecie in ambito di meccanica
quantistica, parlando del pi` u celebre principio di indeterminazione di Heisenberg: le
incertezze di una grandezza fisica e del suo impulso associato, non commutanti (ad
esempio posizione e velocit`a), moltiplicate tra loro, sono almeno uguali alla met` a
della costante di Planck normalizzata per 2π (). Una dimostrazione pi` u completa
coinvolge l’algebra degli operatori non commutanti, e arriva a un risultato simile,
per quanto riguarda la meccanica quantistica.
Tralasciamo la fisica e riprendiamo la Teoria dei Segnali; cosa significa tutto ci` o
che abbiamo detto finora? Beh, partiamo da d, ossia dalla durata nel dominio del
tempo del segnale. Definiamo una funzione ausiliaria g(t), tale per cui:
g(t) =
[x(t)[
2
ε
x
Si pu`o notare che g(t) ha due propriet` a:
• Il suo integrale sulla retta reale `e pari a 1:

+∞
−∞
g(t)dt =
1
ε
x

+∞
−∞
[x(t)[
2
dt =
ε
x
ε
x
= 1
• La funzione `e sempre positiva o uguale al pi` u a 0:
g(t) ≥ 0 ∀t ∈ R
Cosa ci ricorda tutto ci` o? g(t) ha le stesse caratteristiche richieste da una funzio-
ne di densit` a! Notiamo dunque un’interpretazione molto interessante; riprendendo
la definizione di d
2
:
B.4. PROPRIET
`
A DELLA TRASFORMATA DI FOURIER 121
d
2
=

+∞
−∞
t
2
f(t)dt = σ
2
f(t)
Si pu`o interpretare d
2
come un momento secondo probabilistico, ossia come una
varianza! Di fatto, quindi, d rappresenta la radice della varianza del modulo quadro
del nostro segnale. Maggiore sar` a questa quantit` a, maggiore sar`a l’estensione tem-
porale, la dispersione del segnale nel dominio del tempo. Possiamo interpretare ci`o
volendo anche in meccanica classica, senza andar a prendere concetti probabilistici:
a tutti gli effetti, possiamo pensare a d come a un momento di inerzia del segnale, o
meglio della funzione rappresentante la densit`a dell’oggetto fisico in questione: pi` u
d `e grande, pi` u “voluminoso” sar` a l’oggetto, e maggiore il suo momento di inerzia.
Potremmo fare le medesime considerazioni per D e lo spettro del segnale in
frequenza: maggiore `e D, maggiore `e la dispersione sulle varie frequenze del segnale,
e quindi il supporto dello spettro in frequenza.
Cosa ci dice il principio di indeterminazione? Rivediamo l’enunciato:
d D ≥
1
2
Non abbiamo la possibilit` a di rendere la durata del segnale e contemporaneamen-
te la sua banda arbitrariamente piccole, poich´e ridurre un elemento va a scapito del
supporto dell’altro; si noti che non `e vero il contrario, dal momento che `e possibile
avere segnali di durata temporale infinita e larghezza di banda infinita (quantomeno
in Teoria dei Segnali).
Ultima osservazione: quando abbiamo l’indeterminazione minima? Ossia, quan-
do si verifica la condizione limite, d D =
1
2
? La risposta `e: si pu`o dimostrare che
nella gaussiana si abbia la maggior concentrazione tempo-frequenza, e quindi si pu` o
avere l’indeterminazione minima.
La funzione gaussiana `e una funzione dalle propriet` a molto interessanti: altra
propriet` a che si pu`o dimostrare pi` u o meno facilmente, `e il fatto che la trasformata
di Fourier di una gaussiana sia ancora una gaussiana; altra cosa interessante, `e il
fatto che sia un esempio banale di segnale a durata infinita sia nel dominio del tempo
sia nel dominio delle frequenze. Si ricordino queste note riguardo a questo tipo di
segnale, poich´e esso `e uno dei pi` u importanti nelle applicazioni pratiche.
B.4.9 Propriet`a del Supporto
Esistono due propriet` a, tra di loro duali, riguardanti il supporto di un segnale nel
dominio del tempo, e dello stesso segnale nel dominio della frequenza. Esse si pos-
122 APPENDICE B. TRASFORMATA DI FOURIER
sono intuire leggendo la teoria sul principio di indeterminazione, tuttavia `e molto
importante enunciarle e dimostrarle, al fine di averne una maggiore comprensione,
e introdurre qualche informazione aggiuntiva.
1. Se un segnale x(t) `e a supporto compatto nel tempo, allora la sua trasformata
di Fourier, X(ν), ha supporto illimitato nel dominio delle frequenze;
2. Se un segnale nel dominio delle frequenze, X(ν), ha supporto compatto (limi-
tato), allora nel dominio del tempo avr` a supporto illimitato.
Dimostrazione punto 1
Per definizione, sappiamo che la trasformata di Fourier di un segnale x(t) vale:
X(ν) = T ¦X(ν)¦ =

+∞
−∞
x(t)e
−j2πνt
dt
Dal momento che, per ipotesi, x(t) `e a supporto compatto, supponiamo che
l’intervallo di integrazione,


T
2
;
T
2

, sia simmetrico; inoltre, sviluppiamo in serie di
Taylor l’esponenziale complesso, ottenendo:
=⇒

+
T
2

T
2
x(t)
+∞
¸
n=0
(−j2πν)
n
n!
t
n
dt
poich´e la serie converge uniformemente, possiamo utilizzare i teoremi di passaggio
al limite, e dire che:
X(ν) =
+∞
¸
n=0
¸

+
T
2

T
2
x(t)t
n
dt
¸

(−j2π)
n
n!
ν
n
Sappiamo che, poich´e `e trasformabile, x(t) ∈ L
2
; per la diseguaglianza di Sch-
wartz, l’integrale cresce come
T
2
, quindi X(ν) `e una funzione analitica, e quindi
olomorfa. Essa dunque soddisfa le ipotesi del teorema di Liouville, e quindi `e a sup-
porto illimitato, poich´e non pu` o annullarsi se non in un insieme al pi` u numerabile
(discreto) di punti, ma non in un intervallo (poich´e esso avrebbe un’infinit` a pi` u che
numerabile di punti al suo interno).
Dimostrazione punto 2
Si dimostra in maniera del tutto analoga al punto 1, di conseguenza non vale la
pena riscrivere le stesse frasi, considerando l’antitrasformata di Fourier anzich`e la
trasformata.
B.4. PROPRIET
`
A DELLA TRASFORMATA DI FOURIER 123
B.4.10 Propriet`a della variabilit`a nel tempo
Dato un segnale x(t) a banda limitata B, allora:
[x(t
2
) −x(t
1
)[
[t
2
−t
1
[
≤ 2πB

B
−B
[X(ν)[ dν ∀t
1
, t
2
∈ R
Piccola premessa: in questa propriet`a, per banda B intendiamo il semi-intervallo
contenente il supporto della trasformata di Fourier del segnale x(t), ossia X(ν) (detto
anche “banda unilatera”); per ipotesi, dunque, potremo dire che X(ν) sia non nulla
solo per B < ν < B, in questa propriet` a. Si noti che questa definizione di banda `e
ben diversa da quella utilizzata parlando di principio di indeterminazione.
Prima di passare a una dimostrazione formale, cerchiamo di chiarire il significato
di questa propriet` a: dato un segnale x(t), sappiamo che:
[x(t
2
) −x(t
1
)[
[t
2
−t
1
[
= tan(ϑ)
Ci` o che possiamo dedurre da questa propriet` a `e il fatto che la quantit`a:
2πB

B
−B
[X(ν)[ dν
Sia maggiore o uguale, per qualsiasi t
1
e t
2
, alla tangente appena introdotta. Ci` o
che capita dunque in soldoni `e che pi` u il segnale varia velocemente nel tempo, pi` u
la tangente di ϑ crescer` a rapidamente, e pi` u ripido sar` a il segnale. Come abbiamo
gi` a accennato in precedenza, parlare di segnali ripidi significa parlare di segnali
che hanno bisogno di sinusoidi molto “ripide” per presentarli, e dunque di alte
frequenze. In questo modo, lo spettro sar`a molto ampio. Ci`o che capita `e che
dunque si pu`o verificare la diseguaglianza appena incontrata, che ci permette di
stabilire una maggiorazione sul numero di frequenze, e quindi sull’ampiezza della
banda di un segnale.
Dimostrazione
Dati due punti arbitrari nel dominio del tempo, due istanti t
1
e t
2
, data X(ν) la
trasformata di Fourier di x(t), possiamo dire che:
[x(t
2
) −x(t
1
)[ =

B
−B
X(ν)

e
j2πνt
2
−e
j2πνt
1

Utilizziamo l’estensione per quanto riguarda il calcolo integrale della disegua-
glianza di Minkowski, ossia della diseguaglianza triangolare:
124 APPENDICE B. TRASFORMATA DI FOURIER
[x(t
2
) −x(t
1
)[ ≤

B
−B
[X(ν)[

e
j2πνt
2
−e
j2πνt
1


Cerchiamo di lavorare sul modulo della differenza degli esponenziali complessi, e
di estrapolarne una forma pi` u utile ai fini della nostra dimostrazione:

e
j2πνt
2
−e
j2πνt
1

=

e
j2πνt
1

e
j2πνt
2
−1

Moltiplichiamo ora ambo i membri per

e
−j2πν(t
2
−t
1
)

, e otteniamo cos`ı:
=⇒

e
−j2πν(t
2
−t
1
)

e
j2πνt
2
−e
j2πνt
1

= 2 [sin [πν(t
2
−t
1
)][
Cosa intelligente che si pu`o fare, `e maggiorare il seno con il suo argomento,
ottenendo:
2 [sin [πν(t
2
−t
1
)][ ≤ 2π [ν[ [t
2
−t
1
[
Abbiamo praticamente terminato: dividiamo per [t
2
−t
1
[ l’espressione iniziale,
e otteniamo:
[x(t
2
) −x(t
1
)[
[t
2
−t
1
[
≤ 2π

B
−B
[ν[ [X(ν)[ dν
Usiamo a questo punto la diseguaglianza di Schwartz: l’integrale del prodotto,
si pu`o pensare come il prodotto degli integrali, ma dunque:

B
−B
[ν[ [X(ν)[ dν ≤

B
−B
[ν[ dν

B
−B
[X(ν)[ dν =
= 2

B
0
νdν

B
−B
[X(ν)[ dν =
= 2πB

B
−B
[X(ν)[ dν
Abbiamo cos`ı, mediante quest’ultima maggiorazione, verificato l’enunciato del
teorema.
B.4. PROPRIET
`
A DELLA TRASFORMATA DI FOURIER 125
Esempio Pratico
Studiamo un esempio pratico che potrebbe tornarci utile in seguito; consideriamo
dunque il segnale x(t) cos`ı definito:
x(t) = δ(t)
Se ne calcola la trasformata di Fourier:
X(ν) = T ¦x(t)¦ =

+∞
−∞
δ(t)e
−j2πνt
dt = 1
Cosa significa ci`o? Lo spettro di una delta di Dirac `e una funzione costante: ci` o
significa che, per produrre una δ avr` o bisogno, nel dominio delle frequenze, di tutte
le frequenze, in pari ampiezza, in pari quantit` a.
Nota: ogni qual volta vi sia una discontinuit` a di tipo salto, o un punto a tangente
verticale, siamo sicuri che il segnale avr`a banda B infinita!
B.4.11 Propriet`a di Dualit`a
La propriet`a di dualit` a `e tra le pi` u utili per quanto riguarda il calcolo di trasformate
di Fourier: essa rappresenta la spiegazione e la formalizzazione di tutte le simmetrie
tra le varie propriet` a finora affrontate, ed `e il principio in grado di motivare e studiare
le dualit`a tra le varie trasformate.
Sappiamo che:
x(t) =

+∞
−∞
X(ν)e
j2πνt
dt
X(ν) =

+∞
−∞
x(t)e
−j2πνt
dt
Proviamo a capire meglio tutto ci`o: dato un segnale x(t) nel dominio del tempo,
applicando l’operatore T si trova la trasformata di Fourier, X(ν):
T ¦x(t)¦ =

+∞
−∞
x(t)e
−j2πνt
dt = X(ν)
Abbiamo trovato X(ν), ossia la trasformata di Fourier di x(t). Facciamo una cosa
un po’ particolare: supponiamo a questo punto che X non sia funzione di f, ma di
t, ossia pensiamo di avere X(t), sostituendo semplicemente la variabile “frequenza”
126 APPENDICE B. TRASFORMATA DI FOURIER
alla variabile “tempo”. Data X(t), dunque, supponiamo di fare nuovamente la
trasformata di Fourier; otterremo:
T ¦X(t)¦ =

+∞
−∞
X(t)e
−j2πνt
dt = x(−ν)
Ci `e capitata una cosa molto particolare: ri-trasformando la funzione abbiamo
ritrovato la funzione di partenza, con l’argomento di segno opposto. Abbiamo cos`ı
trovato una propriet` a incredibile della formula di inversione della trasformata di
Fourier:
T
−1
¦X(ν)¦ = T ¦X(−ν)¦ ⇐⇒T ¦x(t)¦ = T
−1
¦x(−t)¦
Cosa ci suggerisce questo principio di dualit` a? Se noi abbiamo calcolato una fun-
zione come trasformata di Fourier, ritrasformandola avremo la funzione di partenza!
A cosa pu` o servire una cosa del genere? Vediamolo in un esempio pratico:
Esempio pratico
Dato il segnale finestra rettangolare:
x(t) = p
T
(t)
Come gi` a detto, sappiamo che la sua trasformata di Fourier sar`a un seno cardi-
nale:
X(ν) = T ¦p
T
(t)¦ =
sin(πνt)
πν
Abbiamo trovato il nostro solito seno cardinale. Cambiamo le carte in tavola:
supponiamo di avere, ora:
x(t) = sinc(t)
Siamo abituati a studiare questo tipo di segnale solo come trasformata di Fourier,
non come segnale nel dominio del tempo! Utilizzando tuttavia la propriet`a di dualit` a,
potremo dire semplicemente che:
X(ν) = T ¦sinc(t)¦ = p
T
(−t) = p
T
(t)
Quest’ultimo passaggio `e stato possibile poich´e la porta `e una funzione pari. Ci` o
che ci permette di fare questa propriet`a della trasformata di Fourier `e “riciclare” le
B.4. PROPRIET
`
A DELLA TRASFORMATA DI FOURIER 127
vecchie trasformata di Fourier, considerandole come segnali variabili nel tempo, e
di ottenere i duali! Questo tipo di trucco permette ad esempio di calcolare molto
facilmente la trasformata di una costante:
T ¦δ(t)¦ = 1 ⇐⇒T ¦1¦ = δ(−t) = δ(t)
128 APPENDICE B. TRASFORMATA DI FOURIER
Appendice C
Modulazione di frequenza
Introduzione all’appendice
La seguente appendice viene introdotta nel testo per alcune motivazioni, di carattere
in parte didattico e in parte prettamente dimostrativo:
• L’autore vuole almeno parzialmente colmare, con la presente, una personale
(e globale) lacuna introdotta dalle modifiche dei corsi di studi, ossia lo studio
della modulazione di frequenza (FM). Gli attuali corsi di studi triennali di
telecomunicazioni sono infatti principalmente incentrati sullo studio delle mo-
dulazioni di segnali digitali, quindi impossibilitati ad introdurre questo tipo di
strumento, storicamente molto importante (e anche attualmente in uso);
• L’autore desidera, in questa appendice, introdurre un metodo formale e fun-
zionale per realizzare, in maniera abbastanza semplice, esempi di segnali a
spettro variabile nel tempo; al fine di non appesantire la trattazione principa-
le, infatti, sono state tralasciati molti passaggi che, tuttavia, possono essere
molto utili per la comprensione delle nozioni introdotte. Si ritiene necessa-
rio dunque esplicitarli, quantomeno in forma di appendice, al fine di fornire
motivazioni pi` u solide delle affermazioni precedentemente introdotte.
Modulazione di frequenza
Il concetto di modulazione nasce in ambito di telecomunicazioni, al fine di trasmet-
tere segnali elettromagnetici contenenti informazioni di vario tipo; la modulazione
129
130 APPENDICE C. MODULAZIONE DI FREQUENZA
`e un insieme di metodi atti a trasmettere nella fattispecie un segnale m(t) detto
“modulante” mediante l’uso di segnali supplementari detti “portanti”.
Modulare `e fondamentale, in un sistema di trasmissione: un sistema `e sostan-
zialmente costituito da tre blocchi:
• Trasmettitore: blocco che adatta il segnale al canale di trasmissione;
• Canale di trasmissione: blocco che “trasporta” il segnale precedentemente
elaborato dal trasmettitore, verso il ricevitore;
• Ricevitore: blocco che demodula e utilizza il segnale trasportato.
perch´e serve cos`ı tanto la modulazione? Vediamone brevemente alcune motiva-
zioni:
• Un canale di trasmissione pu`o non essere utilizzato da un solo trasmettitore:
l’etere ad esempio `e uno dei canali pi` u utilizzati per la trasmissione di informa-
zione; se tutte le trasmissioni fossero sulla stessa frequenza, non sarebbe possi-
bile decifrarle, poich´e si sovrapporrebbero tra loro, rendendosi incomprensibili
a vicenda;
• Un canale si pu` o comportare come un filtro: pu`o essere in grado di far passare
solo un certo range di frequenze; se le frequenze del segnale che si intende tra-
smettere non fossero compatibili con quelle del canale di trasmissione, sarebbe
necessario “traslare” lo spettro del segnale, in modo da renderlo trasmissibile
sul canale.
Come funziona una modulazione? Come gi` a detto, si parte da un segnale, detto
“modulante” (nei casi interessati, analogico), m(t): esso dovr` a in qualche modo
agire sul segnale precedentemente denominato “modulato”, in modo da attribuirgli
un significato, un’informazione. Variazioni del comportamento nel tempo di m(t)
dovranno fornire particolari variazioni del comportamento di s(t), in modo che il
sistema di demodulazione sia in grado di interpretare correttamente le informazioni
in esso contenute.
Esistono fondamentalmente tre tipi di modulazioni analogiche:
• Modulazione di ampiezza (AM)
• Modulazione di frequenza (FM)
131
• Modulazione di fase (PM)
Nel primo tipo di modulazione m(t) viene utilizzato per “modulare” l’ampiezza
del segnale: un segnale sinusoidale (portante) viene moltiplicato per un certo coef-
ficiente, a sua volta moltiplicato per m(t), in modo che le variazioni di m(t) portino
a variazioni dell’ampiezza della sinusoide.
La seconda e la terza modulazione vengono anche dette “modulazioni di angolo”,
dal momento che m(t) agisce rispettivamente sulla velocit` a di variazione dell’angolo
del segnale (ossia sulla frequenza della portante) e sulla sua fase. Ci` o equivale a
dire che l’informazione utile viene trasferita attraverso l’angolo del segnale portante,
α(t), indifferentemente scelto in fase o in quadratura. Trattandosi di modulazioni di
angolo, si fa in modo che la portante abbia un’ampiezza A rigorosamente costante,
e che dunque si possa esprimere il segnale modulato (ossia gi`a trattato, mediante
sistemi elettronici, in modo da poter essere trasmesso) s(t) come:
s(t) = Acos(α(t)) = Acos (2πν
p
t + ϕ
0
+ ϕ(t))
Dove ν
p
`e la frequenza della portante, ϕ
0
la sua fase iniziale.
Nelle modulazioni d’angolo, o la fase o la frequenza sono funzioni lineari del
segnale modulante m(t); nel caso della modulazione di frequenza, nella fattispecie, la
frequenza varia linearmente con m(t); si ottiene dunque una funzione della frequenza
istantanea del segnale ν
i
(t) esprimibile come:
ν
i
(t) =
1

dα(t)
dt
= ν
p
+ 0 +
1

dϕ(t)
dt
Si possono distinguere due termini: uno `e la frequenza della portante ν
p
, termine
rigorosamente costante al variare del tempo e un secondo termine, ossia quello che
provoca la variazione spettrale: la “deviazione di frequenza” ∆ν(t) definita come:
∆ν(t) =
1

dϕ(t)
dt
Si consideri un altro fatto: si pu` o stabilire un massimo intervallo di variazio-
ne della frequenza rispetto a quella di portante, al momento della decisione dei
parametri di modulazione; si stabilisce quindi un parametro ∆ν
max
, definibile come:
∆ν
max
= max ¦∆ν(t)¦
Dal momento che la modulazione che si intende effettuare `e in frequenza, questo
parametro appena introdotto andr` a moltiplicato per il segnale modulante, ossia
132 APPENDICE C. MODULAZIONE DI FREQUENZA
il segnale m(t), contenente le informazioni da trasmettere mediante il sistema di
trasmissione; in questo modo, m(t) modificher`a la frequenza del segnale in un intorno
di quella di portante, aggiungendo un termine ∆ν(t) la cui massima variazione `e pari
a ∆ν
max
, considerando m(t) normalizzato a 1:
∆ν(t) = m(t) ∆ν
max
= m(t)
dϕ(t)
dt
Si possono a questo punto unire le due definizioni raggiunte di ∆ν(t), e quindi
esprimere l’angolo della portante in forma integrale:
ϕ(t) = 2π∆ν
max

t
−∞
m(τ)dτ
Il segnale modulato in frequenza avr`a dunque un’espressione del tipo:
s(t) = Acos
¸
2πν
p
t + ϕ
0
+ 2π∆ν
max

t
−∞
m(τ)dτ

Dopo questi calcoli apparentemente scorrelati dalla trattazione, si pu` o compren-
dere il motivo per cui si `e scelto di parlare di modulazione di frequenza: osservando
l’espressione analitica del segnale modulato risultante, e la dimostrazione utilizzata
per raggiungere la suddetta espressione, si pu` o notare che i termini di frequenza
sono due: la frequenza di portante ν
p
e la deviazione di frequenza, il cui andamento
dipende dal tempo; si tratta di un classico esempio di segnale frequenza dipendente
dal tempo, dunque non stazionario.
Esempi di calcolo di spettri di segnali modulati in
frequenza
Si introducono a questo punto i calcoli formali che portano ai risultati preceden-
temente presentati nella trattazione, ossia le costruzioni degli esempi di segnali
non-stazionari. Come gi`a detto, il segnale modulato si pu` o scrivere nella forma:
s(t) = Acos (2πν
p
t + ϕ
0
+ ϕ(t))
Al fine di ottenere un’espressione pi` u “maneggevole”, si sceglie di riscrivere il
segnale mediante esponenziali complessi:
s(t) =
A
2

e
jϕ(t)
e
j(2πν
p
t+ϕ
0
)
+ e
−jϕ(t)
e
−j(2πν
p
t+ϕ
0
)

133
A partire dall’espressione appena ricavata `e possibile costruire in maniera pi` u
semplice gli esempi precedentemente proposti: gli esponenziali complessi sono espres-
sioni relativamente semplici da trattare, di conseguenza `e possibile, a partire da qua
e dall’espressione integrale di ϕ(t), scegliere un generico segnale modulante (de-
terministico) e ricavare il relativo segnale modulato in frequenza, completando la
costruzione dell’esempio.
Chirp lineare
A partire dall’espressione operativa per il calcolo del segnale modulato in frequenza
s(t), `e ora possibile calcolare diversi esempi di segnali non stazionari; il primo esem-
pio, gi` a riportato nella trattazione principale e che ora verr` a completato sotto un
punto di vista formale, `e il chirp lineare; come gi`a detto, un chirp lineare `e un segna-
le in cui le frequenze variano linearmente col tempo; quando si parla di variazioni
lineari, si pu` o considerare una variazione su di una retta generica del tipo:
m(t) = A t + ω
0
Dove A `e la pendenza della retta, ω
0
l’“intercetta”, ossia il punto di incontro con
l’asse delle ordinate.
Si completa il discorso dei chirp lineari introducendo i passaggi formali che po-
trebbero portare ad un segnale di questo tipo; si considera l’espressione integrale di
ϕ(t):
ϕ(t) = 2π∆ν
max

[A τ + ω
0
] dτ

t
= 2π∆ν
max
¸
t
2
2
+ ω
0
t

= β
¸
t
2
2
+ ω
0
t

Dove:
β = 2π∆ν
max
A partire da ci` o si pu` o ottenere il segnale modulato in frequenza, s(t), come:
s(t) = e
jϕ(t)
= e

h
t
2
2

0
t
i
Questa espressione `e analoga a quella introdotta (senza dimostrazioni) nella trat-
tazione; mediante questi semplici passaggi, quindi, `e stato possibile dimostrare come
ottenere un chirp di tipo lineare, a partire dalla modulazione di una rampa, ossia
di una variazione lineare di ampiezza del segnale nel tempo, proprio come `e stato
qualitativamente spiegato, precedentemente, nella trattazione.
134 APPENDICE C. MODULAZIONE DI FREQUENZA
Chirp esponenziale
A partire da un altro tipo di segnale m(t) si pu` o osservare come si possano avere
altri tipi di variazioni della frequenza al variare del tempo. Si supponga di avere il
seguente segnale modulante:
m(t) = A
t
Dove A `e una generica costante reale; ricordando la definizione integrale di ϕ(t),
si pu`o ottenere:
ϕ(t) =

A
τ
dτ =
A
t
ln(t)
Si pu` o a questo punto esprimere il chirp esponenziale (detto anche chirp geo-
metrico) in termini di segnale modulato in frequenza esponenzialmente, ricavando
l’espressione operativa di s(t) come precedentemente fatto:
s(t) = e
jϕ(t)
= e
A
t
ln(t)
Concettualmente, non si hanno molte differenze rispetto a prima: se dappri-
ma infatti si variava in modo lineare la frequenza, ora essa si fa variare in modo
esponenziale, a partire da una generica base A.
Segnale modulante sinusoidale
Un esempio “classico” di segnale non stazionario `e il segnale modulato corrispon-
dente ad un segnale modulante sinusoidale. Si ricava dunque formalmente, a partire
dal seguente m(t):
m(t) = Acos(2πν
m
t)
Il segnale modulato s(t).
ϕ(t) = 2π∆ν
max

Acos(2πν
m
τ)dτ = A
∆ν
max
ν
m
sin(2πν
m
t) = β sin(2πν
m
t)
Dove:
β A
∆ν
max
ν
m
135
Ottenuta l’espressione operativa di ϕ(t), `e possibile sostituirla in quella prece-
dentemente ricavata di s(t), ottenendo:
e
jϕ(t)
= e
jβ sin(2πν
m
t)
Questa funzione risulta essere periodica di periodo T =
1
ν
m
; per questo motivo,
`e possibile calcolarne lo sviluppo in serie di Fourier, come:
e
jβ sin(2πν
m
t)
=
+∞
¸
k=−∞
c
k
e
j2πkν
m
t
Dove i coefficienti c
k
si calcolano mediante l’integrale di proiezione (prodotto
scalare su spazi di Hilbert) definito come:
'x(t)[y(t)`

+∞
−∞
x(t) y

(t)dt
Proiettando dunque su di una base di armoniche, dove ciascuna armonica `e
definita come:
a(t) = e
j2πνt
Si ottiene:
'm(t)[e
j2πkν
m
t
` =

+∞
−∞
m(t) e
−j2πkν
m
t
dt

T
2

T
2
Questo, limitando il dominio di ciascuna armonica ad un intervallo simmetrico
rispetto all’origine degli assi, di ampiezza temporale T; integrando e normalizzan-
do, si possono ottenere i coefficienti scalari rappresentanti il valore delle funzioni
proiettate sulla base di Fourier:
c
k
=
1
T

+
T
2

T
2
e
jβ sin(2πν
m
t)
e
−j2πkν
m
t
dt
Unendo gli argomenti ed effettuando il raggruppamento ϑ = 2πν
m
t, si pu` o
riscrivere l’espressione; si calcola il differenziale:
dt =
1
2πν
m

Inoltre, per t =
T
2
:
136 APPENDICE C. MODULAZIONE DI FREQUENZA
2πν
m
T
2
= π
ν
m
ν
m
= π
Da qui, sostituendo
1
:
c
k
=
1


−π
e
j[β sin(ϑ)−kϑ]
dϑ = J
k
(β)
Dove J
k
(x), per una generica variabile x, `e la funzione di Bessel di prima specie
di ordine k.
1
Si possono trovare, in questo risultato, eventuali differenze rispetto all’espressione preceden-
temente presentata; si tratta di differenti sostituzioni utilizzate; si sappia che i risultati sono
assolutamente analoghi
Bibliografia
[1] L. Cohen, Time-Frequency Analysis, Prentice-Hall, Upper Saddle River, NJ,
1995.
[2] M-G. Di Benedetto, Comunicazioni Elettriche, Prentice-Hall, San Bonico (PC),
2007.
[3] B. P. Rynne, M.A. Youngson, Linear Functional Analysis, Springer, London,
2008.
[4] M. Luise, G. M. Vitetta, A.A. D’Amico, Teoria dei segnali analogici, McGraw-
Hill, Zibido San Giacomo (MI), 2005.
[5] L. Lo Presti, F. Neri, L’Analisi dei Segnali (Seconda Edizione), C.L.U.T.,
Torino (TO), 1992.
137

2

Indice
1 Necessit` dell’analisi in tempo-frequenza a 1.1 Analisi in frequenza di segnali . . . . . . 1.1.1 Necessit` dell’analisi in frequenza a 1.2 Necessit` dell’analisi in tempo-frequenza a 1.3 Esempi analitici di segnali non-stazionari 1.3.1 Segnali modulati in frequenza . . 1.4 Conclusione . . . . . . . . . . . . . . . . 9 9 11 13 17 18 20 23 23 24 28 32 39 39 43 45 46 47 47 48 52 56 57 62 64 65

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

2 Concetti fondamentali dell’analisi in tempo-frequenza 2.1 Densit` e funzioni caratteristiche . . . . . . . . . . . . . . . a 2.1.1 Densit` monodimensionali . . . . . . . . . . . . . . . a 2.1.2 Funzioni caratteristiche monodimensionali . . . . . . 2.1.3 Densit` bidimensionali . . . . . . . . . . . . . . . . . a 2.2 Densit` tempo-frequenza . . . . . . . . . . . . . . . . . . . . a 2.2.1 Caratteristiche di una distribuzione tempo-frequenza 2.3 Principio di indeterminazione in tempo-frequenza . . . . . . 2.3.1 Propriet` del supporto finito debole e forte . . . . . . a 2.3.2 Osservazioni finali . . . . . . . . . . . . . . . . . . . . 3 Principali distribuzioni tempo-frequenza 3.1 STFT e Spettrogramma . . . . . . . . . . . . . . . 3.1.1 Propriet` dello spettrogramma . . . . . . . . a 3.1.2 Alcuni esempi teorico/pratici . . . . . . . . 3.2 Distribuzione di Wigner-Ville . . . . . . . . . . . . 3.2.1 Propriet` della distribuzione di Wigner-Ville a 3.2.2 Alcuni esempi teorico/pratici . . . . . . . . 3.3 La Classe di Cohen . . . . . . . . . . . . . . . . . . 3.3.1 Propriet` generali del kernel . . . . . . . . . a 3

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. B. . . . . . . .9 Propriet` del Supporto . .2 Spazi normati . . . .3.1 Spazi metrici . A. .8 Principio di Indeterminazione della trasformata di Fourier B. . . . . a B. . . . . . . . . . .5 Propriet` dello Scalamento . . . . . . . . . . . . . .1 Prodotti scalari . . .3 Abbiamo pi` armoniche nella serie o nella trasformata? . . . . . . . . . . . . .4 Propriet` della Trasformata di Fourier . . . . . . A. . . . . . . . . . . . . . . . . . . . . . . . . . . . A. . . . .3 Introduzione ai segnali generalizzati: la Delta di Dirac . . . . . . . . a A. . .1 Quali segnali sono trasformabili? . . . . . .3 Esempio Pratico 2 . B. . . . . . a B.1. . .1 Applicazione dell’espansione di Gabor : cross-terms . . . . . . . . . . a B. . . . . . . . .1 Propriet` della Delta di Dirac . . . . . . . . . . . B. . . . . . . .6 Propriet` della Convoluzione . . . . . . . . . . . . . . . .1 Dalla Serie alla Trasformata di Fourier . . . . . . . . . . . .5 Osservazioni finali . . . . . . . . . . . . . . . . .2. .4 3. . . . . . . . . . . .4. . . . . a a B. A. . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . A. . . . . . . . . . . . . . . . . . . . . . . . . . . . . a B. . . . . .3. . . . .2 Ortogonalit` . .3. . . .1 Propriet` di Linearit` . . . . . . . . . . . . 71 75 75 76 80 82 82 83 86 90 91 93 94 97 98 102 103 103 104 104 105 108 109 109 109 110 110 112 113 114 115 116 118 121 A Introduzione alla rappresentazione di spazi funzionali A. .4. . . . . . . . . A. . . . . . . . .4. . . . . . . .4 Propriet` di Modulazione . . . . . . . . . . . . . . . . . . . . . . . . . . a . . . . . . . . . . . . . A. . . . . . . . . . .4 Serie di Fourier . . . . . . . .4. . . . . . . . . . . . . . .2. . . . .2. . . . . . . B Trasformata di Fourier B. . . . . . . . . . . .3. . . . . . . . . a B. . . . . . A. u B. . .3. .2 Alcune Domande e Relative Risposte . . . . . . . .4. a B. . . . . . . . . . . . . . . . . . .3.4. . . . . . . . B. . .2. . . .2 Propriet` di Parit` . . .2 3. . . . . . . . . . . 69 Alcuni esempi teorico/pratici . . . . . . . .1.1 Introduzione agli spazi funzionali . . . .4.4. . . .2 Qual ` il significato fisico delle frequenze negative? . . . .7 Propriet` di derivazione . . . . .3 Propriet` di Anticipo/Ritardo . . . . . . . . . .2 Spazi infinito-dimensionali . . . .3. . . . A.2. .3 INDICE Distribuzione di Choi-Williams . . . . . .2. . . . . . . . . . . . . . . . . .3 Basi ortonormali per spazi infinito-dimensionali . . B. . . a B. . . . . . . e B. . .2 Esempio Pratico 1 . . . . . . .4 Esempio Pratico 3 . . . . . . . . . B. . . . . . B. . . . . . . . . .2. . . a a B. . . . . . . . . .4. . . . . . . . . . . . . . . . . . . .3 Espansione di Gabor . .

4. . . . . . . . . . . 125 a a C Modulazione di frequenza 129 . . . . . .10 Propriet` della variabilit` nel tempo . . . . . .INDICE 5 B. . .11 Propriet` di Dualit` . . . 123 a a B. . . . . . . . . . . .4.

6 INDICE .

Il sistema della “Monografia” e il fatto che a essa sia stato associato un numero basso di CFU limita i contenuti introducibili in una trattazione di questo genere. • Il secondo capitolo introduce una serie di nozioni astratte. includendo a alcuni esempi teorici. • Il terzo capitolo contiene informazioni pi` dettagliate riguardo alcune imporu tanti distribuzioni in tempo-frequenza. ossia in tempo-frequenza. • Il primo capitolo include una serie di motivazioni che possono portare alla necessit` di un’analisi di questo tipo. evidenziando poi la loro utilit` al fine di caratterizzare un segnale sotto il punto di vista dell’analisi a in tempo-frequenza. sono state introdotte tre appendici: 7 . approfondendo il discorso introdotto durante il corso. L’obiettivo di questa monografia ` quello di introdurre e solidificare le basi matematiche e necessarie per lo studio di una particolare classe di tecniche di analisi dei segnali: l’analisi in tempo-frequenza. Si analizzano rapidamente i contenuti e le motivazioni che hanno spinto l’autore a effettuare scelte di diverso tipo. Al fine di aggiungere alcuni materiali. corso di studi in Ingegneria Elettronica.Introduzione La presente monografia rappresenta un approfondimento puramente teorico del corso di Teoria dei Segnali. l’autore per questo ha cercato di fornire un numero limitato di nozioni. tenuto dal professor Lorenzo Galleani nell’anno accademico 2007/2008 al Politecnico di Torino. L’autore ha considerato questa monografia di laurea come un modo di riprendere ed estendere le basi fornite dal professor Galleani durante un seminario interno al corso precedentemente citato e introducendo un certo numero di nozioni che dovrebbero bastare per introdurre nuovi tipi di analisi. per quanto approfondite in maniera (si spera) adeguata.

