Sei sulla pagina 1di 231

` Universita degli Studi di Milano

- Dipartimento di Scienze dellInformazione -

Dispensa del corso di

Elaborazione Numerica dei Segnali

Alberto Bertoni

Giuliano Grossi

Anno Acc. 2003/04

Indice
1 Segnali e Sistemi 1.1 Segnali e Informazione . . . . . . . . . . . . . . . . . 1.2 Classicazione dei Segnali . . . . . . . . . . . . . . . 1.3 Sistemi per lElaborazione dei Segnali Deterministici 1.3.1 Composizionalit` nei Sistemi . . . . . . . . . a 1.3.2 Sistemi Lineari . . . . . . . . . . . . . . . . . 1.3.3 Sistemi Tempo-Invarianti . . . . . . . . . . . 1.3.4 Sistemi Causali e Stabili . . . . . . . . . . . . 1 2 4 6 10 12 16 19 21 22 24 26 26 30 33 35 36 41 41 43 44 46 49 53 54 56

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

2 Analisi in Frequenza di Segnali Analogici 2.1 Numeri Complessi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Segnali Periodici . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Segnali Esponenziali Complessi e Risposta in Frequenza dei Sistemi LTI . 2.4 Serie di Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5 Trasformata di Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.1 Esistenza della Trasformata di Fourier . . . . . . . . . . . . . . . . 2.5.2 Trasformata di Fourier di Funzioni Reali . . . . . . . . . . . . . . . 2.5.3 Propriet` della Trasformata di Fourier . . . . . . . . . . . . . . . . a 2.5.4 Coppie Base di Trasformate . . . . . . . . . . . . . . . . . . . . . . 2.6 Energia di un Segnale e Relazione di Parseval . . . . . . . . . . . . . . . . 2.7 Risposta in Frequenza dei Sistemi Lineari Tempo-Invarianti . . . . . . . . 2.7.1 Filtri Ideali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7.2 Sistemi Caratterizzati da Equazioni Dierenziali Lineari a Coecienti Costanti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.8 Modulazione e Demodulazione in Ampiezza (AM) . . . . . . . . . . . . . 2.9 Modulazione e Demodulazione in Frequenza (FM) . . . . . . . . . . . . . 2.9.1 Ampiezza di Banda di un Segnale Modulato in Frequenza . . . . . 2.9.2 Demodulazione di Segnali Modulati in Frequenza . . . . . . . . . .

. . . . . . . . . . . . . . . . .

3 Filtri Analogici 61 3.1 Caratteristiche dei Filtri Analogici . . . . . . . . . . . . . . . . . . . . . . . 62 3.2 Famiglie di Filtri Causali . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3.2.1 Filtri di Butterworth . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 i

ii

Indice

3.3

3.2.2 Filtri di Chebyschev . . . . . . . . . . . . . . . . . . . . . . . . . . . Realizzazione di Filtri Analogici . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1 Circuiti ad Elementi Passivi . . . . . . . . . . . . . . . . . . . . . . . 3.3.2 Realizzazione di Filtri di Butterworth con Circuiti ad Elementi Attivi

69 70 71 74 79 80 84 85 86 88 89 92 94 95 96 99 99 100 101 102

4 Conversione Analogico-Digitale 4.1 Campionamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.1 Caratteristiche dei Filtri Anti-Aliasing . . . . . . . . . . . . 4.2 Quantizzazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1 Quantizzatore Uniforme e Rumore di Quantizzazione . . . . 4.2.2 Quantizzatore Non Uniforme . . . . . . . . . . . . . . . . . 4.3 Convertitore Analogico-Digitale (ADC) . . . . . . . . . . . . . . . 4.4 Sovracampionamento nella Conversione Analogico-Digitale . . . . . 4.4.1 Sovracampionamento: ADC con Quantizzatore di 1 Bit . . 4.5 Convertitore Digitale-Analogico (DAC) . . . . . . . . . . . . . . . . 4.5.1 Analisi in Frequenza di un Convertitore ZOH . . . . . . . . 4.5.2 Sovracampionamento nella Conversione Digitale-Analogica 4.6 Trasmissione di Segnali Digitalizzati . . . . . . . . . . . . . . . . . 4.6.1 Modulazione a Impulso . . . . . . . . . . . . . . . . . . . . 4.6.2 Delta-Modulazione . . . . . . . . . . . . . . . . . . . . . . . 4.6.3 Codica di Linea . . . . . . . . . . . . . . . . . . . . . . . . 5 Trasformata Discreta di Fourier 5.1 Trasformata di Fourier a Tempo Discreto . . . . . . . . . . . . . . 5.2 Introduzione alla Trasformata Discreta di Fourier (DFT) . . . . . . 5.3 Propriet` della Trasformata Discreta di Fourier . . . . . . . . . . . a 5.3.1 Operazioni e Propriet` . . . . . . . . . . . . . . . . . . . . . a 5.4 Algoritmo per il Calcolo Veloce della Trasformata Discreta (FFT) 5.5 Applicazioni della Trasformata Discreta di Fourier . . . . . . . . . 5.5.1 Convoluzione e Correlazione: Calcolo con FFT . . . . . . . 5.5.2 Trasformata Coseno e Compressione Dati . . . . . . . . . . 6 Architetture DSP 6.1 Elaborazione Digitale dei Segnali: Approcci . . . . . 6.2 Architettura Von Neumann e Harvard . . . . . . . . 6.3 Istruzioni di Base di un DSP . . . . . . . . . . . . . 6.4 Livello di Integrazione delle Componenti di un DSP 6.5 H/W Specializzato: Moltiplicazione Veloce . . . . . . 6.6 Elaborazione Parallela: SIMD e Superscalari . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

105 106 108 109 111 112 113 115 116

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

121 . 122 . 123 . 126 . 128 . 129 . 130 133 . 134 . 137 . 142

7 Trasformata Zeta e Sistemi LTI a Tempo Discreto 7.1 Richiami di Analisi Complessa . . . . . . . . . . . . . . . . . . . . . . . . 7.2 Trasformata e Antitrasformata Zeta . . . . . . . . . . . . . . . . . . . . . 7.2.1 Trasformata Zeta e sue Propriet` . . . . . . . . . . . . . . . . . . . a

Indice

iii

7.3 7.4

7.5

Analisi di Sistemi LTI a Tempo Discreto: Stabilit` e Causalit` . . . . . . . 145 a a Trasformata zeta e Trasformata di Fourier a Tempo Discreto . . . . . . . . 147 7.4.1 Risposta in Frequenza di Filtri Lineari a Tempo Discreto . . . . . . 148 7.4.2 Risposta in Frequenza nel Caso di Funzioni di Trasferimento Razionali149 Sistemi in Multifrequenza: Decimazione e Interpolazione . . . . . . . . . . . 151 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 . 156 . 156 . 158 . 159 . 159 . 162 . 164 . 165 . 165 . 167 . 173 . 176 . 177 . 179 . 180 . 183 . 186 . 188 193 . 194 . 196 . 198 . 200 . . . . 205 206 210 211 212

8 Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR) 8.1 Filtri FIR e IIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.1.1 Filtri FIR e Filtri a Fase Lineare . . . . . . . . . . . . . . . . . 8.1.2 Filtri IIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2 Applicazioni di Filtri FIR e IIR . . . . . . . . . . . . . . . . . . . . . . 8.2.1 Zeri di Filtri a Fase Lineare: i Filtri COMB . . . . . . . . . . . 8.2.2 Filtri Notch (a Intaglio) . . . . . . . . . . . . . . . . . . . . . . 8.2.3 Equalizzatore a un Polo . . . . . . . . . . . . . . . . . . . . . . 8.3 Progetto di Filtri Digitali . . . . . . . . . . . . . . . . . . . . . . . . . 8.3.1 Speciche di Filtri Digitali . . . . . . . . . . . . . . . . . . . . . 8.3.2 Progetto di Filtri FIR mediante Finestre . . . . . . . . . . . . . 8.3.3 Progetto di Filtri FIR col Metodo Ottimo . . . . . . . . . . . . 8.3.4 Progetto di Filtri IIR da Filtri Analogici . . . . . . . . . . . . . 8.4 Realizzazione di Filtri Digitali . . . . . . . . . . . . . . . . . . . . . . . 8.4.1 Analisi di Reti . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.4.2 Reti Modulari a pi` Ingressi e Uscite . . . . . . . . . . . . . . . u 8.4.3 Analisi del Modulatore Sigma-Delta (SDM) . . . . . . . . . . . 8.4.4 Sintesi di Reti . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.4.5 Rumore nel Disegno di Filtri Digitali . . . . . . . . . . . . . . . 9 Processi Stocastici e loro Caratteristiche Spettrali 9.1 Processi Stocastici . . . . . . . . . . . . . . . . . . . 9.2 Processi Stocastici Stazionari . . . . . . . . . . . . . 9.3 Medie Temporali ed Ergodicit` . . . . . . . . . . . . a 9.4 Caratteristiche Spettrali dei Processi Stocastici . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10 Risposta di Sistemi a Segnali Casuali e Modelli di Rumore 10.1 Risposta di Sistemi a Segnali Casuali . . . . . . . . . . . . . . . 10.2 Rumore Impulsivo . . . . . . . . . . . . . . . . . . . . . . . . . 10.2.1 Rumore Impulsivo Additivo . . . . . . . . . . . . . . . . 10.2.2 Eliminazione di Rumore Impulsivo Additivo . . . . . . .

11 Filtri di Wiener 11.1 Formulazione nel Dominio delle Frequenze . . . . . . . . . . . . . . . . . . 11.2 Filtro di Wiener FIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.3 Algoritmi Adattativi per Filtri di Wiener: LMS . . . . . . . . . . . . . . .

215 . 216 . 219 . 221

Capitolo 1

Segnali e Sistemi

I concetti di segnale e di sistema sono presenti in unampia gamma di discipline e campi applicativi. Le idee e i metodi sviluppati attorno ai concetti di segnale e sistema giocano un ruolo importante in diverse aree scientiche e tecnologiche come le telecomunicazioni, la progettazione di circuiti, il controllo di processi industriali, lacustica, lelaborazione del parlato, lingegneria biomedica. Sebbene la natura sica dei segnali e dei sistemi possa essere dierente, essi hanno in comune due caratteristiche essenziali. I segnali, che sono grandezze dipendenti da una o pi` variabili temporali o spaziali, contengono informazione u riguardo lo stato di qualche fenomeno, mentre i sistemi rispondono a sollecitazioni dovute a qualche segnale producendo a loro volta segnali o qualche comportamento desiderato. Le tensioni o le correnti (funzioni del tempo) in ingresso e in uscita a un circuito elettrico sono esempi di segnali, mentre il circuito stesso ` un esempio di sistema, cos` come un e sistema ` la telecamera che cattura la luce riessa dagli oggetti inquadrati e impressiona e la pellicola con unimmagine. Le principali problematiche che si arontano nello studio dei sistemi sono quelle di analisi e di disegno o progettazione. Lanalisi riguarda lo studio di caratteristiche del 1

Segnali e Sistemi

comportamento di un dato sistema, il disegno si propone di identicare, se esiste, un sistema che esibisca un dato comportamento. Un esempio ` costituito dalla progettazione e di sistemi per estrarre o ripristinare informazione danneggiata: il caso tipico ` quello e della comunicazione aetta da rumore in cui ` richiesto lo sviluppo di sistemi in grado di e correggere eventuali errori. In questo capitolo vengono introdotte le nozioni di base riguardanti segnali e sistemi. Viene presentata una semplice tassonomia dei tipi di segnale: continui/discreti, deterministici/probabilistici. Il comportamento di un sistema viene descritto attraverso la relazione ingresso-uscita. Vengono poi introdotte due importanti classi di sistemi: sistemi lineari e sistemi tempoinvarianti. In particolare, si mostra che il comportamento di un sistema lineare tempoinvariante (LTI) ` univocamente individuato dalla risposta del sistema al segnale impulsivo e al tempo 0. Limitatamente ai sistemi LTI, vengono inne discusse le nozioni di causalit` e stabilit`. a a

1.1

Segnali e Informazione

Un segnale ` costituito da una entit` contenente qualche tipo di informazione che pu` essere e a o estratta, trasmessa o elaborata. Segnali di particolare interesse nella vita quotidiana sono: segnali del parlato, che si incontrano anche in telefonia e radio; segnali video e immagini; suoni e musica, riproducibili ad esempio da un lettore di CD; segnali biomedici, come elettrocardiogrammi e radiograe. Un segnale ` rappresentato da una funzione g = f (c), dove: e g denota una variabile (dipendente) sui valori di una grandezza sica o chimica (corrente, tensione, pressione, concentrazione di molecole e cos` via). c denota una variabile (indipendente) sui valori di un vettore di coordinate, generalmente spaziali o temporali. f denota la relazione funzionale che associa ad ogni valore di c il corrispondente valore della grandezza sica g. In Figura 1.1 ` mostrato un esempio di segnale acustico. Esso ` identicato dalla e e complicata funzione p(t) il cui graco d` la pressione acustica, in un punto dello spazio, a in funzione del tempot. Segnali che hanno il tempo come variabile indipendente si dicono segnali temporali, e ad essi ` dedicata gran parte di questo libro. e Un secondo esempio ci viene oerto dallimmagine monocromatica di Figura 1.2, identicata dalla funzione L(x, y), che d` la luminosit` in funzione delle due coordinate spaziali a a (x, y). Un segnale ` un mezzo per veicolare informazione; linformazione convogliata dal e segnale pu` essere comunicata e utilizzata a scopo di previsione e controllo. o

1.1. Segnali e Informazione


p

Figura 1.1 Segnale acustico.

Figura 1.2 Immagine monocromatica.

Esempio 1.1.1 Si consideri un modello semplicato di comunicazione vocale umana: supponiamo che Tizio voglia comunicare a Caio un concetto codicato in una frase w (informazione). Possiamo riconoscere i seguenti passi: 1. Tizio genera un segnale acustico p1 (t) che veicola linformazione w. 2. Il segnale p1 (t) si propaga nellaria (canale) e pu` essere contaminato dal rumore o dellambiente. 3. Caio riceve un nuovo segnale p2 (t), da cui estrapolare linformazione w; la possibilit` di ricostruire linformazione dipende dalla ridondanza con cui linfora mazione viene veicolata dal segnale e dal livello di rumore dellambiente.

Facendo astrazione dallesempio precedente, in Figura 1.3 viene presentato un semplice modello di comunicazione a distanza. I metodi per lelaborazione dei segnali assumono oggi grande rilievo, poich la capacit` e a di elaborare o trasmettere informazioni per via automatica ` una caratteristica importante e

Segnali e Sistemi

Rumore Informazione Segnale Canale + Segnale con rumore Informazione

Figura 1.3 Canale con rumore.

dellattuale societ`. Lelaborazione dei segnali trovano feconde applicazioni nelle due aree a principali: 1. trasmissione, ricezione e memorizzazione eciente ed adabile dei segnali nelle telecomunicazioni; 2. estrazione di informazione da segnali rumorosi con tecniche di riconoscimento di forme, per previsione e controllo.

1.2

Classicazione dei Segnali

Il mondo che ci circonda ` in gran parte basato su segnali analogici: il tempo, le coore dinate spaziali, grandezze siche come lintensit` della luce e del suono assumono valori a continui. I nostri organi sensori traducono i segnali analogici in segnali elettrici; questi vengono analizzati dal cervello che prende decisioni estraendo le informazioni veicolate. Va segnalato che in questo processo la maggior parte dei segnali ambientali viene riconosciuta come rumore di fondo e ltrata. Daltro lato, la tecnologia digitale assume oggi grande rilievo per la sua essibilit` a nelle applicazioni; ` dunque ragionevole pensare di utilizzare questa tecnologia per lee laborazione dei segnali. Il mondo analogico ` tuttavia distante da quello digitale: un e elaboratore lavora su una scala di tempi discreta, scandita dal clock, ed inoltre i valori che pu` assumere una grandezza trattata digitalmente sono niti. La trattazione digitale dei o segnali richiede dunque la soluzione di due problemi di rilievo: 1. interfacciare il mondo analogico con quello digitale; 2. dotarsi di strumenti per trattare numericamente segnali rumorosi. A questo riguardo, ` utile introdurre una semplice classicazione di segnali: segnali e continui e discreti, segnali deterministici e probabilistici Segnali Continui e Discreti Generalmente un segnale pu` essere descritto da una funzione f : A B, dove gli insiemi o A e B sono sottoinsiemi di spazi vettoriali di dimensione nita R m ; i valori di A si riferiscono usualmente a coordinate spaziali e/o temporali, mentre quelli in B denotano valori assunti da grandezze siche come pressione, tensioni, correnti. Consideriamo qui per semplicit` segnali temporali del tipo y = f (t). Abbiamo i seguenti casi: a

1.2. Classicazione dei Segnali

1. La variabile t assume valori reali oppure valori in un sottoinsieme discreto di numeri reali (ad esempio i multipli interi di ). Nel primo caso il segnale sar` detto a tempo continuo, nel secondo a tempo discreto. a Ad esempio, campionando il segnale a tempo continuo f (t) agli istanti n si ottiene il segnale a tempo discreto f (n ). 2. La variabile y assume valori reali oppure valori in un sottoinsieme nito di numeri reali (ad esempio i 2m numeri codicabili in notazione binaria con m bit). Nel primo caso il segnale sar` detto a valori continui, nel secondo a valori niti. Ad a esempio, indicando con sgn(x) la funzione segno (sgn(x) = 1 se x > 0, sgn(x) = 0 se x < 0) il segnale sgn(f (t)) risulta essere a valori niti. Potremo di conseguenza classicare i segnali in segnali a valori continui e tempo continuo, segnali a valori continui e tempo discreto, segnali a valori nitii e tempo discreto, segnali a valori niti e tempo discreto, detti anche segnali digitali. In Figura 1.4 sono illustrati vari tipi di segnale.
f(t) f(t)

(a) f(n) f(n)

(b)

(c)

(d)

Figura 1.4 (a) Segnale a valori niti e tempo continuo. (b) Segnale continuo a tempo continuo. (c) Segnale a valori niti e tempo discreto. (d) Segnale continuo a tempo discreto.