Torino. 19/05/2009 Alberto Tibaldi . propriet` spesso riprese e utilizzate nel corso della trattazione. • La seconda appendice analizza e dimostra tutte le propriet` principali dello a strumento basilare del corso di Teoria dei Segnali. dall’altro di introdurre una tecnica particolare di analisi in tempo-frequenza. in grado da un lato di mostrare sotto un punto di vista puramente teorico la serie di Fourier. utilizzata sia per esempi teorici (primo capitolo) sia per esempi pratici (terzo capitolo).8 INDICE • Una prima appendice in grado di generalizzare la teoria dello sviluppo in serie di segnali. introducendo brevemente la modulazione di frequenza (FM). ossia la “trasformata di Fourier”. a • La terza appendice integra i corsi di telecomunicazioni della laurea triennale. integrando le nozioni apprese durante i corsi di Analisi Matematica e Geometria.

ossia il suo operatore inverso. o altri). si pu` ricavare la funzione a essa corrispondente.1 Analisi in frequenza di segnali In questa prima sezione della trattazione si intende introdurre gli strumenti fondamentali che hanno portato alla nascita di una grande branca della matematica: l’analisi armonica. per molti versi. tempo. o come: +∞ x(t) = F −1 {X(ν)} = −∞ X(ν)ej2πνt dt Questa coppia di operatori ha permesso di studiare sotto un punto di vista assolutamente innovativo e.Capitolo 1 Necessit` dell’analisi in a tempo-frequenza 1. 9 . si pu` definire la sua trasformata di Fourier X(ν) come: o +∞ X(ν) = F {x(t)} = −∞ x(t)e−j2πνt dt Dualmente alla trasformata di Fourier ` possibile definire l’antitrasformata di e Fourier. semplificato. quindi x(t). un operatore matematico definito nel e seguente modo: dato un segnale (ossia una generica grandezza variabile) x variabile nel tempo t. nel dominio del tempo. Il pi` importante strumento dell’analisi armonica e di conseguenza dell’analisi in u frequenza di segnali ` la trasformata di Fourier. generiche grandezze variabili in un certo dominio (spazio. data una funzione X variabile nel dominio di Fourier ν.

t e ν sono variabili. rendendoli unicamente parametrizzabili. modulo e fase di una certa grandezza 1 .10 ` CAPITOLO 1. riducendo ν si riduce la pendenza massima che la sinusoide pu` avere: volendo o infatti riprodurre un segnale ”lento” mediante una combinazione lineare di funzioni armoniche. nel dominio di Fourier si avranno ampiezze e elevate soprattutto per valori piccoli di ν: Si pu` osservare. sicuramente non sar` possibile utilizzare funzioni con pendenze elevate. considerando diversi valori della variabile ν. π ` una e a e costante. tuttavia. o che. NECESSITA DELL’ANALISI IN TEMPO-FREQUENZA L’idea fondamentale ` la seguente: anzich´ considerare l’ampiezza di un segnale e e (ipotizzando di trattare esclusivamente grandezze reali nel dominio del tempo1 ) in un dato istante di tempo. il fatto di passare nel dominio di Fourier. elimina la dipendenza dal tempo delle funzioni (dei segnali) trasformati. considerando una generica sinusoide di frequenza ν variabile. variabili rispetto alla frequenza ν. si considerano semplicemente sinusoidi di frequenza differente. le cui caratteristiche (modulo e fase) saranno conseguentemente differenti a seconda del segnale nel dominio del tempo. Come si pu` immaginare. a Ipotesi pi` che ragionevole dal momento che ` impossibile misurare contemporaneamente. j ` l’unit` immaginaria. se un segnale o presenta variazioni ”lente” nel dominio del tempo. in u e un sistema fisico. ossia se la derivata temporale di x(t) ` limitata in un’immagine ridotta. nel dominio di Fourier modulo e fase di ciascun segnale sinusoidale non dipendono pi` dal tempo t: ogni sinusoide o ”armonica” A(ν) ha una forma del u tipo: A(ν) = ej2πνt Come si sa dallo studio dell’Analisi Complessa. si considera il segnale come scomposto nella somma di segnali sinusoidali.

in una variabile nel dominio reciproco a quello di partenza. quindi pendenze elevate. ν= 1.1. fondamentale in diverse branche della matematica. ossia si pu` avvicinare in qualche modo a un modello periodico. rispondere in modo completo ` assolutamente difficile. collegate tra loro: dove nasce la necessit` dela l’uso di un’analisi di questo tipo? Per quale motivo si utilizza questo approccio trasformazionale? Quali vantaggi comporta? Le risposte a queste domande sono molteplici. e di conseguenza si tenter` di fornire almeno un’idea della potenza degli strumenti a della disciplina in trattazione. si stavano sviluppando studi formali riguardo la propagazione del calore in mezzi materiali. si pu` dunque o associare un forte significato fisico: per ciascun valore di frequenza ν si possono ricavare le caratteristiche (modulo e fase) che un certo segnale ha. la Th´orie analytique de la chaleur e (Teoria analitica del calore). in questo dominio.1. ossia nel ”dominio della frequenza”. variabile in un determinato dominio. e di molteplice natura: l’analisi armonica `. Fourier riusc` a o ı. per diversi motivi. il segnale non sar` pi` funzione del tempo. . rendendola poco fedele. lontana dalla rappresentazione nel dominio del tempo. e nella fattispecie dell’analisi in frequenza: mediante mezzi matematici si trasforma una generica funzione. e della fisica e dell’ingegneria. in grado di presentare veloci variazioni. dualmente. ricordando il fatto che: 1 t Alla trasformata di Fourier di una grandezza variabile nel tempo. con la sua opera.1 Necessit` dell’analisi in frequenza a Una volta introdotta l’idea fondamentale alla base dell’analisi in frequenza. proponeva una soluzione formale a questo problema: la propagazione del calore. osservando dunque che. Una contestualizzazione storica della trasformata di Fourier pu` essere utile per o comprendere un primo vantaggio che si pu` ricavare dal suo utilizzo: nella rivoluzioo ne industriale. ANALISI IN FREQUENZA DI SEGNALI 11 dal momento che esse aumenterebbero la pendenza della ”riproduzione”. ma funzione a u della frequenza delle sinusoidi utilizzate per rappresentarlo. tra la fine del 1700 e gli inizi del 1800.1. presenta caratteristiche di armonicit`. ci si potrebbe porre alcune domande. un segnale rapidamente variabile nel tempo (l’immagine della cui derivata ` estremae mente pi` ampia rispetto a quella di un segnale ”lento”) avr` bisogno di armoniche u a a frequenze elevate. per quanto anisotropa. l’ingegnere francese Jean Baptiste Joseph Fourier. Dovrebbe a questo punto essere chiara l’idea fondamentale alla base dell’analisi armonica.

a • Molto spesso. e poich´ la stessa possibilit` di propagarsi del segnale dipende dalla sua free a quenza: un dielettrico ad esempio pu` o meno consentire la propagazione di o un segnale. o anatomiche come il sangue o le ossa). a partire da informazioni contenute nelle caratteristiche intrinseche della materia. descrivere e studiare enti terrestri (ad esempio geologiche come le rocce. di conseguenza pu` essere utilizzata. si propongono alcuni esempi. a seconda della sua frequenza. a semplificarlo. Essendo essa un operatore lineare. L’analisi in frequenza ` dunque un mezzo fondamentae le per la previsione del comportamento di determinati sistemi rispetto a un fenomeno di eccitazione. ossia . oppure pu` ”filtrarlo” permettendo o il passaggio di un solo sottoinsieme delle frequenze appartenenti al suo spettro. al fine di realizzare strutture guidanti piuttosto che sistemi di filtraggio di segnali. o extra-terrestri (mediante un’analisi spettrale delle onde elettromagnetiche captate da appositi telescopi. un insieme di frequenze che identificano univocamente l’oggetto stesso.12 ` CAPITOLO 1. introdusse dunque una teoria assolutamente generalizzabile. ` nascosto nella deo e finizione del suo strumento fondamentale: la trasformata di Fourier. di diverso genere. di trasformate integrali. fondamentale ` lo studio in frequenza del segnale da propagare. in un contesto particolare. presentando alcune applicazioni della disciplina finora introdotta: • Ciascun oggetto nell’universo si pu` analizzare spettralmente. una funzione complessa viene sostanzialmente trasformata in una combinazione lineare di funzioni ”semplici” da studiare. Mediante l’analisi armonica ` stato dunque e possibile caratterizzare. NECESSITA DELL’ANALISI IN TEMPO-FREQUENZA una volta rappresentato questo modello. o altre entit` astronomiche). presentandone una equivalente. ` possibile identificare e descrivere le caratteristiche di comete e piuttosto che di stelle piuttosto che di buchi neri. attenuando le altre. rappresentandolo mediante una serie (somma di infiniti termini) di armoniche fondamentali: la serie di Fourier. ad esempio da o un ingegnere. ossia di operatori in grado di trasformare per l’appunto una funzione. ma variabile nel dominio reciproco a quello di partenza. Fourier. Tra gli altri contenuti del testo. in grado di rispondere ai quesiti precedentemente proposti. ossia si pu` cao o ratterizzare. Fourier propose una coppia di funzioni integrali. studiando fenomeni di propagazione di onde (ad esempio elettromagnetiche). mediante uno spettro. • Un motivo per cui l’analisi in frequenza pu` essere utile. e ora infatti utilizzata in campi scientifici anche molto scorrelati dalla termodinamica.

anzich´ a partire da un dato istante e temporale. ne esiste una molto interesa sante sotto il punto di vista matematico: considerando nel dominio del tempo un’equazione differenziale. separati. si pu` rivedere ci` che o o ` stato finora detto. Il grosso difetto dell’analisi in frequenza ` il fatto che. Si considerano dunque in via definitiva il dominio del tempo come punto di partenza e il dominio della frequenza come punto di arrivo nella trattazione. ignorando di qui in avanti altri significati della trasformata di Fourier. si ottiene un segnale equivalente al precedente. non permettono di comprendere e descrivere in modo esaustivo la natura del segnale in studio. per quanto essi siano comunque esistenti.` 1. ossia che si studiano a partire da una data frequenza. tra loro indipendenti (a meno della relazione di reciprocit` tra le variabili ν e t). molto pi` semplice da trattare. La frase appena scritta potrebbe gi` permettere al a lettore di comprendere i limiti delle analisi nel dominio del tempo e in quello della frequenza: di fatto si considera lo stesso segnale in due mondi differenti. Tempo e frequenza. nel dominio della frequenza. NECESSITA DELL’ANALISI IN TEMPO-FREQUENZA 13 sinusoidi. o comunque ogni volta che si devono risolvere equazioni differenziali ordinarie. ”variabile” nel solo dominio della frequenza. Un segnale molto complicato nel dominio del tempo.2 Necessit` dell’analisi in tempo-frequenza a Nelle sezioni precedenti ` stato sostanzialmente introdotto l’operatore ”trasformata e di Fourier”. esponenziali complessi. 1. a • Tra le varie propriet` della trasformata di Fourier. sono estremamente disaccoppiati: un’analisi nel tempo ed una in frequenza. inteso come anello di congiunzione tra due mondi: il dominio del tempo2 t e il dominio della frequenza ν. ci` risulta essere u o estremamente utile quando si devono affrontare modelli differenziali di fenomeni fisici. applicandovi l’operatore trasformata di Fourier. a Quali sono i limiti dell’analisi in frequenza? Qual ` la necessit` di introdurre e a la cosiddetta analisi in tempo-frequenza? Per rispondere. essa viene trasformata. in un’equazione algebrica. nel capitolo introduttivo: dato un segnale variabile nel solo e dominio del tempo t. in molti casi. potrebbe avere una rappresentazione semplificata nel dominio della frequenza. nei metodi di analisi finora introdotti.2. dunque si potrebbero effettuare manipolazioni analitiche con maggior semplicit`. se da un lato essa fornisce e informazione esaustive riguardo quante e quali frequenze esistono in un segnale. 2 .

si pu` sapere quanti degli animali della specie avranno tendenzialmente una o caratteristica di questo tipo Si supponga tuttavia di avere. a partire da una funzione di densit`. quale sia l’andamento delle caratteristiche della specie. infatti. ` possibile. a seconda di un certo dato di ingresso (altezza o peso). rapa presentanti l’altezza e il peso di una specie di animali. poich´. a partire dall’analisi della trasformata di Fourier e di un segnale variabile nel tempo. o che semplicemente non vi sia alcuna relazione. in altre parole. Le funzioni di densit` contena gono informazioni assolutamente esaustive per quanto riguarda ciascuna delle due grandezze: ciascuna funzione mostra. dal momento che si hanno funzioni di densit` rappresentative. non a esiste una corrispondenza biunivoca tra istanti temporali e armoniche.14 ` CAPITOLO 1. e la sua trasformata di Fourier. ricavare informazioni sull’altra. Come si sa dalla Teoria dei Segnali. ` valida e la seguente eguaglianza: +∞ +∞ |x(t)| dt = −∞ −∞ 2 |X(ν)|2 dν Questo importantissimo teorema fornisce da un lato un’interessante osservazione. questo fatto? Proviamo a rispondere alla domanda. a partire dalle funzioni di densit` a disposizione. un determinato peso. ossia in quali istanti temporali. a Un discorso del tutto analogo ` applicabile parlando di densit` spettrale enere a getica nel dominio del tempo ed in quello della frequenza: lo spettro di un segnale. Cosa significa in pratica. nel senso finora analizzato. x(t). e come nel caso delle funzioni di densit` delle caratteristiche della specie animale. e ` possibile ad esempio che gli esemplari pi` pesanti siano quelli pi` bassi. esso fornisce un forte legame o tra tempo e frequenza. ossia del fatto che non esista una precisa relazione tra due grandezze. queste frequenze sono esistite. determinare e a l’andamento dell’altezza collegata al peso? La risposta ` no: a seconda della specie. ma comunque efficace: si supponga di avere a disposizione due funzioni di densit`. X(ν). ma pu` proporre al contempo un quesito: da un lato. ` valido il teorema di Parseval: dato e un segnale variabile nel tempo. allo stato attuale delle nozioni proposte nella trattazione. non ` possibile. Si sta parlando di disaccoppiamento di due grandezze. ma solo riguardo le grandezze singole. in sostanza. affermando il fatto che l’energia di un segnale studiato nel . con un esempio molto semplice. come dato di ingresso di ricerca. quelli pi` e u u u alti. capire quando le frequenze sono esistite. non ` a e possibile. NECESSITA DELL’ANALISI IN TEMPO-FREQUENZA dall’altro non permette di capire quando. fornisce informazioni riguardanti il contenuto spettrale dell’intero segnale.

ci` che non dice questo teorema. ossia a spettro variabile. • Rimanendo nel mondo dell’acustica. ossia l’insieme delle caratteristiche che rende riconoscibile la voce. Si pu` finalmente comprendere quale sia il grosso limite dell’analisi in frequenza: o a partire dalla sola conoscenza delle informazioni delle armoniche presenti in un dato segnale. quello che ` di fatto lo spettro del segnale emesso dalle corde e vocali di un qualsiasi essere umano. senza l’analisi in a tempo-frequenza: • Un primo esempio assolutamente ordinario pu` essere la voce umana: essa `. ma locale. NECESSITA DELL’ANALISI IN TEMPO-FREQUENZA 15 dominio del tempo ` uguale all’energia dello stesso segnale. ossia all’insieme delle armoniche emissibili dallo strumento musicale. ossia diversi insiemi di armoniche. 3 .2. per l’appunto simultaneaa mente l’andamento di una funzione nel tempo e nella frequenza. Il significato di timbro ` analogo a quello precedentemente introdotto: il timbro ` fortemente e e collegato allo spettro. viene comunemente denominato “timbro”: a seconda del numero e delle caratteristiche delle armoniche prodotte dalle corde vocali. un secondo esempio nel quale oltretutto si introduce implicitamente un’analisi in tempo-frequenza. pi` o meno complessi. il pi` noto segnale non-stazionario. al variare del tempo? o e ´ ossia possibile legare in modo non solo globale. si distingue il timbro della voce delle persone. la domanda che e o pu` aprire. le densit` energetiche E a temporale e spettrale? La risposta ` no: le due funzioni di densit` di energia. ` molto pi` ime u portante di quel che si pu` pensare dalla descrizione appena introdotta: nella vita o di tutti i giorni si possono osservare moltissimi fenomeni. u Comunemente. La necessit` di un’analisi in grado di rappresentare. dal differente timbro .` 1. o e probabilmente. u che potrebbero richiedere la necessit`. sono assolutamente scorrelate tra loro: non esistono relazioni locali in grado di legare i valori dell’energia di singoli istanti temporali a valori di energia per singole frequenze. `: come varia il contenuto energetico spettrale. vari al variare del tempo: non ` possibile studiare le caratteristiche (di e ampiezza o energetiche) simultaneamente al variare del tempo e della frequenza. di un’analisi di questo tipo. ossia l’insieme di queste e armoniche. a e a meno del teorema di Parseval. riconosciuti dall’orecchio umano come “musica”. al fine di essere modellizzati in maniera cora retta. non ` possibile comprendere come lo spettro. si osservano alcuni esempi banali di fenomeni o entit` che non si possono modellizzare in modo soddisfacente. producono differenti suoni. differenti strumenti. studiato nel dominio della e frequenza (come ` ovvio che sia!). ` la musica: al variare e 3 del tempo.

una semplice analisi nel dominio del tempo o della a frequenza non sarebbe esaustiva: a seconda dell’istante temporale. In questo caso ` evidente che si abbia a che fare con uno spettro variabile e nel tempo: a seconda del moto dell’osservatore. dunque per poter avere informazioni pi` dettagliate u ` necessario introdurre un’analisi in tempo frequenza. Dal nono secolo dopo Cristo si inizi` a rappresentare le o note. per ciascun possibile punto. pari a: a ν = ν0 v + vm − vo v + vm + vs Dove v ` la velocit` dell’onda che si propaga in un dato mezzo. considerando contemporaneamente ascisse e ordinate del piano. ricavate a partire dalle scale studiate dai vari musicologi. scala poi ri-elaborata nei secoli a venire fino a raggiungere il livello attualmente raggiunto (noto come Temperamento equabile). a sorgenti di campo elettromagnetico) a frequenza ν0 in moto a velocit` a costante vs ed un osservatore in movimento rispetto a essa con velocit` vo . dunque. ricavata mediante criteri matematici (Temperamento pitagorico). a Pitagora si attribuisce l’invenzione della prima scala.16 ` CAPITOLO 1. presenti al contempo le armoniche contenute nella musica e gli istanti di tempo in cui sono esistite. si pu` o dire che esso. A partire dal pentagramma. • Un fenomeno che pu` essere ben modellizzato mediante un’analisi in tempoo frequenza ` l’effetto Doppler: data una sorgente stazionaria monocromatica e di campo acustico (nozione estensibile. si riesce non solo a comprendere quante e quali frequenze sono esistite nella musica (considerando la sola proiezione sull’asse verticale delle note presenti nella musica). su di un “rigo musicale”. NECESSITA DELL’ANALISI IN TEMPO-FREQUENZA Si ` accennato a un primo esempio “implicito” di analisi in tempo-frequenza: e dal momento che la musica. introducendo nozioni di relativit` spea ciale. deve essere prodotta rispettando un certo insieme di regole di diversa natura. meglio conosciuto come “pentagramma”. e . al fine di risultare gradevole all’orecchio umano. in “orizzontale” uno sviluppo puramente temporale della medesima. ma anche quando esse sono esistite. lo spettro dell’onda ricevuta da esso sar` differente. Il pentagramma ` un primo esempio di piano tempo-frequenza: in “verticale” e si ha uno sviluppo puramente armonico della musica. considerando il pentagramma come un piano discretizzato con un numero finito di valori verticali. lo spettro del segnale ricevuto varia. vm la velocit` e a a del mezzo. a percepir` il campo con una frequenza ν = ν0 .

a seconda del colore della radiazione luminosa come appena detto si possono infatti comprendere informazioni sul mezzo nel quale si diffonde: se ad esempio in una zona sono appena avvenute eruzioni vulcaniche. ` infatti noto dall’Ottica che lunghezza d’onda e frequenza e dell’onda sono legate dalla seguente relazione: c√ εr ν λ= Dove c ` la velocit` di un’onda elettromagnetica che si propaga nel vuoto. Studiando mediante l’analisi tempo-frequenza questo tipo di fenomenologia ` e possibile comprendere le motivazioni legate ai colori del tramonto. usando un formalismo matematico atto a comprendere quali fenomeni non siano assolutamente modellizzabili con le analisi pi` classiche. i gas vengono trattenuti nella troposfera. ` il tramonto del sole: i colori che caratterizzano il trae monto derivano dalla diffusione della luce attraverso le molecole dell’aria.1. variandone la composizione e di conseguenza le caratteristiche. poich´ i e colori del tramonto variano in maniera sensibile con il tempo. basata sulla frequenza della radiazione luminosa percepita. verranno prodotte componenti luminose dalle differenti lunghezze d’onda λ. u . un’analisi in tempo-frequenza. A seconda delle zone di aria in cui avverranno i fenomeni di diffusione. di introdurre altri esempi altrettanto fondamentali di applicazioni pratiche dell’analisi tempo-frequenza. pu` fornire informazioni precise riguardo l’evoluzione dei colori del tramonto al o variare del tempo. εr la costante dielettrica relativa al mezzo di propagazione dell’onda. Si sceglie a questo punto. 1.3.3 Esempi analitici di segnali non-stazionari Sono stati finora presentati esempi estremamente qualitativi. in grado di permettere di comprendere la necessit` di un’analisi in tempo-frequenza ma in modo per ora a solo intuitivo. ν e a la relativa frequenza associata alla lunghezza d’onda. modificando la diffusione della luce in essa. una volta fissati i concetti fondamentali mediante gli esempi precedenti. ESEMPI ANALITICI DI SEGNALI NON-STAZIONARI 17 • Un fenomeno questa volta puramente visivo che risulta essere ben analizzabile in tempo-frequenza.

dove potrebbe essere utile usare un’analisi di segnali in tempoe frequenza. dunque ci si potrebbe chiedere: esistono segnali nei quali la variazione di frequenza ` lineare col tempo? e Dal momento che si intende presentare segnali semplici. ossia il fatto che. Chirp Un esempio classico di segnali modulati in frequenza ` costituito dai chirp. per quanto dunque vi sia un maggior formalismo matematico rispetto ai precedenti esempi. dunque l’estensione al caso di segnali nona a monocromatici si pu` affrontare. da una sola armonica.3. si ha a disposizione la propriet` di linearit`. consideriamo come ipotesi di partenza il fatto che si trattino segnali monocromatici per ogni istante di tempo. i quali solitamente sono basati sull’uso di una particolare classe di funzioni: le funzioni lineari. preferendo a descrizioni qualitative. con una semplice sovrapposizione degli o effetti studiati per ciascuna componente armonica del segnale non-monocromatico. tendenzialmente si parte sempre da esempi “semplici”. 5 4 t2 . parlando di analisi in frequenza. si potrebbe essere interessati allo studio di particolari variazioni del contenuto spettrale del segnale al variare del tempo. come: a Vedi Appendice C L’ipotesi ` ragionevole: avendo a che fare. Da e studiosi dell’analisi in tempo-frequenza.18 ` CAPITOLO 1. Si anticipa il fatto che verranno presentati. in maniera pi` formale rispetto a come finou ra si ` proceduto. Si propone un segnale di questo tipo: x(t) = ejα 2 +jω0 t = ejϑ(t) A partire da questo segnale. Si sta parlando di variazioni dello spettro al variare del tempo. per ogni istante di tempo. per ciascun istante di tempo. lo spettro del segnale sia costituito da una sola frequenza. ` possibile calcolare la derivata della fase nel tempo e (velocit` di fase). si possono costruire a partire da una tecnica di modulazione analogica molto utilizzata in ambito di telecomunicazioni: la modulazione di frequenza (FM). Quando si affrontano studi complicati. raggiungibili mediante un certo insieme di calcoli che non vengono riportati per sintesi4 . con trasformate e integrali. i parametri di questa armonica chiaramente non saranno stazionari. tuttavia facilmente identificabili5 (al fine di avere esempi “semplici” ma efficaci). si eviter` di presentare passaggi poco esplicativi.1 Segnali modulati in frequenza Tipici esempi atti a far comprendere. risultati “finali”. NECESSITA DELL’ANALISI IN TEMPO-FREQUENZA 1. in queste sotto-sezioni.

come semplice sae rebbe lo studio della frequenza del segnale per un qualsiasi istante di tempo poich´ e l’esempio ` fatto ad hoc. In questo caso ` risultato semplice determinare la relazione. di un segnale: sarebbe sicuramente possibile. per e e ogni istante di tempo. nella trattazione. si pu` ritrovare inoltre e o la stessa espressione precedentemente introdotta. il significato del nome. per discuterlo solo nell’Appendice C . appena analizzato. o per t = 0. modulanti sinusoidali.3. Si considerano quindi due rappresentazioni del suddetto segnale: una nel dominio del tempo. chirp lineari. istante per istante. essa varia: il segnale. Segnale modulato sinusoidalmente Come fatto per quanto concerne il chirp. in questo caso. questo esempio non pu` tuttavia far a meno di confermare e o tutto ci` che ` stato detto in precedenza: l’analisi in frequenza non dispone dei o e mezzi sufficienti per l’analisi. la frequenza non ` costante. vi o ` un termine di smorzamento esponenziale per fattore α. al fine di introdurre complicazioni pi` serie per l’analisi in u tempo-frequenza. mediante trasformata di Fourier. ed una nel dominio della pulsazione. s(t). ovvero la variazione. a seconda e delle notazioni utilizzate). analizzare in frequenza questo tipo di segnale (a patto di limitare i tempi a un certo istante t = T ). il valore della frequenza del segnale per un determinato istante τ . per t > 0.1. per e ogni istante di tempo. t. monocromatico. pari a ω0 . ma non sarebbe possibile determinare. ossia per la determinazione istantanea dello spettro del segnale. ee la cui pulsazione tuttavia varia con il variare del tempo. ω0 ). si introduce senza particolari passaggi propedeutici un nuovo tipo di segnale: un segnale “modulato sinusoidalmente”6 . Si presenta a questo punto un altro esempio “classico”. ω: α 1 −α t2 +jβ t2 +jm sin(ωm t)+jω0 t 4 2 s(t) = e 2 π Questo segnale rappresenta un’unione di diverse possibili fonti di variazione: smorzamenti. la pulsazione aumenta proporzionalmente (a meno dell’offset iniziale. linearmente al tempo che scorre: ` infatti noto che la derivata e temporale della fase di un’armonica ` pari alla sua frequenza (o pulsazione. con t2 . a partire da un’analisi di questo tipo. a 6 Non si analizza. poich´ ` costituito da una singola armonica. come si pu` infatti osservare. come annunciato in precedenza. `. ma pi` complicato di u quello appena introdotto. poich´. ESEMPI ANALITICI DI SEGNALI NON-STAZIONARI 19 dϑ(t) = αt + ω0 dt Cosa significa ci`? Si immagini di avere una pulsazione iniziale del segnale.

sono assolutamente inutili. dove si intende produrre particolari suoni. ma solo numericamente. la frequenza del segnale. Il primo esempio rappresenta probabilmente il pi` u semplice esempio effettuabile di segnale a frequenza variabile nel tempo. ossia quelli sui quali si deve effettivamente utilizzare un’analisi. il contenuto spettrale del segnale a ogni istante di tempo. . mediante combinazioni di diverse frequenze al variare del tempo. il fatto di desiderare al contrario spettri variabili. ossia in seguito a un’operazione di acquisizione che ha tradotto grandezze fisicamente esistenti in numeri elaborabili da un calcolatore. 1. si introduce un o termine modulante. NECESSITA DELL’ANALISI IN TEMPO-FREQUENZA partire da una certa frequenza di partenza ω0 . e non correlabili in alcun modo. che vengono meglio formalizzati nell’Appendice C. ad ogni modo. Volendo lavorare su segnali di questo tipo. mentre il secondo ne rappresenta una complicazione. mediante una variazione sinusoidale del tempo. ci` che si pu` immediatamente noo o tare. e ulteriori elementi. oltre a tutto ci`. Esistono diverse cause che possono comportare variazioni del contenuto spettrale di un segnale: il fatto che i sistemi artificiali o naturali degradino e varino le proprie caratteristiche. come nel caso della musica. ` il fatto che sia nel dominio del tempo sia nel dominio della e frequenza effettuare uno studio tempo-frequenza ` assolutamente impossibile: le due e funzioni contengono elementi completamente scorrelati tra loro. modellizzabili di conseguenza con segnali dalle caratteristiche variabili nel tempo. le osservazioni effettuabili a partire dagli operatori matematici utilizzati. la rappresentazione in serie di Fourier del segnale appena presentato ` la e seguente: √ π S(ω) = 4π a 1 4 +∞ Jn (β)e− n=−∞ (ω−nωn −ω0 )2 2α Si presenta questo esempio per presentare quello che potrebbe essere un caso pi` u “tipico” da studiare: nell’esempio numerico precedente era possibile determinare.20 ` CAPITOLO 1. con gli strumenti matematici finora introdotti. hanno un grosso vantaggio: sono analitici. i mezzi analitici finora introdotti. pur restando relativamente semplice. a questo esempio contiene elementi del precedente esempio. con estrema semplicit`. Si noti un ulteriore fatto: entrambi gli esempi analitici presentati. non si possono conoscere con esattezza. i segnali reali.4 Conclusione Nel mondo di tutti i giorni si trovano numerosissimi fenomeni non stazionari. “invecchino”.

4. l’introduzione di tecniche versatili per effettuare analisi in tempo-frequenza ` assolutamente fondae mentale: solo mediante uno studio simultaneo di tempo e frequenza ` possibile e comprendere quali frequenze esistano in determinati istanti e quindi avere una conoscenza completa del segnale sia sotto il punto di vista armonico sia sotto quello temporale.1. CONCLUSIONE 21 Volendo studiare in maniera completa e formale dei segnali. .