Segnali Deterministici e Probabilistici Supponiamo di avere una sorgente, cio` una scatola nera che, opportunamente sollecitae ta, produca un segnale f (t). Questo ci permette di riprodurre il segnale f (t) in modo

Segnali e Sistemi

deterministico: una sollecitazione alla sorgente produrr` sempre lo stesso segnale. a Per questi segnali vale la seguente importante propriet`. Date M sorgenti determinisa tiche 1, 2, . . . , M che generano i segnali f 1 (t), . . . , fM (t), supponiamo che i segnali veicolino rispettivamente le informazioni distinte I 1 , I2 , . . . , IM . Dal segnale generato dalla sorgente k ` in linea di principio sempre possibile ricostruire linformazione I k . e Esistono tuttavia situazioni in cui il precedente modello non risulta adeguato. Per esempio in molti casi non c` un modo univoco per rappresentare una informazione con e un segnale: la stessa parola w sar` realizzata in diversi modi da diverse persone o ada dirittura dalla stessa persona in diverse circostanze. Analogamente, il rumore prodotto dal passaggio di automobili su una strada pubblica non ` modellabile da una sorgente e deterministica. In questi casi potremo solo costruire una sorgente che, sollecitata, produce una realizzazione r scelta arbitrariamente in un insieme di realizzazioni possibili R, dando luogo al segnale f (t, r) (non determinismo): va da s che il trattamento di segnali prodotti da e sorgenti non-deterministiche ` soggetto a pesanti margini di incertezza. Fortunatamente, e ` spesso possibile assegnare la probabilit` che la scatola, sollecitata, produca una data e a realizzazione: parleremo in questi casi di segnali probabilistici. In questa situazione, i margini di incertezza permangono, ma almeno ` possibile darne una quanticazione. e I segnali probabilistici, di grande importanza nella modellazione del rumore, saranno prevalentemente trattati nei Capitoli 9, 10 e 11.

1.3

Sistemi per lElaborazione dei Segnali Deterministici

Date due famiglie F1 ed F2 di segnali, un sistema ` un apparato in grado di trasformare e un qualsiasi segnale di F1 in un segnale di F2 . Il sistema pu` allora essere visto come o una scatola nera il cui comportamento ` la legge di trasformazione e S : F 1 F2 . In Figura 1.3 ` data una rappresentazione graca di un sistema che, avendo in ingresso il e segnale f (t), d` in uscita il segnale g(t); si dice anche che g(t) ` la risposta del sistema S a e allingresso f (t) e si scrive g = S(f ).
Ingresso

Sistema

f(t)

Uscita

g(t)

Figura 1.5 Rappresentazione graca di un sistema.

Esempio 1.3.1 Semplici esempi di sistemi sono quelli che permettono di ottenere la traslazione, linversione ed il cambio di scala di segnali dati (Figura 1.6).

1.3. Sistemi per lElaborazione dei Segnali Deterministici


x(t) t0 x(tt 0)

Ritardo
0

t (a)

t0

a
x(t) x(at)

Scalatura
0 1

t (b)

1/a

Figura 1.6 (a) Ritardo. (b) Scalatura.

1. La traslazione (o ritardo) trasforma il segnale f (t) nel segnale f (t t 0 ) che rappresenta lo stesso segnale ritardato di t0 . 2. Il cambio di scala nel tempo (o scalatura) trasforma il segnale f (t) nel segnale f (at). Leetto che si ottiene in questo caso ` quello di una compressione lineare e (se |a| > 1) o di un allungamento o rilassamento lineare (se |a| < 1).

Esempio 1.3.2 Si consideri il circuito elettrico di Figura 1.7. Il segnale di ingresso ` rappresentato e

i(t)

vi(t) +

vc(t)

Figura 1.7 Circuito RC.

dalla tensione vi (t) fornita dal generatore mentre la risposta o segnale di uscita ` e rappresentato dalla tensione vc (t) ai capi del condensatore. Le regole che permettono di stabilire la relazione tra segnale dingresso e duscita sono date di seguito: vi (t) = Ri(t) + vc (t), dove R ` la resistenza e i(t) la corrente che attraversa il e circuito;

Segnali e Sistemi q(t) = Cvc (t), dove C e q(t) sono rispettivamente la capacit` e la carica del a condensatore. La relazione tra la corrente i(t) e la carica q(t) ` invece data da: e i(t) = dq(t) dvc (t) =C . dt dt

La seguente equazione dierenziale mette in relazione lingresso e luscita: vi (t) = RC dvc (t) + vc (t). dt

Si osservi che la precedente equazione dierenziale ammette, ssato lingresso v i (t), innite soluzioni. Per identicare univocamente il comportamento del sistema occorre aggiungere quindi ulteriori richieste: un esempio ` quella di causalit`, come sar` e a a discusso in seguito.

Esempio 1.3.3 Un importante esempio di sistema ` il Campionatore a periodo (o equivalentemente e a frequenza di campionamento Fs = 1 , illustrato in Figura 1.8.
f(t) f(n )

Campionatore
t 0 n

Figura 1.8 Campionatore.

Esso trasforma il segnale a tempo continuo f (t) nel segnale a tempo discreto f (n ). In Sezione 4.1 sar` arontato limportante problema di determinare condizioni per cui a il segnale f (t) ` ricostruibile a partire dal segnale campionato f (n ). e

Esempio 1.3.4 Dato un insieme nito V = {x1 , . . . , xm } di numeri, consideriamo la funzione Q che ad ogni reale x associa lelemento in V pi` vicino ad x, cio`: u e Q(x) = arg min|x xk |
xk V

Il sistema quantizzatore associa al segnale f (t) il segnale Q(f (t)). Tale sistema riceve in ingresso un segnale continuo e restituisce un segnale a valori niti. Un esempio di quantizzatore a 2 valori {1, 1} ` dato in Figura 1.9. e

1.3. Sistemi per lElaborazione dei Segnali Deterministici


f(t) Q(f(t))

Quantizzatore a 1 bit
t t

Figura 1.9 Quantizzatoretore.

Esempio 1.3.5 Questo esempio mostra come sia possibile trattare numericamente sistemi operanti su segnali analogici. Si consideri il sistema integratore, che associa ad un segnale analogico f (t) il segnale g(t) dato da:
t

g(t) =

f (x)dx.

Supponiamo ora di aver campionato lingresso f (t) ottenendo il segnale a tempo discreto f (n ). Il problema ` quello di determiare un sistema, che chiameremo integratore e numerico, che avendo in ingresso f (n ) dia una risposta S(n ) che sia una buona approssimazione di g(t), cio` S(n ) g(n ). A questo proposito ci pu` essere daiuto la e o regola di Eulero per approssimare g(t) mediante la somma di aree di rettangoli (vedi Figura 1.10). Vale allora:

...

(n1)

(n+1)

Figura 1.10 Regola di approssimazione dellintegrale di f (t).

(n1)

g(n ) =

f (x)dx =

f (x)dx +
(n1)

g((n 1) ) + f ((n 1) ). Con i limiti introdotti dallapprossimazione, si ricava la seguente equazione lineare alle dierenze: g(n ) = g((n 1) ) + f ((n 1) ),

f(t)

...
t

f (x)dx

10

Segnali e Sistemi che esprime la relazione tra il segnale campionato f (n ) e quello di uscita g(n ). Il sistema cos` ottenuto ` un ltro IIR, al cui studio ` dedicato il Capitolo 8. e e

1.3.1

Composizionalit` nei Sistemi a

I sistemi complessi sono quelli costituiti da un gran numero di sistemi semplici; per poter trattare con sistemi complessi, ` di grande importanza riuscire a comprenderne il e comportamento a partire da quello delle sue componenti principali. Un approccio che rende agevole questo obbiettivo ` quello modulare: si introducono esplicitamente opere azioni che trasformano due o pi` sistemi in un nuovo sistema, e la costruzione di un u sistema complesso viene ottenuta applicando queste operazioni a sistemi semplici. Senza pretesa di voler essere nemmeno lontanamente esaurienti, introduciamo in questa sezione le operazioni di composizione sequenziale (o cascata), composizione parallela e retroazione, mostrando su esempi la capacit` di astrazione fornita dallapproccio modulare. a Composizione sequenziale o cascata. Dati due sistemi S 1 : F1 F2 e S2 : F2 F3 , la loro composizione ` il sistema S 3 : F1 F3 ottenuta ponendo in ingresso a e S2 la risposta di S1 . Composizione parallela. Dati due sistemi S 1 : F1 F2 e S2 : F1 F2 , la loro composizione parallela ` il sistema che ha come risposta la somma delle risposte di e S1 e S 2 . Retroazione. Dati due sistemi S1 : F1 F2 e S2 : F2 F3 , il sistema ottenuto per retroazione ` il sistema S3 che ha su ingresso f una uscita g ottenuta ponendo in e ingresso a S1 la dierenza tra f e la risposta di S2 a g. Le operazioni introdotte sono illustrate in Figura 1.11.
S1
f

S1 S3

S2

S1

S2 S2

(a)

(b)

(c)

Figura 1.11 (a) Cascata. (b) Composizione parallela. (c) Retroazione.

La composizione parallela e la retroazione non sono sempre denite; ad esempio, perch e si possa denire la composizione parallela deve succedere che la somma di due segnali in F2 sia ancora un segnale in F2 . Si osservi inne la denizione ricorsiva della retroazione.

1.3. Sistemi per lElaborazione dei Segnali Deterministici Esempio 1.3.6 Conversione analogico-digitale. Dalla composizione sequenziale di un campionatore e di un quantizzatore si ottiene un convertitore analogico digitale (ADC), che trasforma un segnale analogico in un segnale digitale (vedi Figura 1.12).

11

f(t)

Campionatore
ADC

Quantizzatore

x(n)

Figura 1.12 Conversione analogico-digitale.

Esempio 1.3.7 Elaborazione digitale di segnali analogici e trasmissione di segnali digitali. Un convertitore analogico-digitale (ADC) ` un sistema che trasforma, in modo approssimativae mente fedele, segnali analogici in segnali digitali. Loperazione inversa ` compiuta dal convertitore digitale-analogico (DAC): esso trasfore ma un segnale digitale in un segnale analogico. Gli ADC e i DAC realizzano dunque linterfaccia tra il mondo analogico e quello digitale e saranno oggetto di studio in Capitolo . La composizione sequenziale presentata in Figura Figura 1.13 modella il trattamento di segnali analogici con programmi eseguiti da un elaboratore digitale, mentre quella presentata in Figura 1.14 modella la trasmissione a distanza di segnali digitali utilizzando un supporto analogico.
f(t) ADC

Elaboratore

DAC

g(t)

Programma

Figura 1.13 Elaborazione di segnali analogici.

x(n)

ADC

DAC

x(n)

Figura 1.14 Trasmissione di segnali su supporto analogico.

12 Esempio 1.3.8

Segnali e Sistemi

Il controllo digitale di un dispositivo analogico richiede, dato un sistema analogico da controllare (controllato), di determinare un opportuno sistema digitale (controllore) tale che linterazione tra i due sistemi permetta di ottenere una relazione ingressouscita desiderata. Nella Figura 1.15 viene rappresentato un semplice mdello per il controllo digitale di un dispositivo analogico; una tipica applicazione ` quella del e controllo motore. Lalgoritmo di controllo riceve in ingresso un segnale digitale di errore; il segnale duscita viene trasformato in analogico e processato dal sistema controllato. Luscita del sistema controllato, convertita in digitale, viene posta in feedback concorrendo alla formazione del segnale di errore.
Ingresso analogico segnale di errore Uscita analogica

ADC

Algoritmo di controllo

DAC

Dispositivo controllato

ADC

Figura 1.15 Modello di controllo digitale di dispositivi analogici.

1.3.2

Sistemi Lineari

Sia F lo spazio formato dai segnali f : A B, dove B R m . Se B ` un sottospazio lineare e di Rm , cio` tale che la somma di due elementi di B appartenga a B e la moltiplicazione e di un elemento di B per uno scalare appartenga a B, allora la classe F pu` essere vista o come uno spazio lineare con le operazioni: (f + g)(t) = f (t) + g(t), (af )(t) = af (t). Un segnale pu` essere quindi visto come un elemento (o vettore) di uno spazio lineare. o Due segnali f (t) e g(t) possono essere combinati linearmente con coecienti a e b, dando luogo al segnale af (t) + bg(t). La nozione di combinazione lineare pu` essere estesa o a un numero nito di segnali e, attraverso opportune nozioni di limite, anche ad inniti

1.3. Sistemi per lElaborazione dei Segnali Deterministici

13

segnali:
n k=0 k=0 1

ak fk (t) = a0 f0 (t) + + an fn (t),


n

ak fk (t) = lim

ak fk (t),
k=0 n

a(x)f (x, t)dx = lim


0

k=0

1 a n

k n

k n, t

Unimportante sottoclasse di sistemi ` quella dei sistemi lineari: e Denizione 1.1 Siano F1 e F2 due spazi lineari di segnali. Un sistema S : F 1 F2 ` e lineare se S(f (t) + g(t)) = S(f (t)) + S(g(t)), S(af (t)) = aS(f (t)). Questa classe di sistemi possiede limportante propriet` di sovrapposizione: se lingresa so consiste di una somma pesata di diversi segnali, la risposta del sistema ` la sovrappoe sizione (cio` la somma pesata) delle risposte del sistema ai singoli segnali dingresso. e La propriet` di sovrapposizione ovviamente vale per sistemi continui quanto per sistemi a discreti. Ad esempio ` semplice mostrare dalla denizione di linearit` che se x k (n), k = e a 1, 2, sono segnali di ingresso di un sistema con risposta y k (n), k = 1, 2, , allora la risposta alla combinazione lineare di questi segnali x(n) =
k

ak xk (n) = a1 x1 (n) + + ak xk (n) +

` e y(n) =
k

ak yk (n) = a1 y1 (n) + + ak yk (n) + .

Esempio 1.3.9 La modulazione di ampiezza MA di un segnale f (t) ` realizzata moltiplicando f (t) per e A cos t, cio`: e MA(f (t)) = A cos t f (t). Essa ` descritta da un sistema lineare, infatti: e MA(af (t) + bg(t)) = A cos t (af (t) + bg(t)) = aA cos t f (t) + bA cos t g(t) = a MA(f (t)) + b MA(g(t))

14 Esempio 1.3.10 Fissata una famiglia di funzioni M (t, x), con x R, il sistema S(f ) =

Segnali e Sistemi

M (t, x)f (x)dx

` un sistema lineare, come si pu` vericare direttamente. e o

Esempio 1.3.11 La modulazione di fase MF di un segnale f (t) ` descritta dal sistema e MF(f (t)) = cos(t + f (t)). Poich` in generale cos(t + (f + g)) = cos(t + f ) + cos(t + g), MF non ` un sistema e e lineare.

Una nozione importante relativa agli spazi lineari ` quella di base: una base ` un e e insieme di vettori {a1 , . . . , an } tale che ogni altro vettore x pu` essere ottenuto come o combinazione lineare x = i i ai di elementi della base, e contemporaneamente nessun elemento della base pu` essere ottenuto come combinazione lineare dei rimanenti. o Un sistema lineare S ` univocamente denito conoscendo le risposte del sistema sugli e elementi di una base. Infatti, per ogni ingresso x, x ` ottenuto come combinazione lineare e x = i i ai e vale: S(x) = S
i

i ai

=
i

i S(ai ).

Conoscendo quindi S(ai ) per ogni i, riusciamo a conoscere S(x) per tutti i segnali x dello spazio. Queste considerazioni, introdotte per spazi a base nita, possono essere estese (con qualche precauzione) a spazi pi` generali. Il seguente importante esempio introduce una u base indiciata su un continuo, per segnali a tempo continuo e una base numerabile per segnali a tempo discreto.
Esempio 1.3.12 Introduciamo la funzione impulso (o delta di Dirac) (t). Essa non ` una funzione nel e senso di Dirichelet, e sar` chiamata funzione generalizzata. Intuitivamente pu` essere a o pensata come limite (per 0) di una sequenza di funzioni non negative p (t), dove p (t) ` nulla al di fuori dellintervallo [/2, /2] e tale che p (x)dx = 1. Un e esempio ` mostrato in Figura 1.16: qui la funzione impulso ` denita come il limite di e e un impulso rettangolare, (t) = lim p (t).
0

1.3. Sistemi per lElaborazione dei Segnali Deterministici

15

p(t)

1/

/2

/2

Figura 1.16 Impulso per la generazione della funzione delta di dirac.

Fissato un reale x, la funzione generalizzata (t x) ` interpretabile come impulso al e tempo x. Valgono le seguenti propriet`: a

(t x) = 0 se t = x, (t x)dx = 1.

Limportanza della funzione impulso nasce dal fatto che linsieme degli impulsi {(t x) : x R} rappresenta una base per i segnali a tempo continuo. Infatti: Fatto 1.1 Ogni segnale f (t) pu` essere espresso come combinazione lineare generalo izzata di impulsi, ovvero f (t) =

f (x)(t x)dx.

Il segnale f (t) ` ottenibile quindi da una combinazione lineare generalizzata di e impulsi (t x), dove il coeciente moltiplicativo di (t x) ` proprio f (x). e Una giusticazione di Fatto 1.1 pu` essere ottenuta osservando che f (t)(t x) = o f (x)(t x), poich` (t x) = 0 per x = t. Allora: e

f (x)(t x)dx =

f (t)(t x)dx = f (t)

(t x)dx = f (t).

Analogamente una base per segnali x(n) a tempo discreto pu` essere ottenuta cono siderando limpulso unitario (n): (n) = 1 se n = 0 0 altrimenti.

poich` (n k) = 1 se n = k e (n k) = 0 se n = k, si verica direttamente che per e ogni segnale x(n) vale: Fatto 1.2 x(n) =
k=

x(k)(n k).

16

Segnali e Sistemi Di conseguenza {(n k) : k Z} risulta una base per segnali a tempo discreto.

Abbiamo visto come il comportamento di un sistema lineare sia univocamente denito dalla risposta del sistema su una base. Vediamo ora come questo risultato possa essere specializzato nel caso di sistem lineari per segnali a tempo continuo. Vale il seguente: Fatto 1.3 Se S ` un sistema lineare per segnali a tempo continuo, allora e S(f (t)) =

f (x)M (t, x)dx,

dove M (t, x) ` la risposta S((t x)) del sistema allimpulso (t x). e


Dimostrazione.
+ + +

S(f (t)) = S

f (x)(t x)dx

f (x)S((t x))dx =

f (x)M (t, x)dx.

essendo M (t, x) la funzione risposta del sistema S alla funzione impulsiva (t x). Un risultato analogo vale per segnali a tempo discreto: Fatto 1.4 Se S ` un sistema lineare per segnali a tempo discreto, allora e S(x(n)) =
k=

x(k)M (n, k),

dove M (n, k) ` la risposta S((n k)) del sistema allimpulso unitario al tempo k. e

1.3.3

Sistemi Tempo-Invarianti

Unaltra importante classe di sistemi ` quella dei sistemi tempo-invarianti, per i quali una e traslazione temporale nel segnale di ingresso produce una identica traslazione temporale nel segnale di uscita. Pi` precisamente: u Denizione 1.2 Un sistema S : F1 F2 ` tempo-invariante quando per ogni ingresso e f (t), se g(t) = S(f (t)) allora g(t t 0 ) = S(f (t t0 )), per ogni t0 .
Esempio 1.3.13 Il circuito RC di Figura 1.7 ` un esempio di sistema tempo-invariante se i valori di R e e C restano costanti nel tempo; infatti ` semplice vericare che per il segnale v i (t t0 ) e vale: 1 1 dvc (t t0 ) + vc (t t0 ) = vi (t t0 ) dt RC RC Tale sistema ` quindi lineare e tempo invariante. e

1.3. Sistemi per lElaborazione dei Segnali Deterministici Esempio 1.3.14 La modulazione di ampiezza MA data da: MA(f (t)) = cos(t) f (t). risulta essere un sistema lineare ma non tempo invariante. Infatti MA(f (t t0 )) = cos(t) f (t t0 ) = cos((t t0 )) f (t t0 ).

17

Esempio 1.3.15 Si consideri la funzione gradino unitario u(t) denita da u(t) = 1 se t 0 0 altrimenti.

Il circuito sogliatore ` descritto dal sistema S(f (t)) = u(f (t)). Tale sistema ` tempoe e invariante ma non lineare, come si verica immediatamente.

Se S ` un sistema lineare tempo-invariante (LTI), il suo comportamento ` completae e mente individuato dalla sua risposta alla funzione impulsiva (t). Infatti: Fatto 1.5 Se S ` un sistema lineare tempo-invariante, allora e S(f (t)) =

f (x)h(t x)dx,

dove h(t) ` la risposta S((t)) del sistema allimpulso (t). e


Dimostrazione.

Poich` il sistema ` lineare vale: e e


S(f (t)) = S

f (x)(t x)dx

f (x)S((t x))dx.

Essendo inoltre tempo-invariante, se h(t) = S((t)) allora h(t x) = S((t x)), e quindi S(f (t)) =

f (x)h(t x)dx.

Un risultato analogo vale per sistemi a tempo discreto: Fatto 1.6 Se S ` un sistema lineare tempo-invariante, allora e S(x(n)) =
k=

x(k)h(n k),

dove h(n) ` la risposta S((n)) del sistema allimpulso unitario. e

18

Segnali e Sistemi

La legge che associa a due segnali a tempo continuo f e h il segnale


+

f (x)h(t x)dx

(1.1)

` detta prodotto di convoluzione di f e h, e si denota f h. e Analogamente per segnali a tempo discreto x(n) e y(n) la convoluzione ` denita da: e (x y)(n) =
k=

x(k)y(n k).

I precedenti risultati (Fatto 1.5 e Fatto 1.6), espressi in termini di convoluzione, asseriscono che la risposta di un sistema LTI a un dato segnale dingresso ` ottenuta dalla e convoluzione del segnale dingresso con la risposta del sistema allimpulso.
Esempio 1.3.16 Sia dato un sistema LTI che ha come risposta allimpulso (t) il gradino unitario u(t). Si vuole determinare la risposta g(t) del sistema allingresso f (t), dove: f (t) = eat u(t) Per il Fatto 1.5 si ha:
+ +

a > 0,

g(t) =

f (x)u(tx)dx =

eax u(x)u(tx)dx =
0

eat dt =

1 (1eat )u(t). a

In Figura 1.17 ` mostrato il graco di y(t). e


y(t)
1/a

Figura 1.17 Risposta del sistema con input x(t) = eat u(t).

1.3. Sistemi per lElaborazione dei Segnali Deterministici

19

1.3.4

Sistemi Causali e Stabili

Unimportante condizione per la realizzabilit` sica di un sistema per il trattamento di a segnali temporali ` che esso sia causale. Intuitivamente, e un sistema si dice causale se ad ogni istante di tempo luscita dipende unicamente dai valori dellingresso al tempo presente e ai tempi passati. Per questo motivo un sistema causale viene anche detto nonanticipativo, nel senso che il valore della risposta al tempo t non richiede la conoscenza dei valori dellingresso a tempi t > t. Come conseguenza, se due ingressi del sistema sono identici no ad un certo istante t0 , le corrispondenti uscite devono essere uguali no a quellistante. Con particolare riferimento ai sistemi lineari tempo-invariante, diremo che un sistema S ` causale se la sua risposta h(t) allimpulso ` nulla per valori di e e t negativi, cio` quando h(t) = 0 per t < 0. e In questo caso il prodotto di convoluzione diventa:
+

S(f (t)) =
0

h(x)f (t x)dx.

Se un sistema LTI ` causale, allora si pu` porre: e o 1. caso continuo:


t

S(f (t)) =

f (x)h(t x)dx =

h(x)f (t x)dx.

2. caso discreto:
n

S(x(n)) =
k=

x(k)h(n k) =

k=0

h(k)x(n k).

Se in aggiunta la risposta allimpulso ` nita, cio` h(n) = 0 per n q per un e e opportuno intero q si ha:
q1

S(x(n)) =
k=0

h(k)x(n k).

Sistemi del tipo sopra denito sono detti anche ltri FIR (Finite Impulse Response) e sono essenzialmente descritti dal vettore [h(0), . . . , h(q 1)]. Unaltra nozione di interesse pratico ` quella di stabilit`. Ricordiamo che un segnale e a a tempo continuo f (t) ` detto limitato se esiste M > 0 tale che |f (t)| < M per ogni t. e Allora diremo che

20

Segnali e Sistemi

un sistema S ` stabile (o BIBO, cio` Bounded Input Bounded Output) se e e trasforma segnali limitati in segnali limitati. I sistemi lineari tempo-invarianti stabili sono caratterizzati da una semplice propriet` della a risposta allimpulso: Fatto 1.7 Un sistema lineare tempo-invariante S ` stabile sse, detta h(t) la risposta di S e allimpulso, vale che:
+

|h(t)|dt < +.
+

Supponiamo, per prima cosa, che |h(t)|dt < + e dimostriamo che il sistema ` stabile. Se f (t) ` limitata, cio` esiste M > 0 tale che |f (t)| < M per ogni t, e e e allora luscita del sistema su ingresso f (t) ` il segnale g(t) tale che: e
Dimostrazione.
+ + +

|g(t)| =

h( )f (t )d

|h( )||f (t )|d M

|h( )|d.

Questo implica che g(t) ` limitato e quindi il sistema ` stabile. e e Supponiamo ora che |h(t)|dt = + e dimostriamo che il sistema non ` stabile. e Se poniamo infatti in ingresso al sistema il segnale f (t) = sgn(h(t)) chiaramente limitato, luscita g(t) ` tale che: e
+ + + +

g(0) =

h( )f ( )d =

h( ) sgn(h( ))d =

|h( )|d = +.

Il sistema non risulta quindi stabile. Per sistemi LTI che operano su segnali a tempo discreto vale un risultato analogo: Fatto 1.8 Un sistema LTI ` stabile sse la risposta h(n) allimpulso unitario ` tale che e e + |h(n)| < +. n= Poich` la risposta allimpulso h(n) di un ltro FIR causale ` tale che h(n) = 0 se n < 0 e e e n q risulta:
+ q1 n=

|h(n)| =

n=0

|h(n)| < +,

si pu` concludere che i ltri FIR sono sistemi sempre stabili. o

Capitolo 2

Analisi in Frequenza di Segnali Analogici

Per lo studio dei sistemi lineari pu` essere utile un cambiamento di rappresentazione o del segnale: invece di esprimere il segnale f (t) come sovrapposizione di impulsi (f (t) = + f (x)(t x)dx) lo si rappresenta come sovrapposizione di altri segnali-base (f (t) = + a(x)H(t, x)dx, dove H(t, x) sono da scegliere in modo opportuno). Una base particolarmente interessante ` quella introdotta e studiata da Jean Baptiste e Joseph Baron de Fourier, governatore del Basso Egitto sotto Napoleone e autore un monumentale trattato sulla propagazione del calore pubblicato nel 1822. In questo lavoro veniva intodotto il concetto di serie di Fourier ; la trasformata di Fourier (o integrale di Fourier) ` una semplice estensione della serie che si applica a segnali arbitrari, mentre la serie si e applica solo a segnali periodici. Per lintroduzione della trasformata di Fourier ` opportuno considerare segnali a valori e 21

22

Analisi in Frequenza di Segnali Analogici

complessi: poich i numeri reali sono un sottocampo dei complessi, potremo trattare i e segnali reali come opportune restrizioni. Il capitolo ` suddiviso come segue. Viene richiamata brevemente la nozione di numero e complesso e le principali operazioni su tali numeri. Viene poi introdotta la classe dei segnali periodici e discussa la loro espansione in serie di Fourier. Questo approccio viene esteso a segnali non periodici, denendo la trasformata di Fourier e studiandone alcune propriet` che rendono semplice la manipolazione di questo strumento. a I concetti matematici esposti vengono poi applicati allanalisi della risposta in frequenza di sistemi LTI a tempo continuo, introducendo la nozione di funzione di trasferimento. Si analizzano in particolare i ltri ideali, introducendo la terminologia relativa ed evidenziandone la non causalit`. Vengono quindi trattate problematiche di analisi relative alla a classe dei sistemi causali descritti da equazioni dierenziali lineari a coecienti costanti; questi sistemi sono particolarmente interessanti perch descrivono il comportamento di e circuiti a componenti passive utilizzati per la realizzazione pratica di ltri analogici. Lultima parte del capitolo ` dedicata allo studio della modulazione di ampiezza (AM) e e frequenza (FM), di grande interesse per la trasmissione di segnali a tempo continuo.

2.1

Numeri Complessi

Richiamiamo qui brevemente la nozione di numero complesso. Un numero complesso z ` e identicato da una coppia di numeri reali (a, b); si scrive solitamente z = a+ib, chiamando a i = 1 unit` immaginaria, a = Re {z} parte reale e b = Im {z} parte immaginaria di z. Le operazioni di addizione e moltiplicazione di due numeri complessi z e w sono denite nel modo seguente: somma: (a + ib) + (c + id) = (a + c) + i(b + d), prodotto: (a + ib)(c + id) = (ac bd) + i(ad + bc). Rispetto a tali operazioni i numeri complessi formano un campo; in particolare si verica direttamente che linverso rispetto alla moltiplicazione ` dato da: e (a + ib)1 = b a i 2 . a2 + b 2 a + b2

Il sottocampo di numeri complessi della forma (a, 0) (cio` tutti quelli che hanno parte e immaginaria 0) ` isomorfo al campo reale R. e Poich un numero complesso z = (a, b) ` una coppia ordinata di numeri reali, esso pu` e e o essere rappresentato geometricamente come un punto di un piano. Descrivendo tale punto in coordinate polari (r, ), come mostrato in Figura 2.1, si ricava la forma trigonometrica di un numero complesso: z = r(cos + i sin ).

2.1. Numeri Complessi


y (a,b) r r cos r sin

23

Figura 2.1 Rappresentazione geometrica del numero complesso a + ib.

La relazione tra coordinate polari (r, ) e coordinate cartesiane (a, b) ` data dalla seguente e coppia di equazioni: r= a2 + b2 = (Re {z})2 + (Im {z})2 , = arctan b a = arctan Im {z} Re {z} ,

r ` chiamato modulo di z mentre ` la sua fase; scriveremo r = |z| e = z. e e Unaltra utile rappresentazione di un numero complesso ` la cosidetta forma esponene ziale o polare: z = rei , che si ottiene applicando alla forma trigonometrica la relazione di Eulero e i = cos + i sin . Questultima rappresentazione ` utile specialmente riguardo alla moltiplicazione e e alla divisione di numeri complessi. Il prodotto di due numeri complessi ` il numero e complesso che ha come modulo il prodotto dei due moduli e come fase la somma delle due fasi: |z1 z2 | = |z1 | |z2 |; (z1 z2 ) = z1 + z2 . Infatti, se z1 = r1 ei e z2 = r2 ei , si ha: z1 z2 = r1 (cos + i sin ) r2 (cos + i sin )

= r1 r2 [cos( + ) + i sin( + )] = r1 r2 ei(+)

= r1 r2 [cos cos sin sin + i(sin cos + cos sin )]

La potenza ennesima di z = rei si ottiene facilmente applicando ripetutatmente la formula precedente: z n = r n ein = r n (cos n + i sin n). La radice n-esima di un numero complesso z ` un numero x tale che x n = z. Se e i e x = rei , vale allora: z = e ei = r n ein Ricordando che due numeri complessi sono uguali se hanno lo stesso modulo e la dierenza fra le fasi ` multipla intera di un angolo giro, otteniamo: e rn = n = 2k (k Z).

24

Analisi in Frequenza di Segnali Analogici

Si conclude allora che un numero complesso e i ha n radici complesse tutte con lo stesso modulo r = 1/n e fasi = n + 2k (k = 0, . . . , n 1). n Se z = a + ib, il complesso coniugato di z ` il numero complesso z = a ib. Geoe metricamente z rappresenta il simmetrico di z rispetto allasse reale. La denizione di coniugato implica che: z1 + z 2 = z 1 + z 2 , z 1 z2 = z 1 z 2 , z1 /z2 = z 1 /z 2 .

Risulta inoltre che la somma e il prodotto di numeri complessi coniugati sono sempre numeri reali; in particolare: z + z = 2 Re {z} , zz = |z|2 .

Riassumendo, la notazione precedentemente introdotta ci consente di: 1. esprimere un numero complesso in forma esponenziale z = re i , 2. esprimere le funzioni trigonometriche mediante quella esponenziale, pi` semplice da u manipolare: ei = cos + i sin , cos = 1 i e + ei , 2 ei = cos i sin sin = 1 ei ei . 2i

2.2

Segnali Periodici

Unimportante classe di segnali ` quella dei segnali che si ripetono periodicamente nel e tempo. Pi` precisamente, diremo che un segnale f (t) ` periodico di periodo T se, per u e ogni t, vale che f (t) = f (t + T ). Se un segnale f (t) ` periodico di periodo T allora, per ogni k intero, f (t) = f (t + kT ); e la funzione f (t) periodica di periodo T risulta pertanto univocamente individuata dalla sua restrizione allintervallo T t T , come mostrato in Figura 2.2. 2 2
f(t)

... -3T/2 -T/2 T/2

... 3T/2 t

Figura 2.2 Funzione periodica di periodo T .

2.2. Segnali Periodici Esempio 2.2.1 Poich sin(t + 2) = sin t e cos(t + 2) = cos t per ogni t, le funzioni sinusoidali sin t e e cos t sono funzioni periodiche di periodo 2.

25

` E facile vericare che la combinazione lineare di funzioni periodiche di periodo T ` e una funzione periodica dello stesso periodo; la funzione esponenziale complessa e i = cos t + i sin t ` allora periodica di periodo 2. Si osservi inoltre che se f (t) ` periodica di e e periodo T , allora f (t) ` periodica di periodo T /. e Dato un segnale periodico f (t), con frequenza del segnale si intende il numero di ripetizioni del periodo nellunit` di tempo. Se lunit` di misura del tempo ` il secondo a a e (sec), la frequenza pu` essere misurata in Hertz (Hz) oppure radianti al secondo (rad/sec). o 1 Pi` precisamente, un segnale f (t) di periodo T ha frequenza f = T Hz oppure = 2 u T rad/sec.
Esempio 2.2.2 Il segnale cos t ha una frequenza di rad/sec oppure di segnale di 6 kHz ha una frequenza di circa 38.000 rad/sec.
2

Hz; analogamente un

Esempio 2.2.3 Nei sistemi di comunicazione ` usuale dividere le frequenze in bande. Una convenzione e spesso usata ` quella di identicare le bande con numeri, cos` che la banda N ` data e e da tutte le frequenze: 0.3 10N Hz < banda N < 3 10N . Ad esempio, la banda 6 va da 300 kHz a 3 MHz. Per quanto riguarda la classifcazione sono state individuate le seguenti bande: le frequenze audio occupano le bande 2,3,4 (30 Hz 30 kHz); le frequenze video occupano le bande 1,2,3,4,5,6,7 (no a 30 MHz); le micronde ocupano le bande 8,9,10,11 (30 MHz 300 GHz). La banda 5 ` anche detta LF (bassa frequenza), la banda 6 ` detta MF (media free e quenza), la banda 7 ` detta HF (alta frequenza), al banda 8 ` detta VHF e la banda e e 9 ` detta UHF. Le usuali trasmissioni radio in modulazione di ampiezza avvengono e nella banda MF(6), quelle in modulazione di frequenza nella banda VHF (8).

26

Analisi in Frequenza di Segnali Analogici

2.3

Segnali Esponenziali Complessi e Risposta in Frequenza dei Sistemi LTI


eit : R .