22 ` CAPITOLO 1. NECESSITA DELL’ANALISI IN TEMPO-FREQUENZA .

in modo da solidificare le basi per il capitolo successivo. meccanico. ossia una funzione che. allo stesso modo.1 Densit` e funzioni caratteristiche a Un tipo di funzioni. si considera ad esempio una densit` di energia. fornisce in uscita un altro valore.Capitolo 2 Concetti fondamentali dell’analisi in tempo-frequenza In questo capitolo si introdurranno i prerequisiti necessari per la comprensione dell’analisi in tempo-frequenza. Ogni qual volta si considera a il modulo quadro di un segnale. dato in ingresso un certo valore. per densit` si intende una a funzione che. si potrebbe cercare di capire cosa sia una densit` a partire dai a seguenti esempi: una funzione in grado di esprimere. Verranno dunque ripresi ed estesi alcuni concetti noti dallo studio della Teoria dei Segnali. energetico. di quantit` che si utilizzeranno molto spesso in a ambito di analisi in tempo-frequenza sono le densit`. in modo da adattarli alla teoria che si sta studiando. un altro esempio pu` essere di tipo meco canico: una funzione di densit` volumetrica di massa ` una funzione che quantifica a e la massa di un singolo punto dell’oggetto. o della sua trasformata di Fourier. In senso fisico. di grandezze. dato un volume. a un certo istante di tempo a (nel caso del segnale nel tempo) o per una certa armonica (nel caso della trasformata di Fourier) quantifica l’energia prodotta. Discorso simile si pu` o 23 . In altre parole. 2. con un determinato significato: elettrico. una funzione di densit` volumetrica di carica ` una funzione che quantifica la carica presente su a e ciascun punto del volume. dove si introdurranno le principali tecniche di analisi in tempo-frequenza.

a .1 Densit` monodimensionali a Per funzioni di densit` monodimensionali si intende. fornisce in uscita la probabilit` che l’evento avvenga. in modo che esse forniscano esclua sivamente il valore rapportato a 1 (o percentuale. si ha una densit` P in grado di a quantificare quest’ultima: P (x). il dominio sar` infatti a a monodimensionale: +∞ Atot = −∞ P (x)dx Spesso le densit` sono grandezze normalizzate.1. volendo) del totale. Spesso. a Si considerer` in modo astratto il concetto di densit`. ∆x. Dato un intervallo di a a variazione di x. essa restituisce la a quantit` di grandezza Ax rapportata a 1. CONCETTI FONDAMENTALI DELL’ANALISI IN TEMPO-FREQUENZA fare in ambito probabilistico: una densit` di probabilit` ` una funzione che. nel seguente modo: a A∆x = P (x) · ∆x Volendo calcolare in totale quanta della grandezza di cui P fornisce informazioni locali ` presente. introdotta una x nella funzione di densit`. Data una generica grandezza x al variare a della quale si vuole misurare un’altra grandezza. ` sufficiente effettuare l’operazione di integrazione sull’ine e tera retta reale: trattandosi di densit` unidimensionali.24CAPITOLO 2. “la quantit` di a a qualcosa per unit` di qualcos’altro”. a Le tre caratteristiche da attribuire a una funzione di densit` monodimensionali a sono le seguenti: • Integrale sulla retta reale unitario: in questo modo si normalizza a 1 il valore dell’ammonto totale della funzione di densit` (come appena visto). 2. in modo da poterlo a a sfruttare al fine di introdurre i concetti a noi necessari per la trattazione. citando [1]. ` possibile quantificare l’ammontare A∆x della grandezza di cui e si ha la densit`. dunque: +∞ P (x)dx = 1 −∞ In questo modo. Si pu` dunque dire che P (x) sia una funzione o di densit` monodimensionale al variare della quantit` x. dato in a ae ingresso un certo evento.

in ambito probabilistico. data una x in a ingresso. dal momento che accumula tutti i valori della funzione di densit` da quando inizia a esistere −∞ al valore x0 . DENSITA E FUNZIONI CARATTERISTICHE 25 • Positivit`: una funzione di densit` rappresenta la presenza di una determinata a a quantit` di una grandezza in un certo contesto. un valore negativo. ossia per ogni a x in ingresso devono avere un solo valore in uscita possibile. viene anche soprannominata “funzione di distribuzione cumulativa”. che tuttavia. dal momento che a intuitivamente P (x) indica come una certa grandezza sia distribuita al variare della variabile x. ` “sacrificare” parte o e e delle informazioni contenute nelle funzioni di densit`.` 2. naturalmente quando F (x) ` una funzione derivabile. “a occhio”. a Si noti che. il fatto che a una x siano associati pi` valori renderebbe insensata la densit`. a Distribuzioni Spesso capita di scambiare i termini “densit`” e “distribuzioni”. questa quantit` pu` essere a a o positiva o nulla. per ottenere indicatori dela le caratteristiche delle suddette in grado di renderle pi` semplici da caratterizzare. u Si introducono. Ci` che ` stato pensato. In realt`. non avrebbe significato fisico.1. poich´ non si u a e avrebbero pi` informazioni ben definite riguardo le grandezze da quantificare. dunque una funzione di densit` che restituisca. a questo punto. • A valori singoli: le funzioni di densit` devono essere funzioni. u . invertendo la formula: dF (x) dx Questo. e P (x) = Momenti di una funzione di densit` a Le funzioni di densit` spesso possono essere estremamente complicate da studiaa re: esse di fatto racchiudono informazioni. la parola distribuzione ` associabile a un significato ben a e preciso: la distribuzione di una funzione di densit` per un certo valore x0 ` la a e somma di tutti i contributi dei singoli valori della funzione di densit` fino a x0 : a x D(x0 ) = −∞ P (x)dx x=x0 Questa funzione. possono essere alquanto complicate da studiare. alcune notazioni e concetti a partire dai quali si studiano le funzioni di densit` appena introdotte.

dunque. Questo ` uno stratagemma utilizzato a e in moltissime branche: in ambito probabilistico. in meccanica anzich´ studiare il moto del corpo rigido lo si caratterizza mediante baricentro e moe mento di inerzia. ossia degli indicatori in grado di evidenziare in maniera abbastanza significativa alcuni aspetti della funzione di densit`. a partire da tutti i valori acquisibili dalla funzione di densit`. CONCETTI FONDAMENTALI DELL’ANALISI IN TEMPO-FREQUENZA L’approccio utilizzato si basa sul ricavare. maggiore ` il numero di moe menti considerati. tuttavia. ci` che ` possibile fare. anzich´ studiare l’intera variabile e aleatoria si studia una caratterizzazione mediante media o varianza. a partire dalla variabile x. si pu` dunque attribuire un o significato fisico/matematico a ciascuno dei momenti. Ci` che l’operazione di mediazione a o o fa. ` quella di sostituire un insieme di valori con un singolo valore. tuttavia: questo tipo di mediazione ` basato sulla mediazione e “classica”. poich´ ae e indica. ` considerare o e e una variante di questo fatto. a La generica espressione a partire dalla quale si calcola il momento n-esimo di una funzione di densit` P (x) `: a e +∞ xn = −∞ xn P (x)dx Si propongono a questo punto interpretazioni generiche dei primi due momenti. per ciascuna funzione di densit`. u Media Il momento primo di una funzione di densit` ` anche noto come “media”. in elettrostatica si studia anzich´ la una densit` spaziale di cariche e a un’equivalente puntiforme. u a La media di una funzione di densit` si calcola come: a +∞ x = −∞ xP (x)dx Si noti un fatto. pu` rappresentarli tutti. maggiore sar` la quantit` di informazioni.26CAPITOLO 2. A seconda del modello che si intende utilizzare. dei “moa menti”. a con una certa validit`. di indicatori ottenuti a a a partire dalle funzioni di densit`. mediando su di una generica funzione f (x): +∞ f (x) = −∞ f (x)P (x)dx . quelli pi` comunemente utilizzati nei vari tipi di analisi. un valore che. in modo e da ottenere un indicatore pi` o meno ragionevole della concentrazione della densit`.

come si pu` intuire dalla generica forma dei momenti. e a ci` che ci si pu` chiedere. la risposta non pu` che essere “0”: data una funzione di densit` costante. o Si noti che la media ` un operatore lineare: si pu` dimostrare banalmente. come il nome suggerisce. si pu` o o calcolare come: +∞ 2 σx = −∞ (x − x )2 P (x)dx = x2 − x 2 Ci` ` naturalmente estensibile al caso in cui si voglia pesare con una funzione. oe anzich´ con pesi uniformi. un singolo valore. una soluzione come quella appena proposta pu` essere intelligente. a ad ampiezza elevata della funzione di densit` si trovino in un intorno della media. e o sfruttando la linearit` dell’operatore integrale. dal momento che la dispersione risulta essere molto elevata. indipendentemente da x. se ` necessario tener conto di un certo insieme di campioni a scapito di altri.1. `: la media rappresenta “bene” la funzione o o e di densit`. a o dal momento che vi ` una grossa dispersione? e La varianza ` in grado di quantificare la dispersione. analogamente alle medie: e +∞ 2 σf (x) = −∞ (f (x) − f (x) )2 P (x)dx = f 2 (x) − f (x) 2 Un modo di verificare le affermazioni appena fatte pu` essere introdotto con o un esempio “classico”: alla domanda “Quanto vale la varianza della costante?”. DENSITA E FUNZIONI CARATTERISTICHE 27 La mediazione “classica” attribuisce a ciascun punto della funzione di densit` lo a stesso peso. la media coincider` con il valore stesso della costante. e. essa potr` o a a assumere. una varianza bassa ` invece indicatore di una buona rappresentazione della e media. si pu` dire che il punto che media i valori assunti a o dalla funzione di densit` sia quello dal momento che quasi tutti i punti “importanti”. rispetto al valore medio. il fatto che: a cf (x) + dg(x) = cf (x) + dg(x) = c f (x) + d g(x) Varianza Un altro momento frequentemente utilizzato ` la cosiddetta “varianza”: con la media e si ` ottenuto un valore fittizio in grado di rappresentare l’intera funzione di densit`. si avr` una media poco a a a rappresentativa della funzione. in modo dunque da non aumentare l’importanza di certi punti a scapito di altri. e tuttavia. a questo punto. La varianza. o no? In altre parole.` 2. Per questo motivo. dei e punti della funzione di densit`: se la varianza sar` elevata. poich´ non vi a e .

2 Funzioni caratteristiche monodimensionali Un modo alternativo di studiare quantit`. a questo punto. la varianza e a sar` nulla. lo sviluppo in serie di Taylor della funzione esponenziale `: e +∞ e = n=1 ξ ξn n! Considerando la funzione caratteristica. l’integrale si pu` semplificare come “momento n-esimo” a o della funzione di densit`. per linearit`.28CAPITOLO 2. a 2. integrando sulla retta reale. data una generica variabile ξ. il seguente fatto: si ha un xn che moltiplica P (x). pu` essere quello di passare dal a o nostro operatore preferito: l’integrale di Fourier. Si definisce la “funzione caratteristica monodimensionale” la media integrale. dunque si pu` portare fuori e o dall’integrale. quindi: o a +∞ +∞ M (ϑ) = −∞ n=1 (jϑ)n n x P (x)dx n! A questo punto la sommatoria ` indipendente da x.1. riprendendo le nozioni precedentemente introdotte. serie notoriamente dotata della seguente caratteristica: una funzione di partenza viene sviluppata in una base . senza utilizzare direttamente funzioni di a densit` come quelle precedentemente introdotte. ottenendo quindi: a +∞ M (ϑ) = n=1 (jϑ)n n! +∞ +∞ xn P (x)dx = −∞ n=1 (jϑ)n · xn n! Si noti un fatto: si ha a che fare con la serie di Taylor. ` possibile riscrivere tutto come: e +∞ +∞ M (ϑ) = −∞ n=1 (jϑx)n P (x)dx n! Si noti. utilizzando come funzione di mediazione un’armonica ejϑx : +∞ M (ϑ) = e jϑx = −∞ ejϑx P (x)dx Si ricorda che. CONCETTI FONDAMENTALI DELL’ANALISI IN TEMPO-FREQUENZA ` dispersione (dal momento che la funzione di densit` ha solo un valore). questo si pu` vedere come “momento n-esimo della funzione di densit`”.

dal momento che le espressioni sono equivao lenti. invertendo l’operatore. dalla teoria generale della serie di Taylor. Come esiste una formula per il passaggio da funzione di densit` a funzione caa ratteristica. in modo da approssimarla con una funzione polinomiale di grado sempre maggiore. si parla di “derivare”. affinch´ a e . che: xn = 1 ∂ n M (ϑ) n j ∂ϑn ϑ=0 Questo risultato ` molto interessante: una volta ottenuta in qualche maniera e un’espressione della funzione caratteristica. ` un risultato del tipo: e +∞ M (ϑ) = n=1 (jϑ)n · xn n! Si sa tuttavia che. in modo da ottenere un risultato molto interessante: +∞ M (ϑ) = n=1 j n n (ϑ) +∞ n! · x n = n=1 ∂ n M (ϑ) ϑn · ∂ϑn n! ϑ=0 Da qui. rendendole simili.1. in termini di serie di Taylor. si introdurr` quindi un insieme di condizioni necessarie e sufficienti. DENSITA E FUNZIONI CARATTERISTICHE 29 di monomi.` 2. si avrebbe: +∞ M (ϑ) = n=1 ∂ n M (ϑ) ϑn · ∂ϑn n! Si possono dunque eguagliare le due espressioni. oltre a semplificare notevolmente il calcolo dei momenti n-esimi. esiste anche la sua duale. ci` ` molto pi` semplice rispetto oe u al dover calcolare l’integrale della definizione del momento. o che: P (x) = 1 2π +∞ M (ϑ)e−jϑx dϑ −∞ Osservazioni e propriet` a Le funzioni caratteristiche. che ora analizzeremo brevemena te. si pu` banalmente ricavare. ottenere i momenti n-esimi. posseggono alcune propriet` interessanti. mediante una semplice opee razione di derivazione. ` possibile. Quello che abbiamo attualmente ottenuto. Quando si parla di “approssimare”. si pu` infatti dire.

si pu` anche affermare. ottenendo di fatto il risultato appena proposto. Considerando ϑ = 0. Altra propriet` interessante riguarda il comportamento della funzione complessa a coniugata alla caratteristica: +∞ M (ϑ) = −∞ ∗ e−jϑx P ∗ (x)dx = M (−ϑ) Da qua.30CAPITOLO 2. e che ejϑx ` un termine a modulo unitario (poich´ esclusivae e e mente oscillante). il valore assoluto a a della funzione caratteristica valutata per un certo ϑ0 ` sempre minore o uguale di 1: e |M (ϑ)|ϑ=ϑ0 ≤ 1 Questo poich´: e +∞ +∞ |M (ϑ)|ϑ=ϑ0 = e −∞ jϑx P (x)dx ≤ −∞ ejϑx |P (x)| dx Grazie alla diseguaglianza di Cauchy-Schwartz. l’operazione di mediazione non esiste pi`. dal momento che non vi ` un fattore che attribuisca u e i pesi alle varie grandezze. osservando a questo punto che P (x) ` sempre positiva. l’operazione di mediazione si riduce a un’operazione di integrazione. cambiando il segno iniziale: o M ∗ (−ϑ) = M (ϑ) Ulteriore propriet`: come nel caso della funzione di densit`. CONCETTI FONDAMENTALI DELL’ANALISI IN TEMPO-FREQUENZA una generica funzione di variabile complessa si possa trattare come una funzione caratteristica. si pu` dire che: o +∞ +∞ ejϑx |P (x)| dx = −∞ −∞ P (x)dx = 1 Quindi: |M (ϑ)| ≤ M (0) = 1 . si ha: +∞ M (0) = −∞ P (x)dx = 1 Questo fatto si pu` interpretare in un modo abbastanza semplice: quando si meo dia una funzione utilizzando come funzione di peso la funzione costante.

a a . si pu` fare il seguente o ragionamento: se esiste un’altra funzione g(ϑ). l’integrale si riduce a diventare: o P (x) = 1 2π +∞ 2 dϑ = dϑ g(ϑ)e−jϑx dϑ −∞ Quindi. Al fine di dea a terminare una condizione necessaria e sufficiente affinch´ una generica funzione di e variabile complessa sia anche una funzione caratteristica.1. Da ci`.` 2. tale per cui: +∞ M (ϑ) = −∞ g ∗ (ϑ ) · g(ϑ + ϑ)dϑ E +∞ |g(ϑ)|2 dϑ = 1 −∞ Si dimostra ora questo risultato: se questa funzione g(ϑ) esiste. P (x) ` una funzione di densit`. Se P (x) per ipotesi ` normalizzata a 1 (come qualsiasi funzione di e densit`). in norma euclidea. e M (ϑ) di conseguenza ` una funzione e a e e caratteristica. finora. poich´ positiva. ma non che tutte le funzioni di variabili complesse sono anche funzioni caratteristiche: il fatto di aver utilizzato valori assoluti e la diseguaglianza di Cauchy-Schwartz non ci ha infatti. se la funzione g(ϑ) esiste e soddisfa la condizione in questione. allora si ha che: P (x) = 1 2π +∞ M (ϑ)e−jϑx dϑ −∞ Questo si pu` ri-scrivere utilizzando g: o = 1 2π +∞ −∞ +∞ g ∗ (ϑ )g(ϑ + ϑ)e−jϑx dϑ dϑ −∞ Si considera a questo punto un cambio di variabili: ϑ = ϑ + ϑ. permesso di considerare un fattore molto importante delle funzioni di densit`. per il teorema di Parseval lo sar` anche g(ϑ). ossia la loro positivit`. DENSITA E FUNZIONI CARATTERISTICHE 31 Un’ultima osservazione per quanto concerne le funzioni caratteristiche monodimensionali: si pu` affermare che una funzione caratteristica sia una funzione di o variabile complessa.

due quantit` x e y. y) ` l’ammontare di una certa grandezza al variare a e delle due grandezze. a Come nel caso precedente. y)dydx Come nei casi precedenti. Marginali Un concetto molto importante. ma sul piano R2 della densit`: a +∞ +∞ Atot = −∞ −∞ P (x. a la densit` bidimensionale P (x. CONCETTI FONDAMENTALI DELL’ANALISI IN TEMPO-FREQUENZA 2. specialmente in ambito di analisi in tempo-frequenza. La definizione di funzione di densit` bidimensionale non ` molto differente ria e spetto a quella del caso monodimensionale: date due variabili. specie a in ottica di uno studio dell’analisi in tempo-frequenza. in grado di dea scrivere l’andamento della densit` al variare della sola quantit` x. costringe a studiare non solo funzioni di densit` o funzioni caratteristiche a monodimensionali. il caso monodimensionale sotto molti punti di vista ` fondamentale. ` quello di densit` marginali: data una funzione di densit` bidimensionale P (x. l’altra in grado a a di descrivere l’andamento della densit` al variare della sola quantit` y. in quanto e spesso le nozioni si riconducono a esso. nuovi concetti molto importanti da conoscere. mediante l’integrale non sulla retta reale. bidimensionaı li). Una vola a . si sceglie di normalizzare l’ammontare totale della funzione di densit` a 1. ` possibile definire l’ammontare totale della grandezza.1.32CAPITOLO 2.3 Densit` bidimensionali a Il fatto di dover lavorare con due grandezze contemporaneamente (tempo e frequenza). e oltre ai concetti gi` affrontati. e a a una tecnica molto comoda per studiarla potrebbe essere quella di scomporla (quando possibile) in due funzioni di densit` monodimensionali: una. delle due quantit`. un valore a indicante relativamente al valore complessivo la quantit` di grandezza: a +∞ −∞ +∞ P (x. in modo da a a poter semplificare il loro studio. y)dydx = 1 −∞ Una volta definite queste notazioni. ` possibile introdurre un certo insieme di e propriet` e caratteristiche per le funzioni di densit` bidimensionali. bens` anche multidimensionali (nella fattispecie. tuttavia si deve sapere che il passaggio da funzioni monodimensionali a multidimensionali non ` del tutto indolore: si avranno. per ciascun punto (x. y). in modo da ottenere. y). e Atot .

` 2. y) = −∞ −∞ g(x. y). y)dy. Py (y) = −∞ P (x. un’idea potrebbe essere quella di ottenere funzioni in grado di descrivere l’andamento della funzione di densit` in una sola variabile. a certe condizioni (ossia se una variazione di x ` “indipena e dente” dal valore di y e viceversa). Medie globali Data una funzione “di peso” g(x. in modo da completare lo studio. che verr` ripresa. dunque solo i contributi dell’altra variabile avran peso. DENSITA E FUNZIONI CARATTERISTICHE 33 ta effettuata questa “suddivisione”. y)P (x. ridia scussa e contestualizzata in ambito tempo-frequenza. y)dydx Funzioni caratteristiche multidimensionali e calcolo dei momenti Non si approfondisce particolarmente il metodo di calcolo diretto dei momenti (come invece fatto per quanto concerne le densit` monodimensionali) in quanto il metodo a pi` intelligente e pi` frequentemente utilizzato per il calcolo dei momenti delle funu u zioni di densit` si basa sull’uso di un concetto precedentemente introdotto: quello a di funzione caratteristica.1. ` possibile estendere banalmente il concetto e di media al concetto di media globale. a integrando nell’altra variabile la funzione di densit` congiunta. nel seguente modo: a +∞ +∞ g(x. Anche nel caso di funzioni di densit` multidimensionali ` possibile introdurre a e un equivalente dominio reciproco. considerando le variabili reciproche ϑ e τ . Si possono definire le cosiddette funzioni di densit` “marginali” Px (x) e Py (y) a come: +∞ +∞ Px (x) = −∞ P (x. ossia al concetto di media della funzione di densit` multidimensionale. si considerano gi` “trattati” i contributi della a variabile. ossia quella bidia mensionale: sommando infatti tutti i contributi di una variabile di una funzione di densit` bidimensionale. Quale pu` essere un’idea? Supponendo che sia possibile farlo (cosa che verr` dio a scussa effettivamente in seguito). . ` possibile applicare tutte le idee e le tecniche e precedentemente affrontate. y)dx Per ora si introduce esclusivamente questa definizione. che permette di ottenere notevoli semplificazioni sotto certi punti di vista. si pu` definire dunque la funzione caratteristica bidimeno sionale estendendo il concetto precedente.

0) = +∞ +∞ +∞ +∞ = −∞ −∞ e jϑx+j0y P (x. un’espressione operativa in grado di calcolare semplicemente i momenti della funzione di densit` multidimensionale: a xn y m = ∂ n+m M (ϑ. τ )|τ =0 = M (ϑ. τ ) = ejϑx+jτ y = −∞ −∞ ejϑx+jτ y P (x. in maniera del tutto uguale a prima. CONCETTI FONDAMENTALI DELL’ANALISI IN TEMPO-FREQUENZA considerando questa volta la mediazione della funzione di densit` su un esponenziale a con due componenti: +∞ +∞ M (ϑ.τ =0 Una piccola nota aggiuntiva: come si sa dalle nozioni precedentemente introdotte. y)dydx = . l’integrale di mediazione si riduce ssere un integrale sulla retta reale della funzione di densit`. τ ) n m ∂ϑn τ m j j 1 ϑ. y)dydx = −∞ −∞ ejϑx P (x. y)dydx Esiste ovviamente anche la trasformazione duale alla precedente: P (x.34CAPITOLO 2. si pu` analogamente a prima ricavare lo sviluppo in serie di o Taylor. a partire da una funzione caratteristica multidimensionale una funzione caratteristica marginale. ` possibile e provare a ragionare cos` annullando tutte le variabili reciproche tranne quella delı: la quale si intende calcolare la marginale. sostituendo “0” alla variabile reciproca della funzione caratteristica. y) = 1 4π 2 +∞ −∞ +∞ M (ϑ. τ )e−jϑx−jτ y P (x. infatti. sfruttare la normalizzazione dell’integrale sul piano reale della funzione di densit`. eguagliare alla definizione di polinomio in serie di Taylor come somma a di monomi con coefficienti uguali alle derivate parziali. a Questa osservazione pu` essere utile anche nel caso di funzioni di densit` / funo a zioni caratteristiche multivariate: esiste infatti un interessante legame tra la funzione caratteristica multivariata e le funzioni caratteristiche marginali (nel caso che ovviamente esse esistano e siano rispettate): volendo ottenere. normalizzato a 1. e ottenere. si ottiene “1”: in tal caso. tranne quello interessato: M (ϑ. tutti i contributi degli esponenziali si annulleranno. y)dϑdτ −∞ Considerando la somma degli esponenti dello stesso esponenziale come il prodotto di due esponenziali.

`: effettivamente. ci` che ci si pu` chiedere. si suol definire il coefficiente di correlazione come: = covx. una variabile ` o o e e indipendente dall’altra? In altre parole. ` indipendentemente dal e variare dell’altra variabile? Tra le varie definizioni introdotte. come d’altra parte del fatto che si han due vae riabili. ma non assolutamente coincidenti: se esiste una qualche correlazione . per quanto concerne la funzione di densit` multivariata P (x. ne ` stata introdotta una riguardante i moe menti della densit`. DENSITA E FUNZIONI CARATTERISTICHE +∞ 35 = −∞ ejϑx P (x)dx = M (ϑ) Si pu` dunque ripetere per l’altra variabile lo stesso ragionamento.` 2. il fatto che la funzione di densit`. τ ) = M (τ ) Correlazione e dipendenza Si ` parlato di funzioni marginali. ci` che si pu` dire ` che. covxy = xy − x · y A seconda del valore assunto. a partire da questa equazione. y). allora il momento misto di primo ordine ` pari al prodotto dei momenti e primi marginali: xy = x · y Si introduce. si potr` quantificare il grado di correlazione tra le a due variabili.y σx σy Data la normalizzazione. molto importante: correlazione e dipendenza sono concetti imparentati.1. ottenendo: o M (ϑ. se le variabili sono ina o o e dipendenti. 0) = M (ϑ) M (0. momenti misti. date a σx e σy le due radici delle varianze. il coefficiente di correlazione pu` variare da -1 a +1 per o qualsiasi funzione di densit`. al variare a del valore di una certa variabile assuma determinati valori. a questo punto. a Si noti un fatto molto. un indicatore molto importante: la covarianza.

a meno di particolari ipotesi aggiuntive. tra le variabili della funzione di densit`. Dal momento che molto spesso esistono casistiche di questo genere. a causa delle differenze e tra correlazione e dipendenza: quello che l’indicatore fornisce infatti ` un’informae zione sui momenti primi e secondi (a causa della normalizzazione per le deviazioni standard). Le definizioni appena introdotte a possono permettere di trovare non la definizione di correlazione. y) P (x) P (x|y) = P (x. le variabili interne a non siano indipendenti. bens` la definizione ı di dipendenza: se infatti capita che: . esiste una certa dipendenza tra le due variabili. non ` tuttavia e detto che. ` necessario tener conto delle condizioni e in cui si trova l’altra variabile. a a seconda delle condizioni di una variabile x fissata a un certo valore. a ma non ` assolutamente un indicatore preciso e assoluto. ossia un e indicatore in grado di quantificare la correlazione tra due variabili al variare delle quali una funzione di densit` restituisce valori. a Ricavare una densit` condizionale a partire dalle densit` marginali e congiunte a a ` relativamente semplice: partendo dalla densit` congiunta. al fine di determinae a re la densit` condizionale fissata una certa variabile. quindi. Questo tipo di notazione indica una “densit` condizionale”. data una funzione di densit` multidimensionale P (x. ` necessario normalizzare la a e congiunta per la marginale: P (y|x) = P (x. ` necessario introdurre alcune nozioni aggiuntive. y) P (y) Precedentemente. CONCETTI FONDAMENTALI DELL’ANALISI IN TEMPO-FREQUENZA tra le due variabili. La nozione appena introdotta permette di avere un indicatore qualitativo della dipendenza. allora sia nulla anche la dipendenza tra le vae riabili (a meno di casi specifici eventualmente citati in seguito). data e una funzione di densit` e una quantit` che si intende variare al fine di determinare le a a variazioni “marginali” della grandezza finale. y). ` stato introdotto il coefficiente di correlazione . si tratta di informazioni preziose ma al contempo viziose. Media e varianza condizionale Nella sezione precedente ` stato introdotto un problema finora non considerato: il e fatto che. della possibile presenza di dipendenza quantomeno. Si introduce quindi una notazione del tipo: P (y|x) Dove si intende indicare il fatto che si ha una densit` al variare della variabile y. basate sul fatto che. se la correlazione ` nulla.36CAPITOLO 2.

piuttosto importante per quanto riguarder` l’analisi in tempo-frequenza. Fatta l’introduzione. Sono state analizzate. sommando tutti i contributi (integrando) della variabile x. Si possono trovare collegamenti interessanti tra le due categorie di medie. Si consideri la media condizionale considerando la variabile y. per quanto riguarda la funzione di densit` P (x. collegamenti che verranno ora esposti. si pu` dire che le funzioni di densit` siano indipedenti. y) = P (x) · P (y) Quindi. cos` o ı quello di varianza pu` essere esteso al concetto di varianza condizionale.1. mediante questa analisi a astratta (senza introdurre un significato fisico alle grandezze) medie locali (calcolate su funzioni di densit` marginali) e medie globali (calcolate su funzioni di densit` cona a giunte). si definisce o 2 a quindi σy|x la varianza condizionale. come: +∞ 1 yP (x. y)dy x P (x) −∞ −∞ Come il concetto di media si pu` estendere a quello di media condizionale. considerando la variabile y e fissata x: +∞ y = yP (y|x)dy = 2 σy|x = 1 P (x) +∞ (y − y x )2 P (x. y)dy = y 2 −∞ x − y 2 x Relazioni tra medie e varianze condizionali e globali Per concludere. si pu` o pensare di ottenere la media globale rispetto alla variabile y. y) al variare della sola y. per quanto concerne le densit` condizionali. fissato a a un valore di x. ossia y x : questa funzione rappresenta una media ottenuta fissando un singolo valore della variabile x. fissata x. e non solo o a scorrelate tra loro. si presenta un ultimo risultato. y). si estende il concetto di momento.` 2. si definisce y x la a media condizionale della densit` di probabilit` P (x. y) = P (y) P (x) P (x. e nella fattispecie quelli di media e varianza. DENSITA E FUNZIONI CARATTERISTICHE 37 P (y|x) = Significa che: P (x. e calcolando la media marginale rispetto alla sola variabile y: +∞ +∞ +∞ +∞ y = −∞ −∞ yP (x. si verifica se ` vero. y)dydx = −∞ −∞ yP (y|x)P (x)dydx .

si sa che la varianza si pu` calcolare o come differenza tra il momento secondo e il quadrato della media. CONCETTI FONDAMENTALI DELL’ANALISI IN TEMPO-FREQUENZA Recuperando le definizioni precedentemente introdotte. a questo punto. due osservazioni: da un lato. dall’altro lo scarto della media condizionale rispetto alla media globale. P (x): +∞ 2 σy|x P (x)dx = −∞ −∞ −∞ +∞ +∞ (y − y x )2 P (x. si somma e sottrae il termine y . . ossia: y2 − y D’altro canto. si ha che: +∞ 2 2 = σy y Quindi: +∞ 2 = −∞ y 2 dx x +∞ 2 2 σy|x P (x)dx = σy − (y −∞ 2 x − y 2 )dx −∞ Questa dimostrazione porta a un’interessante conclusione: la varianza globale ` sempre composta da due contributi: da un lato si ha la media della varianza e standard. si ottiene: +∞ y = −∞ y x P (x)dx Un ragionamento analogo pu` essere effettuato per quanto riguarda la varianza o globale e la varianza condizionale: si media la funzione di densit` marginale rispetto a a x. ottenendo: 2 +∞ 2 σy|x P (x)dx = y −∞ 2 +∞ − y 2 + y2 − −∞ y 2 P (x)dx x A questo punto.38CAPITOLO 2. y)dydx = +∞ = y 2 − −∞ y 2 P (x)dx x Al membro destro dell’equazione.

2. i contributi contemporaneamente in due domini. sullo studio di densit` a a a di energia e potenza (soprattutto energia). Come gi` fatto a intuire precedentemente. tornano utili a molti dei concetti precedentemente introdotti. si considera di fatto una sola variabile. Si noti che a questo punto tornano utili tutti i discorsi introduttivi concernenti le densit` multidimensionali: in una semplice analisi di Fourier o nel dominio del a tempo. lo scopo fondamentale dell’analisi in tempo-frequenza e introdurre funzioni in grado di descrivere la densit` di energia di un segnale contema poraneamente nel dominio del tempo e nel dominio della frequenza. ossia le densit` energetiche nel tempo (|s(t)|2 ) e le densit` spettrali di energia (|S(ν)|2 ). dove si considereranno sostanzialmente tre grandezze: il segnale nel dominio del tempo s(t). a a Marginali Una delle pi` importanti condizioni da soddisfare. per funzioni di densit` marginali si intendono quelle funzioni di densit`.` 2. ν). Quando si studiano. e la densit` tempo-frequenza congiunta di energia P (t. le funzioni marginali di densit` (energetiche) sono: a +∞ +∞ P (t. ottenute integrando la densit` multidimensionale in tutte le a altre variabili. ν)dν −∞ −∞ P (t. ν)dt In questo caso. spesso si considereranno i moduli quadri. la sua trasformata di Fourier S(ν).2. Nella fattispecie. ossia di poter quantificare quali armoniche.2. a a in una sola variabile. in un’analisi classica si considera dunque solo una densit` monodomensionale. in una distribuzione tempou frequenza. in ambito di analisi in tempo-frequenza. come gi` preannunciato. Dei segnali nel a dominio di tempo e frequenza. ` il rispetto delle marginali: come gi` introdotto in un senso puramente e a astratto.1 Caratteristiche di una distribuzione tempo-frequenza Ci si concentrer` principalmente. producono l’energia del segnale. mediante la stessa a funzione di densit`. in un certo tempo. ci si prefigge un obiettivo (purtroppo non sempre raggiungibile. tuttavia. come si vedr` studiando una delle pi` importanti distribuzioni tempoa u frequenza): il fatto che queste densit` marginali coincidano con le densit` temporali a a . DENSITA TEMPO-FREQUENZA 39 2.2 Densit` tempo-frequenza a A questo punto della trattazione sono state poste tutte le basi necessarie all’introduzione di uno studio formale dell’analisi in tempo-frequenza.

una densit` di energia. nel caso tuttavia e il teorema dell’energia totale sia valido. di fatto. ossia con i moduli quadri rispettivamente del segnale variabile nel dominio del tempo e della sua trasformata di Fourier. automaticamente il metodo di a calcolo dell’energia totale appena proposto ` assolutamente valido. tuttavia. dal momento che si perde il significato eneru getico attribuibile alla funzione: essa non ` pi`. ossia il fatto che esse possano assumere esclusivamente e a valori maggiori o uguali di 0. non ` possibile aggiungere nulla al calcolo e delle marginali: questo teorema ` in grado di proporre un metodo di calcolo per e l’energia. ν)dν |S(ν)| = −∞ 2 P (t. Anche per quanto concerne questa propriet`. quindi non garantendo condizioni sufficienti per il rispetto delle marginali. dal e u a momento che l’energia negativa non pu` avere significato fisico. come a per il caso delle marginali. Positivit` a Una delle caratteristiche fondamentali per quanto concerne le distribuzioni in tempofrequenza ` la positivit`. o . ` possibile calcolare nel caso spee cifico delle distribuzioni tempo-frequenza l’energia totale del segnale. ν)dνdt = −∞ |s(t)| dt = −∞ 2 |S(ν)|2 dν Si noti che questa condizione ` pi` debole rispetto al rispetto delle marginali: e u se una funzione di densit` soddisfa le marginali. CONCETTI FONDAMENTALI DELL’ANALISI IN TEMPO-FREQUENZA e spettrali di potenza. ν)dν Allora si dice che “la distribuzione tempo-frequenza rispetta i marginali”. mediante il seguente calcolo: +∞ +∞ +∞ +∞ E= −∞ −∞ P (t. Energia totale Riprendendo le nozioni introdotte generalmente.40CAPITOLO 2. a differenza delle marginali. se questo fatto ` rispettato. e ossia se valgono le seguenti condizioni: +∞ |s(t)| = −∞ +∞ 2 P (t. esistono casi fondamentali di distribuzioni in tempofrequenza che non rispettano questa ipotesi. questa fornisce limiti ben pi` pesanti. senza tuttavia introdurre ipotesi aggiuntive sulle singole densit` nel tempo a e nella frequenza.

ossia la deviazione standard condizioa nale: 2 σν|t = 1 P (t) 1 P (ν) +∞ (ν − ν )2 dν −∞ +∞ 2 σt|ν = (t − t )2 dt −∞ Cosa significa tutto ci`? Sono state definite le medie condizionali di tempo o e frequenza. la varianza sar` molto elevata. si noti che questa teoria ` e valida anche se le marginali non sono soddisfatte: questa teoria ` assolutamente gee nerale. dove si considera in sostanza. e a Medie e varianze Si pu` riprendere in maniera del tutto naturale i risultati precedentemente ottenuti. dai risultati precedenti. ν) P (t) P (t|ν) = P (t. dal momento che la media sar` a a . si sa che: P (ν|t) = P (t. ν)dν = ϕ (t) −∞ +∞ t ν = tP (t. la frequenza media pi` presente in esso. Le varianze u hanno lo stesso significato che ` stato finora introdotto: verificare e quantificare e l’affidabilit` del valore medio: se a un dato istante di tempo le frequenze in gioco a sono molte e diverse. ϕ (t) rappresenta la frequenza istantanea per un e dato t. ossia il tempo dove mediamente sono contenute certe frequenze. utilizzando il momento secondo. a Si ha che: ν t 1 = P (t) 1 P (ν) +∞ νP (t. data una certa posizione del tempo. Di queste grandezze. e prescinde dal fatto che le distribuzioni marginali coincidano effettivamente con le densit` temporali e spettrali di energia. ν) P (ν) Dove P (t) e P (ν) sono le marginali delle distribuzioni. e dualmente ψ (ν) rappresenta il tempo medio nel quale vi ` una certa e frequenza. ` possibile introdurre la varianza. e viceversa per frequenza e tempo. DENSITA TEMPO-FREQUENZA 41 Si vedr` in seguito che uno dei criteri a partire dai quali si progetta una distria buzione in tempo-frequenza ` proprio la positivit` della distribuzione.` 2. o per presentarli in ambito di tempo-frequenza. indicatore classico della e variabilit`.2. ν)dt = −ψ (ν) −∞ Cosa ` stato ottenuto? Beh.

42CAPITOLO 2. CONCETTI FONDAMENTALI DELL’ANALISI IN TEMPO-FREQUENZA poco rappresentativa; se dualmente si ha una concentrazione spettrale nei dintorni di una certa frequenza, la varianza sar` piccola. Stesso discorso per il tempo: se, a data una certa frequenza, essa ` presente solo a un dato istante di tempo, la varianza e sar` bassa. a Un esempio in grado di chiarire quest’idea pu` essere l’uso di un segnale monoo cromatico: dal momento che un segnale monocromatico ha una sola frequenza per qualsiasi istante di tempo, si pu` dire che la sua rappresentazione in tempo-frequenza o sia univoca, dunque la media in frequenza sar` concentrata sul valore della frequenza a del segnale, mentre la varianza in frequenza sar` nulla. Per il tempo, ` molto pi` a e u problematico: la stessa frequenza esiste in ogni istante di tempo, dunque, se da un lato l’eguaglianza tempo-frequenza ` molto semplice da studiare sotto il punto di e vista delle frequenze esistenti, pi` difficile sar` per i tempi in cui esistono, poich´ la u a e stessa frequenza esister` in tutti gli istanti di tempo. a Invarianza a traslazione in tempo-frequenza Dato un generico segnale nel tempo s(t), e un segnale a esso identico ma traslato nel tempo di un ritardo t0 , s(t − t0 ), si vuole capire quale dovrebbe essere l’andamento della distribuzione corrispondente, in tempo-frequenza. Ci si pu` aspettare che, se si o ha subito una traslazione di t0 sulla retta temporale, allora si subir` una traslazione a di t0 anche nel piano tempo-frequenza, ottenendo: P (t, ν) −→ P (t − t0 , ν) Lo stesso discorso pu` essere fatto per quanto riguarda la frequenza: se si trasla o lo spettro di un fattore ν0 , ottenendo, a partire dalla trasformata di Fourier di s(t), S(ν), la funzione S(ν − ν0 ). Ci si pu` aspettare che dunque si abbia anche una o traslazione per quanto concerne la componente spettrale del piano tempo-frequenza: P (t, ν) −→ P (t, ν − ν0 ) I due effetti si possono anche gestire contemporaneamente: se che nel dominio del tempo si introduce un ritardo nel segnale e lo si moltiplica per un esponenziale complesso, si ottengono, nel piano tempo-frequenza, da un lato la traslazione temporale, dall’altro la traslazione spettrale1 . s(t) −→ ej2πν0 t =⇒ P (t, ν) −→ P (t − t0 , ν − ν0 )
Per la dimostrazione di queste propriet`, considerate singolarmente, si faccia riferimento a all’Appendice B : Trasformata di Fourier
1

2.3. PRINCIPIO DI INDETERMINAZIONE IN TEMPO-FREQUENZA Riscalamento

43

Dato un generico segnale nel dominio del tempo s(t), dato il segnale sr (t) definito come: sr (t) = √ a s(at)

Si tratta di una versione riscalata nel tempo di s(t). A seconda di a, il nuovo segnale sar` pi` veloce o pi` lento, dunque a supporto pi` compatto o pi` esteso. a u u u u Come si sa dalla Teoria dei Segnali (vedi Appendice B), lo spettro del segnale ` pari e a: 1 ν Sr (ν) = √ S a a Cosa significa ci` in tempo-frequenza? Beh, combinando i due effetti del riscao lamento, si ha semplicemente che: ν a Questo fatto ` abbastanza scontato, a partire dalle sole conoscenze dell’analisi e in frequenza rispetto all’analisi nel tempo: riscalare un segnale nel dominio del tempo comporta un riscalamento inversamente proporzionale a quello effettuato nel dominio della frequenza; quello che si avr` in tempo-frequenza sar` un risultato a a del tutto analogo, combinando tuttavia i due effetti sulla distribuzione congiunta risultante. Ps (t, ν) = P at,

2.3

Principio di indeterminazione in tempo-frequenza

Come si sa dalla Teoria dei Segnali, per quanto riguarda lo studio di un segnale nel dominio del tempo e nel dominio della frequenza, esiste un particolare principio, detto “principio di indeterminazione”, che fornisce limiti riguardanti i supporti dei segnali nei due domini. Ragionando separatamente su di un generico segnale nel dominio del tempo s(t) e sulla sua trasformata di Fourier S(ν), si pu` vedere che: o
+∞

T =
−∞ +∞

2

(t − t )2 |s(t)|2 dt (ν − ν )2 |S(ν)|2 dt
−∞

B =

2

44CAPITOLO 2. CONCETTI FONDAMENTALI DELL’ANALISI IN TEMPO-FREQUENZA Dove ovviamente s(t) e S(ν) devono essere legati mediante la coppia di integrali di Fourier. Calcolando le varianze da una distribuzione congiunta tempo-frequenza, si pu` o ottenere qualcosa di interessante:
+∞ 2 σt +∞ +∞

=
−∞ +∞ −∞ +∞

(t − t ) P (t, ν)dtdν =
−∞ +∞

2

(t − t )2 P (t)dt

2 σν

=
−∞ −∞

(ν − ν ) P (t, ν)dtdν =
−∞

2

(ν − ν )2 P (ν)dt

Al fine di legare il risultato del principio di indeterminazione valido sulle singole variabili in un risultato pi` generale, basato sullo studio dell’indeterminazione in u tempo-frequenza causata da un’eccessiva varianza (come precedentemente descritto), ` necessaria un’ipotesi fondamentale: il fatto che le marginali siano rispettate. e In tal caso, si pu` dire che il principio di indeterminazione sia estensibile al caso di o densit` congiunte in tempo-frequenza. a Supponendo dunque di rispettare i marginali, vi ` un ulteriore problema: in e tempo-frequenza, ossia analizzando il segnale contemporaneamente nel tempo e nella frequenza, non esiste un metodo univoco per “unificare” i due domini, ossia non esiste un’unica distribuzione in grado di rappresentare in un piano tempo-frequenza un determinato segnale2 . Si hanno informazioni ulteriori: si sa che la distribuzione congiunta avr` supporto non limitato o nel tempo, o nella frequenza, o in entrambi, a indipendentemente dalla distribuzione. Il risultato fondamentale che si ottiene, parlando di principio di indeterminazione, ` il seguente: e σy · σx ≥ η Dove η ` una costante universale, calcolabile come un funzionale del segnale. e Questa condizione ` rispettata sempre, indipendentemente dal soddisfare la cone dizione sulle densit` marginali3 . a
Si approfondir` l’argomento nel prossimo capitolo, dove si proporranno le idee rudimentali a dietro al progetto di distribuzioni tempo-frequenza 3 Il significato della costante η ` parzialmente approfondito nell’Appendice B, riguardante la e trasformata di Fourier, riferendosi al principio di indeterminazione; non ` stata comunque introe dotta un’analisi del principio di indeterminazione su operatori generici, considerando dunque una casistica limitata.
2

un riscalamento in un dominio a comporta nel dominio reciproco un riscalamento inversamente proporzionale. t2 ) Si noti che questa condizione non ` per forza rispettata dalle varie distribuzioni e tempo-frequenza: rientra tra le caratteristiche che si desiderano avere. nel dominio del tempo. e Lo stesso discorso si potrebbe applicare in maniera del tutto analoga alla frequenza: dire che la distribuzione ha supporto debole in frequenza. t ∈ (t1 . Se la distribuzione soddisfa queste ipotesi. ν2 ) Esiste. Essendo il segnale nullo al di fuori degli istanti di tempo. Si supponga che si abbia. alcune osservazioni concernenti il supporto della funzione di densit` congiunta a tempo-frequenza. ossia che: P (t. ν ∈ (ν1 . dualmente. dalla distribuzione in tempo-frequenza. significa che si possono identificare due frequenze limite. si dice che la distribuzione abbia un supporto finito debole nel tempo. ossia che il segnale per un certo intervallo di tempi sia nullo. una terza condizione: il fatto che vi sia in uno dei due domini un gap. al di fuori delle quali lo spettro della funzione ` nullo. che lo spettro sia nullo per un certo range di frequenze e per tutti gli altri no). Una prima occasione in cui si ` parlato di supporto. riguarda il e riscalamento: come gi` noto dalla Teoria dei Segnali.3. in ambito di tempo-frequenza. ν) = 0. come gi` introdote a to. ν) = 0. prima e dopo i due tempi-limite: in questo caso. in tutti gli altri no (o.3.1 Propriet` del supporto finito debole e forte a A partire dal principio di indeterminazione ` possibile effettuare. Trattando ad esempio il caso in cui il segnale nel dominio del tempo vale zero per un certo intervallo di tempo.2. t1 < t2 . ci si potrebbe aspettare che la distribuzione in tempo-frequenza del segnale sia nulla. un segnale non nullo in un intervallo di tempo compreso tra due istanti t1 e t2 . PRINCIPIO DI INDETERMINAZIONE IN TEMPO-FREQUENZA 45 2. che anch’essa sia nulla in quell’intervallo di tempo. si dice che essa abbia un “supporto finito forte”. al momento del progetto di una certa distribuzione. sia nella trasformata di Fourier del segnale sia nella sua e rappresentazione tempo-frequenza: P (t. si potrebbe desiderare. Si noti ancora una volta che una distribuzione tempo-frequenza non pu` essere o concentrata in una regione finita del piano tempo-frequenza: il principio di indeterminazione pone chiari limiti sui supporti dei singoli segnali nel dominio del tempo e . ν1 e ν2 . ma non sempre ` possibile ottenerla.

il principio di indeterminazione ` applicabile alle varianze globali dei segnali. ` riconducie bile allo studio delle funzioni di densit` marginali. Ci` si pu` osservare introducendo un maggior formalismo matematico: come dio o mostrato. automaticamente cambiano anche le caratteristiche dell’altra. un principio di indeterminazione. al fatto che a u esse sono correlate: variando le caratteristiche di una delle due marginali.2 Osservazioni finali Il fatto che esista. si possono moltiplicare le due varianze. 2. Un metodo di calcolo delle e varianze ` basato sull’uso di un teorema precedentemente dimostrato. CONCETTI FONDAMENTALI DELL’ANALISI IN TEMPO-FREQUENZA nel dominio della frequenza. per ciascuna di esse. pi` precisamente. di quanto si discosti dalla condizione base del principio di indeterminazione. affermante e che: +∞ 2 σν = −∞ +∞ 2 σt = −∞ 2 σt|ν P (ν)dν + −∞ 2 σν|t P (t)dt + −∞ +∞ +∞ ( ν t − ν )2 P (t)dt (t − t )2 P (ν)dν ν Volendo ricollegarsi al principio di indeterminazione. a Caratterizzando le distribuzioni tempo-frequenza in questi termini.3. ` possibile e dimostrare. nel caso sia rispettata la condizione sui marginali.46CAPITOLO 2. e trovare che il valore risultante sar` sempre maggiore di una certa a 2 costante (che sar` η ). in ambito di tempo-frequenza (ma anche semplicemente in ambito di analisi in frequenza tradizionale). . impedendo di fatto la possibilit` di avere una condizione a di questo genere. Questo permette di concludere che le variabili tempo e frequenza non siano tra loro scorrelate. o.

invece di un’unico spettro per l’intero segnale. ossia la Short Time Fourier Transform (letterale mente. ottenuti mediante il software MATLab. al fine di fornire i mezzi fondamentali per uno studio di questo tipo. ossia considerato per tutti gli istanti di tempo nei quali esso esiste. si considee ra per ciascuno degli intervalli la trasformata di Fourier. nella quale quindi si ha. anzich´ trasformare l’intero segnale.Capitolo 3 Principali distribuzioni tempo-frequenza In questo capitolo della trattazione verranno presentate alcune delle principali distribuzioni utilizzate nell’ambito dell’analisi in tempo-frequenza. A un’analisi formale di queste distribuzioni si aggiungeranno alcuni esempi teorici e pratici di analisi in tempo-frequenza. esso viene suddiviso. il contributo che essa fornisce durante l’intero segnale.1 STFT e Spettrogramma Uno degli strumenti storicamente (e non solo) pi` importanti nell’ambito dell’analisi u di segnali non stazionari ` la STFT. in grado di associare un contenuto spettrale in ciascun intervallo temporale. per ciascuna armonica. in molti intervalli. in modo da avere. considerando e la trasformata di Fourier dell’intero segnale si ottiene sostanzialmente una rappresentazione spettrale del medesimo. molti spettri “temporalmente locali”. L’idea alla base della STFT ` basata sul e seguente stratagemma: anzich´ considerare l’intero segnale. trasformata di Fourier a tempo corto). al e variare del tempo. L’idea nascosta dietro questo tipo di analisi ` fondamentalmente la seguente: come si sa dall’introduzione. munito del “Time-Frequency Toolbox”. 3. Viene effettuata la cosiddetta operazione di “finestramento” nel dominio del tempo e in quello della 47 .

τ ) = −∞ x(t)h(t − τ )e−j2πνt dt Questo. Una volta definita la STFT. ` il modo pi` semplice di fare analisi in tempo-frequenza: supe u ponendo di considerare un generico segnale. si tratta a a comunque di un risultato semplice e utilizzato molto frequentemente. ` possibile ottenere informazioni globali. a meno di alcuni problemi che verranno tra breve esposti) il contenuto spettrale del segnale. “a porta” h(t). si considerer` la trasformata di Fourier. vi sia esattamente quel contenuto spettrale (cosa che difficilmente sar` realizzabile in ambito tempo-frequenza. Verranno riprese le nozioni inEsiste una distribuzione duale. con questo stratagemma. lo spettrogramma ` un’estensione del tutto banale: e lo spettrogramma rappresenta semplicemente la densit` tempo-frequenza di energia a ottenuta a partire dalla STFT. assegnando per ciascun intervallo di tempo un contenuto spettrale1 . per ciascuna finestra. come si vedr`). ossia la SFTT (Short-Frequency Time Transform). ` possibile localizzare maggiormente (tendenzialmente a proprio piacimene to. e e non verr` considerata ulteriormente. traslata di un tempo τ . in grado di fornire una descrizione duale. ν) = |X(t.1. si potr` avere un’approssimazione del a contenuto spettrale del segnale per un intervallo di valori di tempo. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA frequenza: si considera una funzione “a finestra”.1 Propriet` dello spettrogramma a Una volta introdotto un discorso generale. per un istante di tempo. La localizzazione non ` naturalmente massima: quello che si considera ` una sorta di e e “spettro mediato” nell’intervallo di tempo. dunque ` calcolabile mediante il calcolo del modulo e quadro della STFT appena definita: +∞ 2 PSP (t. scegliendo opportunamente la finestra temporale h(t). in grado di limitare il segnale entro un certo intervallo di tempo. in a e questo caso. come gi` detto. dunque non ` possibile garantire il fatto e che. si introduce uno studio alle principali caratteristiche della distribuzione tempo-frequenza. a 1 . pi` indicata della STFT quando si intende studiare quali siano i u tempi nei quali esiste una certa frequenza. τ )| = −∞ 2 x(τ )h(τ − t)e −j2πντ dτ 3. di fatto. che avr` dunque una forma del a a tipo: +∞ X(t.48 CAPITOLO 3. La definizione ` del tutto duale a quella della STFT. di fatto ottenendo una maggior localizzazione rispetto alla trasformata di Fourier: mediante la trasformata semplice.

0) = −∞ |x(t)| dt · −∞ 2 |h(t)|2 dt poich´ solitamente si sceglie che l’energia della finestra sia normalizzata a 1. τ ) = −∞ 1 x∗ t − τ 2 1 ·x t+ τ 2 ej2πϑt dt A partire dalla funzione caratteristica si pu` calcolare l’energia. scrivendo che: o +∞ +∞ +∞ +∞ ESP = −∞ −∞ PSP (t. le funzioni marginali si possono ottenere integrando sulla retta identificata dalla variazione della variabile opposta rispetto alle funzioni di densit` che si a intendono calcolare. e l’energia dello spettrogramma sar` coincidente con l’energia del segnale: a +∞ +∞ |h(t)| dt = 1 =⇒ ESP = −∞ −∞ 2 |x(t)|2 dt Marginali Come si sa. come metodo di calcolo. τ ) Dove: +∞ Ax (ϑ.1. ν)dtdν = MSP (0. ad esempio. STFT E SPETTROGRAMMA 49 trodotte nello scorso capitolo e applicate direttamente allo spettrogramma. si pu` dire che: o P (t. nel caso del tempo. come si sa dalle nozioni precedenti.3. come ` ben noto. ν) = |Xt (ν)|2 = |xν (t)|2 La funzione caratteristica sar` dunque pari a: a +∞ +∞ MSP (ϑ. la funzione marginale si pu` o calcolare come: . Energia totale L’energia totale. τ ) · Ah (−ϑ. in modo da evidenziarne i pregi e i limiti. quello basato sul calcolo della funzione caratteristica dello spettrogramma. Si sceglie. si pu` ottenere integrando l’espressione operativa e o dello spettrogramma su tutto il piano tempo-frequenza. τ ) = −∞ −∞ |Xt (ν)|2 ej2πt(ϑ+ν) dtdν = = Ax (ϑ.

dunque. si vede chiaramente che l’unica differenza sta in effetti nel fatto che si ha un contributo dettato anche dal modulo quadro della funzione finestra. ossia il fatto che si introduca una finestra temporale modifica di fatto le caratteristiche del segnale. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA +∞ +∞ P (t) = −∞ |Xt (ν)| dν = −∞ 2 x(τ )h(τ − t)x∗ (τ )h∗ (τ − t)e−j2πν(τ −τ ) dτ dτ dν = +∞ +∞ = −∞ x(τ )h(τ − t)x (τ )h (τ − t)δ(τ − τ )dτ dτ = −∞ ∗ ∗ |x(τ )|2 |h(τ − t)|2 dτ = +∞ = −∞ A2 (τ )A2 (τ )dτ x h In modo del tutto duale. il calcolo delle marginali. Quello che capita ` in pratica il fatto che l’energia della finestra modifica l’energia globale della e distribuzione. si pu` verificare che: o +∞ P (ν) = −∞ 2 B 2 (ν )BH (ν − ν )dν Dove per B(ν) si intende una funzione tale per cui: B 2 (ν) = |S(ν)|2 Ci` che si pu` verificare da questi calcoli ` che lo spettrogramma non rispetta la o o e condizione sulle marginali. ossia che: P (t) = |s(t)|2 P (ν) = |S(ν)|2 Il fatto che le marginali non siano soddisfatte ` collegabile al meccanismo interno e all’idea stessa di spettrogramma: la finestratura.50 CAPITOLO 3. . rendendo impossibile. Osservando gli integrali. dal momento che contengono contributi di fatto sconosciuti.

3. e si supponga di considerare. la “definzione”. non ve ne sarebbe. Il discorso ` stato e approfondito senza considerare di fatto un elemento molto importante: la larghezza della finestra temporale. come gi` detto. Si deve dunque dire che. si potr` ottenea re una diversa “risoluzione” nel tempo o nella frequenza. nel segnale reale. STFT E SPETTROGRAMMA Propriet` di supporto finito a 51 Ci si potrebbe porre un’ulteriore domanda: esistono condizioni tali per cui lo spettrogramma sia in grado di avere un supporto finito? Si supponga che il segnale sia nullo prima di un certo tempo t0 . coinvolgendo cos` lo spettrogramma. Per il e principio di indeterminazione non ` possibile ottenere una risoluzione arbitraria in e tempo e frequenza dunque. limitata. Si cerca di spiegare in maniera pi` “visiva” questo fatto: u Come si vede. al variare della larghezza della finestra. Non ` assolutamente detto che prima di t0 lo spettrogramma produca solo valori e nulli: ci` dipende. quee sta propriet`. Se una finestra di lunghezza a e non idonea arriva a campionare armoniche successive a quelle nulle. la propriet` a del supporto finito non ` verificata. Intuie a tivamente. un istante di tempo inferiore a t0 . generalmente. l’assenza di indeterminazione nel diagramma tempo-frequenza: nel caso del chirp lineare. si pu` dire ci`: se si vuole avere una buona localizzazione. si sceglier` o a una finestra corta (per migliorare la risoluzione nel tempo a scapito di quella in frequenza) o lunga (per migliorare la risoluzione in frequenza a scapito di quella nel tempo). Cenni alla scelta della larghezza di finestra idonea L’idea alla base dello spettrogramma. nel piano tempofrequenza ricavato a partire dallo spettrogramma. la cui pendenza ` data dalla rapidit` di variazione della frequenza del segnale. dalla finestra temporale. ` quella di “campionare” una a e parte del segnale e farne la trasformata di Fourier nell’intervallo. Per “risoluzione” si vuole intendere la “precisione”. a seconda di ci` che si interessa ottenere. la definizione nel tempo ` molto e elevata: al variare del tempo. scegliendo una finestra corta. Quando una finestra non ı ` sufficientemente precisa da riuscire a ottenere esattamente in prossimit` dell’inizio e a dell’intervallo di punti in cui il segnale ` nullo una mediazione dello spettro tale da e permettere che il segnale sia nullo (cosa molto. ` necessario considerare una finestra corta. per lo spettrogramma.1. non ` verificata. ad esempio. si distingue facilmente quando si ha la variazione di . una buona o o risoluzione temporale. in modo da introdurre un contenuto spettrale anche dove. di fatto. molto spesso verificata). una buona risoluzione permetterebbe di visualizzare il chirp sostanzialmente come una retta verticale. che potrebbe “campionare” o valori anche positivi.

la condizione ` banalmente e verificata. come gi` e a a precedentmente detto. il valore della frequenza nei vari tempi non ` tuttavia ben e definito: il fatto di aver utilizzato una finestra cos` corta ha comportato il fatto ı di avere una grossa indeterminazione in frequenza.52 CAPITOLO 3. Nel caso dello spettrogramma. Usando una finestra lunga. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA frequenza nel segnale. “limite”.2 Alcuni esempi teorico/pratici Per concludere ciascuna delle descrizioni delle distribuzioni tempo-frequenza che saranno analizzate fino al termine della trattazione. a causa di una u “cattiva mediatura” provocata dalla finestra temporale troppo lunga.1. avendo sicuramente un’ottima precisione in frequenza. ma creando. ` la positivit`. per chi non lo conoscesse. pi` valori di frequenza. 3. dal momento che i tempi consentono di localizzare in maniera pi` efficace il contenuto u spettrale del segnale. Positivit` a Una delle condizioni fondamentali affinch´ una funzione sia una densit`. che campiona armoniche “di troppo”. ossia il fatto che essa assuma sempre valori e a maggiori o uguali di 0. dallo spettrogramma. per i tempi “limite” tra i “salti” tra valori di frequenze. il che si traduce come “egual possibilit` di avere pi` frequenze per gli stessi istanti di tempo”. basati sull’uso del software di calcolo numerico MATLab. anche quando di a u fatto il segnale non ha un contenuto spettrale di questo genere. MATLab ` un potente software in grado di ottenere diversi tipi di elaboe . accade il contrario: lo spettrogramma “ritarda” a campionare gli elementi. dal momento che essa viene definita come il modulo quadro della Short Time Fourier transform. sono di fatto riconosciuti. si proporranno alcuni esempi pratici. una sovrapposizione: per gli stessi istanti di tempo.

si utilizza il “Time-Frequency Toolbox”. 64). in grado di effettuare le pi` svariate operazioni. consentita dalla linearit` delle trasformazioni utilizzate). 0. Su MATLab si appoggiano diversi tipi di toolbox. u Nel caso della trattazione.nongnu.2. per poi osservare un’applicazione pratica concernente la distribuzione appena analizzata. sig1 = fmlin(128. verr` proposta una presene a tazione dettagliata dei segnali introdotti.m nella cartella di lavoro di MATLab) vengono caricati mediante il seguente script: clear all close all load batsig sig0 = fmlin(128. Al fine di considerare diverse casistiche. 0.org Dal momento che questo ` il primo esempio pratico. recuperato dal sito: http://tftb. 0. STFT E SPETTROGRAMMA 53 razioni dei dati in ingresso. 64). prelevato dal sito internet precedentemente proposto. tra quelle descritte durante la trattazione. . sig2 = fmlin(128. ossia lo spettrogramma. verranno considerati sostanzialmente tre segnali: • Un chirp lineare. contenente il suono emesso da un pipistrello.1. -0. siano essi in forma scalare o vettoriale. sig = sig1 + sig2. I segnali (una volta posizionati tutti gli script . considerati assieme (mediante operazione di somma. • Due chirp lineari.5. 64).2. 0. 0.3. ossia una collezione di script implementanti le principali tecniche di analisi in tempo-frequenza. a • Un segnale sperimentale.

il segnale nel dominio del tempo. che verranno sommati nel segnale risultante “sig”. Ciascun chirp lineare viene ottenuto mediante il comando “fmlin()” (ossia. ossia una particolare finestra a coseno rialzato. ` possibile presentare i risultati dell’analisi dei tre segnali. la definizione stessa e la localizzazione delle frequenze. la frequenza normalizzata di partenza.5. Chirp lineare singolo L’analisi mediante spettrogramma del chirp lineare singolo. al fine di semplificare i conti. contenuta nell’ambiente di lavoro (workspace) dopo aver eseguito il precedente script. segnale modulato in frequenza. i cui parametri sono il numero di punti (scelta 128 in quanto potenza di 2. con variazione lineare). e un valore temporale di riferimento (si ` scelto il 64esimo e punto. La rappresentazione non ` tuttavia eccellente: si ha una cattiva e “definizione” dell’immagine.54 CAPITOLO 3. in modalit` “pcolor”. causata dal compromesso selezionato della finestra di Hamming al fine di ottimizzare. . PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA Il segnale “sig0” ` il chirp lineare considerato singolarmente. tridimensionale. ottenuta mediante il seguente comando: tfrsp(sig0) Ha prodotto i seguenti risultati: Come finestra per lo spettrogramma non sono state introdotte opzioni. il TFTB di base utilizza una finestra di Hamming. per quanto sia possibile. ossia il punto “centrale”). con due visualizzazioni tempo-frequenza: una bidimensionale. I risultati proposti nella trattazione sono stati ottenuti mediante MATLab 7. la frequenza normalizzata di termine. I dati del segnale sperimentale si trovano nella variabile “batsig”. e per quanto riguarda lo spettrogramma. “sig1” e “sig2” e sono i due chirp. una in a modalit` “surf”. regolando mediante la GUI del Time-Frequency Toolbox alcune opzioni: si sceglie di proporre. per ogni analisi in tempo-frequenza effettuata. Si pu` osservare che le rappresentazioni sono assolutamente coincidenti con o quelle che ci si potrebbero aspettare da un chirp: crescita lineare della frequenza al variare del tempo. come MATLab suggerisce in fase di definizione del segnale).0 (R2007b). a Date queste premesse. il segnale nel dominio della frequenza.

3. sono stati ricavati i seguenti risultati grafici: . quantomeno rispetto alla precedente analisi: il segnale ` e rappresentato mediante una localizzazione non ottimale. STFT E SPETTROGRAMMA 55 Somma di due chirp lineari L’analisi mediante spettrogramma della somma dei due chirp lineari ` stata ottenuta e mediante il precedente comando. applicato alla variabile “sig”.1. rispetto alla normae lizzazione effettuata da TFTB. Sono stati dunque prodotti i seguenti risultati: Non ` possibile visualizzare il chirp a “frequenza negativa”. Segnale sperimentale Mediante la solita procedura. come ci si poteva aspettare. non si registrano altri particolari inconvenienti. a parte questa fenomenologia.

3. evidentemente. sostituendola con o una densit` di probabilit` variabile per` nello spazio delle fasi. una finestra di questo tipo sembra essere pi` efficace. un articolo nel quale sfruttava la distribuzione di Wigner in ambito tempo-frequenza. in ambito di studio di correzioni quantistiche nella teoria della meccanica statistica. La prima apparizione in ambito scientifico di questa distribuzione ` attribuita e al fisico Eugene Wigner. sar` eventualmente possibile effettuare altre a osservazioni e confermare il giudizio proposto. si tratta di un segnale molto differente dal precedente. nel 1932. . Ville ri-propose. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA In questo caso la finestratura risultante dalla finestra di Hamming si rivela pi` u efficace. anzich´ nello spazio a a o e convenzionalmente usato (considerando quindi una sorta di funzione d’onda variante per` nel dominio reciproco). o circa quindici anni dopo l’uscita dell’articolo originale di Wigner.56 CAPITOLO 3. Da un confronto con altre distribuzioni tempo-frequenza. A partire da queste considerazioni. come si pu` osservare u o sia dalla figura bidimensionale sia dalla figura tridimensionale.2 Distribuzione di Wigner-Ville La distribuzione di Wigner (detta anche di Wigner-Ville in onore dello studioso che la propose in termini di distribuzione tempo-frequenza) rappresenta la base per il progetto di distribuzioni tempo-frequenza diverse da quelle in qualche modo “collegate” allo spettrogramma. L’idea fondamentale nascosta dietro questa distribuzione. era quella di eliminare dall’equazione di Schr¨dinger la nota funzione d’onda Ψ. dunque. ossia per lo studio dei segnali non-stazionari. idea che potrebbe in qualche modo ricordare i nostri fini.

2. allora questi punti saranno presenti sul piano tempo-frequenza risultante dalla trasformazione. sfruttando le propriet`. consiste nell’utilizzo di un approccio basato sullo studio della funzione caratteristica della distribuzione tempo-frequenza.2. ν) = −∞ 1 1 X ∗ ν + ϑ x ν − ϑ e−j2πτ ϑ dϑ 2 2 Le due espressioni sono del tutto equivalenti: sostituendo nella prima definizione l’espressione della trasformata di Fourier del segnale x(t). al fine di completarne la caratterizzazione. o del suo spettro S(ν). Le caratteristiche analizzate saranno differenti da quelle dello spettrogramma. ossia punti nei quali passato e futuro coincidono. dalla semplice lettura dell’espressione appena introdotta: il valore del segnale trattato mediante la distribuzione di Wigner per un certo istante di tempo t si ottiene sommando (mediante l’operatore integrazione) parti del segnale in un tempo “passato” moltiplicate per parti del segnale in un tempo “futuro”. a 3. a Si noti il seguente fatto. questo fatto implica che la “sovrapposizione” sar` data dal prodotto del valore assunto dal segnale nel a tempo passato con quello del valore assunto dal segnale nel tempo futuro.1 Propriet` della distribuzione di Wigner-Ville a In questa sottosezione verranno analizzate le principali propriet` della distribuzione a di Wigner-Ville. ν) = −∞ 1 x∗ t − τ 2 1 x t+ τ 2 e−j2πτ ν dτ Oppure: +∞ W (t. dal momento che si parla di due distribuzioni tempo-frequenza fondamentalmente diverse. attribuibile a Ville. il o e prodotto di questi due termini del segnale. avere “sovrapposizioni” significa avere sia 1 “a destra” sia “a sinistra” valori non nulli del segnale x t ± 2 τ . la distribuzione di Wigner si pu` definire come: o +∞ W (t. se vi sono sovrapposizioni. Ci` ` osservabile dall’integrale: si ha. DISTRIBUZIONE DI WIGNER-VILLE 57 In termini del segnale x(t). Si propone dunque il calcolo di quest’ultima: . questo fatto provocher` alcuni problemi. di fatto.3. Calcolo della funzione caratteristica Una delle innovazioni nell’uso di questa distribuzione in tempo-frequenza. Immaginando idealmente di sovrapporre i valori per l’insieme dei tempi “passati” su quello dei tempi “futuri”.

τ ) Si pu` dire che la distribuzione sia reale. ν) = −∞ +∞ 1 x t− τ 2 1 x∗ t + τ 2 ej2πτ ν dτ = =− −∞ 1 x t+ τ 2 1 x∗ t − τ 2 e−j2πτ ν dτ = 1 1 x t + τ x∗ t − τ e−j2πτ ν dτ = W (t. anche nell’ipotesi (non fisicamente realizzabile) che il segnale assuma valori complessi. a partire dal calcolo o o della funzione caratteristica. +∞ . ν) 2 2 −∞ Si noti che la propriet` di realit` si potrebbe anche osservare a partire dalla a a funzione caratteristica: se infatti vale la condizione: = M ∗ (−ϑ.58 CAPITOLO 3. ` quella e a e secondo cui il suo complesso coniugato sia uguale al numero stesso. τ ) Realit` a La distribuzione di Wigner assume valori sempre reali. Si pu` verificare. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA +∞ +∞ M (ϑ. τ ) = −∞ +∞ +∞ −∞ +∞ +∞ −∞ +∞ −∞ −∞ ej2πϑt W (t. nel nostro caso: W ∗ (t. ν)dtdν = 1 x t+ τ 2 = −∞ 1 ej2πϑt+j2πτ ν x∗ t − τ 2 e−j2πτ ν dτ dtdν = = −∞ 1 ej2πϑt δ(τ − τ )x∗ t − τ 2 +∞ 1 x t+ τ 2 dt = dτ dt = = −∞ 1 x∗ t − τ 2 1 x t+ τ 2 = A(ϑ. Una condizione sufficiente affinch´ una generica quantit` sia reale. ν) Si verifica questo fatto: +∞ W ∗ (t. che questa condizione sia infatti verificata. ν) = W (t. −τ ) = M (ϑ.

che spesso si rivela fondamentale. vi ` anche la possibilit` a e a di effettuare traslazioni sia nel dominio del tempo sia nel dominio della frequenza. Traslazione in tempo e in frequenza Tra le svariate propriet` della distribuzione di Wigner-Ville. nel dominio di Fourier. ν) −→ W (t − t0 . τ ) = Essendo queste le funzioni caratteristiche dei marginali. 0) = −∞ +∞ |x(t)|2 ej2πϑt dt |X(ν)| ej2πτ ν dν −∞ M (0. ν − ν0 ) Ci` si pu` dimostrare usando la definizione di distribuzione di Wigner: o o +∞ τ 1 e−j2πν0 (t− 2 ) x∗ t − t0 − τ 2 Wtras (t. come descritto in via teorica nel capitolo precedente. si pu` ottenere con facilit` il fatto che: o a +∞ M (ϑ. per i segnali reali: a x(t) ∈ R =⇒ W (t. si sa che il suo spettro sar` simmetrico rispetto all’asse delle ordinate. ν) = −∞ +∞ 1 e−j2πντ x t − t0 + τ 2 e−j2πτ (ν−ν0 ) dτ = dτ = = −∞ 1 x∗ t − t0 − τ 2 1 x t − t0 + τ 2 . allora anche i marginali sono soddisfatti. −ν) Marginali Esaminando la funzione caratteristica precedentemente calcolata e ricordando i risultati ottenuti nel capitolo precedente. Si pu` naturalmente dimostrare anche utilizzando la definizione di o marginali vera e propria. L’ipotesi che si intende verificare ` la seguente: e Se x(t) −→ ej2πν0 t x(t − t0 ) =⇒ W (t. ma si ` scelto di utilizzare questa breve dimostrazione al e fine di sfruttare un approccio un po’ “alternativo”. DISTRIBUZIONE DI WIGNER-VILLE Simmetria 59 Una propriet` interessante della distribuzione di Wigner-Ville ` una propriet` di a e a simmetria: considerando un segnale x(t) reale nel dominio nel tempo.2.3. ν) = W (t. a la distribuzione di Wigner-Ville preserva questa propriet`.

ossia un segnale nullo per t < 0). o e Ci` capita ad esempio quando il punto t ` scelto al centro di un intervallo in cui o e il segnale ` nullo. la distribuzione di Wigner-Ville assumer` valori nulli o non nulli. poich´ sia a a e “sinistra” sia a “destra” dell’istante di riferimento t i valori assunti dal segnale saranno non nulli. la sovrapposizione e tra i due segnali sar` non nulla. a 3. a seconda del fatto che vi siano o meno “sovrapposizioni” tra le due parti dei grafici. esistono casi in cui le sovrapposizioni portano a un fatto abbastanza spiacevole: la distribuzione tempo-frequenza pu` assumere valori non nulli anche in intervalli in cui il segnale ` di fatto nullo. si possono considerare alcune casistiche. Ragionando mediante le sovrapposizioni. in modo da poter determinare in maniera quantomeno qualitativa la validit` delle propriet` del supporto a a in questo tipo di distribuzioni. non vi saranno punti in cui il segnale assumer` valori non nulli. Se si ha un andamento di questo genere. un’idea potrebbe essere quella di “sovrapporre” tempi positivi e negativi rispetto un certo tempo di riferimento t. 1. al fine di comprendere qualitativamente il significato della distribuzione di Wigner-Ville.60 CAPITOLO 3. a A questo punto. Se un segnale ` nullo per un certo intervallo di valori. dunque anche per istanti in cui il tempo ` a e nullo si avr` un risultato non-nullo per quanto riguarda la funzione di densit` a a risultante . Stesso discorso se il segnale ` non nullo solo per un certo numero di punti: solo e per tutti gli istanti di tempo “sovrapposti” in cui entrambi i segnali (passati e futuri rispetto t) assumono valori non nulli si avr` di fatto un valore non nullo a assunto dal segnale trattato mediante la distribuzione. la “soe vrapposizione” provocher` sempre la presenza di valori non-nulli. 4. immaginando di sovrapporre il semipiano sinistro sul semipiano destro. ν − ν0 ) Propriet` del supporto finito e bilinearit` a a Si riprenda un ragionamento precedentemente fatto: dato un generico segnale nel dominio del tempo. per esempio prima di e un certo istante t (cosa che avviene ogni qual volta si abbia un segnale causale ad esempio. Se il segnale nel dominio del tempo ` non nullo per tutti i tempi. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA = W (t − t0 . 2.