Unimportante classe di segnali complessi ` data dalla famiglia: e

e Il segnale eit ` periodico con frequenza rad/sec o 2 Hz; il suo modulo ` uguale a 1 e it non ha diretto signicato sico, i segnali e la fase ` uguale a t. Anche se il segnale e e reali sin t e cos t possono essere ottenuti da semplici combinazioni lineari di e it e eit :

cos t =

1 it e + eit , 2

sin t =

1 it e eit . 2i

Limportanza delle funzioni esponenziali complesse nello studio dei sistemi LTI risiede nel fatto che la risposta di un sistema LTI sollecitato da questo tipo di segnale ` lo stesso e esponenziale complesso variato in ampiezza, cio`: e eit H()eit dove il fattore H() ` in generale una funzione complessa nella variabile . e Per provare questa propriet` si consideri un sistema LTI con risposta allimpulso a h(t). Per ogni ingresso f (t) possiamo determinare luscita mediante luso dellintegrale di convoluzione; quindi se f (t) = eit avremo che luscita y(t) `: e
+ +

y(t) =

h( )f (t )d =

h( )ei(t ) d = eit

h( )ei d.

Assumendo che lintegrale sia denito, la risposta del sistema allingresso e it ` dunque e della forma y(t) = H()eit dove H() =
+

h( )ei d.

(2.1)

La funzione H(), che compare nellequazione (2.1), viene chiamata risposta in frequenza o funzione di trasferimento del sistema. Come vedremo di seguito, H() ` la trasformata di Fourier della risposta allimpulso e h(t), il che mostra linteresse dello studio della trasformata di Fourier per lanalisi dei sistemi LTI.

2.4

Serie di Fourier

Nel precedente capitolo abbiamo introdotto, nellambito dello studio di sistemi LTI, la rappresentazione di segnali come combinazione lineare di impulsi opportunamente traslati. In

2.4. Serie di Fourier

27

questa sezione esploriamo una rappresentazione alternativa (ristretta qui a segnali periodici ed estesa a quelli non periodici nella prossima sezione) basata sulla combinazione lineare di segnali esponenziali complessi. A tal proposito si considerino le funzioni ein0 t = ein T t ,
2

n = 0, 1, 2, . . . ,

2 aventi come frequenza fondamentale n 0 e quindi con periodo T = n0 . Sotto condizioni di regolarit` (note come condizioni di Dirichlet) che sono vericate per la maggior parte a dei segnali di interesse pratico, ` possibile mostrare che una funzione f (t) periodica di e periodo T , pu` essere ottenuta combinando linearmente le funzioni e in0 t ( < n < ): o +
T 2

f (t) =
n=

cn e

in0 t

dove

1 cn = T

T 2

f (t)ein0 t dt.

(2.2)

La serie precedente ` detta sviluppo in serie di Fourier di f (t) e il coeciente c n ` detto e e coeciente di Fourier ; i termini corrispondenti a n = 1, entrambi con frequenza 0 , sono detti prime armoniche, quelli corrispondenti a n = k sono detti k-esime armoniche. Si 1 T /2 e osservi che c0 = T T /2 f (t)dt ` la media temporale del segnale relativo a un periodo. Presentiamo ora alcune forme alternative per la serie di Fourier, utili soprattutto per segnali f (t) a valori reali. Se f (t) ` reale, il coeciente generale c n ` complesso ed ` e e e uguale al coniugato di cn , cio` cn = cn . Questo fatto ci consente di derivare una forma e alternativa della serie di Fourier che spesso sostituisce quella espressa dallequazione (2.2). Infatti, riarrangiando la somma nella (2.2) e sostituendo c n con cn otteniamo: f (t) = c0 + = c0 + = c0 + = c0 +
n=1 n=1 n=1 n=1

cn ein0 t + cn ein0 t cn ein0 t + cn ein0 t cn ein0 t + cn ein0 t 2 Re cn ein0 t .

Se esprimiamo cn in forma polare come cn = rn ein , la precedente equazione diventa: f (t) = c0 +


n=1

2 Re rn ei(n0 t+n ) = c0 + 2

n=1

rn cos(n0 t + n ).

(2.3)

28

Analisi in Frequenza di Segnali Analogici

Lequazione (2.3) ` nota come forma trigonometrica combinata della serie di Fourier. e Unaltra forma utile ` ottenuta riscrivendo c n in forma algebrica e cn = an + ibn con an e bn reali. Ricordando che cos( + ) = cos cos sin sin , la (2.3) assume la forma f (t) = c0 + 2
n=1

[an cos(n0 t) bn sin(n0 t)] .

(2.4)

Lequazione (2.4) rappresenta la serie di Fourier in forma trigonometrica e coincide con la formulazione originale di Fourier che scrisse per lappunto in termini di somme di seni e coseni.
Esempio 2.4.1 Si consideri il seguente segnale periodico di periodo T = f (t) = 10 + 3 cos 0 t + 5 cos(20 t +
2 0 :

) + 4 sin 30 t. 6

Sostituendo i seni e i coseni con le esponenziali complesse: f (t) = 10 +


4 i30 t 5 i(20 t+ ) 3 i0 t 6 e + ei(20 t+ 6 ) + e + ei0 t + e ei30 t 2 2 2i

o, equivalentemente:
3 5 3 5 f (t) = 10 + ei0 t + ei0 t + ei 6 ei20 t + ei 6 ei20 t 2iei30 t + 2iei30 t 2 2 2 2

I coecienti della serie di Fourier per il segnale f (t) sono dunque: c0 = 10, c2 5 = 2 3 1 i 2 2 , c1 = c1 3 = , 2 5 c2 = 2 1 3 +i 2 2 ,

c3 = c3 = 2i.

Tutti gli altri coecienti risultano nulli.

Esempio 2.4.2 Dato T1 < segue:


T 2

si consideri londa quadra QT1 periodica di periodo T denita come QT1 (t) = 1 se |t| < T1 0 se T1 < |t| < T /2,

il cui graco ` rappresentato nella Figura 2.3. e

2.4. Serie di Fourier


f(t)

29

...
-T -T/2 -T 1 T1 T/2 T
t

...

Figura 2.3 Onda quadra periodica.

La sua frequenza ` 0 = 2/T . Per determinare i coecienti della serie di Fourier e di f (t) consideriamo lintervallo T /2 t T /2 ed eseguiamo lintegrazione come indicato nella (2.2). Per n = 0 abbiamo c0 = Per n = 0 invece otteniamo cn = 1 T
T1 T1

1 T

T1

dt =
T1

2T1 . T

ein0 t dt =

1 ein0 t in0 T

T1 T1

= =

1 1 in0 T1 e ein0 T1 n0 T i sin(n0 T1 ) 2 sin(n0 T1 ) = n0 T n (usando la relazione 0 T = 2).

Un problema interessante che si pone a questo punto, con ricaduta in particolare sul piano applicativo, ` quello di approssimare una funzione periodica f (t) con un numero e nito di componenti armoniche, cio` con la somma parziale: e
N

SN (t) =
n=N

cn ein0 t ,

dove i cn sono coecienti dellespansione in serie di Fourier di f (t). Lo studio della qualit` a dellapprossimazione ` ridotto allora allo studio della convergenza nelle serie di Fourier. e Senza fare una trattazione matematica rigorosa, diremo semplicemente che un fenomeno studiato in questa teoria (noto come fenomeno di Gibbs) ` quello per cui in certi casi (pree senza di discontinuit`), la successione delle somme parziali converge in ogni punto, ma a non uniformemente. Ad esempio, nella Figura 2.4 viene illustrata la convergenza alla serie S(t) = + rn eint , dove S(t) ` una funzione periodica di periodo 2 denita come: e n= S(t) = 1, 0, se |t| < 1 se 1 < |t| < .

30
S 3 (t)
1

Analisi in Frequenza di Segnali Analogici


S 7 (t)
1

-1

-1

S (t)
25

S201(t)
1

-1

-1

Figura 2.4 .

Come si nota dalla gura, esiste un valore > 0 tale che, per ogni N :
<t<

sup |S(t) SN (t)| .

Si osservi dalla stessa gura che i punti t N , per cui |S(tN ) SN (tN )| , per N grande sono prossimi ai punti di discontinuit` di S(t). a

2.5

Trasformata di Fourier

La trasformata di Fourier pu` essere vista come limite di serie di Fourier, applicabile a o funzioni non periodiche: qui di seguito presentiamo una giusticazione della precedente aermazione. A questo riguardo si consideri una funzione f (t) e si denoti con f T (t) la funzione periodica di periodo T che coincide con f (t) nellintervallo T , T ; possiamo allora 2 2 scrivere: f (t) = lim fT (t).
T + 2 T ,

Posto ora n =

2 T n

e n = n+1 n =
+

per la (2.2) vale: dove cn =


T 2

1 fT (t) = 2

cn e
n=

in t

n ,

T 2

fT (t)ein t dt

2.5. Trasformata di Fourier

31

Passando al limite, per T + e quindi per n 0: f (t) = lim fT (t) =


T +

1 2

cn eit d

dove

cn =

f (t)eit dt

Posto F () = cn , concludiamo

f (t) =

1 2

F ()eit d,

dove

F () =

f (t)eit dt.

(2.5)

La coppia di funzioni F () e f (t) date nella (2.5) vengono chiamate rispettivamente trasformata di Fourier e antitrasformata di Fourier (o trasformata inversa di Fourier ), e vengono denotate rispettivamente con F {f (t)} e F 1 {F ()}. Inoltre la (2.5) mostra che la corrispondenza f (t) F () ` una corrispondenza biunivoca e lineare. e La trasformata di Fourier F () viene anche chiamata spettro del segnale f (t); lo spettro del segnale ` quindi individuato dal suo modulo |F ()| e dalla sua fase F () . Il supporto e dello spettro F () ` dato dallinsieme { : F () = 0}; osserviamo che segnali i cui spettri e hanno supporti disgiunti sono univocamente ricostruibili dalla loro somma, come mostrato chiaramente in Figura 2.5.
| G( ) + F( ) | | F( ) |

| G() |

Figura 2.5 Segnali aventi spettri disgiunti.

Risultano inoltre di particolare interesse segnali a supporto limitato, detti anche a banda limitata: un segnale f (t) ` detto a banda limitata dalla frequenza W se per || > W e risulta F () = 0.
Esempio 2.5.1 I segnali utilizzati in una normale conversazione telefonica possono essere ritenuti a banda limitata a 4kHz.

32

Analisi in Frequenza di Segnali Analogici

La rappresentazione per f (t) data nella (2.5) gioca per i segnali aperiodici un ruolo analogo alla rappresentazione data nella (2.2) per quelli periodici, poich entrambe ese primono il segnale come combinazione lineare di esponenziali complessi. Per i segnali periodici, questi esponenziali complessi sono pesati con ampiezza c n e sono deniti per valori discreti di frequenze n0 , n = 0, 1, 2, . . . . Per segnali aperiodici, gli esponenziali complessi sono deniti su un continuo delle frequenze e sono pesati con ampiezza pari a F ()d/2.
Esempio 2.5.2 Si consideri il segnale f (t) = eat u(t), a > 0. Dalla (2.5) si ha che la trasformata di Fourier di f (t) ` e
+

F () =
0

eat eit dt =

1 e(a+i)t a + i

1 , a + i

a > 0.

Poich questa trasformata ` a valori complessi, F () pu` essere rappresentata medie e o ante due graci, rispettivamente del suo modulo e della sua fase, (Figura 2.6), in cui modulo e fase sono dati da: |F ()| = a2 1 , + 2 F () = arctan . a

F()

1/a

F() /2 /4 -a /4

-a

/2

Figura 2.6 Modulo e fase della trasformata di Fourier di f (t) = eat u(t), a > 0.

Esempio 2.5.3 Si consideri il segnale impulso rettangolare rectT1 (t) = 1 se |t| < T1 , 0 se |t| > T1

2.5. Trasformata di Fourier con T1 reale e positivo, come mostrato in Figura 2.7(a). La trasformata di Fourier di questo segnale ` la funzione reale e
T1

33

F () =
T1

eit dt = 2

sin T1 ,

ed il suo graco ` mostrato in Figura 2.7(b). Si osservi che in questo caso la fase ` 0. e e

rectT (t)
1

F()
2T 1

T1

T1

(a)

(b)

Figura 2.7 Il segnale impulso rettangolare (a) e la sua trasformata di Fourier (b).

2.5.1

Esistenza della Trasformata di Fourier

Nella sezione precedente abbiamo ottenuto lequazione generale della trasformata di Fourier e della sua inversa; qui ci proponiamo di discutere brevemente sotto quali condizioni tale trasformata esiste. In generale, perch` la trasformata di una data funzione f (t) esista, deve esistere ed e essere nito per ogni t il valore:
+

f (t)eit dt.

Un insieme di condizioni sucienti per lesistenza della trasformata di Fourier ` dato e dalle cosiddette condizioni di Dirichlet, elencate di seguito: 1. f (t) deve essere assolutamente integrabile, cio` e
+

|f (t)|dt < ;

2. f (t) deve avere un numero nito di minimi e di massimi in ogni intervallo nito;

34

Analisi in Frequenza di Segnali Analogici

3. f (t) deve avere un numero nito di discontinuit` in ogni intervallo nito. a In particolare, per quanto riguarda lultima condizione si deve aggiungere che nei punti di discontinuit` in cui il limite destro ed il limite sinistro della f (t) sono diversi, la trasformata a inversa converge al valore medio dei due limiti stessi. Tutte le funzioni di interesse pratico che considereremo di seguito soddisfano le condizioni 2. e 3. sopra citate. Utilizzeremo invece spesso funzioni (o funzioni generalizzate) che non vericano la prima condizione, pur avendo trasformata di Fourier. Alcuni importanti esempi sono elencati di seguito.
Esempio 2.5.4 In questo esempio calcoliamo la trasformata di Fourier della delta di Dirac (t) (introdotta nellEsempio 1.3.12) e la trasformata di Fourier della funzione costante 1. Si osservi che in questultimo caso la prima condizione di Dirichlet non ` vericata. e Ricordando che, se f (t) ` una funzione continua in 0, allora vale: e
+

f (t)(t)dt = f (0),

possiamo concludere che:


+

F {(t)} =

(t)eit dt = eit

t=0

= 1.

Usando il fatto che la trasformata di Fourier ` unica, dalla precedente espressione e segue immediatamente che: F 1 {1} = 1 2
+

1 eit d = (t).

(2.6)

Possiamo riscrivere la (2.6) come segue:


+

1 eit d = 2(t)

e quindi concludere che la trasformata di Fourier della una funzione costante f (t) = 1, ` 2(t). e

Esempio 2.5.5 Un importante esempio di funzione usata nei sistemi di comunicazione ` la funzione e signum o sgn, denita come segue: 1, per t > 0 sgn(t) = 0, per t = 0 . 1, per t < 0

2.5. Trasformata di Fourier Anche in questo caso la funzione non ` assolutamente integrabile, quindi occorre e trovare un diverso metodo di integrazione per calcolarne la trasformata. A tal riguardo si consideri la seguente uguaglianza di facile verica: sgn(t) = lim ea|t| sgn(t).
a0

35

La sua trasformata di Fourier risulta pertanto essere: F {sgn(t)} = F


a0

lim ea|t| sgn(t) = lim F ea|t| sgn(t) ,


a0

in cui loperazione di limite e di integrazione sono stati scambiati senza dare una giusticazione matematica precisa. Poich: e F ea|t| sgn(t) =
0

e(ai)t dt +
0

e(a+i)t dt =

1 1 + , a i a + i

Possiamo quindi concludere che: F {sgn(t)} = lim


a0

1 2 1 + = . a i a + i i

(2.7)

Esempio 2.5.6 Unaltra importante funzione, legata alla funzione signum da una semplice trasformazione, ` la funzione gradino unitario u(t), denita nellEsempio 1.3.15. Infatti essa e pu` essere scritta come: o 1 1 u(t) = + sgn(t), 2 2 da cui otteniamo la sua trasformata di Fourier: F {u(t)} = 1 1 F {1} + F {sgn(t)} 2 2 1 = () + . i (per la linearit`) a

2.5.2

Trasformata di Fourier di Funzioni Reali

La trasformata di Fourier F () di un segnale reale f (t) ` in generale complessa. Come e mostrato nellesempio 2.5.2, per visualizzare gracamente F () ` allora necessario conside erare separatamente il modulo |F ()| e la fase F () della trasformata, le cui espressioni analitiche sono mostrate di seguito: |F ()| = (Re {F ()})2 + (Im {F ()})2 , Im {F ()} Re {F ()} .

F () = arctan

36

Analisi in Frequenza di Segnali Analogici

Dato un segnale reale f (t) che ammette F () come trasformata, a causa dellidenti` a eit = cos t + i sin t, la parte reale Re {F ()} e la parte immaginaria Im {F ()} sono rispettivamente:
+ +

Re {F ()} =

f (t) cos(t)dt,

Im {F ()} =

f (t) sin(t)dt.

Poich la funzione coseno ` pari e la funzione seno ` dispari, si ha che: e e e Re {F ()} = Re {F ()} , Vale di conseguenza che: |F ()| = |F ()|, F () = F (). Im {F ()} = Im {F ()} .

Ne consegue che per funzioni reali il modulo della trasformata |F ()| ` una funzione pari e e la fase F () ` una funzione dispari. In Figura 2.8 ` mostrato un tipico esempio del e e modulo e della fase della trasformata di una funzione reale (si veda anche lEsempio 2.5.2).

F()

F()

Figura 2.8 Modulo e fase della trasformata di Fourier di un segnale f (t) reale.

2.5.3

Propriet` della Trasformata di Fourier a

Nella Tabella 2.1 vengono riportate (senza dimostrazione) le principali propriet` delle a trasformate di Fourier il cui contributo principale, oltre a favorire in molti casi la semplicazione dellanalisi di sistemi complessi, ` quello di aiutare a comprendere meglio la e relazione tra dominio del tempo e dominio delle frequenze dei segnali. Di seguito viene proposta la giusticazione di alcune propriet` delle trasformate e ne a viene mostrato limpiego in alcuni esempi, rimandando a una letteratura pi` specializzata u le dimostrazioni matematiche formali.