Il fatto che la distribuzione sia bilineare comporta un ulteriore enorme problema: la bilinearit` comporta la presenza dei cross-terms. DISTRIBUZIONE DI WIGNER-VILLE 61 Dall’ultima osservazione si pu` evincere quello che probabilmente ` l’aspetto o e pi` negativo della distribuzione di Wigner-Ville: essa ` sostanzialmente una buona u e distribuzione. In questo caso la fenomenologia non dipende dal tipo di finestratura. finestratura che mediava di fatto componenti che non dovrebbero essere presenti con altre pi` significative. dai quali si potrebbe intuire a priori quale potrebbe essere il risultato finale in tempo-frequenza). Come si pu` intuire osservando la definizione. che dunque non ` e sempre idonea in ambito di analisi in tempo-frequenza. . ossia quello dei “cross-terms” (termini incrociati): come nel caso dell’ultima osservazione (4). ma presenta un enorme e a problema. bens` dal fatto che la distribuzione di Wigner-Ville ı ` bilineare. ossia non le ` mai stato dato e e un significato fisico. anche per valori temporali in cui il segnale dovrebbe essere nullo. ossia il fatto di essere una distribuzione bilineare. Questo fatto introduce un fenomeno molto spiacevole. di campionamento che si utilizza. ossia quelle passate e future rispetto a un tempo di riferimento t. molto fastidiosi al momento di a effettuare analisi di segnali reali. dal momento che la distribuzione risultante o ` ottenuta mediante la trasformazione di un segnale ottenuto dal prodotto di due e componenti del segnale di partenza. o si abbiano valori non nulli. il fatto che ci siano termini incrociati tuttavia come gi` detto a comporta grossi problemi nell’uso della distribuzione di Wigner. ma soprattutto fastidiosi in quanto introducono un ulteriore fatto nefasto: a causa dei termini incrociati.2. questa distribuzione ` quadratica o e (ci` coincide con il dire “bilineare”). e le funzioni di densit` e a a notoriamente non devono assumere valori negativi.3. ossia non-didattici (quali chirp. la distribuzione di Wigner-Ville di un generico segnale pu` assumere valori negativi. dunque per questo motivo presenta termini spuri (i cross-terms) i quali e per l’appunto presentano termini aggiuntivi negativi ai fini della rappresentazione. pu` capitare che. Nell’ambito dello spettrogramma questo fatto era imputabile a una cattiva finestratura sotto il punto di vista della definizione del tempo. Ci` ` inammissibile: ciascuna distribuzione o oe tempo-frequenza ` ideata per essere una densit` di energia. o segnali semplici. introducendo un visibile errore nel supporto della distribuziou ne risultante. poich´ soddisfa tutte le principali propriet`. Questo ultimo aspetto storicamente non ha comportato grossi problemi: la parte negativa della distribuzione ` sempre stata “evitata”.

PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA 3. Cambiando il tipo di distribuzione. per produrre un diagramma tempo-frequenza basato sulla distribuzione di Wigner-Ville. dunque. in questo caso. in modo da poter verificare ci` che ` stato scritto nella parte teorica della trattazione e fare alcuni o e confronti.2. cambia ovviamente il comando che si utilizza al fine di produrre l’analisi in tempo-frequenza.62 CAPITOLO 3.2 Alcuni esempi teorico/pratici Come effettuato nella precedente sezione per quanto concerne lo spettrogramma. . o uno dei grandi limiti di questa distribuzione: la distribuzione assume anche valori negativi. proprio come anticipato nella teoria. rispetto alla precedente rappresentazione o si ha una localizzazione eccellente in tempo e in frequenza. verranno anche in questa sezione proposti gli stessi tre esempi. Si pu` tuttavia notare. si user` il comando: a tfrwv(sig0) Sono stati ottenuti i seguenti risultati grafici: Come si pu` notare immediatamente. Chirp lineare singolo Viene proposta l’analisi del primo esempio. la distribuzione di Wigner-Ville permette di rappresentare il segnale modo estremamente definito. ossia il chirp lineare semplice. come gi` detto in ambito a teorico. dal grafico tridimensionale.

Il prossimo esempio mostrer` in maniera ancora pi` a u evidente i limiti della distribuzione in questione. la presenza dei cross-terms rende notevolmente difficile la caratterizzazione in tempo-frequenza del segnale. ` possibile notare in u e maniera cos` evidente questo preoccupante limite della distribuzione. Segnale sperimentale Si presenta a questo punto l’esempio concernente il segnale sperimentale. ancora pi` evidente rispetto al caso precedente. DISTRIBUZIONE DI WIGNER-VILLE Somma di due chirp lineari Si presenta a questo punto il secondo esempio. la rappresentazione ` caratterizzata da un’ottima localizzazione delle componenti e del segnale. basato sulla variabile “batsig” del workspace: Studiando un segnale “reale” i limiti della distribuzione di Wigner-Ville divengono evidenti: quando il segnale non ` molto semplice. Come nei casi precedenti. ` il contributo negativo u e presente nella distribuzione. dal momento che sono ben note le sue caratteristiche. Utilizzando un segnale di poco pi` complicato rispetto al precedente.2. ma mai come ora questa rappresentazione non pu` essere utilizzata a o scopi analitici: i termini interferenti rendono veramente troppo complicata un’ana- .3. basato sulla variabile “sig”: 63 Sia la rappresentazione bidimensionale sia quella tridimensionale presentano l’enorme difetto della distribuzione di Wigner-Ville: la presenza di cross-terms. La localizzaı zione continua a essere ovviamente ottima. e il segnale principale si pu` distinguere o semplicemente dai cross-terms. inoltre. come la combinazione lineare di e chirp precedentemente presentata.

in un articolo del Journal of Mathematical Physics. senza che esistesse una classificaziou ne in grado di catalogarle e differenziarle per gli aspetti fondamentali. Tra gli anni ’40 (periodo in cui nei laboratori Bell venne ideato lo spettrogramma) e ’60 vennero pubblicati diversi lavori nei quali si definivano. Questa classe era in grado di racchiu- . detta Classe di Cohen (Cohen’s Class). senza partire da schemi ben definiti. diverse distribuzioni tempo-frequenza. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA lisi del segnale. disturbano violentemente la rappresentazione del segnale in un dominio tempo-frequenza. continuavano a nascere distribuzioni tempo-frequenza.64 CAPITOLO 3. ma anche un grosso. Finora sono state presentate due delle pi` importanti distribuzioni. e la conseguente presenza di cross-terms. ossia lo spetu trogramma e la suddetta Wigner-Ville. enorme problema: la bilie nearit`. Nel 1966 Leon Cohen innov` lo studio dell’analisi in tempo-frequenza. data la semplicit` nel progetto di nuove a distribuzioni e soprattutto la necessit` nello studio di segnali non-stazionari (ossia le a cui caratteristiche variano al variare del tempo). ma. per quanto le prestazioni in termini di definizione del segnale siano assolutamente peggiori. introo ducendo una classe di distribuzioni. pi` o meno correlate tra loro. Di essa si ` detto che ha molti vantaggi. 3.3 La Classe di Cohen Nella scorsa sezione ` stata descritta e caratterizzata una delle pi` importanti die u stribuzioni in ambito di tempo-frequenza: la distribuzione di Wigner-Ville. rendendo preferibile un’analisi mediante spettrogramma. in a molti casi. ossia termini incrociati che.

Quello che si pu` fare. dunque. ossia la Wigner-Ville.1 Propriet` generali del kernel a La differenziazione delle varie distribuzioni in tempo-frequenza sono generate dai diversi kernel applicabili alla distribuzione di base. ` necessario proporre alcune condizioni. il “kernel”. Al fine di ottenere una determinata distribuzione in tempo-frequenza. ossia alla Wigner-Ville. a . utilizzano do la classificazione di Cohen. ossia una funzione in grado in qualche modo di “filtrare” il contributo dei cross-terms.3. Il kernel dunque altri non rappresenta che una funzione di filtraggio. un’enorme analogia con una distribuzione precedeno temente analizzata. e classificarle in base a un parametro: il cosiddetto “kernel” della distribuzione. e a meno del problema dei cross-terms. ν) = −∞ 1 x∗ u − τ 2 1 x u+ τ 2 ϕ(ϑ. in questa formula. al fine di imporre queste caratteristiche. ` possibile selezionare e come kernel funzioni dotate di diverse caratteristiche. ` utilizzarla come “prototipo” per tutte le altre distribuzioni e tempo-frequenza. Si propone la formulazione della “classe generale” o “classe di Cohen”. ν). riconducibili alle condizioni e gi` studiate precedentemente. in modo da ottenere informazioni generali. τ )e−j2πϑt−j2πϑν−j2πϑu dudτ dϑ Dove il “kernel” ` dato dalla funzione ϕ(t. cercando di eliminare i cross-terms mediante l’applicazione di una funzione supplementare.3. poich´ essa contiene elementi gi` analizzati in precedenza: e a si pu` notare. a partire o dalla Wigner-Ville. ` proprio questa funzione filtrante: a seconda della e rappresentazione che si intende ottenere e a seconda dei segnali che si intendono trattare. ossia l’espressione a partire dalla quale si ottengono tutte le rappresentazioni tempofrequenza: +∞ +∞ −∞ +∞ −∞ C(t. Di fatto. a Ci` in cui differiscono dunque le varie distribuzioni tempo-frequenza. converr` utilizzare un kernel piuttosto che un altro. a costo di peggiorare tuttavia le altre propriet` della distribuzione di Wigner-Ville. a 3. e Si osservi la formula. LA CLASSE DI COHEN 65 dere tutte le distribuzioni tempo-frequenza. l’osservazione di Cohen fu proprio basata sulla Wigner-Ville: essa ` un’ottima distribuzione in tempo-frequenza. in grado di ridurre il contenuto dei cross-terms.3.

Ci` si pu` ottenere. all’interno del cui a integrale si moltiplica per una δ(τ ): +∞ C(t.66 CAPITOLO 3. ` avere una funzione ϕ tale per cui: o o e ϕ(ϑ. ponendo un integrale pari a una delta di Dirac: +∞ ϕ(ϑ. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA Marginali Al fine di ricavare una condizione generale per il kernel affinch´ la distribuzione e appartenente alla classe di Cohen soddisfi i marginali. In maniera del tutto duale. 0) |x(u)|2 ejϑ(u−t) dϑdu Si impone a questo punto che questa espressione sia uguale al modulo quadro di x(t). 0) = 1 Questa ` la condizione che deve essere rispettata affinch´ la condizione sul mare e ginale temporale sia verificata. si pu` dimostrare che la o condizione affinch´ la marginale spettrale sia rispettata. τ )e−j2πϑt−j2πϑν−j2πϑu dudτ dϑ = Da ci`. ` necessario integrare l’ee spressione della classe di Cohen nella variabile complementare. poich´ nessuna espressione dipende direttamente da ν. Si considera ad esempio il marginale rispetto al tempo. τ ) = 1 Da qui si pu` aggiungere una nota. osservando le analogie del capitolo precedente. ci` che si otterr` e o a sar` semplicemente la stessa espressione della classe di Cohen. dunque l’integrazione va fatta rispetto alla frequenza. 0)ej2πϑ(u−t) dϑ = δ(t − u) −∞ L’unico modo in cui ci` pu` capitare. a tal fine. o o di fatto. ν)dν = −∞ +∞ +∞ −∞ +∞ −∞ = −∞ 1 δ(τ )x∗ u − τ 2 1 x u+ τ 2 ϕ(ϑ. riguardo il principio di indeterminazione: o come precedentemente affermato. ` semplicemente: e e ϕ(0. bisogna far in modo da “eliminare” un integrale. il principio di indeterminazione ` verificato se e . si pu` notare che ci` o o o equivale a dire: +∞ +∞ = −∞ −∞ ϕ(ϑ.

Traslazione in tempo e in frequenza affinch´ un segnale x(t) sia traslato di un tempo t0 e di una frequenza ν0 . si pu` dimostrare (si tralascia la dimostrazione) il fatto che la cao ratteristica del kernel della distribuzione tale per cui si verifichi la condizione ` la e sua indipendenza da tempo e frequenza: ϕ(ϑ. Questo fatto si e pu` verificare se e solo se ` verificata la seguente condizione: o e ϕ(0. a ossia non sar` possibile dire che: a x(t) −→ ej2πν0 t x(t − t0 ) =⇒ Ctras (t. al fine di avere una densit` con a significato fisico. se l’istante temporale o la posizione spettrale che si considera influenza il valore del kernel scelto. ν − ν0 ) Riscalamento Una propriet` introdotta solo in un contesto teorico e generico. valutato per τ = ϕ = 0. ν)dνdt −∞ E osservando il fatto che tutti i conti tendono a ridurre l’integrale al solo valore del kernel. allora la traslazione nel tempo e in frequenza non sar` applicabile. si vorrebbe che: . se dunque si verificano entrambe le condizioni sul kernel appena presentate.3. ν) = C(t − t0 . LA CLASSE DI COHEN 67 e solo se entrambe le marginali sono rispettate. ` necessario e e che esso venga trattato come: x(t) −→ ej2πν0 t x(t − t0 ) In tal caso. da qui. ` la propriet` del riscalamento. ma non ancora a riscontrata in una distribuzione tempo-frequenza. si pu` dire che valga il principio di o indeterminazione sulla distribuzione tempo-frequenza. τ ) ` una funzione delle variabili ϑ e e τ .3. 0) = 1 Ci` si potrebbe dimostrare calcolando: o +∞ −∞ +∞ C(t. si normalizza il kernel a 1. Energia totale Una delle condizioni che si possono desiderare. e a √ Dato xsc = a x(at). ` il fatto che essa abbia l’energia normalizzata a 1.

Affinch´ sia verificata la propriet` del supporto finito debole. ν) = C at. −∞ |τ | = 2 |t| E per quanto riguarda la frequenza: +∞ ϕ(ϑ. per a quanto riguarda il tempo: +∞ ϕ(ϑ. la distribuzione progettata a partire dalla classe di Cohen rispetta la propriet` di riscalamento. −∞ |τ | ≤ 2 |t| Per quanto riguarda la frequenza: +∞ ϕ(ϑ. a o quella del supporto finito forte sar` pi` stringente rispetto all’altra. Supporto finito debole e forte Esistono due condizioni per quanto riguarda sia la propriet` del supporto finito a debole sia per la propriet` del supporto finito forte. A questa condizione.68 CAPITOLO 3. poich´ quella in frequenza ha motivazioni e del tutto analoghe a quella nel tempo. ossia ϑ · τ . τ )e−j2πτ ν dτ = 0. e dopo che smetta di assumerne. τ )e−j2πϑt dϑ = 0. ` necessario che e a e la distribuzione valga zero prima che il segnale incominci ad assumere valori non nulli. Come si pu` immaginare. −∞ |ϑ| ≤ 2 |ν| La condizione sul supporto finito forte ` ancora pi` stringente: supporto finito e u forte significa che la distribuzione vale zero per un certo intervallo in cui il segnale vale zero. ci` si pu` identificare mediante la seguente o o condizione: +∞ ϕ(ϑ. −∞ |ϑ| = 2 |ν| . a Csc (t. τ )e−j2πτ ν dτ = 0. Nel caso di distribuzioni bilineari. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA ν a Questa condizione ` verificata se e solo se il kernel ` una funzione del solo prodotto e e delle due variabili: anzich´ variare nelle due singole variabili ϑ e τ . Si descriver` a u a esclusivamente la condizione nel tempo. τ )e−j2πϑt dϑ = 0. il kernel deve e variare secondo una funzione del prodotto delle due variabili. sono valide le seguenti propriet`.

al fine di tentare di eliminare i disturbi provocati dai cross-terms. essendo l’esponenziale a l’autofunzione dell’operatore “derivata”. e Questo andamento potrebbe ricordare un concetto molto noto in elettronica: quello di filtro passa-basso. quantomeno sotto un punto di vista molto intuitivo. ` quella e di utilizzare un filtro di tipo passa basso. sar`. Come precedentemente detto. dunque. sostituendo le espressioni: a +∞ +∞ −∞ +∞ −∞ CCW (t. la funzione “kernel” rappresenta sostanzialmente un filtro. e dunque la soluzione avr` un andamento di tipo esponenziale. Come ` ben noto dallo studio dell’Elettrotecnica e e dell’Automatica.3. La distribuzione risultante. e attualmente ` una delle distribuzioni pi` utilizzate e u in ambito di studio di segnali non-stazionari. una funzione di trasferimento del tipo: H(jω) = 1 jω + jω0 Presenta un polo sulla pulsazione −ω0 . ` e possibile ritrovare una funzione di tipo esponenziale. Altro modo di vedere la cosa. atto a eliminare i contributi dei cross-terms provocati dalla bilinearit` della a funzione di distribuzione di Wigner-Ville. Cx (t. nel 1989.3.3. ` il fatto che un filtro passa basso si realizza con un condensatore in un ramo in pae rallelo al circuito. la proposero per la prima volta.2 Distribuzione di Choi-Williams Si vuole proporre a questo punto una delle pi` significative applicazioni teoriu co/pratiche nate in seguito alla classificazione di Cohen: la funzione di distribuzione di Choi-Williams. ν). L’idea di Choi e Williams. Il nome della distribuzione deriva dagli studiosi che. Traendo ispirazione dalla parola “filtro”. si pu` provare a motivare. antitrasformando questa espressione. l’equazione risultante del circuito ` differenziale del primo ordine. τ ) = e− (ϑτ )2 σ Dove σ ` un parametro modificabile a seconda del segnale e del tipo di filtraggio. LA CLASSE DI COHEN 69 3. ν) = −∞ 1 x∗ u − τ 2 1 x u+ τ 2 e− (ϑτ )2 σ e−j2πϑt−j2πϑν−j2πϑu dudτ dϑ Se ne esaminano a questo punto le principali caratteristiche: . il o significato del kernel applicato da Choi e Williams: ϕ(ϑ.

a meno che non si considerino valori di e σ sufficientemente elevati. τ )e−j2πϑt dϑ = −∞ πσ − σt2 e 4τ 2 τ2 Come si pu` vedere. si e pu` vedere che l’argomento dell’esponenziale tende asintoticamente a 0. A seconda di come si “impostano” i parametri della Choi-Williams.70 CAPITOLO 3. utilizzando la nozione a precedentemente introdotta: +∞ ϕ(ϑ. 0) = 1 Riduzione dell’interferenza di cross-term Lo scopo per cui vengono progettate distribuzioni in tempo-frequenza basate sull’uso di kernel di Choi-Williams. il parametro σ regola “quanto” viene introdotto il peso del kernel nella distribuzione complessiva: se il valore di σ ` molto elevato. τ ) = e− (ϑτ )2 σ Sia che ϑ = 0. dunque entrambe le a marginali saranno soddisfatte: ϕ(0. o a che il kernel di Choi-Williams soddisfa entrambe le marginali. ` ridurre l’interfee renza dovuta ai termini incrociati nati a causa della bilinearit` della distribuzione a di Wigner. tendenzialmente non ` valida. come dovrebbe ormai esser ben noto. sia che τ = 0. la condizione che permette la validazione della propriet` del supporto deboa le. il kernel senza dubbio varr` 1. in modo da permettere che l’esponenziale assuma valori sufficientemente bassi da essere considerati simili a 0. utilizzando le propriet` precedentemente ricavate. ad esempio. in teoria la condizione sul supporto forte non ` rispettao e ta. quantomeno in prima approssimazione. si potr` avere un diverso effetto di a filtraggio sulla distribuzione in tempo-frequenza. invece. Marginali Si pu` verificare banalmente. τ ) = ϕ(ϑ. Come si pu` osservare dall’espreso sione del kernel. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA Propriet` del supporto finito forte e debole a Si esamina a questo punto la propriet` del supporto finito. ma quindi o . nella fattispecie a seconda di come si sceglie σ. osservando infatti l’espressione del kernel: ϕ(ϑ.

3.3. in modo da ottenere un buon risultato. poich´ tendenzialmente non presenta e e “sovrapposizioni di frequenze”. limitando dunque gli effetti negativi. ma un’attenuazione dei cross-terms. come precedentemente effettuato nelle due grandi distribuzioni tempo-frequenza proposte. dall’altro un sigma troppo basso potrebbe comportare un filtraggio troppo elevato e quindi danneggiare eccessivamente le informazioni sul piano tempo-frequenza. ` necessario trovare un buon compromesso tra filtraggio e definizione e in tempo-frequenza. ossia il chirp lineare semplice. che per l’analisi di questo segnale risulta essere la migliore. A priori ci si pu` aspettare un risultato peggiore in termini di definizioo ne. comportando perdita di informazione. si pu` immaginare che. Cambiando il tipo di distribuzione. Come in ogni cosa. si pu` immaginare che un valore elevato di σ non sia troppo indicato. se i futuri o . La distribuzione tempo-frequenza con kernel unitario ` la e Wigner-Ville. rispetto alla precedente Wigner-Ville. in questo caso. si user` il comando: a tfrcw(sig0) Il calcolatore ha dunque prodotto il seguente risultato: Nel caso del chirp lineare semplice si ottiene un risultato pi` definito rispetto u allo spettrogramma. il segnale appena studiato ` tuttavia molto semplice. se da un lato dunque un σ elevato comporterebbe un filtraggio troppo basso. ossia la presenza di diverse frequenze per gli stessi tempi. per produrre un diagramma tempo-frequenza basato sulla distribuzione di Choi-Williams. o Unica nota: il fatto di “filtrare” la distribuzione tempo-frequenza non ` seme pre positivo: utilizzare un filtraggio eccessivo potrebbe comportare una perdita di informazione. cambia ovviamente il comando che si utilizza al fine di produrre l’analisi in tempo-frequenza. LA CLASSE DI COHEN 71 l’esponenziale a valere 1. una serie di esempi pratici ottenuti mediante il TFTB.3. che dovrebbero diventare meno influenti. ad esempio una perdita di risoluzione in tempo-frequenza.3. e la presenza troppo evidente di termini incrociati. Chirp lineare singolo Viene proposta l’analisi del primo esempio. ma assolutamente meno definito rispetto alla distribuzione di Wigner-Ville.3 Alcuni esempi teorico/pratici Viene infine presentata.

. perdendo senza dubbio parte della risoluzione della distribuzione di Wigner-Ville. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA risultati saranno di questa portata. ma senza raggiungere livelli negativi quali quelli dello spettrogramma. Somma di due chirp lineari Si analizza mediante la distribuzione di Choi-Williams la somma dei due chirp lineari.72 CAPITOLO 3. ottenendo il seguente risultato: Si pu` a questo punto apprezzare la potenza di questa distribuzione: i cross-terms o sono stati eliminati in maniera del tutto efficace. delle tre distribuzioni questa potrebbe essere la migliore. nonostante la non eccellente definizione.

3. e ottima rimozione dei termini interferenti causati dalla bilinearit` della distribuzione di Wigner. a . e scarsa presenza di cross-terms. LA CLASSE DI COHEN Segnale sperimentale Viene analizzato il segnale sperimentale: 73 Anche in questo caso il risultato ottenuto sembra essere ottimo: buona definizione. Si pu` certamente dire. di aver trovato un’ottima o distribuzione tempo-frequenza: localizzazione non ottima ma sicuramente soddisfacente. ossia buona localizzazione in tempo e in frequenza.3. quantomeno per molte applicazioni. da questi esempi.

74 CAPITOLO 3. PRINCIPALI DISTRIBUZIONI TEMPO-FREQUENZA .

Questa introduzione permetter` di introdurre il a secondo obiettivo. il mondo ` modellizzabile mediante un semplice spazio e vettoriale euclideo continuo di dimensione 3. A meno di effetti relativistici. dal momento che sono molto simili al mondo in cui viviamo. mediante una base ortonormale. sulla falsa riga delle serie di Fourier. strumenti matematici relativamente semplici e che in qualche modo potrebbero essere compresi mediante semplici esempi concernenti il mondo in cui viviamo: l’analisi matematica in una o pi` variabili. R3 . introduce metodi in grado di studiare sotto un punto di vista u qualitativo e quantitativo fenomenologie presenti in spazi molto semplici da vedere e modellizzare. di funzioni appartenenti a una ben determinata classe.Appendice A Introduzione alla rappresentazione di spazi funzionali La presente appendice si prepone sostanzialmente alcuni obiettivi: un’introduzione ai concetti fondamentali necessari per caratterizzare spazi molto pi` complicati da u studiare rispetto al tipico caso degli spazi vettoriali reali su due o tre dimensioni. mediante l’uso di metodi analitici 75 . di fatto. verr` proposta una delle rappresentaa zioni classiche di segnali in tempo-frequenza. ossia considerare le serie di Fourier come esempio banale di sviluppo.1 Introduzione agli spazi funzionali La fisica per molti anni (fino all’avvento della cosiddetta “fisica moderna”) ha potuto utilizzare. introduzione a partire dalla quale si proporranno metodi per la rappresentazione di spazi di dimensioni finite e infinite. A. infatti. sfruttando la teoria introdotta nella trattazione e nell’appendice in questione. al fine di realizzare modelli di vario genere.

spazi ben pi` complicati da studiare e meno riconducibili alla nostra conu cezione di “spazio”: il fatto di introdurre nella fisica componenti aleatorie introduce la necessit` di utilizzare spazi ad esempio con un numero infinito di dimensioni. a partire da nozioni ben o e e comprese. • d(x. o a non euclidei. Quello che si intende fare dunque ` cercare spazi nei quali sia possibile e definire una “metrica”. quali la convergenza di successioni a o la continuit` di funzioni. y) = 0 ⇐⇒ x = y. y) ≥ 0. sui quali identificare e utilizzare vari modelli. A. z) ( Diseguaglianza di Minkowski. z ∈ M : • d(x. la concezione di spazio n-dimensionale. y) + d(y. poich´ potrebbe stravolgere la vecchia concezione di e e spazio. il concetto di distanza. la nascita di nuovi spazi sui quali ` necessario e operare. la fluidodinamica. in un dato spazio. a Per ogni x. una definizione di spazio. ha comportato. costruire da zero una teoria. z) ≥ d(x. Come si pu` immaginare. una e distanza.1 Spazi metrici Uno spazio metrico ` un concetto astratto che permette di studiare elementi anae litici basilari gi` affrontati nell’analisi classica. ` necessario “pretendere” qualcosa da esso. Alla base della possibilit` di studiare un determinato a a spazio. l’elettromagnetismo. appartenenti alla cosiddetta “fisica moderna”. x). • d(x.76APPENDICE A. o non ` assolutamente semplice. ottenendo caratteristiche minimali che uno spazio deve possedere al fine di essere caratterizzabile.1. nello spazio in studio. Una metrica su di un insieme M ` una funzione d : M × M −→ R che soddisfi e le seguenti propriet`. • d(x. y) = d(y. y. l’ottica e tutte le altre branche della cosiddetta “fisica classica”. ` cercar di “generalizzare”. INTRODUZIONE ALLA RAPPRESENTAZIONE DI SPAZI FUNZIONALI introdotti su spazi di questo tipo. o Diseguaglianza triangolare ). ci` che ` stato fatto. un buon modo per definire gli “spostamenti” su di uno spazio ` quello di introdurre un concetto in grado di definire. al fine di introdurre una modellistica completa. la termodinamica. . riportandosi ad un concetto intuitivo. La nascita di nuove branche della fisica. ossia una funzione in grado di rappresentare. ` possibile studiare fenomenologie riguardanti la e meccanica. ossia identificare caratteristiche e che possono essere utilizzate per classificare i vari tipi di spazi esistenti.

poich´ non fondamentale ai termini della trattazione. ottenendo quella comunemente detta “metrica indotta”. e u Data una successione {xn } in uno spazio metrico (M. d) ` chiamata “spazio e e metrico”. dato ε > 0. Si sappia che. limitare il dominio della metrica d e a N . dicendo che: lim xn = x n→∞ A partire da ci`. essa si dice “convergente” a un certo x ∈ M se. allora: • Il limite x = lim xn n→∞ . xn ) → 0. o essa ` detta “successione di Cauchy” se: e ∀ ε > 0 ∃N ∈ N : d(xm . per ogni x. d) “spazio metrico”.1. n ≥ N A partire da ci` che ` stato finora definito. m. d). se tuttavia a partire da un dato insieme M ` evidente quale sar` la conseguente metrica utilizzata. xn ) → 0. xn ) < ε ∀n ≥ N Come nel caso dell’analisi in una variabile. data la successione {xn } definita nello spazio metrico (M. ` possibile dire le stesse cose in o e e differenti maniere. d). poich´ pi` avanti potrebbero tornare utili. le precedenti definizioni sono equivalenti a: d(x. allora la coppia (M. dunque N ⊂ M . n → ∞. y ∈ N .A. ` possibile. INTRODUZIONE AGLI SPAZI FUNZIONALI 77 Se la funzione d ` una metrica su M . d(xm . e a spesso si riduce la notazione chiamando direttamente M e non la coppia (M. si sceglie di introe durre alcune ulteriori definizioni e teoremi riguardanti la convergenza di successioni su spazi metrici. n → ∞ Si pu` a questo punto introdurre un teorema molto importante: data {xn } una o successione convergente in uno spazio metrico (M. d). Si noti che su di un insieme M potrebbe essere possibile definire pi` di una u metrica (a condizione che essa non sia composta da un singolo punto). Non si approfondisce l’argomento. xn ) < ε ∀m. esiste un N ∈ N tale per cui: d(x. ` possibile definire il concetto di limite e della successione a partire da questo concetto. dato N un sottoinsieme dello spazio metrico M (con metrica d).

dM ) e (N. dM ). e Vale.78APPENDICE A. ∀y ∈ M • La funzione f ` continua su M se ` continua su ogni punto di M . Per ogni insieme aperto A ⊂ N . dN ) converge alla funzione f (x). e f : M −→ N una funzione. Per ogni insieme chiuso A ⊂ N . e . date per scontate. (N. y ∈ M. l’insieme f −1 (A) ⊂ M ` ancora aperto. concernenti la continuit` delle funzioni su spazi metrici. • {xn } ` una successione di Cauchy. si sceglie dunque di privilegiare u alle nozioni topologiche. dN ) spazi metrici. f (y)) < ε. e • Ogni sottosuccessione di {xn } converge a x. l’insieme f −1 (A) ⊂ M ` ancora chiuso. dN ). e e • La funzione f ` uniformemente continua su M se: e ∀ε > 0 ∃δ > 0 : ∀x. e A partire da questo teorema ` possibile definire diverse propriet` e classi di e a sottoinsiemi di spazi metrici. la successione di funzioni {f (xn )} in (N. alcune ulteriori nozioni. a partire da queste definizioni. dM ) con xn convergente a x. introducendo una topologia per spazi di questo tipo. tuttavia si pu` immaginare che esistano enormi analogie con a o le nozioni topologiche dell’analisi in pi` variabili. data la funzione f : M −→ N : • La funzione f ` continua sul punto x ∈ M se: e ∀ε > 0 ∃δ > 0 : dN (f (x). dM (x. e 2. • f ` continua su M se e solo se sono valide entrambe le seguenti condizioni: e 1. y) < δ =⇒ dN (f (x). non si proseguir`. dal momento che le nozioni topologiche non sono fondamentali per la trattazione. a Dati gli spazi metrici (M. il seguente teorema: date (M. INTRODUZIONE ALLA RAPPRESENTAZIONE DI SPAZI FUNZIONALI esiste ed ` unico. allora: • f ` continua su x ∈ M se e solo se per ogni successione {xn } definibile sullo e spazio metrico (M. f (y)) < ε Dove δ ` un numero scelto indipendentemente da x e y.

A.1. INTRODUZIONE AGLI SPAZI FUNZIONALI

79

Uno spazio metrico (M, d) si dice completo se ogni successione di Cauchy ` e convergente nel suddetto spazio metrico. Allo stesso modo, dato A ⊂ M , A ` e completo se ogni successione di Cauchy in A converge a un elemento di A. Un generico spazio vettoriale di k dimensioni, Fk con k ≥ 1 ` uno spazio mee trico completo; ci` ` abbastanza intuitivo: si tratta di una semplice estensione a o e k dimensioni della retta reale. Non ` purtroppo assolutamente garantito il fatto e che uno spazio metrico sia completo, anche se gli esempi considerati nel seguito dell’appendice lo saranno. Al fine di completare le nozioni preliminari atte a definire gli spazi su cui si operer`, si introduce un’ulteriore definizione, con alcune conseguenze ad essa annesse: a la definizione di compattezza. Dato uno spazio metrico (M, d), un insieme A ⊂ M ` compatto se ogni suce cessione {xn } in A contiene una sottosuccessione che converga a un elemento di A. Un insieme A ⊂ M ` relativamente compatto se la chiusura A ` compatta. Se e e l’intero insieme M ` compatto, allora lo spazio metrico (M, d) ` uno spazio metrico e e compatto. Dato uno spazio metrico (M, d) e un sottoinsieme di M , A ⊂ M , allora: • Se A ` completo allora esso ` chiuso; e e • Se M ` completo allora A ` completo se e solo se ` chiuso; e e e • Se A ` compatto allora esso ` chiuso e limitato; e e Vale il teorema di Bolzano - Weierstrass: ogni sottoinsieme chiuso e limitato di uno spazio vettoriale a k dimensioni ` compatto. e La compattezza ` una propriet` molto potente e importante, ma spesso ` difficile e a e da ottenere; il teorema di Bolzano - Weierstrass riesce a garantirla per un grosso insieme di spazi; nella teoria pi` generale, quella degli spazi metrici, si han situazioni u differenti: spesso, gli spazi metrici sono costituiti da insiemi di funzioni definite su altri spazi (questo, capita spesso parlando di analisi funzionale). Limitandoci a parlare di spazi vettoriali, dei quali studieremo in sostanza una “famosa estensione” (gli spazi di Hilbert), si pu` introdurre un altro teorema piuttosto interessante. o Dato uno spazio metrico compatto (M, d), data una funzione f : M −→ F continua, allora esiste una costante b > 0 tale per cui |f (x)| ≥ b ∀x ∈ M

80APPENDICE A. INTRODUZIONE ALLA RAPPRESENTAZIONE DI SPAZI FUNZIONALI Ossia, f ` limitata. Se nel dettaglio F ≡ R, allora l’estremo superiore (sup) e e inferiore (inf) della funzione esistono e sono finiti, ossia esistono xs e xi , xs , xi ∈ M , tali per cui: f (xs ) = sup {f (x) : x ∈ M } , f (xi ) = inf {f (x) : x ∈ M }

A.1.2

Spazi normati

Si ` detto che pu` essere molto importante, al fine di caratterizzare spazi complicati, e o introdurre un concetto di distanza. Un ulteriore concetto molto interessante sotto il punto di vista dell’attuale trattazione ` quello di “norma”: come in spazi vettoriali e ordinari, quali R2 o R3 si pu` introdurre l’idea di “lunghezza” di un vettore, in spazi o vettoriali generici, ad esempio infinito-dimensionali, si pu` introdurre un concetto o analogo, ossia il gi` citato concetto di norma. a Dato un generico spazio vettoriale X definito a partire da F, una norma su X si definisce come una funzione ||.|| : X −→ R tale per cui qualsiasi punto x, y ∈ X e α ∈ F ` tale da: e • ||x|| ≥ 0; • ||x|| = 0 se e solo se x = 0; • ||αx|| = |α| ||x||; • ||x + y|| ≤ ||x|| + ||y||. Se nello spazio vettoriale X esiste una norma, allora esso ` anche chiamato e “spazio vettoriale normato” o “spazio normato”. Se X ` uno spazio normato, viene e detto “vettore unit`” qualsiasi x tale per cui ||x|| = 1. a Spazi normati finito-dimensionali Gli esempi pi` basilari di spazi normati sono sicuramente quelli finito-dmensionali. u Si pu` dimostrare che qualsiasi spazio finito-dimensionale sia normato, anche se la o norma dipende dalla scelta della base utilizzata per generare lo spazio. Su ciascuno spazio si possono introdurre diversi tipi di norme, in diverse maniere; a seconda delle caratteristiche dello spazio, tuttavia, una norma potrebbe essere scambiata con un’altra; si introducono a tal scopo alcune definizioni. Dato lo spazio vettoriale X, e date ||.||1 e ||.||2 due norme su X, si dice che le due norme siano equivalenti se esistono m e M tali per cui, per ogni x ∈ X:

A.1. INTRODUZIONE AGLI SPAZI FUNZIONALI

81

m ||x||1 ≤ ||x||2 ≤ M ||x||1 A partire dalla definizione di norma, ` possibile trovare un collegamento con gli e spazi metrici. Dati nella fattispecie X uno spazio vettoriale, e date ||.|| e ||.||1 norme sullo spazio vettoriale X, date d e d1 le metriche definite da d(x, y) = ||x − y||, d1 (x, y) = ||x − y||1 , supposto che esista un K > 0 tale per cui ||x|| ≤ K ||x||1 per ogni x ∈ X, data {xn } una successione su X • Se {xn } converge a x nello spazio metrico (X, d1 ) allora {xn } converge a x nello spazio metrico (X, d); • Se {xn } ` una successione di Cauchy sullo spazio metrico (X, d1 ) allora {xn } e ` una successione di Cauchy nello spazio metrico (X, d). e A partire da ci` ` possibile introdurre dei corollari in grado di caratterizzare uno oe spazio metrico metrico a partire dalla conoscenza delle carattestiche di un altro: data {xn } una successione definita sullo spazio vettoriale X: • La successione {xn } converge a x nello spazio metrico (X, d) se e solo se essa converge a x anche nello spazio metrico (X, d1 ); • La successione {xn } ` di Cauchy nello spazio metrico (X, d) se e solo se lo ` e e anche nello spazio metrico (X, d1 ); • Lo spazio metrico (X, d) ` completo se e solo se anche (X, d1 ) ` completo. e e Spazi di Banach Parlando nella fattispecie di spazi infinito-dimensionali, dato ad esempio uno spazio vettoriale X, ` possibile che esistano differenti norme su X non equivalenti. Nele la fattispecie, oltre a questa propriet`, vi sono altre propriet` non estensibili in a a maniera naturale al caso di spazi infinito-dimensionali. Ci` che si intende fare in o questa sottosezione, dunque, ` ricercare, un insieme di propriet` basilari per gli spazi e a infinito-dimensionali, in modo da poter introdurre una teoria basilare sugli spazi di Hilbert. A partire da tutti i teoremi colleganti norma, metrica e completezza introdotti su spazi finito-dimensionali, si introduce una fondamentale classe di spazi: gli spazi di Banach.

82APPENDICE A. INTRODUZIONE ALLA RAPPRESENTAZIONE DI SPAZI FUNZIONALI Per spazio di Banach si intende un generico spazio vettoriale normato completo rispetto alla metrica associata alla norma. Si completa ora il discorso generale sugli spazi normati, introducendo un ultimo teorema, in grado di permettere una migliore classificazione degli spazi di Banach: • Ogni spazio vettoriale normato finito-dimensionale ` uno spazio di Banach; e • Se X ` uno spazio metrico compatto allora l’insieme delle funzioni continue e definite su X, CF (X), ` uno spazio di Banach; e • lp ` uno spazio di Banach, per 1 ≤ p ≤ ∞; e • Se X ` uno spazio di Banach e Y ` un sottospazio lineare di X, allora Y ` uno e e e spazio di Banach se e solo se Y ` chiuso in X. e

A.2
A.2.1

Spazi infinito-dimensionali
Prodotti scalari

Sono state introdotte le principali idee in grado di permettere una caratterizzazione di un generico spazio. Come si sa dallo studio dell’algebra lineare, e dall’introduzione della scorsa sezione, ` possibile identificare la “lunghezza di un vettore” mediante e una funzione detta “norma”. Un altro concetto molto importante, assieme a quello di norma, ` quello di “proe dotto scalare”. Come si sa dalla fisica, un significato attribuibile, in uno spazio finito-dimensionale (esempio classico utilizzato in fisica e ingegneria ` lo spazio vete 3 toriale reale tridimensionale, R ), il prodotto scalare tra due vettori appartenenti allo spazio rappresenta una proiezione del primo vettore sul secondo. Dati due vettori a, b ∈ R3 : a= a1 a2 a3 a|b b= b1 b2 b3

a1 b1 + a2 b2 + a3 b3

Ci` si pu` esprimere anche in forma polare: o o a|b = ||a|| ||b|| cos(ϑ) Dove come norme si utilizza la norma 2, o norma euclidea:

A.2. SPAZI INFINITO-DIMENSIONALI

83

||a|| =

a2 + a2 + a2 ; 3 2 1

||b|| =

b2 + b2 + b 2 3 2 1

E ϑ ` l’angolo compreso tra i due vettori. e In un generico spazio vettoriale reale X, per prodotto interno si definisce una funzione .|. definita su X × X −→ R tale per cui, per ogni x, y, z ∈ X, e α, β ∈ R: • x|x ≥ 0; • x|x = 0 se e solo se x = 0; • αx + βy|z = α x|z + β y|z ; • x|y = y|x . Nel caso lo spazio X anzich´ reale sia complesso, la quarta propriet` assume una e a variante: x|y = y|x Dato X un generico spazio dotato di prodotto scalare, dati x, y ∈ X, allora: • | x|y |2 ≤ x|x · y|y • La funzione ||.|| : X −→ R definita come ||x|| = x|x
1 2

` una norma su X. e

Il fatto che siano valide le precedenti affermazioni ` fondamentale al fine di e introdurre uno degli elementi pi` interessanti in ambito di spazi sui quali ` definiu e to un prodotto scalare: la diseguaglianza di Cauchy-Schwartz; la prima delle due affermazioni si pu` infatti riscrivere come: o | x|y | ≤ ||x|| ||y||

A.2.2

Ortogonalit` a

Introdurre i prodotti scalari ` fondamentale al fine di introdurre il concetto di “fase” e per generici vettori appartenenti a generici spazi. Come si sa, su di uno spazio sul quale ` definito un prodotto scalare, ` valida la diseguaglianza di Cauchy-Schwartz. e e A partire da essa, si pu` dire che: o −1 ≤ x|y ≤1 ||x|| ||y||

essi sono detti ortogonali se x|y = 0 Introduciamo a questo punto alcune definizioni e alcuni teoremi a partire da questa definizione. riescono a generare l’intero spazio. formano una cosiddetta “base”. quali e l’ormai classico spazio vettoriale di dimensione 2 (piano): si tratterebbe.. ek } ⊂ e X ` detto ortonormale se ||en || = 1 per 1 ≤ n ≤ k. e geometriche di un vettore in un generico spazio. ossia il fatto che la fase compresa tra loro sia pari a: a π K . non ` quella di introdurre rappresentazioni visive. dell’angolo compreso tra due vettori. dunque i significati geometrici di questo tipo vanno abbandonati.. INTRODUZIONE ALLA RAPPRESENTAZIONE DI SPAZI FUNZIONALI Quindi si pu` dire che la fase ϑ si pu` definire come: o o ϑ = cos−1 x|y ||x|| ||y|| Questo concetto di fase ` molto semplice da interpretare su spazi “semplici”. in modo da sfruttare in modo massiccio l’ortogonalit` tra due a vettori. K∈N 2 in questo caso. Una condizione molto importante. o infinite dimensioni. ` possibile proporre dunque la e seguente definizione: dato un generico spazio sul quale ` definito un prodotto scalare. l’insieme {e1 . un insieme di vettori linearmente indipendenti che. cos(ϑ) = 0. infatti. Quando ci si trova in uno spazio pi` complicato. tuttavia. e em |en = 0 per ogni m = n. fondamene tale e che da qui in poi permetter` l’introduzione di una caratterizzazione totale a . Dato X uno spazio sul quale ` associato un prodotto scalare. e2 . se combinati e mediante trasformazioni lineari di vario genere.84APPENDICE A. A partire dalla definizione di prodotto scalare. 5. . un concetto di fase. Una condizione molto interessante che due vettori possono avere tra loro ` e l’ortogonalit`. ` la ricerca dell’indipendenza lineare dei vettori appartenenti allo e spazio: come ` noto.. y ∈ X. bens` ottenere particolari condizioni ı in grado di facilitare lo studio di spazi per ora impossibili da caratterizzare. e A partire da questo risultato ` possibile introdurre un altro teorema. in questo u senso. dati i vettori x. Lo scopo della presente sezione. al fine di caratterizzare spazi anche di tipo molto particolare. e X. non ha molto senso: quando si ha infatti a che fare con 4. infatti. la sola visualizzazione dello spazio ` estremamente difficile (per non dire impose sibile).

Due sono gli elementi particolarmente interessanti in questa rappresentazione: il fatto che ci sia questo concetto di “proiezione”. si vuole ricordare e e e ribadire. pu` essere intuitivamente presentato come la somma di tutte le proiezioni o del vettore su ciascun elemento della base ortonormale.2. ek } ` linearmente indipendente. Nel caso lo spazio X sia k-dimensionale. ` possibile dal momento che tutti gli spazi in studio sono rigorosamente e lineari. SPAZI INFINITO-DIMENSIONALI 85 di una larga classe di spazi: ogni insieme ortonormale di dimensione k. con e la dimensione dello spazio in questione. dove k ` la dimensione e dello spazio). . formato da {e1 . ci` o significa che. • Molto interessante ` il fatto che la combinazione con la quale si combinano i e vari elementi ` dato da una semplice somma pesata: ciascun “peso” ` dato dalla e e proiezione. . valga il principio o di sovrapposizione degli effetti. mentre il fatto e a che siano generatori. per “base” si intende un insieme di vettori tali da essere dei generatori linearmente indipendenti. Si pu` dire che. Proiettare significa considerare il peso.. al fine di chiarificare le idee. ottenuta come si pu` immaginare mediante prodotto scalare di un o vettore dall’orientamento qualsiasi sullo spazio. anche in questi spazi generici.. Come si sa dai corsi di algebra lineare.. qualsiasi elemento (vettore) x ∈ X pu` essere espresso o come: k x= n=1 x|en en Ossia. infatti. e allora l’insieme in questione rappresenta una base ortonormale per lo spazio. Vediamo perch´ tutto ci` ` e o e possibile: • Si ` detto che l’insieme ortonormale ` una base per lo spazio. e il fatto che si possa interamente ottenere il risultato come “somma” delle proiezioni. della variazione nello spazio a partire da una singola componente (una di k. su di un vettore ben definito. in altre parole. Il fatto che vi sia indipendenza lineare ` garantito dall’ortonormalit` dei vettori. Il fatto che la combinazione pesata sia ottenuta mediante una somma. rispetto al vettore. dunque chiusi rispetto all’operazione di somma e di moltiplicazione per scalare. per ipotesi. che una base ` un insieme di vettori e in grado di rappresentare qualsiasi vettore appartenente allo spazio. ossia in grado di “raggiungere” qualsiasi vettore dello spazio ` dato dal fatto che la dimensione dell’insieme coincide. dunque che la somma permetta di avere una combinazione valida. moltiplicato per il vettore della base ortonormale.A.

introducendo il concetto di spazio di Hilbert. indipendentemente dal valore e a e di k. e e a essa ` estensibile anche per spazi infinito-dimensionali. In realt`..86APPENDICE A. quali ad esempio gli spazi di e Hilbert nel loro significato pi` generico. come tra poco si vedr`. Per spazio di Hilbert H si intende un qualsiasi spazio sul quale sia definibile un prodotto scalare. avranno proiezione nulla. per ogni valore di k: k 2 k an e n n=1 = n=1 |an |2 Dimostrazione: considerando l’ipotesi di ortogonalit` e le propriet` del prodotto a a scalare. INTRODUZIONE ALLA RAPPRESENTAZIONE DI SPAZI FUNZIONALI Si introduce un teorema. appartenenti allo spazio X. ` possibile sviluppare il membro sinistro dell’equazione come: e k 2 k k k k an e n n=1 = m=1 am e m n=1 k an e n k = m=1 n=1 am an em |en = = n=1 an an = n=1 |an |2 Si definisce “complemento ortogonale” di un generico sottospazio A dello spazio X sul quale ` definito un prodotto scalare l’insieme: e A⊥ = {x ∈ X : x|a = 0 ∀a ∈ A} Questo insieme semplicemente contiene l’insieme dei vettori. ossia della dimensione dello spazio. ek }.. dove k ` un valore finito. L’idea di base ortonormale ` molto interessante poich´. data una base ortonormale e {e1 .. . ` possibile generalizzare. tali da essere ortogonali (nel senso precedentemente definito) a qualsiasi vettore appartenente allo spazio A. allora. che per la sua importanza merita di essere dimostrato: dato X uno spazio k-dimensionale sul quale ` definito un prodotto scalare. fondamentale soprattutto in ambito di spazi a dimensione infinita. se “proiettati” su un qualsiasi vettore di A.3 Basi ortonormali per spazi infinito-dimensionali Finora i risultati sono stati introdotti su di un normale spazio k-dimensionale. i concetti finora pensati. il complemento ortogonale dell’insieme rappresenta l’insieme dei vettori tali per cui. u . che sia completo rispetto alla metrica associata con la norma indotta dal prodotto scalare.2. In altre parole. A.

in modo da permettere la comprensione ulteriore. vale la seguente eguaglianza: ∞ 2 ∞ an en n=1 = n=1 |an |2 Questo teorema ` assolutamente fondamentale. dove m = n.A. data {an } una successione in F. allora la serie ∞ an e n n=1 Converge se e solo se ∞ |an |2 < ∞ n=1 In questo caso. data una e successione {en } ortonormale in X. di alcuni meccanismi fondamentali. contiene una successione ortonormale. in seguito. se verificato. e em |en = e 0 per ogni n. In un generico spazio sul quale ` definibile un prodotto scalare X. Si supponga che la successione della quale si calcola la norma converga. e sia uguale ad un dato vettore x: ∞ x= n=1 an e n . potr` avere e e a conseguenze rilevabili nel mondo fisico di portata enorme. Esiste un risultato molto importante: qualsiasi spazio infinito-dimensionale sul quale sia definito un prodotto scalare. SPAZI INFINITO-DIMENSIONALI 87 Dato X un generico spazio sul quale ` definito un prootto interno. una sequenza e {en } ⊂ X ` detta “successione ortonormale” se ||en || = 1 per ogni n ∈ N. m ∈ N. ` inoltre valida la diseguaglianza di Bessel: e ∞ | x|en |2 ≤ ||x||2 n=1 Dato uno spazio di Hilbert H e data una successione ortonormale {en } in H. poich´. come si specificher` in a seguito.2. Si sceglie di dimostrarlo. per ogni x ∈ X si ha che la serie ∞ | x|en |2 n=1 Converge.

dunque. k ∈ N. si pu` dire che: o k x|em = lim k→∞ an en em n=1 = am Utilizzando la diseguaglianza di Bessel. il teorema ` verificato introducendo il e passaggio al limite: ∞ 2 k 2 k an e n n=1 = lim k→∞ an e n n=1 ∞ = lim k→∞ |an |2 = n=1 = n=1 |an |2 Da qui in teorema ` dimostrato. dunque. Quindi {xk } ` una successione di Cauchy nello e spazio di Hilbert H e converge. e Una condizione necessaria e sufficiente affinch´ la condizione converga ` il fatto e e che: . INTRODUZIONE ALLA RAPPRESENTAZIONE DI SPAZI FUNZIONALI Per qualsiasi m ∈ N. Da qua. si pu` dire che: o k 2 k ||xk − xj || = n=j+1 2 = n=j+1 |an |2 Se la serie dei moduli quadri degli an converge a un valore. essa forma una successione di Cauchy. per i teoremi precedentemente introdotti. supposto che la seguente serie e converga: ∞ |an |2 < ∞ n=1 Si pu` dire che per ogni k ∈ N si pu` avere: o o k xk = n=1 an e n Per ogni j. allora convergono anche le somme parziali. si pu` dire che: o ∞ ∞ |an | = n=1 n=1 2 | x|en | ≤ ||x||2 < ∞ A questo punto ` stato impostato un bound.88APPENDICE A. con k > j.

A. dove i coefficienti scalari sono . allora per qualsiasi x ∈ H la seguente serie sicuramente converge: ∞ x|en en n=1 Questa espressione pu` suggerire qualcosa: tornando indietro di qualche pagina. di fatto. ossia un o generico spazio sul quale sia definito un prodotto scalare. allora si pu` dire che lo span (insieme delle combinazioni lineari) e o lineare chiuso. ossia l’intersezione di tutti i sottospazi lineari chiusi di H contenenti le combinazioni lineari degli elementi della successione ortogonale in studio coincida con lo spazio H stesso. Dato uno spazio di Hilbert H e data una successione ortonormale {en }. le seguenti condizioni sono equivalenti: {en : n ∈ N}⊥ = {0} Sp {en : n ∈ N} = H ∞ x= n=1 ∞ x|en en ∀x ∈ H ||x||2 = n=1 | x|en |2 ∀x ∈ H Cosa significa tutto ci`? Beh. ` il fatto o e che un’estensione per k → ∞ della precedente successione converga a un valore prettamente finito. completo rispetto alla metrica indotta dalla norma. SPAZI INFINITO-DIMENSIONALI 89 {an } ∈ l2 Negli spazi di Hilbert si ha un particolare vantaggio: dato uno spazio di Hilbert H e data una successione ortonormale {en } in H. Ci` equivale a dire.2. che qualsiasi vettore x apparo tenente allo spazio di Hilbert in questione pu` essere rappresentato mediante una o combinazione lineare degli elementi della successione. Si prover` a questo punto ad attribuire un particolare significato a a questo tipo di rappresentazione. dato un generico spazio di Hilbert H. in ambito di definizione di basi ortonormali o e rappresentazione di vettori generici. o si pu` ritrovare un’espressione analoga. se il complemento ortogonale dell’insieme delle successioni ortogonali ` nullo. Ci` che si sta finora garantendo.

qual ` uno spazio nel quale ci e e si potrebbe ambientare in maniera “idonea” per uno sviluppo di questo tipo? Beh. L2 . ossia l’insieme R delle funzioni reali integrabili. intesi come combinazione lineare degli elementi di una data base ortonormale in grado di rappresentare qualsiasi vettore in un generico spazio di Hilbert H. Se una di queste condizioni ` vae lida. Come precedentemente introdotto. ` e 2 ricercare una base per lo spazio LR costituita da funzioni sinusoidali. L’idea che si intende utilizzare. ossia di funzioni sinusoidali elementari. per qualsiasi x appartenente a H. come quelli finora descritti. di un insieme di armoniche. le cosiddette “serie di Fourier”. dunque ` possibile tentare l’applicazione di tutti i discorsi teorici e precedentemente proposti. allora la successione {en } ` una base ortonormale per lo spazio H. Questo ` un punto chiave per la trattazione. un’idea potrebbe esser quella di scegliere. calcolate mediante prodotto scalare (con il procedimento di Gram-Schmidt). Si consideri il seguente insieme di funzioni: E = en (x) = (2π)− 2 ejnx : n ∈ Z Si tratta. poich´ si collega di e e fatto un’informazione riguardante un generico vettore dello spazio alle sue proiezioni sulla base ortonormale utilizzata. 1 . dunque. Si noti che per ora non ` stata introdotta in alcun modo la e serie di Fourier: si sta introducendo esclusivamente una teoria generale in grado di rappresentare spazi dalle caratteristiche estremamente stravaganti. Per gli studiosi di Teoria dei Segnali. come ambiente-base.4 Serie di Fourier Si introducono a questo punto. in senso di Lebesgue.2. ossia a partire e da essa ` possibile identificare qualsiasi vettore dello spazio infinito-dimensionale. INTRODUZIONE ALLA RAPPRESENTAZIONE DI SPAZI FUNZIONALI dati dalla proiezione del vettore su ciascuno di essi. A. come uno di tutti i possibili sviluppi in serie. e Non si ` fatto cenno alla quarta condizione (anch’essa sufficiente affinch´ si possa e e parlare di base sullo spazio di Hilbert in questione): la quarta condizione afferma che la somma dei moduli quadri di tutte le proiezioni su ciascun vettore della base in grado di generare H. La prima cosa ` capire: di tutti gli spazi di Hilbert. questo teorema potrebbe essere anche riconosciuto come “teorema di Parseval”. ossia come il teorema in grado di legare l’energia di un segnale alla somma dei coefficienti della sua serie di Fourier. volendo attribuire un significato fisico. in modulo quadro.90APPENDICE A. equivale al quadrato della norma del vettore x. questo spazio ` uno a e spazio di Hilbert. Questo sar` lo spazio di partenza.

si ottiene: π 1dx = 2π −π Dal momento che. si ottiene. si pu` dire che il risultato finale sia normalizzato a 1. integrando. tuttavia. Il fatto di aver ottenuto la serie di Fourier . dunque. A. dato k = m − n: π ejkx dx = −π 1 jkx e jk π −π = 1 jkπ e − e−jkπ = jk 1 jkπ e − ejkπ = 0 jk Ci` ` molto interessante: data una generica successione di armoniche ejnx . nello spazio di partenza (ossia L2 [−π. π] ). e C La serie di Fourier. dunque. o Se m = n.2. anzich´ in un e insieme discreto. considerandone un’estensione continua mediante l’integrazione: em |en 1 = 2π +π ej(m−n)x dx −π Consideriamo a questo punto il seguente fatto: se m = n. Considerando la tradizionale estensione di prodotto scalare tra due funzioni: = +∞ f (x)|g(x) = −∞ f (x)g ∗ (x)dx Si possono ottenere risultati del tutto analoghi. in un insieme con la potenza del continuo (R). ` stato ottenuto un e risultato con un forte significato fisico. considerando n variabile.5 Osservazioni finali Seppur in termini prettamente formali e matematici. SPAZI INFINITO-DIMENSIONALI 91 Si calcola il prodotto scalare della funzione. la classe di funzioni da noi scelta ` normalizzata per e 2π. In maniera del tutto analoga ` e possibile definire la trasformata di Fourier.A. essa oe ` ortonormale. pu` essere intesa come combinazione lineare delle o proiezioni. l’esponenziale complesso si riduce a diventare un’unit`: a ej0 = 1 Quindi.2. su di una base di funzioni sinusoidali.

ha introdotto nella fisica la necessit` di utilizzare spazi mola to pi` complicati di quelli abitualmente studiati. restando in questo specifico caso u comunque nell’ambito di spazi di Hilbert. Come detto nell’introduzione all’appendice. dotati dunque comunque di una certa regolarit`. ossia gli elementi della successione ortogonale di funzioni armoniche). “ciascuna variabile”. uno sviluppo in serie di Fourier dunC que pu` esistere. a partire dalle dimostrazioni e teorie introdotte. allora ` valido anche il noto teorema di e Parseval. Si vuole evidenziare il fatto che. enorme limite. ` equivalente alla somma dei moduli quadri dei coefficienti e ottenuti mediante la proiezione della funzione su ciascun elemento i-esimo della base scelta (nel nostro caso. per due grandezze. la nascita della fisica moderna. per quanto potrebbe a non essere valida per qualsiasi funzione. Un limite ottenuto a partire da e tutte le osservazioni fatte ` chiaro: tutti i discorsi fatti possono funzionare in un e contesto preciso. La cosa non ` in alcun modo limitante: nel mondo fisico / ingegnee ristico. . u non rappresentando dunque un limite vero e proprio per lo strumento matematico. risulta impossibile ottenere informazioni locali quali quelle riguardanti l’analisi in tempo-frequenza. dal momento che tutti i teoremi riguardanti un generico spazio di Hilbert sono applicabili. esclusivamente in o questo spazio. molto spesso. affermante il fatto che. bens` “globali”. ` sicuramente valida per una classe di pi` e u funzioni. basati sullo studio dell’apı plicazione della diseguaglianza di Bessel e sullo studio della convergenza in norma della serie. molto pi` ampia di quella relativa a quelli realmente esistenti. meglio. INTRODUZIONE ALLA RAPPRESENTAZIONE DI SPAZI FUNZIONALI (e. ` possibile comprenderne i limiti. avendo sfruttato mezzi “globali”.92APPENDICE A. come gi` accennato nel corso della trattazione. in particolare della meccanica quantistica. che si pu` evincere dalla soo la dimostrazione utilizzata: al fine di dimostrare il teorema di Parseval sono state utilizzati mezzi matematici non “locali”. π]. nella fisica. esistenti su di uno spazio vettoriale di tre dimensioni. o segnali. di una certa funzione appartenente all’insieme delle combinazioni lineari delle funzioni appartenenti allo spazio. la a norma al quadrato della serie rappresentante il valore di un certo vettore o. avere informazioni su “ciascun coefficiente”. Questo teorema presenta un grosso. la trasformata di Fourier) come caso particolare di una serie di generalizzazioni. L’introduzione utilizzata per le serie di Fourier dunque. in entrambi i domini. dove si intende. ` stato sufficiente utilizzare funzioni integrabili in senso e di Riemann. quello dello spazio L2 [−π. non un’informazione globale sulla somma di tutti i contributi delle proiezioni nei due domini. la base di Fourier. di conseguenza. raramente capita di dover utilizzare funzioni particolarmente patologiche.

m cn. tuttavia.3 Espansione di Gabor A partire da tutta la teoria finora introdotta si vuole a questo punto concludere l’appendice presentando almeno brevemente un risultato molto interessante in grado di introdurre un particolare approccio di analisi in tempo-frequenza. e una distanza in frequenza N . mediante le combinazioni lineari dei suoi elementi.m (t) n. in grado di scomporre una funzione mediante l’uso di due basi. m ∈ ] − ∞. pu` essere riconosciuto come una sorta di generalizzazione della o distribuzione tempo-frequenza “spettrogramma”. ossia una generica grandezza variabile nel tempo) mediante una base di due variabili. data una distanza temporale T . e l’espansione. Fino a questo punto. l’individuazione delle componenti di un vettore mediante l’uso di una singola base ortonormale qualsiasi. sostanzialmente. +∞[ . suddividendolo in una “griglia” composta da punti tra loro equispaziati sui due assi (tempo e frequenza). in modo da poter rappresentare un vettore (una funzione) mediante una certa base di vettori (o di funzioni.A. Il fisico ungherese Dennis Gabor concep` l’idea di sviluppare una funzione a una ı sola variabile (quale ad esempio un segnale.m hn. Questo approccio. proposta nel terzo capitolo della trattazione. Questo tipo di idea ` sicuramente valido ai fie ni di introdurre una semplice analisi in frequenza: dato un certo spazio. ` stato effettuato lo sviluppo in serie. dal momento che si sta parlando di spazi funzionali). La differenza tra ci` che si sta per trattare e le idee finora presentate ` la seo e guente: mediante le tecniche finora introdotte. ESPANSIONE DI GABOR 93 A. m ≥ +∞ L’idea fondamentale di Gabor fu quella di considerare il fatto che un generico segnale potesse essere espanso nella forma: x(t) = n. si ottiene cos` una rappresentazione ı in un piano tempo-frequenza). non ` stato possibile introdurre un metodo per l’espansione e di funzioni. L’idea alla base di questo sviluppo consiste nel discretizzare il piano tempofrequenza. un generico punto si pu` identificare come: o ti = nT νi = mN − ∞ ≥ n. dove una variabile ` la reciproca e dell’altra (caso eccellente per quanto concerne l’analisi in tempo-frequenza: a partire da un esame variabile nel dominio del tempo. qualsiasi elemento appartenente allo spazio. ossia considerando nello sviluppo finale contemporaneamente due domini.3. si sfrutta l’esistenza di una successione ortogonale tale da poter generare.

e h(t) ` una funzione a una e variabile. indica il peso. Ci` che si intende fare. i pesi della funzione. INTRODUZIONE ALLA RAPPRESENTAZIONE DI SPAZI FUNZIONALI Dove: hn. ` il principio di indeterminazione della trasformata di Fourier: il e dominio della rappresentazione nel dominio del tempo del segnale fornisce precisi limiti al dominio della rappresentazione nel dominio spettrale. Mediante il formalismo di Gabor ` possibile “visualizzare” analiticamente la presenza di e cross-terms. l’intensit` della a funzione di densit` risultante in questo dominio bidimensionale discretizzato.94APPENDICE A. per completare il discorso.m (t) = h(t − mT )ej2πnN t Dove cn. riuscendo cos` a dar loro un significato matematico. si pu` evincere il fatto che il miglior segnale e o in termini di compattezza come prodotto tempo-frequenza sia la funzione gaussiana: h(t) = α π 1 4 e− 2 αt 1 2 I coefficienti da ricavare ai termini di caratterizzare l’espansione non sono unici. .1 Applicazione dell’espansione di Gabor : cross-terms Il formalismo di Gabor per l’espansione in tempo-frequenza di generici segnali variabili nel dominio del tempo pu` essere utilizzato per molti obiettivi che non vengono o analizzati in quest’appendice.m sono i coefficienti. una funzione ottimale per essere h(t) ? Si cerchi di interpretare il significato vero e proprio di h(t): essa deve essere una funzione in grado di gestire. e viceversa. in modo da fornirne la miglior rappresentazione contemporaneamente nel tempo e nella frequenza possibili. come ` ben noto e dalla trattazione. nonch´ dall’Appendice B. ` o e presentare un’applicazione teorica di questo tipo di formalismo. distribuzione eccellente se non per un e difetto abbastanza importante da considerare: la presenza di cross-terms. Nella trattazione si ` parlato di distribuzione di Wigner-Ville. ı Dal momento che il formalismo di Gabor produce l’espansione di una generica funzione matematica nel dominio in cui essa varia e nel suo dominio reciproco. Ciascun coefficiente. al variare di n e m. a A. Non si approfondir` ulteriormente l’argomento. al variare della propria posizione. come non sono unici i metodi di calcolo approntati al fine di determinarli. A limitare questo tipo di rappresentazione.3. il peso delle componenti temporali e delle componenti spettrali del segnale. a Ci si potrebbe porre una domanda: esiste. Dalla trattazione. a questo punto.

m (t.m cn. ` possibile dividerle in due sotto-sommatorie. derivanti dall’errore causato dalla bilinearit` della distribuzione di Wigner-Ville.m .m h∗ .m (t.m u + τ 2 = n .A. Osservazioni finali La rappresentazione di Gabor completa di fatto l’appendice.n. contenente i soli termini di energia.m . utilizzando kernel unitario: +∞ +∞ −∞ +∞ Wn . l’espansione.m cn. ν) n Dove il coefficiente Wn .m |2 Wn. si riescono a distinguere due sommatorie: la prima.n. prettamente a matematico.m (t. ν) + n.m u + τ 2 dudτ dϑ Espandendo le sommatorie.m (t.m = −∞ −∞ h∗ .m Wn . cooe me supposto da Gabor.n. ν) = n .m Wn . Questo tipo di rappresentazione introduce un u formalismo molto interessante che si ` scelto di presentare quantomeno in forma “prie mordiale”. ipotizzando che le h(t) siano effettivamente funzioni gaussiane. come una sorta di Parseval in tempofrequenza.n . distine guendone una globale.m . ν) = c∗ . In questo modo. ESPANSIONE DI GABOR 95 si sviluppa il termine bilineare da integrare nell’espressione della distribuzione di Wigner-Ville secondo l’espansione di Gabor: 1 x∗ u − τ 2 1 x u+ τ 2 1 u− τ 2 1 hn.m. introducendo un’idea riguardo lo sviluppo in serie.m n. e l’altra in cui si considerano termini spuri.m n.m c∗ . m.mn=n m=m W (t.m c∗ . e una in cui non si considerano n = n e m = m : |cn.m .3.m cn.m n 1 u− τ 2 1 hn. ` stato possibile presentare quantomeno i passi fondamentali ai fini di e ricavare un’espressione analitica dei cross-terms. ν) n Ci` ` vero. ν) ` calcolato mediante la definizione di classe di e Cohen per n.n. In tal caso. anche per una motivazione in grado di permettere un’intuizione ulteriore . di una funzione in una variabile in una somma di funzioni in pi` variabili.m n.m n n La forma generale della distribuzione di Wigner-Ville in espansione di Gabor pu` o essere scritta come: W (t.

finestrandolo. In entrambi i casi. di fatto.96APPENDICE A. nonostante ci`. come finora o e fatto. ` da considerarsi assolutamente valida e applicabile. INTRODUZIONE ALLA RAPPRESENTAZIONE DI SPAZI FUNZIONALI riguardo una delle distribuzioni in tempo-frequenza: di fatto. La teoria espressa nella sezione. Questo. u La differenza fondamentale tra spettrogramma ed espansione di Gabor ` la see guente: se da un lato l’espansione di Gabor ` basata sullo studio di un’espressione e di sintesi. le funzioni costituenti la base per le espansioni di Gabor e in spettrogrammi. tuttavia. perch´ in entrambe le rappresentazioni ` presente un concetto. pu` capitare un fatto molto spiacevole rispetto a ci` che ` o o e stato precedentemente detto per quanto concerne le basi di spazi di Hilbert e nella fattispecie le basi di Fourier: spesso. l’idea dello spettrogramma e quella dell’espansione di Gabor non sono molto lontane tra loro. . nello spettrogramma si parte dall’espressione analitica. e da essa si definisce una base ad hoc di funzioni atta a “analizzare” il segnale. sono non ortonormali. quello di e e “suddivisione” dello spazio mediante una sorta di processo di discretizzazione (di fatto. atta cio` a ricercare da subito una base idonea per la ricostruzione del e segnale. pi` evidente nel discorso dell’espansione di Gabor).