2.5. Trasformata di Fourier

37

Tabella 2.1 Propriet` delle Trasformate di Fourier. a

Propriet` a Linearit` a Dualit` (simmetria) a Coniugazione Traslazione (tempo) Traslazione (frequenza) Convoluzione (tempo) Convoluzione (frequenza) Modulazione Scalatura Dierenziazione (tempo) Dierenziazione (frequenza) Integrazione (tempo)

f (t) af (t) + bg(t) F (t) f(t) f (t t0 ) ei0 t f (t) f (t) g(t) f (t)g(t) f (t) cos 0 t f (at)
dn dtn f (t)

F() aF () + bG() 2f () F () eit0 F () F ( 0 ) F ()G()


1 2 F () 1 2 [F ( 1 |a| F

G()

+ 0 ) + F ( 0 )]

(i)n F ()
dn d n F () 1 i F ()

(i) n f (t)
t f ( )d

+ F (0)()

Linearit` a

F {af (t) + bg(t)} = =a

(af (t) + bg(t))eit dt f (t)eit dt + b


+

g(t)eit dt

= aF {f (t)} + bF {g(t)}

38

Analisi in Frequenza di Segnali Analogici

Dualit` (simmetria) a Ricordando che:


+

F {f (t)} = F () = F 1 {F ()} = f (t) =

f (t)eit dt, F ()eit d,

(2.8) (2.9)

1 2

ed osservando la simmetria esistente tra la trasformata (equazione (2.8)) e la sua inversa (equazione (2.9)) rispettivamente nella variabile t e nella variabile , vale allora:
+

F {F (t)} =

F (t)eit dt
+

= 2

1 2

F (t)ei()t dt

= 2f (). Traslazione nel tempo e in frequenza Riguardo la traslazione nel tempo si ha che:
+

F {f (t t0 )} = = =e

+ it0

f (t t0 )eit dt f ( )ei( +t0 ) d F (). (con = t t0 , da cui dt = d ) (2.10)

La propriet` di traslazione in frequenza si verica facilmente combinando la propriet` a a di dualit` e quella di traslazione nel tempo. a Convoluzione nel tempo e in frequenza Per la propriet` di convoluzione nel tempo si ha: a
+ +

F {f (t) g(t)} = =

+ +

f ( )g(t )d
+

eit dt

(per la (1.1))

f ( )

g(t )eit dt d (per la traslaz. nel tempo (2.10))

f ( )ei G()d
+

= G() = G()F ()

f ( )ei d

La convoluzione in frequenza si giustica applicando la propriet` di dualit` a quella di a a convoluzione nel tempo.

2.5. Trasformata di Fourier

39

Modulazione
+

F {f (t) cos 0 t} = =

f (t) cos 0 teit dt f (t)

ei0 t + ei0 t it e dt 2 1 + 1 + = f (t)ei(+0 )t dt + f (t)ei(0 )t dt 2 2 1 = [F ( + 0 ) + F ( 0 )]. 2 Scalatura Se a ` un reale positivo si ha che: e


+

F {f (at)} = =

f (at)eit dt (con = at, da cui dt = d /a)

1 f ( )ei a d a 1 . = F a a

1 Analogamente, se a ` un reale negativo si ha che F {f (at)} = a F e

Dierenziazione Dierenziando entrambi i membri della (2.9) si ha: d 1 f (t) = dt 2 da cui F d f (t) dt = iF ().
+

iF ()eit d,

Integrazione Si consideri la convoluzione di una generica funzione f (t) con la funzione gradino unitario (denita nellEsempio 1.3.15):
+ t

f (t) u(t) =

f ( )u(t )d =

f ( )d.

(2.11)

40

Analisi in Frequenza di Segnali Analogici

Pertanto:
t

f ( )d

= F {f (t) u(t)} = F () () + = 1 i

(per la (2.11)) (per la prop. di convoluzione)

1 F () + F (0)(). i

Il fattore F (0) nella precedente espressione deriva dal fatto che, se F () ` una funzione e continua in 0, allora F ()() = F (0)().
Esempio 2.5.7 La propriet` di linearit` ` in molti casi utile per trovare la trasformata di Fourier di a ae alcuni tipi di forme donda. Si consideri ad esempio f (t) = B cos 0 t. Usando la relazione di Eulero, cos = ei + ei 2

possiamo riscrivere lespressione per f (t) come f (t) = B B B i0 e + ei0 = ei0 + ei0 . 2 2 2

e Sapendo che la trasformata dellesponenziale complesso ei0 ` un impulso traslato in 0 , per la linearit` abbiamo che a F {B cos 0 t} = od anche B B F {ei0 } + F {ei0 } = B( 0 ) + B( + 0 ), 2 2
F

cos 0 t B [( 0 ) + ( + 0 )] .

Esempio 2.5.8 La trasformata inversa della funzione inpulso rettangolare e denita nel dominio delle frequenze (Figura 2.9), pu` essere ottenuta applicando alla coppia di trasformate o dellEsempio 2.5.3 la propriet` di dualit`: a a f (t) = A sin W t F F () = t A || < W . 0 || > W

2.6. Energia di un Segnale e Relazione di Parseval


f(t) AW/ A

41

F()

-W

(a)

(b)

Figura 2.9 Impulso rettangolare nel dominio della frequenza.

2.5.4

Coppie Base di Trasformate

Nella Tabella 2.2 vengono riportate alcune coppie base trasformata-antitrasformata di Fourier che spesso si incontrano nella pratica. Queste coppie sono particolarmente utili per il fatto che in molti casi i sistemi complessi possono essere descritti come combinazioni di sistemi pi` semplici dei quali sono note le coppie di trasformate. u

2.6

Energia di un Segnale e Relazione di Parseval

Unimportante propriet` della trasformata di Fourier ` data dal seguente: a e Fatto 2.1 (Teorema di Parseval) Se f (t) ` un segnale continuo e F () la sua trasfore mata di Fourier, allora:
+

|f (t)|2 dt =

1 2

|F ()|2 d.

(2.12)

La relazione (2.12) segue dalla diretta applicazione della denizione di trasformata di Fourier. Infatti:
Dimostrazione.
+

|f (t)|2 dt =

f (t)f(t)dt =

f (t)

1 2

F ()eit d dt.

Invertendo lordine di integrazione si ha


+

|f (t)|2 dt =

1 2

F ()

f (t)eit dt d.

Il termine tra parentesi quadre ` la trasformata di Fourier di f (t), quindi e


+

|f (t)|2 dt =

1 2

|F ()|2 d.

42

Analisi in Frequenza di Segnali Analogici

Tabella 2.2 Alcune coppie base di trasformata-antitrasformata (a, dove compare, ` un e numero reale positivo).

f (t) eat u(t) teat u(t) ea|t| eat


2

F() 1 a + i 1 (a + i)2 a2 2a + 2 2 /4a e a 2 i () + 1 eit0 2() 2( 0 ) 1 i

sgn(t) u(t) (t) (t t0 ) 1 ei0 t cos(0 t) sin(0 t) cos(0 t)u(t) sin(0 t)u(t) eat cos(0 t)u(t) eat sin(0 t)u(t) fT (t) = sinc
Tt 2

[( 0 ) + ( + 0 )] i[( + 0 ) ( 0 )] i [( 0 ) + ( + 0 )] + 2 2 0 2 0 [( 0 ) ( + 0 )] + 2 2i 0 2 a + i 2 (a + i)2 + 0 0 2 (a + i)2 + 0 T sinc t 2

1 0

|t| < T /2 |t| > T /2

2 fT () T

2.7. Risposta in Frequenza dei Sistemi Lineari Tempo-Invarianti

43

Lenergia E(f ) di un segnale f (t) su un intervallo nito t 1 t t2 ` denita come e


t2

E(f ) =
t1

|f (t)|2 dt,

Nel caso in cui lessiva del segnale ` e

T limT + T |f (t)|2 dt

< +, possiamo concludere che lenergia comp+

E (f ) = 1 2

A causa dell relazione di Parseval risulta dunque:


+

|f (t)|2 dt.

E (f ) =

|F ()|2 d.

Possiamo allora attribuire al quadrato del modulo della trasformata di Fourier il seguente 1 signicato: 2 |F ()|2 d ` il contributo allenergia del segnale oerto dalle sue componenti e con frequenza compresa tra e + d.

2.7

Risposta in Frequenza dei Sistemi Lineari Tempo-Invarianti

Nel capitolo precedente abbiamo denito la classe dei sistemi lineari e tempo-invarianti (LTI), mostrando che il loro comportamento ` completamente individuato dalla risposta e del sistema alla funzione impulsiva (t). Infatti (Fatto 1.5) se S ` un sistema lineare tempo-invariante, h(t) ` la risposta S((t)) e e del sistema allimpulso (t) e g(t) ` la risposta S(f (t)) del sistema allingresso f (t), allora e g(t) =

f (x)h(t x)dx.

In altri termini, luscita g(t) del sistema S ` la convoluzione dellingresso f (t) con la e risposta allimpulso h(t). A causa della propriet` di convoluzione riportata in Tabella 2.1, a denotando con F (), H() e G() rispettivamente le trasformate di Fourier di f (t), h(t) e g(t), si ottiene: G() = H()F (). La trasformata di Fourier H() della risposta h(t) allimpulso ` spesso chiamata fune zione di trasferimento del sistema. Analizzando il comportamento del sistema nel dominio delle frequenze anzich nel dominio dei tempi, possiamo concludere: e Fatto 2.2 La risposta nel dominio delle frequenze G() di un sistema LTI con funzione di trasferimento H() ` il prodotto della trasformata di Fourier F () dellingresso per la e funzione di trasferimento H(). Osserviamo in particolare che |G()| = |H()||F ()|: i sistemi lineari tempo-invarianti sono quindi in grado di operare una certa selezione sulle frequenze, ampliando o attenuando in uscita le componenti armoniche dellingresso. Per questa attitudine a ltrare componenti in frequenza, i sistemi LTI sono anche detti ltri lineari.

44

Analisi in Frequenza di Segnali Analogici

2.7.1

Filtri Ideali

Un sistema senza distorsione ` un sistema che riproduce in uscita la stessa forma del e segnale dingresso, a meno di un eventuale fattore amplicativo e di un eventuale ritardo temporale. Un tale sistema pu` essere quindi descritto dalla trasformazione: o g(t) = Af (t t0 ). Passando alle trasformate di Fourier e applicando la propriet` di traslazione temporale, si a ha: G() = Aeit0 F (). La funzione di trasferimento H() del sistema ` quindi data da: e H() = Aeit0 . Si noti che il modulo della funzione di trasferimento ` costante (|H()| = A) mentre la e fase ` lineare ( H() = t0 ). e Un sistema che annulla le componenti armoniche in determinati intervalli di frequenza e che si comporta come un sistema senza distorsione sulle frequenze rimanenti ` detto e ltro ideale. Un esempio di ltro ideale ` il ltro passa-basso, che passa (riproduce in e uscita con guadagno costante e fase lineare) le componenti con frequenza non superiore a una certa frequenza di taglio c , ed elimina quelle con frequenza superiore a questa soglia. Tale ltro ha quindi la seguente funzione di trasferimento: H() = Aeit0 , 0, || < c , || > c

il cui modulo e la cui fase sono mostrati in Figura 2.10.

H()

H()

Figura 2.10 Risposta in frequenza di un ltro passa-basso ideale.

Un ltro passa-alto, viceversa, elimina le componenti in frequenza basse e passa quelle alte (superiori a c ); il ltro passa-banda inne, passa una banda o intervallo di componenti in frequenza (a < < b ) ed elimina quelle inferiori o superiori ad essa. Le bande

2.7. Risposta in Frequenza dei Sistemi Lineari Tempo-Invarianti

45

evidenziate in questi esempi sono quindi due: la banda che interessa preservare eettivamente (banda passante) e la banda nella quale si richiede leliminazione (banda proibita). Modulo e fase di ltri passa-alto e passa-banda sono mostrati in Figura 2.11.
H() H()

H() c c 1

H() 1 2

Figura 2.11 Risposta in frequenza di ltri passa-alto e passa-banda.

Esempio 2.7.1 Ricostruzione di due segnali a partire dalla loro somma. Fissati due segnali f1 (t) e f2 (t), si vuole ricostruire f1 (t) o f2 (t) conoscendo la loro somma f (t) = f1 (t) + f2 (t). Questo non ` in generale possibile, poich la conoscenza e e della somma non permette di individuare univocamente gli addendi. La ricostruzione ` tuttavia possibile in certi casi particolari. e Supponiamo qui che i supporti delle trasformate F1 () e F2 () dei segnali f1 (t) e f2 (t) siano disgiunti. Per esempio, consideriamo il caso in cui F1 () = 0 per > W1 e F2 () = 0 per < W2 , con W1 < W2 (considerando solo valori non negativi delle frequenze). Applicando al segnale somma f (t) un ltro ideale passa-basso con frequenza di taglio W1 , si ottiene in uscita il segnale f1 (t). Infatti, se la funzione di trasferimento del ltro ` e 1, || < W1 H() = , 0, || > W1 la trasformata di Fourier G() delluscita ` tale che: e G() = H()F (). Ricordando che per W1 risulta F () = F1 () e H() = 1, mentre per > W1 risulta H() = 0 si ottiene: G() = F1 (). Antitrasformando, concludiamo che il ltro produce il segnale f1 (t).

Per studiare il comportamento di un ltro ideale nel dominio del tempo, basta osservare che la risposta h(t) del ltro allimpulso (t) ` lantitrasformata di Fourier della sua e

46

Analisi in Frequenza di Segnali Analogici

funzione di trasferimento. Per ssare le idee, consideriamo qui un ltro passa-basso con funzione di trasferimento H() dove: H() = 1, 0, || < c . || > c

Come ricavato nellesempio 2.5.8, lantitrasformata di Fourier di H(), e quindi la risposta allimpulso di tale sistema, ` la funzione e h(t) = il cui graco ` dato in Figura 2.12. e sin c t , t

h(t)

c t

Figura 2.12 Risposta allimpulso di un ltro passa-basso ideale.

Si osserva che h(t) ` in generale diversa da zero per t < 0 e quindi il ltro ideale ` un e e sistema lineare tempo-invariante ma non causale. Questo signica che un ltro ideale non pu` essere realizzato in pratica se si intende mantenere un qualche principio di causalit`; o a lapprossimazione di ltri ideali con ltri sicamente realizzabili sar` studiata in seguito. a

2.7.2

Sistemi Caratterizzati da Equazioni Dierenziali Lineari a Coecienti Costanti

Unimportante classe di sistemi LTI ` quella in cui lingresso f (t) e luscita g(t) soddisfano e unequazione dierenziale lineare a coecienti costanti della forma:
N

ak
k=0

dk g(t) = dtk

bk
k=0

dk f (t) . dtk

(2.13)

Si osservi che il sistema presentato nellEsempio 1.3.2 corrisponde al caso particolare in cui N = 1 e M = 0; come vedremo in seguito, circuiti ottenuti con resistenze, induttanze e condensatori realizzano sistemi i cui comportamenti sono descritti dallequazione dierenziale (2.13).

2.7. Risposta in Frequenza dei Sistemi Lineari Tempo-Invarianti

47

Poich in generale unequazione dierenziale ammette innite soluzioni, occorre dare e delle condizioni ausiliarie per determinare completamente la relazione ingresso-uscita del sistema. In particolare, ` qui suciente assumere che il sistema sia causale, cio` g(t) = 0 e e per t < t0 se f (t) = 0 quando t < t0 . Vogliamo ora determinare la funzione di trasferimento del sistema descritto dallequazione (2.13). Se si applica la trasformata di Fourier ad entrambi i membri della (2.13) si ottiene
N

F
k=0

ak

dk g(t) dtk

=F
k=0

bk

dk f (t) dtk

Dalla propriet` di linearit`: a a


N

ak F
k=0

dk g(t) dtk

=
k=0

bk F

dk f (t) dtk

e dalla propriet` di dierenziabilit` (Tabella (2.1)), denotando con F () e G() rispettia a vamente la trasformata di Fourier di f (t) e f (t), si ha che:
N M

ak (i)k G() =
k=0 k=0

bk (i)k F (),

o equivalentemente G() =

M k k=0 bk (i) F (). N k k=0 ak (i)

Concludiamo che la funzione di trasferimento H() di questo sistema ` della forma: e H() =
M k k=0 bk (i) . N k k=0 ak (i)

Si osservi che la funzione H() ` una funzione razionale, cio` un rapporto di polie e nomi nella variabile i. I coecienti del numeratore sono esattamente i coecienti del membro sinistro della (2.13), mentre i coecienti del denominatore sono esattamente i coecienti del membro della (2.13). In questo modo H() pu` essere facilmente dedotta o dallequazione dierenziale stessa e antitrasformata applicando il metodo delle frazioni parziali come mostrato nel seguente esempio.
Esempio 2.7.2 Si consideri un sistema LTI caratterizzato dalla seguente equazione dierenziale dy(t) dx(t) d2 y(t) +4 + 3y(t) = + 2x(t). dt2 dt dt Per quanto visto in precedenza la risposta in frequenza del sistema `: e H() = (i)2 i + 2 . + 4(i) + 3

48

Analisi in Frequenza di Segnali Analogici Per determinare la corrispondente risposta allimpulso ` richiesta la trasformata ine versa di H(). Questo pu` essere fatto mediante limpiego della tecnica di espansione o in frazioni parziali. Come primo passo fattorizziamo il denominatore scrivendolo nella forma: i + 2 H() = . (2.14) (i + 1)(i + 3) Poich` le due radici sono distinte e di molteplicit` uno1 , espandiamo H() nella somma e a di funzioni razionali pi` semplici (frazioni parziali): u H() = A2 A1 + . (i + 1) (i + 3) (2.15)

Il problema ora ` quello di determinare le costanti A1 e A2 . Un semplice metodo ` e e oerto dalla seguente procedura: supponiamo di voler calcolare la costante A 1 , allora moltiplicando entrambi i membri della (2.15) per (i + 1) otteniamo (i + 1)H() = A1 + A2 (i + 1) . i + 3

Valutando lequazione precedente in i = 1 si ha che A1 = (i + 1)H()|i=1 da cui, sostituendo H() con la (2.14), sia ricava che A1 = i + 2 i + 3 =
i=1

1 . 2

1 Analogamente si trova che A2 = 2 , da cui 1 2 1 2

H() =

i + 1

i + 3

(2.16)

DallEsempio 2.5.2 sappiamo riconoscere la trasformata inversa di ciascuno dei due termini della (2.16), ottenendo il seguente risultato: h(t) = 1 1 t e u(t) + e3t u(t). 2 2

Il rapporto ingresso-uscita del sistema causale descritto dallequazione dierenziale qui considerata risulta quindi:
+

g(t) =
0

1 1 ( e + e3 )f (t )d. 2 2

Qualora una radice, che chiamiamo q, sia di molteplicit` s > 1, verr` espansa come la somma di s a a A11 A12 A1s funzioni razionali nel seguente modo: (i+q) + (i+q)2 + + (i+q)s .