Come potremmo fare? Questo segnale non ha dominio limitato. per un’analisi in frequenza. Servir` un qualcosa in grado di espria mere. riguardo il mezzo fondamentale sul quale si basa l’analisi in frequenza di segnali. ma non sufficientemente evidenziato. di rappresentare. Si ricordi che la soluzione di equazioni differenziali a coefficienti costanti ha comunque una forma contenente esponenziali di questo tipo. e quindi di sicuro potrebbe essere studiata molto spesso quantomeno in ambito elettronico. Vediamo come arrivarci in modo quantomeno intuitivo. la trasformata di Fourier. anche un segnale a tempo di vita non limitato. 97 . ` il fatto che la serie di e Fourier ` in grado di sviluppare. quindi moltissimi sistemi modellizzati mediante oscillatori armonici avrebbero bisogno. Supponendo di avere tuttavia un segnale per esempio del tipo: x(t) = u(t)e−kt Questo segnale ` utilissimo: esso rappresenta la soluzione dell’equazione differene ziale modellizzante un circuito RC. Si potrebbe incominciare l’appendice con un interrogativo: perch´ vogliamo un e mezzo pi` potente della gi` eccellente serie? La risposta ` semplice: un limite che u a e abbiamo annunciato. ossia a tempo di vita nel dominio del tempo limitato. di avere un mezzo matematico di analisi come quello che vogliamo ottenere. infatti ` non e nullo su tutto il semiasse di tempo positivo.Appendice B Trasformata di Fourier Viene introdotta nella presente appendice un’analisi pi` completa rispetto a quella u introdotta nel cuore della trattazione. solo e unicamente segnali con e dominio del tempo limitato. nel dominio delle frequenze.

ma della stessa funzione prolungata per periodicit` su tutto 2 2 l’asse dei tempi. cosa troviamo? Nel dominio delle frequenze troviamo non solo la funzione limitata nel suo tempo a di esistenza. cerchiamo di capire una nuova cosa dalla serie di Fourier. Si pu` banalmente dimostrare che la serie di Fourier rispetta la definizione di o periodicit`. − T . e dunque ` periodica! Ricordando che: a e x(t + T ) = x(t) Il segnale x(t + T ). o meglio di interpretare meglio il risultato dello sviluppo. da −∞ a +∞. infatti. un segnale a finestra rettangolare. varr`: a +∞ +∞ x(t + T ) = n=−∞ µn e j 2π n(t+T ) T = n=−∞ µ n ej T 2π nt ej T 2π nT Semplificando l’argomento dell’esponenziale. prima abbiamo infatti calcolato la serie di Fourier di una porta. Ci` che la serie di Fourier rappresenta non vale solo per un periodo. Sviluppando in serie di Fourier questo segnale. sviluppato in serie di Fourier. Spieghiamoci meglio: si considera un singolo periodo. ma di fatto il risultato che si ottiene ` sviluppare la funzione per periodicit`.1 Dalla Serie alla Trasformata di Fourier Prima di gettarci in pasto ai formalismi (che comunque purtroppo in questa appendice potranno non essere soddisfacenti ai cultori della matematica formale). ma quello che abbiamo di fatto ottenuto ` la serie di Fourier di un’onda quadra: e limitando l’onda quadra su di un suo periodo. T . si ottiene un singolo impulso rettangolare. e quindi possiamo dire che e esso valga sempre 1: +∞ x(t + T ) = n=−∞ µn ej T 2π nt = x(t) . TRASFORMATA DI FOURIER B.98 APPENDICE B. calcolando i coefficienti. Prima abbiamo sviluppato in serie una porta. vediamo che si ottiene: +∞ x(t + T ) = n=−∞ µ n ej T 2π nt ej2πn Ma 2πn ` multiplo di 2π. bens` per o ı tutto l’asse reale. per tutto l’asse dei tempi. si trover` una rappresentazione in serie a di Fourier non solo della porta. dal momento che n ∈ Z. ossia continuare a e a “ripetere” questo periodo. Di qui. bens` dell’intera onda quadra (o treno di impulsi) su ı tutta la retta reale R.

al fine di poter calcolare tutto con la serie di Fourier. dunque. DALLA SERIE ALLA TRASFORMATA DI FOURIER 99 In poche parole. ossia per un periodo finito. gli n dispari saranno invece nuovi. a un insieme completo. Ma se provassimo a raddoppiarlo? Cosa otterremmo? Vediamo un po’: definiamo un nuovo periodo T = 2T . di introdurre un po’ di formalismo in tutto ci`: o ν0 = +∞ x(t) = n=−∞ 1 T +T 2 −T 2 e− j 2π nt t dt ej 2π nt t . a uno pi` che numerabile. ` o e stato “infittire” l’asse dei tempi. che vanno a campionare sempre la stessa curva inviluppo. Ci` che abbiamo fatto. e avranno dei µn nuovi: abbiamo infatti diminuito il passo di campionamento. raddoppiando il periodo. ma aumentando la precisione e la qualit` del campionamento. aumentare i punti del dominio u di esistenza. renderlo pi` fitto. ossia la distanza minima sull’asse delle frequenze nel dominio di Fourier. Cerchiamo. Ci` per` vale ovviamente per un T finito. sarebbe passare da un insieme numerabile di punti. abbiamo appena dimostrato che con la serie di Fourier si possono trattare tutti i segnali periodici che sull’intervallo-periodo base sono a energia finita. tale per cui si o o possa riprodurre continuamente il contenuto di un singolo periodo sull’asse reale. in maniera del tutto intuitiva? Se raddoppiando T abbiamo dimezzato il tempo di campionamento. i µn saranno gli stessi di prima. per quanto sia possibile. e nella fattispecie dimezzato. poich´ il passo a u e si ` dimezzato: nei punti pari ritroviamo i vecchi µn . e quindi a un infinitesimo. o idealmente parlando. discreto. e calcoliamo i relativi µn : 1 µn = T +T 2 −T 2 x(t)e −j 2π nt T 1 dt = 2T +T −T x(t)e−j T nt dt π Cosa abbiamo ottenuto? Vediamo. ci` che si otterrebbe. a Cosa possiamo fare ora. infinitesimo.1. osservando semplicemente l’espressione precedente. Proviamo a pensare a una cosa un po’ particolare: abbiamo appena detto che T deve essere finito. che per n pari.B. nei dispari troviamo nuovi e µn . Nella fattispecie abbiamo raddoppiato il numero di punti esistenti: 11 1 1 = = ν0 T 2T 2 La nuova “griglia” sar` doppiamente pi` fitta della precedente. proviamo a pensare cosa capiterebbe se continuassimo ad aumentare il periodo T dell’ipotetico segnale da analizzare: sicuramente il passo di frequenza diventerebbe minimo. con la potenza del continuo: auu mentare all’infinito il periodo farebbe tendere a 0 il tempo di campionamento.

intuitivamente parlando: • L’integrale pi` interno verr` valutato da −∞ a +∞. ossia un dν. poich´ il limite prolunga u a e all’infinito l’intervallo di integrazione. tornando al segnale di u partenza nel dominio del tempo x(t): +∞ x(t) = F −1 {X(ν)} = −∞ X(ν)ej2πνt dν Gli operatori che abbiamo appena introdotto. otterremo: +∞ +∞ x(t) = −∞ −∞ x(t )e−j2πνt dt ej2πνt dν L’integrale pi` interno. • Definendo le seguenti grandezze: 1 = ν0 T n+1 n 1 − = = ∆ν T T T Dove ∆ν dunque ` il passo di campionamento in frequenza. avvengono i seguenti fatti. di tutto questi cambiamenti. viene definito X(ν). aperiodici. tra parentesi quadre. e sar` identificato come: a +∞ X(ν) = F {x(t)} = −∞ x(t)e−j2πνt dt L’integrale pi` esterno riesce a invertire la trasformata. permettono di passare dal dominio del tempo al dominio delle frequenze segnali a tempo di vita non limitato. ν ∈ R Tenendo conto di tutte queste espressioni. ossia la coppia trasformata/antitrasformata di Fourier. il ∆ν tende a diventare un differenziale. TRASFORMATA DI FOURIER Se il periodo T → +∞. • Non effettuiamo pi` passi discreti al variare di un n ∈ Z. ma variamo nel u continuo: nν0 = ν. ossia la Trau sformata di Fourier del segnale x(t). La trasformata di Fourier X(ν) .100 APPENDICE B. dal momento che e T cresce tendendo a ∞.

esattamente come ci era capitato nel calcolo mediante serie di Fourier ! Abbiamo ottenuto dunque lo stesso risultato che avevamo ottenuto precedentemente. poich´ rappresenta la naturale estensione per segnali aperiodici e della serie di Fourier: se prima potevamo analizzare il contributo solo di frequenze n-esime. possiamo banalmente intuire che essa sia una funzione complessa.1. come modulo e fase: X(ν) = |X(ν)| ej∠X(ν) La trasformata di Fourier ci permette di analizzare segnali appartenenti a una classe molto pi` ampia rispetto a quelli sviluppabili in serie di Fourier. Possiamo dunque esprimerla mediante la nostra solita notazione.B. Dal momento che X(ν) si definisce mediante un integrale complesso. ora sar` possibile selezionare una qualsiasi frequenza appartenente all’asse a reale. Utilizzando la definizione. cosa che conferma la validit` della trasformata a da noi ricavata: i nostri ragionamenti. possiamo semplicemente dire che: +T 2 +T 2 +∞ F {ApT (t)} = −∞ ApT (t)e −j2πνt dt = A −T 2 e −j2πνt A −j2πνt e dt = −j2πν = = −T 2 = T T A e−j2πν 2 − ej2πν 2 −j2πν = T T A ej2πν 2 − e−j2πν 2 j2πν A sin(πνT ) πν Cosa abbiamo ritrovato? Un seno cardinale. DALLA SERIE ALLA TRASFORMATA DI FOURIER 101 viene detta anche “spettro delle frequenze” o “spettro in frequenza” (frequency spectrum) di un segnale. funzionano. fino a qui. come vogliamo ora dimostrare mediante un esempio pratico. e studiarne il contributo. Esempio Pratico Dato il segnale: x(t) = ApT (t) Calcolarne la trasformata di Fourier. mantenendo le stesse idee precedentemente utilizzate e proposte per quanto riguarda lo studio mediante serie di Fourier. = . vi ` tuttavia u e qualche analogia tra i due strumenti.

elevandola alla “-1”. al fine di fornire idee e chiarire concetti. per quanto riguarda il loro modulo. e quindi non sviluppabili in serie di Fourier. a tempo di vita non limitato. ı Le armoniche dell’esponenziale. calcoliamone modulo e fase! Utilizzando le propriet` dei numeri complessi. . errore che pu` capitare spesso: il “-” si introduce davanti all’arcotangente o dal momento che prima portiamo la funzione al numeratore.102 Esempio Pratico APPENDICE B. riguardo ci` che abbiamo appena presentato e visto. consideriamo in questo esempio pratico il segnale: x(t) = u(t)e−kt Calcoliamo al solito mediante la definizione: +∞ +∞ F {x(t)} = −∞ u(t)e−kt e−j2πνt dt = 0 +∞ e−t(k+j2πν) dt = e−(k+j2πν)t = −(k + j2πν) = 0 1 k + j2πν Beh. abbiamo calcolato la trasformata. B.2 Alcune Domande e Relative Risposte Poniamoci alcune domande. cercando di applicare la trasformata di Fourier per il motivo per cui l’abbiamo creata: studiare segnali non periodici. sono concentrate sulle basse frequenze (poich´ |X(ν)| ` molto elevata in un intorno di ν = 0. e e e tende a decrescere all’aumentare di ν). e poi calcoliamo l’angolo a partire dalla tangente cos` ricavata. o cercando di rispondere. vediamo: a |X(ν)| = √ 1 k 2 + 4π 2 ν 2 2πν k ∠X(ν) = − arctan Nota. TRASFORMATA DI FOURIER Proviamo ora a fare qualcosa di diverso.

come dimostreremo. e introducendo spazi distribuzionali di convergenza. Vale. ossia per i segnali del mondo fisico. ALCUNE DOMANDE E RELATIVE RISPOSTE 103 B. introducendo la Teoria delle Distribuzioni. Noi non considereremo tutto questo. in entrambi i domini di studio. il modulo della trasformata di Fourier ` e una funzione pari. o e quindi funzioni del tipo: x(t) : R −→ R Per questo motivo.1 Quali segnali sono trasformabili? Alla domanda “quali segnali sono trasformabili?” potremmo rispondere molto banalmente: la trasformata di Fourier esiste sempre per segnali a energia finita. affermante che: +∞ +∞ |x(t)|2 dt = −∞ −∞ |X(ν)|2 dν L’energia del segnale nel dominio del tempo.B. e un determinato formalismo generalizzante il concetto di “funzione” nel concetto di “distribuzione”. anche perch´ per quanto teorica questa trattazione vuole essere rivolta a e un lettore in cerca di “pratica”.2. Abbiamo per` un notevole vantaggio: i segnali del mondo fisico sono tutti reali. l’eguaglianza di Parseval. Vorrei far notare che esistono molti dibattiti sulle condizioni minimali di convergenza della trasformata di Fourier. Questo significa “convergenza in norma quadratica”: abbiamo la garanzia di avere la stessa energia.2 Qual ` il significato fisico delle frequenze negative? e Domanda interessante su di un argomento che non abbiamo ancora toccato: trasformando mediante la trasformata di Fourier un segnale. Ma quindi significa che si hanno contributi delle frequenze negative! Quello che ci chiediamo `: quale significato fisico hanno le frequenze negative? e La risposta ` molto semplice: nessuno: fisicamente. B. la fase della trasformata di Fourier ` dispari. e nel dominio della frequenza. come per quanto riguarda la serie di Fourier. nel dominio delle frequenze avremo (praticamente sempre) tanti valori sul semiasse negativo quanti sul semiasse positivo. non dicono niente di nuovo sul segnale . non di formalismi (cercando di non andare troppo al di sotto dei limiti imposti dal “buon gusto” della matematica). e quindi le frequene ze negative non aggiungono informazione. che vengono affrontati.2. i segnali trasformabili mediante trasformata di Fourier saranno semplicemente tutti i segnali a energia finita. in Analisi Matematica.2. Per noi. quindi. non ` possibile interpretare e e in alcun modo una frequenza negativa. resta sempre la stessa.

e ha quindi la potenza del continuo. Dirac introdusse cos` la Delta.104 APPENDICE B. estendendola notevolmente. B. o nella trasformata? u In entrambe le espressioni. che ` molto pi` che numerabile! Si tratta di due infiniti. si sappia dunque che. nella serie di Fourier o nella trasformata di Fourier? Quello u che noi facciamo ogni volta ` studiare i contributi delle singole armoniche. possiamo sapere che R ` un insieme “completo”. delle e j2πνt singole e . su tutti di quelli impulsivi. Senza andare troppo e nel dettaglio. ossia degli esponenziali complessi.3 Abbiamo pi` armoniche nella serie o nella trasformau ta? Domanda che potremmo porci. infatti. u Sobolev e altri. La trasformata di Fourier lavora su R.3 Introduzione ai segnali generalizzati: la Delta di Dirac Il concetto di distribuzione (o di funzione generalizzata) nasce nel 1900 circa dal fisico Paul Adrien Maurice Dirac. Il segnale generalizzato pi` interessante ` la Delta di Dirac della quale stiamo u e facendo molte lodi: x(t) = δ(t). pur essendo entrambe infinite. introdussero un formalismo matematico per la teoria. le armoniche fornite dalla trasformata di Fourier sono molto maggiori di quelle fornite dalla serie di Fourier. che aveva bisogno di una modellizzazione ideale di particolari fenomeni. cio` che ha la potenza del e e discreto. ossia ı il modello di un segnale impulsivo.2. cio` e u e pi` punti da studiare. abbiamo che ciascun µn varia con n ∈ Z. e anche se sarebbe pi` corretto parlare della pi` formale definizione mediante funu u . volendo. ma di potenza molto e u diversa! Dalla topologia. Impropriamente la definizione di Delta che si introduce ` quella come integrale. Possiamo dire che δ(t) sia il metodo di misura ideale per un fenomeno: un metodo di misura preciso. Il problema ` che non e tutti gli infiniti sono uguali! Nell’ambito della serie di Fourier. senza incertezze e latenze. e poich´ copre tutti i vari “buchi” tra un razionale e un altro. abbiamo infinite armoniche. Quello che vogliamo capire `: ci e sono pi` armoniche nella serie. ` la seguente: abbiamo pi` armoniche. a a B. TRASFORMATA DI FOURIER (niente che non si possa capire guardando la parte positiva del segnale e conoscendo la relazione di parit`/disparit` rispettivamente di modulo e fase). Pi` avanti matematici del calibro di Schwartz. dove Z ` un insieme numerabile.

dividendo dunque tutto per T (teorema della media integrale). se la larghezza della porta. campionare il suo valore in un dato punto. ossia del segnale valutato nel punto. B. Come vedremo tra breve. T . dato che utilizziamo (o almeno ipotizziamo di utilizzare) e e uno strumento accuratissimo. • poich´ T ` piccolo. poich´ ci si trova in un intorno di questo punto e si pu` considerare e o ci` una buona approssimazione: o 1 x(t) ∼ ˆ T +∞ −∞ x(t0 ) x(t0 )pT (t − t0 )dt = T +T 2 −T 2 1dt = T · x(t0 ) = x(t0 ) T Ci` ` vero. a dimostrando quelle non banali che presenteremo. Ci` o che uno strumento di misura dunque fa.3. l’area del tratto di rettangoloide si pu` circa o approssimare con l’area della porta di altezza x(t0 ). ossia rilevare. ossia di normalizzare l’integrale di un divisore T . . Possiamo modellizzare la misura come il calcolo dell’area di una porta di altezza pari al segnale: +∞ x(t) = ˆ −∞ x(t)pT (t − t0 )dt Due accorgimenti: • Scegliamo di considerare una misura mediata. definiamo la Delta di Dirac applicata su di un segnale x(t) come: +∞ δ(t)|x(t) = −∞ x(t)δ(t)dt x(0) Cosa significa tutto ci`? Cerchiamo di capirlo! Dato un segnale. vorremmo farne o la misura in un punto. tende a 0: con uno strumento o e privo di indeterminazione. una definizione di δ(t). INTRODUZIONE AI SEGNALI GENERALIZZATI: LA DELTA DI DIRAC105 zionale. considerato in ambito distribuzionale.B.1 Propriet` della Delta di Dirac a Elenchiamo qui un insieme propriet` od osservazioni riguardanti la Delta di Dirac.3. Utilizzando dunque una sorta di prodotto scalare. ` effettuare la misura di x(t0 ). questa ` e un’interpretazione. con una certa e incertezza T sul valore catturato. e quindi ideale.

ma chiamiamola senza e troppi problemi funzione): δ(−t) = δ(t) Dimostrazione: dalla propriet` appena vista: a . che forse definiremo in seguito. possiamo immaginare che pi` lo “spessore”. utilizzando un po’ di quel formalismo che ci sta cos` simpatico: ı δ(at)|x(t) δ(t)| 1 1 1 x(t) = x(0) = δ(t) |a| |a| |a| Scaricando tutto come di solito si fa sulla funzione test. ` il limite della porta per T → 0: a e se infatti T si stringe.106 Definizione APPENDICE B. il segnale x(t). pi` si elevi l’altezza. che in questo caso ` e il nostro “misurando”. Riscalamento di una Delta δ(at) = 1 1 1 δ(t) = x(0) = δ(t) |a| |a| |a| Dimostrazione: dalla teoria delle distribuzioni. e si possono facilmente dimostrare estendendo i risultati ottenuti dalle distribuzioni regolari sullo spazio D. si ottiene facilmente questa propriet`. Lemma della precedente propriet` a La Delta di Dirac ` una funzione pari (funzione generalizzata. la u “larghezza” della porta diventi infinitesima. In una dispensa di Teoria delle Distribuzioni sicuramente saranno formalizzati tutti i passaggi. poich´ l’integrale e della porta deve sempre valere 1. che varr` sempre 1: a lim pT (t) = δ(t) T →0 Nota: esistono altre definizioni asintotiche di δ. Le a motivazioni derivano dalla Teoria delle Distribuzioni. mantenendo sempre u costante l’integrale. TRASFORMATA DI FOURIER +∞ x(t)δ(t − t0 )dt = x(t0 ) −∞ Definizione come limite di una porta per larghezza infinitesima Come gi` detto. e l’ampiezza della porta rimane costante. una possibile definizione di δ(t).

e quindi solo nel punto in cui esiste la delta. ottenendo cos` ı banalmente questa formula. inoltre. diamone una dimostrazione basata sul formalismo della Teoria delle Distribuzioni. dalla Teoria delle Distribuzioni. e anche interessantissima.B. poich´ ae e deriva da una considerazione non ancora fatta sulla trasformata di Fourier. La propriet` ` e ae intuitiva per il seguente motivo: se a una funzione moltiplichiamo una Delta di Dirac (in questo caso supposta centrata in 0). Propriet` della Trasformata di Fourier a +∞ e±j2πνt dt = δ(ν) −∞ Questa propriet` ` veramente importantissima.3. Dimostrazione: consideriamo. Prima di parlarne. come immaginiamo dalla propriet` del supporto appena presentata). come: δ(t)|e−j2πνt = δ(t)|e−j2πν0 = 1 Anticipando la propriet` di simmetria. capita che tutto ci` che sta fuori dal supporo to della Delta viene annullato (moltiplichiamo infatti la funzione per 0 per qualsiasi punto. ma in realt` a e a ` molto intuitiva. ` assolutamente fondamentale perch´ permette di “came e e pionare” (come suggerito nel nome che le ` stato scelto) un valore. e e Propriet` di Campionamento a x(t)δ(t) = x(0)δ(t) Questa propriet` ha in s´ probabilmente un alone di misticismo. tutto a ci` che resta della funzione sar` dunque il valore presente sull’intersezione dei supo a porti delle due funzioni. INTRODUZIONE AI SEGNALI GENERALIZZATI: LA DELTA DI DIRAC107 1 δ(t) = δ(t) |−1| δ(−t) = Supporto della Delta δ(t) = 0 ∀t = 0 La δ(t) ` una funzione generalizzata il cui supporto ` esclusivamente t = 0. la Trasformata di Fourier di una δ(t). valida per la trasformata di Fourier (che a dopo discuteremo e dimostreremo ampiamente): .

se il segnale nel tempo ` una costante. Questo perch´ la sinusoide ha una e sola componente in frequenza. ossia una delta di Dirac centrata in ν0 .3. e bisogna calcolare con ı a e metodi pi` ‘classici” il tutto. e vuole essere esplicativo sul come applicarla “al meglio”: tutto ci` che a o sta tra “j2π” e “t” sar` argomento della δ dopo aver calcolato l’integrale: a +∞ −∞ ej2π[QUALCOSA]t dt = δ([QUALCOSA]) Ad esempio: +∞ ej2π(x −∞ 3 +x)t dt = δ(x3 + x) Nota: questa propriet` vale solo e soltanto se l’integrale viene calcolato su tutta a la retta reale! Se cos` non fosse la propriet` non ` valida. al fine di meglio comprendere le propriet` della Delta appena introa dotte. sie gnifica che si ha solo ed esclusivamente una continua. mediante la Teoria delle Distribuzioni. B. Se ci pensiamo. e e o dunque ` sufficiente una delta. u . di cui questo ` il primo. e Derivata del gradino di Heavyside Si pu` dimostrare. Questo esempio riguarder` la e a propriet` 6.108 APPENDICE B. troveremo una δ(ν). una riga spettrale nel dominio di Fourier. perch´ si pu` esprimere come una sola sinusoide. solo una δ(ν − ν0 ). ossia un impulso fissato alla frequenza nulla. che: o ∂u(t) = δ(t) ∂t Essendo materia di Teoria delle Distribuzioni. nel dominio di Fourier. TRASFORMATA DI FOURIER +∞ F {1} = δ(ν) ←→ −∞ 1 · e−j2πνt dt = δ(ν) Questo fatto ha un’interpretazione fisica veramente affascinante: se noi trasformiamo mediante Fourier una costante (ν = 0).2 Esempio Pratico 1 Consideriamo. si sceglie di trascurare qui la dimostrazione formale. allo stesso modo avremo. e dunque solo una componente a frequenza nulla! Supponendo ora di avere invece una sinusoide come esponenziale complesso a frequenza ν0 . tre esempi pratici.

Molto semplice: +∞ +∞ X(ν) = −∞ x(t)e−j2πνt dt = −∞ e−2π(ν−ν0 )t dt = δ(ν − ν0 ) B. Per questo.3 Esempio Pratico 2 Dato il segnale x(t): x(t) = ej2πν0 t Calcolarne la trasformata di Fourier.4. B. ora elencheremo a le prime propriet`. Calcolare la trasformata di Fourier del segnale x(t): x(t) = cos(2πν0 t) Utilizziamo la formula derivante da quella di Eulero. e traslate di +ν0 e −ν0 . data la sua enorme importanza. Si ricordi sempre questo esempio. in quanto fondamentale. ` necessario conoscere e molto bene le propriet` della trasformata di Fourier. otterremo semplicemenu te: X(ν) = 1 [δ(ν − ν0 ) + δ(ν + ν0 )] 2 Ossia. e sar` usatissimo in tutta e a la trattazione. ottenendo: x(t) = cos(2πν0 t) = 1 j2πν0 t e + e−j2πν0 t 2 Niente di pi` banale! Riutilizzando l’esempio pratico 2. . la trasformata di Fourier di un coseno ` uguale alla somma di due δ.` B. Si conosca dunque molto bene. corredando il tutto a con riflessioni che permettano di meglio coglierne l’essenza.4 Esempio Pratico 3 Nota: questo esempio pratico ` a dir poco fondamentale.4 Propriet` della Trasformata di Fourier a Al fine di poter studiare efficacemente l’analisi dei segnali.3. PROPRIETA DELLA TRASFORMATA DI FOURIER 109 B.3. proponendo per ciascuna una dimostrazione.

potremmo interpretare x(t) come modulo e fase nel piano complesso: x(t) = |x(t)| ej∠x(t) poich´ tuttavia ci troviamo in R. se i numeri sono e o rispettivamente o positivi o negativi. mediante la formula di Eulero. mentre la fase della sua trasformate di Fourier ` una funzione e e dispari. Dimostrazione In senso molto generale.4. Possiamo dunque pensare alla quantit` ej2πνt .2 Propriet` di Parit` a a Dato un segnale reale x(t). a come: . la fase pu` essere o 0 o π.4. abbiamo che: e x(t) = ± |x(t)| poich´. si ha che: +∞ Y (ν) = −∞ [ax1 (t) + bx2 (t)] e−j2πνt dt = +∞ +∞ =a −∞ x1 (t)e−j2πνt dt + b −∞ x2 (t)e−j2πνt dt = aF {x1 (t)} + bF {x2 (t)} B.1 Propriet` di Linearit` a a Dato segnale y(t) definito come: y(t) = ax1 (t) + bx2 (t) Y (ν) = F {y(t)} = aF {x1 (t)} + bF {x2 (t)} Dimostrazione Essendo l’integrale un operatore lineare operante su spazi vettoriali. trovandoci sull’asse reale.110 APPENDICE B. |X(ν)| ` una funzione pari. TRASFORMATA DI FOURIER B. allora il modulo della sua trasformata di Fourier.

che. e Per quanto riguarda la fase: ∠X(ν) = arctan Im [X(ν)] Re [X(ν)] [Re [X(ν)]]2 + [Im [X(ν)]]2 Notoriamente.4. a Ci siamo dilungati tanto su questa propriet` perch´ essa ` fondamentale: come a e e abbiamo gi` accennato. in caso di funzioni reali (come secondo le ipotesi che abbiamo finora seguito per arrivare a questo risultato). e quello della parte immaginaria.` B. da queste ultime definizioni. la presenza a . e la parte immaginaria una funzione dispari. per quanto riguarda segnali reali. l’arcotangente ` una funzione dispari. partendo da ci` che o abbiamo ottenuto: +∞ X(ν) = F {x(t)} = −∞ x(t)ej2πνt dt = +∞ +∞ = −∞ x(t) cos(2πνt)dt + j −∞ x(t) sin(2πνt)dt = Re [X(ν)] + j Im [X(ν)] Possiamo fare alcune considerazioni: si vede molto bene. e che la somma di funzioni pari ` ancora una funzione pari. dunque e abbiamo dimostrato la relazione di parit` tra le trasformate. e che la radice di funzioni e pari ` ancora una funzione pari. avremo che: e |X(ν)| = Senza dubbio ` pari. nel suo dominio. Vediamo perch´: e +∞ +∞ Re [X(−f )] = −∞ x(t) cos(2π(−f )t)dt = −∞ x(t) cos(2πνt)dt = Re [X(ν)] +∞ +∞ Im [X(−f )] = −∞ x(t) sin(2π(−f )t)dt = − −∞ x(t) sin(2πνt)dt = −Im [X(ν)] poich´ sappiamo dall’algebra che una funzione dispari al quadrato diviene pari. PROPRIETA DELLA TRASFORMATA DI FOURIER 111 ej2πνt = cos(2πνt) + j sin(2πνt) Possiamo dunque calcolare la trasformata di Fourier come somma di due contributi: quello della parte reale. che la parte reale sia una funzione pari. essa elimina.

B. ossia per un’armonica. π: in questo modo valgono le proo e priet` trigonometriche che hanno permesso la propriet`. TRASFORMATA DI FOURIER di informazione nelle frequenze negative.112 APPENDICE B. perch´ introduce concetti di simmetria che e ci permettono ricavare tutte le informazioni dalle sole frequenze positive. anche se ci` nei segnali ` impossibile a a o e da verificarsi. in quanto i segnali con cui si ha a che fare nel mondo fisico sono grandezze reali. abbiamo: s = t − t0 . dt = ds .3 Propriet` di Anticipo/Ritardo a Dato un segnale y(t) definito come: y(t) = x(t − T ) La sua trasformata `: e +∞ Y (ν) = F {y(t)} = −∞ y(t)e−j2πνt dt = X(ν)e−j2πνT In altre parole un ritardo. Si noti che ci` vale su segnali reali solo perch´ ∠X(ν) = 0. non provoca alcuna variazione nello spettro di energia in frequenza.4. Si parla di fattore lineare di fase poich´ esso non provoca di fatto variazioni nello spettro di energia e del segnale: x(t) −→ Sx (ν) = |X(ν)|2 y(t) −→ Sx (ν) = X(ν)e−j2πνT 2 = |X(ν)| · e−j2πνT = |X(ν)|2 2 Un ritardo del segnale nel dominio del tempo. t = s + t0 . si pu` interpretare come o il prodotto per un fattore lineare di fase. Uno sfasamento sul piano a a complesso annullerebbe la propriet` di parit`. Dimostrazione Dato y(t) = x(t − t0 ): +∞ Y (ν) = F {y(t)} = −∞ x(t − t0 )e−j2πνt dt Mediante un cambio di variabili. nel dominio della frequenza.

il segnale al variare del tempo varier` seguendo il profilo precedena te. Supponiamo di avere questi x1 (t) e x2 (t). In questo modo. PROPRIETA DELLA TRASFORMATA DI FOURIER Da qua: +∞ +∞ 113 x(s)e −∞ −j2πν(s+t0 ) ds = e −j2πνt0 −∞ x(s)e−j2πνs ds = X(ν)e−j2πνt0 B. e di doverli mettere sullo stesso doppino.4 Propriet` di Modulazione a Si tratta di una propriet` assolutamente duale alla precedente. che devono “parlare” tra loro sullo stesso filo. vediamo che se e moltiplichiamo la funzione per ej2πν0 t .4. cosa capita? Se moltiplichiamo nel dominio del tempo un segnale per un’armonica. Ci` che facciamo ` simile o e all’accelerare la x(t). ma anche la curva inviluppo “dettata” dall’armonica. dell’armonica. moltiplicheremo cos` ı: x1 (t)ej2πν1 t x2 (t)ej2πν2 t Si noti che noi effettuiamo riscalamenti mediante prodotto per esponenziali complessi. e cos` sintonizzarli a o ı frequenze diverse. la migliore cosa che possiamo fare ` accontentarci del coseno. molto utilizzata in a ambito di telecomunicazioni. per dei coseni.` B. e ottenere: e Y (ν) = x1 (ν) cos(2πν1 t) + x2 (ν) cos(2πν2 t) Dimostrazione La dimostrazione ` abbastanza banale e simile alla precedente. Dal momento che l’esponenziale complesso non esiste. dato un segnale x(t): F x(t)ej2πν0 t = X(ν − ν0 ) Intuitivamente. nelle applicazioni di telecomunicazioni (ad esempio). facendole seguire l’inviluppo della sinusoide. senza far s` che si soı vrappongano e creino problemi e interferenze l’uno sull’altro. ma nella pratica si moltiplica. nel tempo. dovremo moltiplicare per una certa armonica i due. in modo da farli parlare sullo stesso filo. otteniamo: . ad o esempio due comunicazioni. A cosa pu` servire questa cosa? Supponiamo di avere due segnali nel tempo.4. Essa ci dice che. Per fare ci`.

con lo stesso “tempo” avremo percorso una maggior porzione di segnale. Cosa significa “comprimere” un segnale? Significa. La riduzione dell’ampiezza sulle basse frequenze ` dovuta al fatto che abbiamo e sempre e comunque convergenza in norma quadratica. Qual ` il significato di tutto ci`? A una compressione nel tempo corrisponde una e o dilatazione nel dominio delle frequenze. “variare la velocit` di percorrenza”: moltiplicando t per un a fattore positivo e maggiore di 1. e quindi la stessa energia rispetto al tempo! Vale sempre e comunque l’eguaglianza di Parseval. capiamo che ha senso pensare che ci sia una dilatazione in frequenza. uno scalamento nel tempo corrisponde a uno scalamento opposto in frequenza: 1 ν X |k| k Prima di dimostrare tutto ci`. dal momento che cos` si avr` sempre la e ı a stessa energia in entrambi i domini. TRASFORMATA DI FOURIER +∞ +∞ X0 (ν) = F x(t)ej2πν0 t = −∞ x(t)ej2πν0 t e−j2πνt dt = −∞ x(t)e−j2πt(ν−ν0 ) dt = X(ν−ν0 ) B. se vogliamo guardare sotto questo punto di vista.114 APPENDICE B. con frequenze pi` elevate. e quindi non in grado di presentare ripide pendenze. ma quindi esso sar` a pi` compresso. In questo modo. si ha una dilatazione nel tempo. a una dilatazione nel dominio del tempo corrisponde una compressione nel dominio delle frequenze. Prima di tutto. lo spettro si dilater`: serviranno armoniche u a a frequenza pi` alta. Ci` che capita in frequenza. poich´ una sinusoide a bassa frequenza ` di fatto u e e piatta. Prendendo ad esempio una finestra triangolare. ricordiamo o che: F {x(kt)} ←→ • Se |k| > 1. . e quindi a compressione nel u u tempo. ` il fatto che serviranno sinusoidi pi` u o e u ripide. • Se |k| < 1. ma quindi pi` lontane dall’origine. alcune osservazioni. intendiamo semplicemente aumentare la pendenza a dei tratti di curva. e avremo quindi una velocit` maggiore! Per “aumentare la a velocit` di percorrenza”. quindi. aumentando la velocit` di pera correnza ci mettiamo meno tempo a “salire” su per il triangolo. se servono sinusoidi a frequenza pi` alta. si ha una compressione nel tempo. dunque il fattore di normalizzazione ` giustificato.4.5 Propriet` dello Scalamento a Dato un segnale x(t).

molto banalmente. x1 (t) e x2 (t): +∞ +∞ y(t) = x1 (t) ⊗ x2 (t) −∞ x1 (t − τ )x2 (τ )dτ = −∞ x2 (t − τ )x1 (τ )dτ Il prodotto di convoluzione ` un operatore commutativo. PROPRIETA DELLA TRASFORMATA DI FOURIER Dimostrazione +∞ 115 F {x(kt)} = −∞ x(kt)e−j2πνt dt Effettuiamo a questo punto un cambio di variabili: s = kt. dt = k k +∞ =⇒ k.` B. vedremo e la sua utilit` nell’analisi dei segnali. La cosa interessante di questa propriet` ` che a ae quest’operazione. In seguito. allora l’esponenziale avrebbe segno negativo. nel ı dominio di Fourier diviene un semplice prodotto algebrico! y(t) = x1 (t) ⊗ x2 (t) ←→ X1 (ν) · X2 (ν) . k < 0 Ma questa definizione ricorda proprio la definizione di funzione modulo! Al posto di k. k > 0 −k. t = Da qua avremo: ν 1 x(s)e−j2π k s · ds k −∞ Facciamo un’osservazione: se k > 0. riprendiamo la definizione di prodotto di a convoluzione da Analisi Matematica II.4. se k < 0. dati due segnali. cos` difficile da calcolare (nella maggior parte dei casi reali). che sostituisce esattamente il comportamento che ricerchiamo: +∞ =⇒ −∞ x(s)e−j2π |k| s ds = ν 1 X |k| ν |k| B. Dobbiamo dunque distinguere due casistiche: s 1 . tutto regolare. ma ci` va contro la definizione di trasformata di Fourier: o l’esponente deve avere sempre segno negativo davanti.6 Propriet` della Convoluzione a Prima di introdurre questa propriet`. useremo |k|.4.

dato y(t) = x1 (t) · x2 (t). come formalizzeremo meglio dopo. otterremo in questo modo da un singolo integrale doppio due integrali semplici moltiplicati tra loro.4. ossia per ej2πντ . otteniamo cos` ı: +∞ +∞ Y (ν) = −∞ +∞ −∞ +∞ x1 (t − τ )x2 (τ )e−j2πν(t−τ +τ ) dtdτ = x1 (t − τ )e−j2πν(t−τ ) x2 (τ )e−j2πντ dtdτ = −∞ −∞ Utilizziamo ora un cambio di variabili: t − τ = s. Y (ν) = X1 (ν) ⊗ X2 (ν) B.116 Dimostrazione APPENDICE B. Y (ν). dt = ds. TRASFORMATA DI FOURIER Dato y(t) = x1 (t) ⊗ x2 (t). a a nelle trasformate di Fourier): una convoluzione in frequenza diviene un prodotto algebrico nel tempo. sar`: a +∞ +∞ Y (ν) = −∞ −∞ x1 (t − τ )x2 (τ )e−j2πνt dtdτ Utilizziamo un piccolo artificio algebrico: moltiplichiamo per l’esponenziale complesso con variabile temporale τ . dal momento che le funzioni di integrazione dipenderanno da variabili differenti. vale anche la propriet` duale a (come spesso per l’appunto capiter`.7 Propriet` di derivazione a Dato un segnale y(t) definito come: y(t) = dx(t) = x (t) dt . a causa di una propriet` ancora da definirsi. e potremo cos` dire che: ı +∞ +∞ =⇒ −∞ x1 (s)e−j2πνs ds · −∞ x2 (τ )e−j2πντ dτ = X1 (ν) · X2 (ν) Si noti che. da qua. si vede che: +∞ y(t) = −∞ x1 (t − τ )x2 (τ )dτ La sua trasformata di Fourier.