2.8. Modulazione e Demodulazione in Ampiezza (AM)

49

2.8

Modulazione e Demodulazione in Ampiezza (AM)

Una rilevante caratteristica dei segnali ` la loro trasmissibilit` attraverso opportuni canali. e a Le operazione di modulazione hanno lo scopo di rilocare il segnale da trasmettere in un diversa banda di frequenza, mantenendo linformazione codicata. Questa necessit` ` a e dovuta a tre ragioni principali: 1. la presenza di pi` trasmettitori sulla stessa banda di frequenza creerebbe problemi u di sovrapposizione. Per esempio, i segnali del parlato variano su un un range di frequenze da 0 a 4000 Hz, la musica da 0 a 20 kHz, i segnali video originali da 0 a 5 MHz; se segnali dello stesso tipo fossero trasmessi contemporaneamente sulla stessa frequenza, in ricezione si avrebbero pesanti interferenze; 2. ci sono numerosi disturbi nelle basse frequenze (luce elettrica, motori elettrici), da qui limportanza di trasmettere su alte frequenze; 3. la lunghezza donda ` inversamente proporzionale alla frequenza. In una trasmissione e con onde elettromagnetiche, ad esempio, che si muovono alla velocit` della luce, 5 a kHz corrispondono a 60 km di lunghezza donda; antenne di questa dimensione sarebbero quanto meno poco pratiche. Un modo per rilocare il segnale su diverse bande di frequenza ` quello di moltiplicare e il segnale per una sinusoidale di opportuna frequenza 0 : g(t) = A cos 0 t f (t) Il sistema cos` realizzato ` un sistema lineare ma non tempo-invariante, detto modulazione e di ampiezza (AM). Ricordando che cos 0 t = 1 ei0 t + ei0 t , passando al dominio delle frequenze (vedi 2 propriet` di modulazione in paragrafo 2.5.3) si ha: a G() = A (F ( + 0 ) + (F ( 0 )) . 2

Poich f (t) ` un segnale reale, sappiamo che |F ()| ` una funzione pari; supponiamo e e e inoltre che F () sia a banda limitata, cio` che F () sia nulla per || W come mostrato e nel graco di Figura 2.13. Il segnale ha componenti non nulle per frequenze W W . Se 0 W , il segnale modulato g(t) ha, per frequenze positive, componenti non nulle per 0 W 0 +W , come mostra il graco di Figura 2.14. Possiamo allora comcludere: Fatto 2.3 Un segnale f (t) a banda limitata da W pu` essere completamente ricostruito o dal segnale modulato g(t) = A cos 0 tf (t), se 0 > W .

50
F()

Analisi in Frequenza di Segnali Analogici

-W

Figura 2.13 Modulo della trasformata di un segnale reale f .


G()

0-W

0 +W

Figura 2.14 Modulo della trasformata del segnale modulato g.

Osserviamo che, per segnali a banda limitata da W e con 0 > W , il segnale modulato g(t) ` ridondante ai ni della ricostruzione di f (t). Infatti, poich G( 0 ) = G(0 + ) e e per 0 W , il segnale g(t), e quindi f (t), pu` essere ricostruito sulla base della o conoscenza di G() nellintervallo (side) 0 0 + W anzich sullintero intervallo e (double-side) 0 W 0 + W . Per questo motivo la modulazione di ampezza prima introdotta ` chiamata AMDSBe SC (Amplitude Modulation Double-Sideband Suppressed Carrier); essa comporta una richiesta di banda per la trasmissione di dimensione almeno 2W , e un certo sforzo ` e stato dedicato a perfezionare loperazione di modulazione per poter risparmiare banda (riducendola del 50%) per la trasmissione. Uno dei metodi adottati consiste nellapplicare un ltro passa-banda per eliminare le frequenze indesiderate. Abbiamo visto che, in linea di principio, il segnale f (t) pu` essere ricostruito sulla base o del segnale modulato g(t). Descriviamo ora brevemente un sistema di demodulazione, in grado di realizzare eettivamente la ricostruzione. Per prima cosa si applica al segnale g(t) = A cos 0 tf (t) una nuova modulazione ottenendo il segnale z(t) = cos 0 tg(t) = A cos2 0 f (t). Ricordando la formula di bisezione del coseno cos 2 0 t = (1 + 2 cos 20 t)/2, si ottiene: A z(t) = f (t) + Af (t) cos 20 t. 2

2.8. Modulazione e Demodulazione in Ampiezza (AM)

51

Applicando le trasformate di Fourier, lespressione precedente diventa: Z() = A A F () + [F ( + 20 ) + F ( 20 )] . 2 2

Se f (t) ` a banda limitata da W e se 0 > 2W , applicando a z(t) un ltro passa-basso con e frequenza di taglio W si ottiene il segnale A f (t). Il sistema complessivo di modulazione, 2 trasmissione e demodulazione ` rappresentato nella Figura 2.15. e
A cos 0t cos 0 t
Filtro

f(t)

g(t) g(t) z(t)

Passabasso

A/2 f(t)

Figura 2.15 Modulazione AM, trasmissione e demodulazione AM.

Unulteriore applicazione della modulazione AM ` la possibilit` di trasmettere simule a taneamente pi` segnali (a banda limitata da W ) sullo stesso canale. Supponiamo di voler u trasmettere due segnali f1 (t) e f2 (t) a banda limitata da W . Possiamo procedere come segue: 1. si modulano f1 (t) e f2 (t) con due diverse frequenze 1 e 2 ottenendo g1 (t) = A cos 1 tf1 (t) e g2 (t) = A cos 2 tf2 (t); 2. si sommano i due segnali g1 (t) e g2 (t) trasmettendo il segnale g(t) risultante; 3. se 1 , 2 > W e |1 2 | > 2W , ` facile osservare che i supporti di G 1 () e G2 () e risultano disgiunti, e quindi dal segnale g(t) ` possibile ricostruire i segnali g 1 (t) e e g2 (t) con lapplicazione degli opportuni demodulatori. Un esempio di sistema che trasmette simultaneamente 2 segnali modulati sullo stesso canale ` mostrato in Figura 2.16. e Il metodo precedente pu` essere facilmente esteso alla trasmissione sullo stesso canale o di N segnali a banda limitata da W : in questo caso la larghezza della banda utilizzata dovr` essere almeno 2N W . a
Esempio 2.8.1 Le stazioni per trasmissioni radio commerciali in AM utilizzano una modulazione leggermente diversa da quella da noi trattata, detta AMSB-TC o AM convenzionale: g(t) = A(1 + af (t)) cos 0 t. Nella formula precedente f (t) ` un segnale normalizzato, in modo che |f (t)| 1, ed e il parametro a ` un numero reale compreso tra 0 ed 1, detto indice di modulazione. e

52

Analisi in Frequenza di Segnali Analogici


cos 1 t f1(t) cos 2 t

A cos 1 t

g(t)

g(t)

Filtro passabasso

A/2 f1 (t)

f2(t)

B cos 2t

Figura 2.16 Trasmissione simultanea di 2 segnali modulati (AM) e ricezione.

Mentre f (t) pu` assumere anche valori negativi, il termine 1 + af (t) risulta sempre o positivo: il segnale g(t) pu` quindi essere demodulato con un semplice rivelatore di o inviluppo, ottenendo in uscita il segnale A(1 + af (t)) che, a meno di una traslazione e di un fattore di scala, coincide con f (t). Il rivelatore di inviluppo ` basato sul fatto che, per funzioni s(t) a valori positivi, e linviluppo di s(t) cos 0 t coincide proprio con s(t), come si rileva in Figura 2.17.
s(t) s(t) cos t
0

Inviluppo

Figura 2.17 Inviluppo del segnale s(t) cos 0 t, con s(t) 0.

La modulazione AM convenzionale presenta allora una maggior complessit` nel sisa tema che eettua la modulazione, semplicando tuttavia il ricevitore, come si addice alle trasmissioni broadcast. Un semplice rivelatore di inviluppo ` dato dal circuito e mostrato in Figura 2.18. Esso ` composto da un diodo che, avendo in ingresso il segnale m(t), da in uscita il e segnale m(t)u(m(t)), eliminando quindi le componenti negative del segnale, e da un circuito RC che elimina le componenti in alta frequenza. La banda disponibile per trasmissioni in AM varia da 535 a 1605 kHz; tale banda

2.9. Modulazione e Demodulazione in Frequenza (FM)

53

s(t) cos t
0

Figura 2.18 Rivelatore di inviluppo.

viene divisa in identici blocchi di 10 kHz e ad ogni stazione viene assegnato un blocco: la stazione pu` allora trasmettere senza interferire messaggi con limite di banda di 5 o kHz.

2.9

Modulazione e Demodulazione in Frequenza (FM)

In questo paragrafo discutiamo unaltra importante tecnica di modulazione analogica: la modulazione in frequenza (FM). Il sistema che realizza la modulazione in frequenza ha un comportamento descritto dalla seguente relazione ingresso-uscita:
t

g(t) = A cos 0 t +
0

f ( )d

Per semplicit` di trattazione, in questo paragrafo supporremo che il segnale di ingresso a f (t) sia normalizzato, e che quindi |f (t)| 1. I parametri A, e 0 sono numeri positivi arbitrari, in cui ipotizziamo tuttavia che , detto indice di modulazione, sia molto minore di 0 . Questo fa s` che il termine 0 + f (t) risulti sempre positivo. Osserviamo che: 1. Il sistema che realizza la FM non ` lineare, contrariamente a quel che accadeva per e la AM; un sinonimo spesso usato in luogo di FM ` infatti quello di modulazione e non lineare. 2. Per un segnale di tipo cos m(t) ` possibile introdurre il concetto di frequenza istane tanea i (t) al tempo t, data da: i (t) = d m(t). dt

A giusticazione del nome frequenza istantanea, osserviamo che se m(t) = 0 t+B, la frequenza istantanea ` costante nel tempo e coincide con la frequenza 0 . e

54

Analisi in Frequenza di Segnali Analogici

La frequenza istantanea del segnale g(t) = A cos( 0 t + FM risulta: i (t) = 0 + f (t).

t 0

f ( )d ) modulato in

Il segnale modulato ha quindi un incremento di frequenza istantanea proporzionale al segnale in ingresso, ed il coeciente ` la costante di proporzionalit`; le frequenze e a istantanee, inoltre, assumono valori in un intorno di 0 , variando da 0 a 0 + . Discutiamo ora brevemente i seguenti due punti: 1. determinare la banda su cui un segnale a banda limitata da W viene rilocato dalla modulazione in frequenza; 2. determinare un sistema che permetta di ricostruire un dato segnale a partire dal segnale modulato in frequenza (demodulazione).

2.9.1

Ampiezza di Banda di un Segnale Modulato in Frequenza

Abbiamo visto che la AM con parametro 0 riloca un segnale a banda limitata da W sulla banda centrata intorno a 0 e di larghezza 2W ; lo stesso segnale viene rilocato dalla FM con parametri 0 e nella banda di frequenza centrata attorno a 0 e di larghezza data dalla regola di Carlson (vedi anche Figura 2.19): = 2W (1 + ), con =
W .

Due casi particolarmente interessanti sono: 1. Modulazione in frequenza a banda stretta, in cui 0 (in pratica < 0.2). In questo caso la regola di Carson d`: a 2W. La FM a banda stretta si comporta quindi come la AM per quanto riguarda loccupazione di banda. 2. Modulazione in frequenza a banda larga, in cui In questo caso la regola di Carson d`: a 2W = 2. Poich e 2W , in questo caso la FM utilizza pi` banda della AM. u 1.

2.9. Modulazione e Demodulazione in Frequenza (FM)

55

F() 0 W 0 0 +W

Segnale rilocato in AM
W +W

Segnale a banda limitata da W

W (1+)
0

+W (1+)
0

Segnale rilocato in FM

Figura 2.19 Modulazione in AM e in FM.

Allo scopo di fornire una giusticazione delle precedenti aermazioni, consideriamo un segnale a banda limitata da W che, per semplicit`, scegliamo essere cos W t. Il segnale a modulato risulta allora essere:
t

cos 0 t +
0

cos W d

= cos(0 t + sin W t).

Applicando la formula trigonometrica del coseno della somma, il segnale modulato pu` o essere inne descritto: cos 0 t cos( sin W t) sin 0 t sin( sin W t). (2.17)

La (2.17) mostra che il segnale modulato in frequenza ` essenzialmente la somma e delle modulazioni in ampiezza dei segnali cos( sin W t) e sin( sin W t): se proviamo che cos( sin W t) e sin( sin W t) sono segnali a banda limitata da un opportuno M , possiamo concludere che il segnale a banda limitata da W viene rilocato dalla FM nella banda 0 M || 0 + M . Nel caso della modulazione in frequenza a banda stretta, essendo 0 possiamo approssimare: cos( sin W t) 1, sin( sin W t) sin W t. Allora M = W e lampiezza di banda del segnale modulato ` 2W , in accordo alla regola e di Carson.

56

Analisi in Frequenza di Segnali Analogici

Nel caso della modulazione in frequenza a banda larga, si pu` osservare che le funo zioni cos( sin W t) e sin( sin W t) sono funzioni periodiche di periodo T = 2/W . Esse possono essere espanse in serie di Fourier ed approssimate restringendo la serie alle componenti armoniche pi` signicative. Osservando che cos( sin W t) ` una funzione pari e u e che sin( sin W t) ` una funzione dispari, si ha: e cos( sin W t) = J0 () +
n2, n pari

Jn () cos(nW t), Jn () cos(nW t),

sin( sin W t) =
n1, n dispari

dove i coecienti Jn (), dipendenti da , sono: Jn () = 1 2


ei( sin tnt) dt.

Le funzioni Jn (), dette funzioni di Bessel di prima specie, sono ben studiate per il loro interesse in sica-matematica. Fissato 1, ` in particolare noto che J n () 0 per e n > : la componente armonica di maggior frequenza signicativamente presente nelle espansioni in serie di cos( sin W t) e sin( sin W t) si ha in corrispondenza di n = , ed ` quindi cos(W t), con frequenza M = W = . Questo implica che, se e 1, la larghezza di banda del segnale modulato ` 2, in accordo con la regola di Carson. e

2.9.2

Demodulazione di Segnali Modulati in Frequenza

La frequenza istantanea del segnale ottenuto modulando in frequenza f (t) ` data da: e i (t) = 0 + f (t). In altre parole, la frequenza istantanea coincide con f (t), a meno di una traslazione e di un fattore di scala. Per demodulare in frequenza ` quindi suciente costruire un sistema che, avendo in e ingresso un segnale del tipo cos m(t), d` in uscita la sua frequenza istantanea i (t) = a d m(t). dt Sistemi con questo tipo di comportamento sono detti discriminatori di frequenza: in Figura 2.20 viene mostrato il processo di modulazione, trasmissione e demodulazione in frequenza. In linea di principio, per ottenere un discriminatore di frequenza si pu` considerare o il sistema dierenziatore che, avendo in ingresso il segnale m(t), d` in uscita il segnale a d dt m(t). Ponendo in ingresso a tale sistema il segnale modulato
t

A cos 0 t +
0

f ( )d

2.9. Modulazione e Demodulazione in Frequenza (FM)


Modulatore Discriminatore di frequenza

57

f(t)

di frequenza

0 + f(t)

Figura 2.20 Modulatore e discriminatore di frequenza.

si ottiene in uscita il segnale


t

A(0 + f (t)) sin 0 t +


0

f ( )d

Si osservi che questo segnale ` il prodotto di una funzione m(t) = A( 0 + f (t)), sempre e t positiva poich e 0 , per una funzione s(t) = sin(0 t + 0 f ( )d ) che ` approssie mativamente una sinusoide di frequenza 0 , e pi` precisamente con frequenze istantanee u comprese tra 0 t e 0 t+. La Figura 2.21 evidenzia che il segnale m(t) corrisponde allinviluppo di m(t)s(t).
m(t) m(t)s(t) Inviluppo

Figura 2.21 Principio per la demodulazione in frequenza.

Il segnale m(t) pu` allora essere ricostruito determinando linviluppo di m(t) sin( 0 t + o t 0 f ( )d ) mediante un rivelatore di inviluppo del tipo di quello rappresentato in Figura 2.18. Un discriminatore di frequenza pu` quindi essere ottenuto dalla composizione o di un dierenziatore e di un rilevatore di inviluppo.
Esempio 2.9.1 Le trasmissioni radio commerciali in modulazione di frequenza avvengono in banda VHF, cio` con frequenze comprese tra 30 MHz e 300 MHz. e

58

Analisi in Frequenza di Segnali Analogici e Lindice di modulazione utilizzato f (= ) ` di 75 kHz e ogni stazione ha a dis2 posizione una banda di 200 kHz: ogni stazione pu` quindi spedire segnali limitati in o frequenza a 15 kHz e modulati in FM a banda larga. Infatti, per tali segnali, = 75 = 5, quindi la modulazione ` a banda larga; applicando e 15 inoltre la regola di Carson, il segnale viene rilocato su una banda di larghezza uguale a 2 15 (1 + 5) = 180 kHz, minore della banda di 200 Khz disponibile.

Esempio 2.9.2 Quando la modulazione in frequenza ` utilizzata per la trasmissione di segnali digitali e (segnali a due valori, per esempio 0 e 1), la tecnica di modulazione viene detta FSK (frequency shift keying). La modulazione FSK ` realizzata dal sistema che, avendo in e ingresso un segnale f (t) a valori 0 o 1, d` in uscita il segnale g(t) tale che: a g(t) = A cos 1 t, se f (t) = 1 A cos 2 t, se f (t) = 0.

In Figura 2.22 viene riportata la modulazione FSK g(t) del segnale f (t) consistente in una sequenza alternata di 1 e 0; si assume che 1 = 4 e 2 = 8 . T T

f(t)

T g(t) A

2T

3T

4T

5T

6T

t A T 2T 3T 4T 5T 6T

Figura 2.22 Modulazione FSK.

La massima frequenza W signicativamente presente nel segnale f (t) ` W = 4 . La e T larghezza di banda su cui viene rilocato f (t) ` ottenuta osservando che la frequenza e istantanea i (t) assume i due valori 1 = 0 e 2 = 0 + .

2.9. Modulazione e Demodulazione in Frequenza (FM) e Ne consegue che 0 = 6 e 0 = 2 ; poich` = = 1 , applicando la regola di T T W 2 Carson si ricava che la larghezza di banda BW ` approssimativamente: e BW = 2W (1 + ) 12 . T

59

Esistono vari metodi di demodulazione per segnali modulati FSK. Una semplice tecnica, illustrata in Figura 2.23, consiste nellapplicare al segnale modulato in parallelo due ltri passa-banda centrati rispettivamente su 1 e 2 , e nel confrontare gli inviluppi dei segnali cos` ottenuti.
Filtro passabanda centrato su 1 Rivelatore inviluppo di f (t)
1

g(t)

f(t)

Filtro passabanda centrato su 2

Rivelatore inviluppo

di f (t)
2

Figura 2.23 Demodulazione di un segnale modulato FSK.

Capitolo 3

Filtri Analogici

I ltri ideali sono caratterizzati da funzioni di trasferimento a modulo costante in banda passante, nullo in banda proibita e aventi fase lineare. Poich tali ltri non sono causali, e essi possono essere soltanto approssimati da ltri sicamente realizzabili. Il problema della realizzazione di ltri per una data applicazione non ` quindi banale, e richiede almeno e tre passi per la sua soluzione: Individuazione delle speciche del ltro data la particolare applicazione. Determinazione della funzione di trasferimento di un ltro soddisfacente le speciche individuate. Realizzazione sica di un sistema la cui funzione di trasferimento coincide con quella determinata. La determinazione di speciche sucientemente precise ` il primo passo per ottenere e un ltro da adottare per una data applicazione. Al ne di descrivere le speciche del ltro che si intende realizzare, ` necessaria la conoscenza dei parametri che permettano e 61

62

Filtri Analogici

di valutare la qualit` dellapprossimazione a un ltro ideale, quali la frequenza di taglio a a 3dB, la frequenza di stop, lampiezza della banda di transizione, lattenuazione, la linearit` a della fase. Lindividuazione del ltro viene poi ottenuta selezionando la funzione di trasferimento di un ltro causale che soddisfa le speciche assegnate; in questo capitolo ci limitiamo a richiamare la soluzione di questo problema allinterno delle famiglie di ltri di Butterworth e di Chebishev. Lultima fase consiste nella realizzazione sica del sistema di cui ` nota la funzione di e trasferimento. Le realizzazioni siche possono essere classicate sulla base delle componenti costituenti il sistema: ltri a elementi RLC passivi, ltri a elementi RC attivi, ltri a microonde, ltri a cristallo, ltri elettromeccanici. In questo capitolo accenniamo alle tecniche di analisi per circuiti RLC passivi, richiamando i principi di Kirko, e alla progettazione di ltri di Butterworth mediante circuiti a elementi attivi come gli amplicatori operazionali.

3.1

Caratteristiche dei Filtri Analogici

Nel Capitolo 2 abbiamo introdotto la nozione di ltro ideale e delineato le principali tipologie: ltro passa-basso, passa-alto e passa-banda. In questo paragrafo studiamo la realizzazione pratica di ltri ideali; faremo riferimento esclusivamente a ltri passa-basso, poich le considerazioni riportate di seguito possono essere estese senza dicolt` agli altri e a casi. I graci (modulo e fase) della tipica funzione di trasferimento di un ltro ideale sono riportati in Figura 3.1.
H() H()

Banda passante 0 c Freq. taglio

Banda proibita c 0

Figura 3.1 Modulo e fase della funzione di trasferimento di un ltro ideale.

La funzione di trasferimento H di un ltro ideale passa-basso possiede le seguenti caratteristiche: 1. |H| ` costante nella banda passante ed ` identicamente nullo nella banda proibita; e e 2. la banda passante e la banda proibita sono connanti (separate dalla frequenza di taglio);

3.1. Caratteristiche dei Filtri Analogici

63

3. la risposta in fase H ` lineare; questo signica che le varie componenti armoniche e nella banda passante hanno tutte lo stesso ritardo temporale. Purtroppo la risposta allimpulso di un sistema che realizza un ltro ideale ` del tipo e essa assume valori dierenti da 0 per t < 0 e quindi tale sistema non ` causale. e Questo signica che ogni sistema realizzabile non potr` mai vericare contemporaneaa mente le caratteristiche 1., 2. e 3.; in questo paragrafo introduciamo alcuni parametri che descrivono la bont` con cui un ltro realizzabile in pratica approssima un ltro ideale. a
sin(c t) ; t

Indicando con H() la funzione di trasferimento di un eventuale ltro passa-basso realizzabile, sappiamo che H() ` completamente specicata dal suo modulo |H()| e e dalla sua fase H(). La Figura 3.2 mostra la tipica forma di |H()| e H() per un ltro passa-basso realizzabile.
() 1 1 1

H( )

2 Banda Passante c Freq. taglio 3dB Banda Transizione s Banda Proibita

Figura 3.2 Modulo e fase di un ltro passa-basso realizzabile.

Rispetto a un ltro ideale possiamo rilevare le seguenti dierenze: 1. |H()| non ` costante nella banda passante e non ` identicamente nullo nella banda e e proibita; si possono rilevare inoltre oscillazioni (ripple) di ampiezza non trascurabile sia nella banda passante che in quella proibita. Un parametro importante ` lampieze za della massima oscillazione in banda proibita 2 , o equivalentemente, lattenuazione 20 log 10 2 dB. 2. la banda passante e la banda proibita non connano, ma sono separate da una banda detta banda di transizione. Parametri importanti sono la frequenza di taglio a 3 dB c , la frequenza di stop s e la dimensione della banda di transizione s c . 3. la fase H() non risulta essere lineare.

Analizziamo ora separatamente il signicato sico del modulo e della fase della funzione di trasferimento di un ltro.

64

Filtri Analogici

Guadagno Osserviamo innanzitutto che |H()| ` collegato al concetto di guadagno. A tal riguardo e ricordiamo che se F () e G() sono le trasformate di Fourier rispettivamente dellingresso e delluscita di un sistema con funzione di trasferimento H(), vale che G() = H()F (). Questo implica: |H()|2 = |G()|2 |G()|2 d = . |F ()|2 |F ()|2 d

Ricordiamo che |G()|2 d e |F ()|2 d rappresentano la potenza (o lenergia) delle componenti a frequenza tra e + d rispettivamente nel segnale di uscita e quello di ingresso; |H()|2 individua allora il guadagno, cio` il rapporto tra la potenza (o lenergia) del segnale e in uscita e quello in ingresso alle varie frequenze. Si osservi che per ltri senza oscillazioni in banda proibita, lattenuazione risulta essere g(s ), dove s ` la frequenza di stop. e In molte applicazioni, anzich considerare direttamente il graco di |H()|, si preferisce e dare il graco del guadagno |H()|2 in scala logaritmica; il guadagno pu` essere pertanto o convertito nel seguente numero g() di decibel: g() = 10 log 10 |H()|2 dB = 20 log 10 |H()| dB.
Esempio 3.1.1 Un sistema che a una data frequenza converte un ingresso F () di 5 V in una uscita G() di 1 V, ha un guadagno a quella frequenza dato in dB da: 20 log10 1 dB = 13.97 dB. 5

Poich in un ltro realizzabile la banda passante e quella proibita non connano, e bisogna attribuire un signicato convenzionale alla frequenza di taglio. Una usuale nozione ` quella di frequenza di taglio a 3dB, cio` la frequenza per la quale si ha un guadagno del e e 1 50% di quello in banda passante, che misurato in decibel equivale a 20 log 10 2 dB 3 dB. Se |H()| 1 in banda passante, allora la frequenza di taglio a 3dB ` quella frequenza e c per cui: 1 |H(c )|2 = . 2

3.1. Caratteristiche dei Filtri Analogici Esempio 3.1.2 Determinare la frequenza di taglio a 3 dB del ltro passa-basso con guadagno |H()| 2 = 1 (1+ 2 /100) . Il guadagno in banda passante ` 1 e la frequenza di taglio c ` quella per cui e e 1/2. Risolvendo lequazione si ottiene c = 10 Hz.
1 (1+ 2 /100)

65

Un utile nozione che permette di coprire grandi range di frequenze ` quella di decade: e una decade ` un intervallo tra una frequenza e 10. La misura di attenuazione di un ltro e ` data usualmente in dB/decade: dB/decade signica che il ltro ha unattenuazione di e dB ogni decade di frequenza.
Esempio 3.1.3 Si consideri un ltro con funzione di trasferimento H() tale che |H()|2 = Vale che: 10 log10 |H()|2 = 20 log10 (1 + 2N ) 20N log10 , Lattenuazione in banda proibita ` allora: e 20N log10 10 20N log10 = 20N dB/decade. (per su. grande). 1 . 1 + 2N

Un ltro non ha virtualmente attenuazione nella banda passante, mentre lattenuazione in banda proibita ` un importante parametro di prestazione del ltro. La banda proibita ` e e data dallinsieme delle frequenze per le quali il guadagno ` inferiore a una opportuna soglia e di attenuazione che normalmente viene stabilita in funzione della particolare applicazione. Se indichiamo con s , come in Figura 3.2, la frequenza di stop, cio` la frequenza di inizio e della banda proibita, le frequenze tra c ed s costituiscono la banda di transizione.
Esempio 3.1.4
1 Si consideri il ltro con funzione di trasferimento |H()|2 = 1+(/100)8 . Determinare lampiezza della banda di transizione sapendo che la frequenza di stop corrisponde ad unattenuazione di 40 dB.

La frequenza di taglio a 3 dB ` di 100 Hz. La frequenza di stop s verica per ipotesi e 40 = 20 log10 |H(s )|. Risolvendo tale equazione si ottiene s 316 Hz. La dimensione della banda di transizione risulta 316 100 = 216 Hz.

66

Filtri Analogici

Linearit` della fase a Discutiamo ora leetto prodotto dalla non linearit` della fase della funzione di trasferia mento del ltro. A tal riguardo, consideriamo per semplicit` un sistema che ammette una a funzione di trasferimento con modulo |H()| = G() e fase H() = (), cos` che: H() = G()ei() . Il segnale (complesso) ei1 t di frequenza 1 viene trasformato dal sistema nel segnale G(1 )ei(1 t+(1 )) . Se la fase ` lineare, cio` () = t 0 per unopportuna costante t0 , il segnale di uscita e e ` e G(1 )ei1 (tt0 ) . Il segnale di uscita risulta allora essere lo stesso segnale di ingresso ritardato di un tempo t0 , qualsiasi sia la frequenza 1 : una fase lineare comporta un ritardo temporale uguale per tutte le componenti armoniche. Una fase non lineare crea invece ritardi dierenti per le componenti a diversa frequenza, creando una distorsione complessiva del segnale. Per certe applicazioni (ad esempio nei modem) le distorsioni create dalla non linearit` della fase devono essere il pi` possibile a u eliminate; in altre applicazioni la non linearit` pu` essere utilizzata per dar luogo a eetti a o speciali.

3.2

Famiglie di Filtri Causali

Abbiamo visto che un ltro ideale non ` causale e quindi pu` essere soltanto approssimato e o con ltri realizzabili sicamente. A questo riguardo abbiamo introdotto parametri che denotano la bont` nellapprossimarne il guadagno (dimensione della banda di transizione, a attenuazione, oscillazioni) o la fase (linearit`). a La progettazione di un ltro ` fortemente dipendente dallapplicazione; in certi casi e (per esempio nei sistemi audio) ` richiesta unottima risposta in fase. In altre applicazioni e la linearit` della fase ` di scarso rilievo, mentre critica ` laccuratezza nellapprossimare il a e e guadagno, e cos` via. In aiuto al progettista, sono state introdotte e analizzate varie classi di ltri usualmente disponibili in sistemi di calcolo automatico per la progettazione, limplementazione e la simulazione di ltri, quali ad esempio SCILAB . Le principali famiglie sono quella dei ltri di Butterworth, di Chebyshev, di Cauer (o ellittici) e di Bessel. In Tabella 3.1 ` mostrata e una grossolana valutazione comparativa della bont` di questi ltri (a parit` di ordine); a a analizzeremo poi pi` in dettaglio le classi di ltri di Butterworth e Chebyshev. u

3.2.1

Filtri di Butterworth

I ltri di Butterworth costituiscono una famiglia di ltri che soddisfa bene i requisiti sul guadagno in banda passante e meno bene in banda di transizione. Sebbene non esibiscano

3.2. Famiglie di Filtri Causali

67

Tabella 3.1 Caratteristiche qualitative di famiglie di ltri.

Filtro Butterworth Chebyshev Ellittico Bessel

Accuratezza appross. guadagno media buona ottima cattiva

Linearit` fase a media cattiva pessima buona

una fase lineare in banda passante, lapprossimazione non ` troppo cattiva. Un ltro di e Butterworth ` caratterizzato da 2 parametri, lordine N e frequenza di taglio c . e La forma generale del modulo della funzione di trasferimento di un ltro di Butterworth di ordine N e frequenza di taglio c ` del tipo: e 1 = |BN (i c )| 1 1+
c 2N

dove BN (s) ` un opportuno polinomio detto N -esimo polinomio di Butterworth. e Si pu` dimostrare che se N ` pari il polinomio B N (s) ` dato dal prodotto di N/2 o e e polinomi di secondo grado del tipo s 2 + bs + s con b > 0, mentre se N ` dispari allora e ` presente anche il fattore s + 1. La Tabella 3.2 mostra la fattorizzazione dei primi otto e polinomi di Butterworth.
Tabella 3.2 I primi otto polinomi di Butterworth fattorizzati.

B1 (s) = s + 1 B2 (s) = s2 + 1.414s + 1 B3 (s) = (s + 1)(s2 + s + 1) B4 (s) = (s2 + 0.765s + 1)(s2 + 1.848s + 1) B5 (s) = (s + 1)(s2 + 0.618s + 1)(s2 + 1.618s + 1) B6 (s) = (s2 + 0.518s + 1)(s2 + 1.414s + 1)(s2 + 1.932s + 1) B7 (s) = (s + 1)(s2 + 0.445s + 1)(s2 + 1.247s + 1)(s2 + 1.802s + 1) B8 (s) = (s2 + 0.390s + 1)(s2 + 1.111s + 1)(s2 + 1.663s + 1)(s2 + 1.962s + 1)

La risposta in frequenza di alcuni ltri di Butterworth ` riportata in Figura 3.3. e Si osservi:

68
() 1 N=2 0.707 N=8 N=3 N=1

Filtri Analogici

/c

Figura 3.3 Risposta in frequenza di ltri di Butterworth.

La frequenza di taglio a 3 dB ` c , indipendentemente dallordine N del ltro. e Lattenuazione nella banda proibita dipende da N in modo critico; risulta infatti unattenuazione di 20N dB per decade. Non sono presenti oscillazioni n in banda passante n in banda proibita: il ltro di e e Butterworth ` quello che presenta la miglior piattezza in banda passante. e In una tipica situazione di progetto, il parametro c risulta essere la frequenza di taglio desiderata e lordine N viene scelto in modo tale da soddisfare la richiesta di attenuazione in banda proibita.
Esempio 3.2.1 Determinare lordine di un ltro di Butterworth con frequenza di taglio di 100 Hz e frequenza di stop con attenuazione a 40 dB di 150 Hz. Il guadagno di un ltro di Butterworth di ordine N , con frequenza di taglio pari a 100 Hz `: e 1 . |H()|2 = 2N 1 + 100 La frequenza di stop ` per ipotesi la frequenza s che produce unattenuazione di 40 e dB, cio`: e 20 log10 |H(s )| = 40. Si ottiene pertanto lequazione: 150 100
2N

20 log10

1+

= 40,

dalla quale si ricava che N 5.68. Il ltro di ordine 6 soddisfa la specica.

3.2. Famiglie di Filtri Causali

69

3.2.2

Filtri di Chebyschev

Nei ltri di Butterworth la funzione guadagno ` monotona decrescente sia in banda pase sante che in quella proibita: un ltro di Butterworth quindi approssima bene un ltro ideale allinizio della banda passante, male alla ne della banda passante e allinizio di quella proibita. Un approccio pi` eciente ` quello di distribuire laccuratezza dellapprossimazione u e uniformemente lungo tutta la banda passante o quella proibita: questo pu` essere ottenuto o scegliendo unapprossimazione che ha oscillazione della stessa ampiezza su tutta la banda passante o quella proibita. Questa ` lidea base su cui ` progettata la classe dei ltri di Chebyschev: il guadagno e e di un ltro di Chebyschev ha infatti oscillazioni di uguale ampiezza in banda passante ed ` monotono decrescente in banda proibita, o viceversa. A parit` di ordine, un ltro e a di Chebyschev ha banda di transizione pi` stretta e miglior attenuazione di quello di u Butterworth; tuttavia i ltri di Chebyschev sono generalmente pi` complessi da realizzare u di quelli di Butterworth e hanno una peggiore risposta in fase. La forma generale del modulo della funzione di trasferimento di un ltro di Chebyschev di ordine N e frequenza di taglio c ` del tipo: e 1
2 1 + 2 C N ( c )

dove ` una costante minore di 1 e CN () ` un opportuno polinomio chiamato polinomio e e di Chebyschev di ordine N . Lennesimo polinomio di Chebyschev pu` essere ottenuto o dalla seguente equazione di ricorrenza: 1 se N = 0, CN () = se N = 1, 2CN 1 () CN 2 () se N > 1. I primi sei polinomi di Chebyschev sono mostrati in Tabella 3.3.
Tabella 3.3 I primi sei polinomi di Chebyschev.