Y (ν). a energia finita. della trasformata di Laplace. osservando il secondo termine. con una moltiplicazione per la variabile indipendente ν. deve essere a supporto compatto.` B. possiamo immaginare che quest’ipotesi sia sempre verificabile). allo stesso u fine. Ci` significa che mediante la trasformata di Fourier o ` possibile ricondurre un’equazione differenziale di ordine generico a un’equazione e algebrica. e dunque: e x(t) ∈ L2 Dove L2 ` lo spazio di funzioni il cui modulo quadro ` integrabile in senso di e e Lebesgue. si ottiene: =⇒ x(t)e−j2πνt +∞ −∞ +∞ − (−j2πν) −∞ x(t)e−j2πνt dt Sappiamo che come al solito x(t) ` trasformabile.4. ci` che possiamo dunque dire ` che: o e x(+∞) = x(−∞) = 0 Il primo termine dunque sparisce. cosa che comunque noi supponiamo vera. o quantomeno infinitesima all’infinito (in realt` la definizione richiederebbe il fatto a che l’insieme sia a misura nulla. PROPRIETA DELLA TRASFORMATA DI FOURIER La sua trasformata di Fourier. Per essere integrabile in tal senso. a parte funzioni particolari. u Dimostrazione Dato y(t) = x (t). abbiamo che: +∞ F {y(t)} = −∞ x (t)e−j2πνt dt Integrando per parti. sar`: a Y (ν) = j2πνX(ν) 117 Questa propriet` ` una delle pi` classicamente usate e importanti sotto il punto di ae u vista della risoluzione di sistemi differenziali (anche se pi` spesso si fa uso. si potr` dire a banalmente che: Y (ν) = j2πνX(ν) . e dunque molto pi` semplice da risolvere. che ora non trattiamo): l’operazione di derivazione nel dominio del tempo coincide. nel dominio della frequenza.

in un qualsiasi segnale a energia finita: d·D ≥ 1 2 . anche se permette di presentare un risultato pi` elegante ma equivalente a quello che si otterrebbe senza). TRASFORMATA DI FOURIER Una nota: applicando iterativamente questo ragionamento. questa dimostrazione. si pu` dimostrare che. alle derivate n-esime. u inoltre.118 APPENDICE B.4.8 Principio di Indeterminazione della trasformata di Fourier Prima di introdurre l’enunciato del principio di indeterminazione riguardante la trasformata di Fourier. ma si noti che questa non ` e l’unica definizione di banda esistente (si noti che il 4π deriva dall’introduzione di una costante di normalizzazione. definiamo due quantit` fondamentali che ci serviranno: a • Estensione temporale del segnale (o durata) d: 1 εx +∞ d2 t2 |x(t)|2 dt −∞ • Estensione in frequenza o ‘banda’ D del segnale: 4π 2 εx +∞ D2 ν 2 |X(ν)|2 dν −∞ Nota: abbiamo chiamato D la banda del segnale. dato y(t) cos` definito: o ı y(t) = Si ha: Y (ν) = (j2πν)n X(ν) dn x(t) dtn B. le varie definizioni non sono tra di loro equivalenti. ma non sarebbe necessario. Passiamo all’enunciato del teorema in questione: il principio di indeterminazione afferma che.

e vediamo cosa capita: d2 · D 2 = 1 ε2 x +∞ +∞ t2 |x(t)|2 dt · −∞ −∞ dx(t) dt dt Proseguiamo considerando la diseguaglianza di Schwartz. a all’infinito. possiamo moltiplicare e dividere per j2π all’interno del modulo. calcoliamo. x2 (t). vale il discorso effettuato al momento della dimostrazione della propriet` di derivazione: possiamo supporre. Rimarr` dunque solo il secondo integrale: a a 1 = − εx 2 .` B. essa ci permette infatti di dire che: +∞ +∞ t2 |x(t)|2 dt · −∞ −∞ dx(t) dt ≥ dt +∞ tx(t) −∞ dx(t) dt dt 2 A questo punto. a ±∞. PROPRIETA DELLA TRASFORMATA DI FOURIER Dimostrazione 119 Riprendiamo un attimo la definizione di D2 . nel dominio del tempo! Semplificando dunque i termini 4π 2 . e ottenere: 4π 2 D = εx 2 +∞ −∞ 4π 2 ν |X(ν)| dν = 2 4π εx 2 2 +∞ |j2πνX(ν)|2 dν −∞ Utilizzando ora Plancherel. l’integrale minorante il prodotto di durata e banda: +∞ −∞ +∞ −∞ dx(t) tx(t) dt = dt x2 (t) tx(t)dx(t) = t 2 +∞ 1 − 2 −∞ +∞ x2 (t)dt −∞ Dal momento che supponiamo il segnale a energia finita. otteniamo: 1 =⇒ εx +∞ −∞ dx(t) dt dt Abbiamo ottenuto una forma un po’ pi` maneggevole per quanto riguarda D2 . per questo motivo.4. varr` 0. mediante la tecnica di integrazione per parti. possiamo dire che l’integrale in modulo quadro di j2πνX(ν) coincida con l’integrale in modulo quadro della derivata del segnale x(t). il valore del segnale infinitesimo. u studiamo a questo punto il prodotto durata-banda. e vediamo che possiamo usare un piccolo accorgimento: applicando l’appena enunciata propriet` della derivazione e il a teorema di Parseval/Plancherel. ossia tendente a 0.

sono almeno uguali alla met` a a della costante di Planck normalizzata per 2π ( ). ottenendo: 1 1 d · D ≥ 2 · − εx εx 2 2 2 2 = 1 4 Calcolando la radice. ossia dalla durata nel dominio del tempo del segnale. e arriva a un risultato simile. Definiamo una funzione ausiliaria g(t). moltiplicate tra loro. nella fattispecie in ambito di meccanica e u quantistica. per quanto riguarda la meccanica quantistica. Una dimostrazione pi` completa u coinvolge l’algebra degli operatori non commutanti. otterremo banalmente: 1 2 Abbiamo cos` dimostrato il principio di indeterminazione della trasformata di ı Fourier! Questa dimostrazione non ` del tutto generale: il principio di indeterminae zione ` infatti pi` “famoso” in ambito fisico. parlando del pi` celebre principio di indeterminazione di Heisenberg: le u incertezze di una grandezza fisica e del suo impulso associato. TRASFORMATA DI FOURIER Il fattore εx si ottiene osservando che il secondo integrale ` semplicemente l’ee nergia del segnale x(t). non commutanti (ad esempio posizione e velocit`). Tralasciamo la fisica e riprendiamo la Teoria dei Segnali. Inseriamo il risultato dunque nel contesto precedente.120 APPENDICE B. partiamo da d. tale per cui: d·D ≥ |x(t)|2 g(t) = εx Si pu` notare che g(t) ha due propriet`: o a • Il suo integrale sulla retta reale ` pari a 1: e +∞ −∞ 1 g(t)dt = εx +∞ |x(t)|2 dt = −∞ εx =1 εx • La funzione ` sempre positiva o uguale al pi` a 0: e u g(t) ≥ 0 ∀t ∈ R Cosa ci ricorda tutto ci`? g(t) ha le stesse caratteristiche richieste da una funzioo ne di densit`! Notiamo dunque un’interpretazione molto interessante. riprendendo a la definizione di d2 : . cosa significa tutto ci` o che abbiamo detto finora? Beh.

9 Propriet` del Supporto a Esistono due propriet`. possiamo pensare a d come a un momento di inerzia del segnale. ` il e fatto che sia un esempio banale di segnale a durata infinita sia nel dominio del tempo sia nel dominio delle frequenze. dal momento che ` possibile e e avere segnali di durata temporale infinita e larghezza di banda infinita (quantomeno in Teoria dei Segnali). PROPRIETA DELLA TRASFORMATA DI FOURIER +∞ 121 d = −∞ 2 2 t2 f (t)dt = σf (t) Si pu` interpretare d2 come un momento secondo probabilistico. d rappresenta la radice della varianza del modulo quadro del nostro segnale. la dispersione del segnale nel dominio del tempo. quan1 do si verifica la condizione limite. Maggiore sar` questa quantit`. ` il fatto che la trasformata a o u e di Fourier di una gaussiana sia ancora una gaussiana. pi` “voluminoso” sar` l’oggetto. senza andar a prendere concetti probabilistici: a tutti gli effetti. quindi.4. Si ricordino queste note riguardo a questo tipo di segnale. e e u d·D ≥ B. poich´ ridurre un elemento va a scapito del e supporto dell’altro. Cosa ci dice il principio di indeterminazione? Rivediamo l’enunciato: 1 2 Non abbiamo la possibilit` di rendere la durata del segnale e contemporaneamena te la sua banda arbitrariamente piccole. poich´ esso ` uno dei pi` importanti nelle applicazioni pratiche.4. o meglio della funzione rappresentante la densit` dell’oggetto fisico in questione: pi` a u d ` grande. altra cosa interessante. e dello stesso segnale nel dominio della frequenza. e u a Potremmo fare le medesime considerazioni per D e lo spettro del segnale in frequenza: maggiore ` D. riguardanti il supporto di un segnale nel a dominio del tempo. maggiore ` la dispersione sulle varie frequenze del segnale. ossia come una o varianza! Di fatto. e e e quindi il supporto dello spettro in frequenza. e maggiore il suo momento di inerzia. La funzione gaussiana ` una funzione dalle propriet` molto interessanti: altra e a propriet` che si pu` dimostrare pi` o meno facilmente. tra di loro duali. Ultima osservazione: quando abbiamo l’indeterminazione minima? Ossia. e quindi si pu` o avere l’indeterminazione minima. d · D = 2 ? La risposta `: si pu` dimostrare che e o nella gaussiana si abbia la maggior concentrazione tempo-frequenza. Esse si pos- . Possiamo interpretare ci` o volendo anche in meccanica classica. si noti che non ` vero il contrario. maggiore sar` l’estensione tema a a porale.` B.

. e dire che: +∞ +T 2 −T 2 X(ν) = n=0 x(t)tn dt · (−j2π)n n ν n! Sappiamo che. e quindi e 2 olomorfa. x(t) ` a supporto compatto.122 APPENDICE B. di conseguenza non vale la pena riscrivere le stesse frasi. a Dimostrazione punto 1 Per definizione. − 2 . inoltre. x(t) ∈ L2 . per la diseguaglianza di Schee wartz. sia simmetrico. X(ν). poich´ non pu` annullarsi se non in un insieme al pi` numerabile e o u (discreto) di punti. ha supporto compatto (limitato). Essa dunque soddisfa le ipotesi del teorema di Liouville. quindi X(ν) ` una funzione analitica. poich´ ` trasformabile. e introdurre qualche informazione aggiuntiva. l’integrale cresce come T . 1. tuttavia ` molto e importante enunciarle e dimostrarle. Se un segnale x(t) ` a supporto compatto nel tempo. allora nel dominio del tempo avr` supporto illimitato. Se un segnale nel dominio delle frequenze. considerando l’antitrasformata di Fourier anzich` la e trasformata. 2 . al fine di averne una maggiore comprensione. supponiamo che e T T l’intervallo di integrazione. TRASFORMATA DI FOURIER sono intuire leggendo la teoria sul principio di indeterminazione. 2. ottenendo: +T 2 +∞ =⇒ −T 2 x(t) n=0 (−j2πν)n n t dt n! poich´ la serie converge uniformemente. ha supporto illimitato nel dominio delle frequenze. allora la sua trasformata e di Fourier. Dimostrazione punto 2 Si dimostra in maniera del tutto analoga al punto 1. per ipotesi. possiamo utilizzare i teoremi di passaggio e al limite. ma non in un intervallo (poich´ esso avrebbe un’infinit` pi` che e a u numerabile di punti al suo interno). X(ν). e quindi ` a supe porto illimitato. sappiamo che la trasformata di Fourier di un segnale x(t) vale: +∞ X(ν) = F {X(ν)} = −∞ x(t)e−j2πνt dt Dal momento che. sviluppiamo in serie di Taylor l’esponenziale complesso.

cerchiamo di chiarire il significato di questa propriet`: dato un segnale x(t). Come abbiamo a u a gi` accennato in precedenza. PROPRIETA DELLA TRASFORMATA DI FOURIER 123 B. che ci permette di o stabilire una maggiorazione sul numero di frequenze. data X(ν) la trasformata di Fourier di x(t). due istanti t1 e t2 . ossia della diseguaglianza triangolare: . pi` e u u la tangente di ϑ crescer` rapidamente. alla tangente appena introdotta. e dunque di alte frequenze. ossia X(ν) (detto anche “banda unilatera”). lo spettro sar` molto ampio. Prima di passare a una dimostrazione formale. e quindi sull’ampiezza della banda di un segnale. parlare di segnali ripidi significa parlare di segnali a che hanno bisogno di sinusoidi molto “ripide” per presentarli. sappiamo che: a |x(t2 ) − x(t1 )| = tan(ϑ) |t2 − t1 | Ci` che possiamo dedurre da questa propriet` ` il fatto che la quantit`: o ae a B 2πB −B |X(ν)| dν Sia maggiore o uguale.4.` B. e pi` ripido sar` il segnale. In questo modo. dunque.10 Propriet` della variabilit` nel tempo a a Dato un segnale x(t) a banda limitata B. in questa propriet`. Dimostrazione Dati due punti arbitrari nel dominio del tempo.4. possiamo dire che: B |x(t2 ) − x(t1 )| = −B X(ν) ej2πνt2 − ej2πνt1 dν Utilizziamo l’estensione per quanto riguarda il calcolo integrale della diseguaglianza di Minkowski. potremo dire che X(ν) sia non nulla solo per B < ν < B. Ci` che capita ` che a o e dunque si pu` verificare la diseguaglianza appena incontrata. Ci` o che capita dunque in soldoni ` che pi` il segnale varia velocemente nel tempo. per ipotesi. allora: B |x(t2 ) − x(t1 )| |X(ν)| dν ∀t1 . Si noti che questa definizione di banda ` a e ben diversa da quella utilizzata parlando di principio di indeterminazione. per qualsiasi t1 e t2 . per banda B intendiamo il semi-intervallo a contenente il supporto della trasformata di Fourier del segnale x(t). t2 ∈ R ≤ 2πB |t2 − t1 | −B Piccola premessa: in questa propriet`.

ma dunque: o B B B 2π −B |ν| |X(ν)| dν ≤ −B |ν| dν · −B |X(ν)| dν = B B =2· 0 νdν · −B |X(ν)| dν = B = 2πB −B |X(ν)| dν Abbiamo cos` mediante quest’ultima maggiorazione. . e di estrapolarne una forma pi` utile ai fini della nostra dimostrazione: u ej2πνt2 − ej2πνt1 = ej2πνt1 · ej2πνt2 − 1 Moltiplichiamo ora ambo i membri per e−j2πν(t2 −t1 ) . teorema. o e ottenendo: 2 |sin [πν(t2 − t1 )]| ≤ 2π |ν| · |t2 − t1 | Abbiamo praticamente terminato: dividiamo per |t2 − t1 | l’espressione iniziale. TRASFORMATA DI FOURIER B |x(t2 ) − x(t1 )| ≤ −B |X(ν)| · ej2πνt2 − ej2πνt1 dν Cerchiamo di lavorare sul modulo della differenza degli esponenziali complessi.124 APPENDICE B. verificato l’enunciato del ı. e otteniamo cos` ı: =⇒ e−j2πν(t2 −t1 ) · ej2πνt2 − ej2πνt1 = 2 |sin [πν(t2 − t1 )]| Cosa intelligente che si pu` fare. e otteniamo: |x(t2 ) − x(t1 )| ≤ 2π |t2 − t1 | B |ν| |X(ν)| dν −B Usiamo a questo punto la diseguaglianza di Schwartz: l’integrale del prodotto. ` maggiorare il seno con il suo argomento. si pu` pensare come il prodotto degli integrali.

11 Propriet` di Dualit` a a La propriet` di dualit` ` tra le pi` utili per quanto riguarda il calcolo di trasformate a ae u di Fourier: essa rappresenta la spiegazione e la formalizzazione di tutte le simmetrie tra le varie propriet` finora affrontate.` B. a Sappiamo che: +∞ x(t) = −∞ X(ν)ej2πνt dt +∞ X(ν) = −∞ x(t)e−j2πνt dt Proviamo a capire meglio tutto ci`: dato un segnale x(t) nel dominio del tempo. ossia la trasformata di Fourier di x(t). siamo sicuri che il segnale avr` banda B infinita! a B. nel dominio delle frequenze. in pari quantit`. PROPRIETA DELLA TRASFORMATA DI FOURIER Esempio Pratico 125 Studiamo un esempio pratico che potrebbe tornarci utile in seguito. o un punto a tangente a verticale. ma di t. a Nota: ogni qual volta vi sia una discontinuit` di tipo salto.4. consideriamo dunque il segnale x(t) cos` definito: ı x(t) = δ(t) Se ne calcola la trasformata di Fourier: +∞ X(ν) = F {x(t)} = −∞ δ(t)e−j2πνt dt = 1 Cosa significa ci`? Lo spettro di una delta di Dirac ` una funzione costante: ci` o e o significa che. sostituendo semplicemente la variabile “frequenza” . o applicando l’operatore F si trova la trasformata di Fourier. X(ν): +∞ F {x(t)} = −∞ x(t)e−j2πνt dt = X(ν) Abbiamo trovato X(ν).4. ossia pensiamo di avere X(t). in pari ampiezza. Facciamo una cosa un po’ particolare: supponiamo a questo punto che X non sia funzione di f . per produrre una δ avr` bisogno. di tutte o le frequenze. ed ` il principio in grado di motivare e studiare a e le dualit` tra le varie trasformate.

ritrasformandola avremo la funzione di partenza! A cosa pu` servire una cosa del genere? Vediamolo in un esempio pratico: o Esempio pratico Dato il segnale finestra rettangolare: x(t) = pT (t) Come gi` detto. con l’argomento di segno opposto. sappiamo che la sua trasformata di Fourier sar` un seno cardia a nale: sin(πνt) πν Abbiamo trovato il nostro solito seno cardinale. TRASFORMATA DI FOURIER alla variabile “tempo”. Cambiamo le carte in tavola: supponiamo di avere. otterremo: +∞ F {X(t)} = −∞ X(t)e−j2πνt dt = x(−ν) Ci ` capitata una cosa molto particolare: ri-trasformando la funzione abbiamo e ritrovato la funzione di partenza. a a potremo dire semplicemente che: X(ν) = F {sinc(t)} = pT (−t) = pT (t) Quest’ultimo passaggio ` stato possibile poich´ la porta ` una funzione pari. Data X(t). dunque. non come segnale nel dominio del tempo! Utilizzando tuttavia la propriet` di dualit`. supponiamo di fare nuovamente la trasformata di Fourier. ora: X(ν) = F {pT (t)} = x(t) = sinc(t) Siamo abituati a studiare questo tipo di segnale solo come trasformata di Fourier. Ci` e e e o che ci permette di fare questa propriet` della trasformata di Fourier ` “riciclare” le a e . Abbiamo cos` ı trovato una propriet` incredibile della formula di inversione della trasformata di a Fourier: F −1 {X(ν)} = F {X(−ν)} ⇐⇒ F {x(t)} = F −1 {x(−t)} Cosa ci suggerisce questo principio di dualit`? Se noi abbiamo calcolato una funa zione come trasformata di Fourier.126 APPENDICE B.

considerandole come segnali variabili nel tempo.4. PROPRIETA DELLA TRASFORMATA DI FOURIER 127 vecchie trasformata di Fourier.` B. e di ottenere i duali! Questo tipo di trucco permette ad esempio di calcolare molto facilmente la trasformata di una costante: F {δ(t)} = 1 ⇐⇒ F {1} = δ(−t) = δ(t) .

128 APPENDICE B. TRASFORMATA DI FOURIER .

• L’autore desidera. introdurre un metodo formale e funzionale per realizzare. al fine di trasmettere segnali elettromagnetici contenenti informazioni di vario tipo. in questa appendice. storicamente molto importante (e anche attualmente in uso). di carattere in parte didattico e in parte prettamente dimostrativo: • L’autore vuole almeno parzialmente colmare. ossia lo studio della modulazione di frequenza (FM). quindi impossibilitati ad introdurre questo tipo di strumento. Si ritiene necessario dunque esplicitarli. possono essere molto utili per la comprensione delle nozioni introdotte. esempi di segnali a spettro variabile nel tempo. tuttavia. al fine di fornire motivazioni pi` solide delle affermazioni precedentemente introdotte. Gli attuali corsi di studi triennali di telecomunicazioni sono infatti principalmente incentrati sullo studio delle modulazioni di segnali digitali. al fine di non appesantire la trattazione principale. quantomeno in forma di appendice. sono state tralasciati molti passaggi che. infatti.Appendice C Modulazione di frequenza Introduzione all’appendice La seguente appendice viene introdotta nel testo per alcune motivazioni. u Modulazione di frequenza Il concetto di modulazione nasce in ambito di telecomunicazioni. in maniera abbastanza semplice. con la presente. una personale (e globale) lacuna introdotta dalle modifiche dei corsi di studi. la modulazione 129 .

poich´ si sovrapporrebbero tra loro. MODULAZIONE DI FREQUENZA ` un insieme di metodi atti a trasmettere nella fattispecie un segnale m(t) detto e “modulante” mediante l’uso di segnali supplementari detti “portanti”. • Ricevitore: blocco che demodula e utilizza il segnale trasportato. • Un canale si pu` comportare come un filtro: pu` essere in grado di far passare o o solo un certo range di frequenze. se tutte le trasmissioni fossero sulla stessa frequenza. in un sistema di trasmissione: un sistema ` sostane e zialmente costituito da tre blocchi: • Trasmettitore: blocco che adatta il segnale al canale di trasmissione. se le frequenze del segnale che si intende trasmettere non fossero compatibili con quelle del canale di trasmissione. verso il ricevitore. non sarebbe possibile decifrarle. in modo da attribuirgli un significato. Come funziona una modulazione? Come gi` detto. m(t): esso dovr` in qualche modo a agire sul segnale precedentemente denominato “modulato”. analogico). in modo da renderlo trasmissibile sul canale. detto a “modulante” (nei casi interessati. • Canale di trasmissione: blocco che “trasporta” il segnale precedentemente elaborato dal trasmettitore. sarebbe necessario “traslare” lo spettro del segnale. un’informazione. Variazioni del comportamento nel tempo di m(t) dovranno fornire particolari variazioni del comportamento di s(t). rendendosi incomprensibili e a vicenda. si parte da un segnale.130 APPENDICE C. perch´ serve cos` tanto la modulazione? Vediamone brevemente alcune motivae ı zioni: • Un canale di trasmissione pu` non essere utilizzato da un solo trasmettitore: o l’etere ad esempio ` uno dei canali pi` utilizzati per la trasmissione di informae u zione. Esistono fondamentalmente tre tipi di modulazioni analogiche: • Modulazione di ampiezza (AM) • Modulazione di frequenza (FM) . Modulare ` fondamentale. in modo che il sistema di demodulazione sia in grado di interpretare correttamente le informazioni in esso contenute.

α(t). mediante a sistemi elettronici. Ci` equivale a o dire che l’informazione utile viene trasferita attraverso l’angolo del segnale portante. in modo che le variazioni di m(t) portino a variazioni dell’ampiezza della sinusoide. dal momento che m(t) agisce rispettivamente sulla velocit` di variazione dell’angolo a del segnale (ossia sulla frequenza della portante) e sulla sua fase. Trattandosi di modulazioni di angolo. La seconda e la terza modulazione vengono anche dette “modulazioni di angolo”. o la fase o la frequenza sono funzioni lineari del segnale modulante m(t). e che dunque si possa esprimere il segnale modulato (ossia gi` trattato. la frequenza varia linearmente con m(t). ϕ0 la sua fase iniziale. nella fattispecie. e Nelle modulazioni d’angolo. termine e rigorosamente costante al variare del tempo e un secondo termine.131 • Modulazione di fase (PM) Nel primo tipo di modulazione m(t) viene utilizzato per “modulare” l’ampiezza del segnale: un segnale sinusoidale (portante) viene moltiplicato per un certo coefficiente. ossia a . in modo da poter essere trasmesso) s(t) come: s(t) = A cos(α(t)) = A cos (2πνp t + ϕ0 + ϕ(t)) Dove νp ` la frequenza della portante. si fa in modo che la portante abbia un’ampiezza A rigorosamente costante. a sua volta moltiplicato per m(t). si stabilisce quindi un parametro ∆νmax . ossia quello che provoca la variazione spettrale: la “deviazione di frequenza” ∆ν(t) definita come: νi (t) = 1 dϕ(t) 2π dt Si consideri un altro fatto: si pu` stabilire un massimo intervallo di variazioo ne della frequenza rispetto a quella di portante. si ottiene dunque una funzione della frequenza istantanea del segnale νi (t) esprimibile come: 1 dα(t) 1 dϕ(t) = νp + 0 + 2π dt 2π dt Si possono distinguere due termini: uno ` la frequenza della portante νp . indifferentemente scelto in fase o in quadratura. questo e parametro appena introdotto andr` moltiplicato per il segnale modulante. al momento della decisione dei parametri di modulazione. nel caso della modulazione di frequenza. definibile come: ∆ν(t) = ∆νmax = max {∆ν(t)} Dal momento che la modulazione che si intende effettuare ` in frequenza.

si pu` compreno dere il motivo per cui si ` scelto di parlare di modulazione di frequenza: osservando e l’espressione analitica del segnale modulato risultante. e la dimostrazione utilizzata per raggiungere la suddetta espressione. e quindi esprimere l’angolo della portante in forma integrale: ∆ν(t) = m(t) · ∆νmax = m(t) · t ϕ(t) = 2π∆νmax −∞ m(τ )dτ Il segnale modulato in frequenza avr` dunque un’espressione del tipo: a t s(t) = A cos 2πνp t + ϕ0 + 2π∆νmax −∞ m(τ )dτ Dopo questi calcoli apparentemente scorrelati dalla trattazione. il cui andamento dipende dal tempo. considerando m(t) normalizzato a 1: dϕ(t) dt Si possono a questo punto unire le due definizioni raggiunte di ∆ν(t). si pu` notare che i termini di frequenza o sono due: la frequenza di portante νp e la deviazione di frequenza. in questo modo. si tratta di un classico esempio di segnale frequenza dipendente dal tempo. m(t) modificher` la frequenza del segnale in un intorno a di quella di portante. dunque non stazionario. ossia le costruzioni degli esempi di segnali non-stazionari. Esempi di calcolo di spettri di segnali modulati in frequenza Si introducono a questo punto i calcoli formali che portano ai risultati precedentemente presentati nella trattazione. si sceglie di riscrivere il u segnale mediante esponenziali complessi: s(t) = A jϕ(t) j(2πνp t+ϕ0 ) e ·e + e−jϕ(t) · e−j(2πνp t+ϕ0 ) 2 . Come gi` detto. il segnale modulato si pu` scrivere nella forma: a o s(t) = A cos (2πνp t + ϕ0 + ϕ(t)) Al fine di ottenere un’espressione pi` “maneggevole”. aggiungendo un termine ∆ν(t) la cui massima variazione ` pari e a ∆νmax . MODULAZIONE DI FREQUENZA il segnale m(t).132 APPENDICE C. contenente le informazioni da trasmettere mediante il sistema di trasmissione.

scegliere un generico segnale modulante (deterministico) e ricavare il relativo segnale modulato in frequenza. si considera l’espressione integrale di ϕ(t): t2 t2 + ω0 t = β + ω0 t 2 2 ϕ(t) = 2π∆νmax Dove: [A · τ + ω0 ] dτ t = 2π∆νmax β = 2π∆νmax A partire da ci` si pu` ottenere il segnale modulato in frequenza. di conseguenza ` possibile. Chirp lineare A partire dall’espressione operativa per il calcolo del segnale modulato in frequenza s(t). nella trattazione. come gi` detto. ` stato possibile dimostrare come e ottenere un chirp di tipo lineare. a partire dalla modulazione di una rampa. s(t). . si pu` considerare una variazione su di una retta generica del tipo: o m(t) = A · t + ω0 Dove A ` la pendenza della retta. mediante questi semplici passaggi. ossia il punto di incontro con e l’asse delle ordinate. gi` riportato nella trattazione principale e che ora verr` completato sotto un a a punto di vista formale. proprio come ` stato e qualitativamente spiegato. completando la costruzione dell’esempio. precedentemente. Si completa il discorso dei chirp lineari introducendo i passaggi formali che potrebbero portare ad un segnale di questo tipo. a partire da qua e e dall’espressione integrale di ϕ(t). quindi.133 A partire dall’espressione appena ricavata ` possibile costruire in maniera pi` e u semplice gli esempi precedentemente proposti: gli esponenziali complessi sono espressioni relativamente semplici da trattare. quando si parla di variazioni lineari. ω0 l’“intercetta”. ` ora possibile calcolare diversi esempi di segnali non stazionari. un chirp lineare ` un segnae a e le in cui le frequenze variano linearmente col tempo. ` il chirp lineare. il primo eseme pio. ossia di una variazione lineare di ampiezza del segnale nel tempo. come: o o s(t) = e jϕ(t) =e jβ h t2 +ω0 t 2 i Questa espressione ` analoga a quella introdotta (senza dimostrazioni) nella trate tazione.

ora essa si fa variare in modo esponenziale. MODULAZIONE DI FREQUENZA Chirp esponenziale A partire da un altro tipo di segnale m(t) si pu` osservare come si possano avere o altri tipi di variazioni della frequenza al variare del tempo. Si supponga di avere il seguente segnale modulante: m(t) = At Dove A ` una generica costante reale. ricordando la definizione integrale di ϕ(t). non si hanno molte differenze rispetto a prima: se dapprima infatti si variava in modo lineare la frequenza. ricavando l’espressione operativa di s(t) come precedentemente fatto: s(t) = ejϕ(t) = e ln(t) Concettualmente. a partire dal seguente m(t): m(t) = A cos(2πνm t) Il segnale modulato s(t). e si pu` ottenere: o ϕ(t) = Aτ dτ = At ln(t) Si pu` a questo punto esprimere il chirp esponenziale (detto anche chirp geoo metrico) in termini di segnale modulato in frequenza esponenzialmente.134 APPENDICE C. At Segnale modulante sinusoidale Un esempio “classico” di segnale non stazionario ` il segnale modulato corrispone dente ad un segnale modulante sinusoidale. Si ricava dunque formalmente. a partire da una generica base A. ∆νmax sin(2πνm t) = β sin(2πνm t) νm ϕ(t) = 2π∆νmax Dove: A cos(2πνm τ )dτ = A β A ∆νmax νm .

135 Ottenuta l’espressione operativa di ϕ(t). si pu` o riscrivere l’espressione. come: e +∞ 1 . limitando il dominio di ciascuna armonica ad un intervallo simmetrico rispetto all’origine degli assi. ` possibile sostituirla in quella precee dentemente ricavata di s(t). ottenendo: ejϕ(t) = ejβ sin(2πνm t) Questa funzione risulta essere periodica di periodo T = ` possibile calcolarne lo sviluppo in serie di Fourier. si calcola il differenziale: dt = Inoltre. ejβ sin(2πνm t) = k=−∞ ck ej2πkνm t Dove i coefficienti ck si calcolano mediante l’integrale di proiezione (prodotto scalare su spazi di Hilbert) definito come: +∞ x(t)|y(t) −∞ x(t) · y ∗ (t)dt Proiettando dunque su di una base di armoniche. si possono ottenere i coefficienti scalari rappresentanti il valore delle funzioni proiettate sulla base di Fourier: 1 ck = T +T 2 −T 2 ejβ sin(2πνm t) · e−j2πkνm t dt Unendo gli argomenti ed effettuando il raggruppamento ϑ = 2πνm t. per t = T : 2 1 dϑ 2πνm . νm per questo motivo. di ampiezza temporale T . dove ciascuna armonica ` e definita come: a(t) = ej2πνt Si ottiene: +∞ m(t)|e j2πkνm t = −∞ m(t) · e −j2πkνm t T 2 dt −T 2 Questo. integrando e normalizzando.

per una generica variabile x. MODULAZIONE DI FREQUENZA 2πνm Da qui. si tratta di differenti sostituzioni utilizzate. Si possono trovare. ` la funzione di Bessel di prima specie e di ordine k. eventuali differenze rispetto all’espressione precedentemente presentata. sostituendo1 : ck = 1 2π +π νm T =π =π 2 νm ej[β sin(ϑ)−kϑ] dϑ = Jk (β) −π Dove Jk (x). si sappia che i risultati sono assolutamente analoghi 1 .136 APPENDICE C. in questo risultato.

London. [5] L. L’Analisi dei Segnali (Seconda Edizione).L. Teoria dei segnali analogici. A.. Comunicazioni Elettriche. 137 . 1992. 2007. Prentice-Hall. D’Amico.A. M. Lo Presti.T. Springer. San Bonico (PC).Bibliografia [1] L. 2005. Luise. [2] M-G. C. [4] M.U. Youngson. Rynne. Cohen. NJ. F. M. P. G. Di Benedetto. Zibido San Giacomo (MI). Linear Functional Analysis. Upper Saddle River. Neri.A. [3] B. Prentice-Hall. Torino (TO). Time-Frequency Analysis. 1995. Vitetta. McGrawHill. 2008.

Sign up to vote on this title
UsefulNot useful