C0 C1 C2 C3 C4 C5 C6

=1 = = 2 2 1 = 4 3 3 = 8 4 8 2 + 1 = 16 5 20 3 + 5 = 32 6 48 4 + 18 2 1

In Figura 3.4 ` mostrata la risposta in frequenza di alcuni ltri di Chebyschev. e

70
() 1 N=2 N=8 N=3 N=1

Filtri Analogici

/c

Figura 3.4 Risposta in frequenza di ltri di Chebyschev.

Si pu` osservare che il guadagno decresce molto rapidamente attorno alla frequenza o di taglio anche per piccoli valori di N (N = 8). Tuttavia questi ltri hanno lo svantaggio, rispetto a quelli di Butterworth, di presentare delle oscillazioni in banda passante dipendenti da ; le oscillazioni hanno tutte la stessa ampiezza e sono sempre contenute 1 nellintervallo 1+2 , 1 , indipendentemente dallordine del polinomio. Riassumendo, un ltro di Chebyshev ` specicato dai tre parametri: , c e N ; in e una tipica situazione di progetto il parametro ` determinato dalloscillazione ammessa e in banda passante, la frequenza c ` legata alla frequenza di taglio desiderata e lordine e N viene scelto in modo da soddisfare la richiesta di attenuazione in banda proibita.

3.3

Realizzazione di Filtri Analogici

Dato un ltro, descritto ad esempio dalla sua funzione di trasferimento H(), la sua realizzazione consiste nel progettare un circuito elettrico che, visto come sistema, ha H() come funzione di trasferimento. Questo circuito, dopo un accurato esame di sue eventuali imperfezioni come capacit` parassite o altro, potr` essere implementato ottenendo la a a realizzazione sica del ltro. Le realizzazioni di ltri analogici possono essere classicate sulla base delle componenti costituenti; elenchiamo qui brevemente le principali classi con alcune caratteristiche. Filtri RLC passivi. Essi consistono di componenti passive come induttanze, condensatori e resistenze. Per il loro funzionamento non richiedono potenza aggiuntiva, ma spesso esibiscono perdite signicative in banda passante; la presenza di induttanze, inoltre, pone seri problemi alla loro miniaturizzazione. Lavorano bene no a 500 Hz. Filtri RLC passivi saranno analizzati pi` in dettaglio in Sezione 3.3.1. u Filtri RC attivi. Essi non contengono induttanze, ma resistenze, condensatori e amplicatori operazionali. Si prestano bene alla miniaturizzazione, ma richiedono potenza

3.3. Realizzazione di Filtri Analogici

71

aggiuntiva. Lavorano bene da 1Hz no a 500 Hz. In Sezione 3.3.2 si analizza la realizzazione di ltri di Butterworth con componenti attive. Filtri a microonde. Essi consistono di componenti passive come linee di trasmissione, linee di trasmissione accoppiate e cavit` risonanti. Non richiedono potenza aggiuntiva a e sono utilizzate per ltri che lavorano sopra i 300 MHz. Filtri a cristallo. Sono costituiti da risuonatori piezoelettrici ed lavorano dai 10 KHz ai 200 MHz. Con risuonatori di quarzo si possono realizzare ltri passa-banda con ampiezza di banda veramente ristretta. Filtri elettromeccanici. Essi sono costituiti da risuonatori meccanici: per prima cosa il segnale elettrico viene trasformato in vibrazioni meccaniche, viene poi applicato il ltro e inne il segnale ` riconvertito in segnale elettrico. Questi ltri lavorano no e a 200 MHz. Nel resto della sezione, analizziamo pi` in dettaglio i ltri RLC passivi e i ltri RC u attivi.

3.3.1

Circuiti ad Elementi Passivi

Un ltro analogico pu` essere realizzato mediante una rete di resistenze, induttanze e o condensatori, detto anche circuito ad elementi passivi. Il sistema cos` ottenuto riceve in ingresso una tensione v(t) posta tra due punti della rete e d` in uscita una tensione u(t) a misurata tra altri due punti della rete. Un esempio di circuito ` mostrato in Figura 3.5 e
R1 R2

v(t)

u(t)

Figura 3.5 Circuito ad elementi passivi.

Gli elementi basilari di tali reti sono la resistenza, il condensatore e linduttanza, rappresentati coi simboli mostrati in Figura 3.6. Ponendo ai capi di tali elementi una tensione di v(t), si crea una corrente di i(t) tale che: per la resistenza R vale: v(t) = Ri(t); per linduttanza L vale: v(t) = L d i(t); dt 1 C
t

per il condensatore C vale: v(t) =

i( )d .

72

Filtri Analogici

R Resistenza di R Ohm

C Capacita di C Farad

L Induttanza di L Henry

Figura 3.6 Resistenza, condensatore e induttanza.

Indicando ora con V () e I() rispettivamente la trasformata di Fourier di v(t) e i(t), applicando le regole di derivazione e integrazione (vedi Tabella 2.1), le precedenti equazioni si riscrivono nella rappresentazione in frequenza come segue: per la resistenza R vale: V () = RI(); per linduttanza L vale: V () = iLI(); per il condensatore C vale: V () = 1 I(). iC

La relazione di ingresso-uscita di un circuito pu` essere ricavata risolvendo le equazioni o ottenute dai due principi di Kirko: I. La somma delle correnti entranti in un nodo ` uguale alla somma delle correnti e uscenti. II. La somma delle tensioni lungo un circuito chiuso ` 0. e Detta V () la trasformata di Fourier dellingresso v(t) e U () la trasformata di Fourier delluscita u(t), applicando i principi di Kirko nella rappresentazione in frequenza si ottiene in generale che: U () = H()V (), dove H() dipende dalla struttura del circuito e pu` essere interpretata come la funzione o di trasferimento di un sistema lineare tempo-invariante; in tal modo ` possibile realizzare e dei ltri lineari con reti a elementi passivi.
Esempio 3.3.1 Analizziamo le caratteristiche del ltro ottenuto dal seguente circuito: Applicando il principio II nella rappresentazione in frequenza, vale: V () = RI() + Il comportamento del condensatore ` dato da: e U () = 1 I(). iC 1 I(). iC

3.3. Realizzazione di Filtri Analogici

73

i(t)

v(t)

u(t)

Figura 3.7 Circuito RC.

Dividendo membro a membro le due uguaglianze precedenti, si ottiene la seguente funzione di trasferimento H(): H() = Risulta quindi: guadagno: |H()| = fase: 1 1 + (RC)2 , 1 U () = . V () 1 + iRC

H() = arctan RC.

I graci del guadagno e della fase sono dati in Figura 2.6; la rete precedentemente descritta implementa quindi un ltro passa-basso di Butterworth di ordine 1 con frequenza di taglio a 3 dB uguale a 1/RC. La fase in banda passante ` solo approssimae tivamente lineare.

Esempio 3.3.2 Si consideri il ltro realizzato dal circuito RLC in Figura 3.8. Provare che il circuito realizza un ltro di Butterworth di ordine 2.
R R L= 2 c 2 Rc

v(t)

C=

u(t)

Figura 3.8 Filtro di Butterworth di ordine 2.

Applicando il principio II nella rappresentazione in frequenza, vale: V () = RI() + iLI() + 1 I(). iC

74 Il comportamento del condensatore ` dato da: e U () = 1 I(). iC

Filtri Analogici

Dividendo membro a membro le due uguaglianze precedenti, si ottiene la seguente funzione di trasferimento H(): H() = Poich L = e
R 2

U () 1 = . V () 1 + iRC LC 2

eC=

2 Rc ,

si ottiene inne: H() = 1


1 + i 2 c

Risulta quindi: guadagno: |H()| = 1 1+


c 4

fase:

H() = arctan

2 c 1
c

2.

3.3.2

Realizzazione di Filtri di Butterworth con Circuiti ad Elementi Attivi

In questa sezione presentiamo una tecnica per la realizzazione di ltri di Butterworth analogici mediante circuiti ad elementi attivi, contenenti resistenze, condensatori e amplicatori operazionali. Il fatto che non sia richiesta alcuna induttanza ` un vantaggio e importante nella pratica poich le induttanza sono voluminose, contengono resistenze e e capacit` parassite e dissipano considerevole potenza. a Il metodo pu` essere facilmente esteso alla costruzione di altri tipi di ltri. o I passi principali possono essere riassunti come segue: 1. Si consideri la funzione di trasferimento del ltro. Nel caso del ltro di Butterworth e di ordine N con frequenza di taglio c , essa ` BN 1 s ) , dove s = i e BN (z) ` il e ( polinomio di Butterworth di ordine N .
c

2. Si decompone BN (z) come prodotto p1 (z) p2 (z) pm (z), dove pi (z) ` del tipo z + 1 e 2 +bz+1, con b reale positivo. In Tabella 3.2 sono riportate le fattorizzazione oppure z dei primo otto polinomi di Butterworth.

3.3. Realizzazione di Filtri Analogici

75
1 s pi ( )
c

3. Si realizzano separatamente i sistemi S i che hanno mento (1 i m).

come funzione di trasferi-

4. Si costruisce il sistema S ottenuto ponendo in cascata i sistemi S i , in modo che luscita di Si sia lingresso di Si+1 (1 i < m), come rappresentato Figura 3.9.
S

Si+1

Sm

Figura 3.9 Cascata dei sistemi Si , con 1 i m.

La costruzione ` corretta poich il sistema complessivo S ha come funzione di trasfere e s imento H( c ) il prodotto delle funzioni di trasferimento dei sistemi S i , cio`: e H s c = 1 1 1 1 = = s s s s . s p 1 ( c ) p m ( c ) p 1 ( c ) p m ( c ) B N ( c )

Il passo 4. mostra come un arbitrario ltro di Butterworth possa essere ottenuto da una composizione in cascata di sistemi che hanno funzioni di trasferimento del tipo: 1 s s ( c ) 2 + b c + 1 oppure
s c

1 . +1

Illustriamo ora come costruire un circuito a componenti attive che realizza il ltro con 1 funzione di trasferimento ( s )2 +b s +1 .
c c

A questo scopo si consideri il circuito (a) in Figura 3.10. Tale circuito ` composto e da elementi passivi (condensatori e resistenze), e da un amplicatore operazionale noninvertente che permette di amplicare il segnale V 2 di un fattore A, controllato dalle resistenze R1 e R2 : R1 + R 2 > 1. U = AV2 con A = R1 Analizziamo ora il sottocircuito (b) in Figura 3.10; con V , V 1 , V2 , U denotiamo le trasformate di Fourier delle tensioni nei punti indicati e con I, I 1 , I2 le trasformate di Fourier delle correnti nei cammini indicati. Poich I = I 1 + I2 risulta: e V = R(I1 + I2 ) + V1 . (3.1)

76
R1 R2 R1

Filtri Analogici
R2

V2

+ C U V

R I

V1

R I2

V2

+ C U=AV

I1 (a) (b)

Figura 3.10 (a) Filtro di Butterworth di ordine 2. (b) Sottocircuito.

Analogamente: V1 = RI2 + V2 , 1 V1 = I1 + U, sC 1 V2 = U, A 1 I2 . V2 = sC Queste ultime quattro equazioni permettono di esprimere V 1 , V2 , I1 , I2 in termini di U ; sostituendo nella (3.1) si ottiene inne: V = [(RCs)2 + (3 A)RCs + 1]U. Il circuito realizza dunque un ltro con funzione di trasferimento: (RCs)2 1 . + (3 A)RCs + 1
1 s s ( )2 +b +1
c c

Per ottenere il ltro con la funzione di trasferimento desiderata R, C ed A tali che: RC = 1 , c A = 3 b.

basta scegliere

(3.2) (3.3)

Il metodo sopra esposto ` del tutto generale. In particolare: e Esso pu` essere applicato per la realizzazione di altri ltri, ad esempio quelli di o Chebyshev, semplicemente andando a considerare le fattorizzazioni dei polinomi di Chebyshev in fattori di primo e secondo grado a coecienti reali.

3.3. Realizzazione di Filtri Analogici

77

Esso pu` essere facilmente adattato alla costruzione di ltri passa-alto, osservando o che la funzione di trasferimento di un ltro passa-alto con frequenza di taglio c pu` o essere ottenuta dalla funzione di trasferimento del ltro passa-basso con la stessa frequenza di taglio, operando la sostituzione c c . In particolare, un circuito 1 o passa-alto con funzione di trasferimento ( c )2 +b c +1 pu` essere ottenuto scambiando s s le resistenze R con i condensatori C nel circuito in Figura 3.10. Per quanto riguarda inne la realizzazione di ltri passa-banda, un ltro passabanda con frequenza di taglio 1 < 2 pu` essere ottenuto ponendo in cascata un o ltro passa-basso con taglio 2 e un ltro passa-alto con taglio 1 .
Esempio 3.3.3 Realizzazione di un ltro di Butterworth passa-basso di ordine 4 con frequenza di taglio f0 = 1 kHz. Ricordiamo (vedi Tabella 3.2) che il polinomio di Butterworth di ordine 4 `: e B4 (s) = (s2 + 0.765s + 1)(s2 + 1.848s + 1). Il ltro sar` ottenuto ponendo in cascata i due circuiti aventi funzioni di trasferimento: a
s ( c )2

1 , s + 0.765 c + 1

s ( c )2

1 , s + 1.848 c + 1

con c = 2f0 .

Tali circuiti sono del tipo mostrato in Figura 3.10. Per la (3.3), gli amplicatori operazionali dei due circuiti devono avere guadagni A = 3 0.765 = 2.235, A = 3 1.848 = 1.152. R +R R +R Poich A = 1R 2 e A = 1R 2 , ssati arbitrariamente R1 = R1 = 10 k, si ricava e 1 1 R2 = 12.35 k e R2 = 1.52 k. Per la (3.2), i valori di R e C nei due circuiti devono 1 vericare RC = 2103 sec. Fissato arbitrariamente C = 0.1F , si ottiene R = 1.6 k. Il circuito nale, ottenuto ponendo in cascata i due circuiti precedenti, ` mostrato in e Figura 3.11.

78

Filtri Analogici

10 R1 1.6 1.6 + 0.1 F

12.35 R2 1.6

10 R3 1.6 + 0.1 F

1.52 R4 U

0.1 F

0.1 F

Figura 3.11 Filtro di Butterworth passa-basso di ordine 4.

Capitolo 4

Conversione Analogico-Digitale

I segnali del mondo reale sono analogici, mentre un elaboratore digitale ` in grado di meme orizzare e trattare esclusivamente sequenze nite di bit. Per trattare con tecniche digitali i segnali analogici ` allora necessario, in via preliminare, approssimare questultimi con e segnali digitali. I sistemi che trasformano un segnale analogico nel corrispondente digitale sono detti convertitori analogico-digitali (ADC), mentri quelli che realizzano loperazione inversa di trasformare un segnale digitale in un segnale analogico sono detti convertitori digitali-analogici (DAC). I principi di base per la conversione sono quelli relativi alle operazione di campionamento e la quantizzazione. Al campionamento ` dedicato il primo paragrafo. Campionare un segnale a tempo cone tinuo signica rilevare le ampiezze del segnale su un insieme discreto di tempi: i frames catturati da una telecamera che inquadra una scena reale, ne costituiscono un esempio. Viene qui discusso il fondamentale teorema del campionamento: un segnale a banda limitata da W Hz pu` essere perfettamente ricostruito dai suoi campioni presi con una frequenza o 79

80

Conversione Analogico-Digitale

di almeno 2W Hz; viene inoltre sommariamente descritto il fenomeno dellequivocazione (aliasing), che si verica quando la frequenza di campionamento ` inferiore a 2W . e La quantizzazione permette di trasformare un segnale a valori continui in un segnale a valori su un insieme nito. Questa operazione in generale introduce un errore irreversibile nel segnale quantizzato: dato il segnale quantizzato, non ` in generale possibile e ` ricostruire il segnale originale. E tuttavia possibile controllare come il segnale quantizzato risulti una buona approssimazione di quello analogico: un tipico indice di qualit` ` il rapae porto segnale-rumore SQNR. I sistemi che realizzano loperazione di quantizzazione sono chiamati quantizzatori: nel secondo paragrafo viene introdotto e studiato il quantizzatore uniforme a n bit, mostrando in particolare che ogni bit aggiunto al quantizzatore comporta un miglioramento di 6 dB nel rapporto segnale-rumore. Successivamente si motivano e si introducono modelli di quantizzatori non uniformi. Un segnale di durata limitata nel tempo, campionato e quantizzato, pu` essere trattato o con tecniche digitali: nel terzo paragrafo vengono studiati i principali sistemi di conversione analogico-digitale (ADC) e digitale-analogico (DAC), che costituiscono il ponte tra il mondo analogico e lelaboratore digitale. Viene in particolare discussa la tecnica di sovracampionamento, che permette di migliorare il rapporto segnale-rumore ed una sua importante applicazione: il convertitore a 1 bit basato sulla sigma-delta modulazione. Viene inne analizzato il comportamento di un convertitore digitale-analogico di ordine 0 (ZOH). Il capitolo termina con una discussione sulle codiche del livello di quantizzazione, che consente di trasformare il segnale in una sequenza binaria. Vengono inne presentate alcune codiche, utili ai ni della trasmissione, di sequenze binarie in termini di segnali a tempo continuo composti da rettangoli.

4.1

Campionamento

Campionare un segnale a tempo continuo signica rilevare le ampiezze del segnale su un insieme discreto di tempi. Ad esempio, ssato un intervallo di tempo di ampiezza , un campionamento uniforme con periodo di un segnale f (t) corrisponde allosservazione del segnale ai tempi n ( < n < ); il segnale campionato pu` essere interpretato come o il segnale a tempo discreto f (n ). Il sistema campionatore uniforme a frequenza di campionamento F s = 1/ , trasforma quindi un segnale a tempo continuo f (t) nel segnale a tempo discreto f (n ), come mostrato in Figura 4.1. Si osservi che il sistema campionatore ` un sistema lineare. e Il problema che arontiamo qui ` il seguente: dato un segnale f (t), stabilire con quale e frequenza deve essere campionato anch il segnale campionato f (n ) ( < n < ) e contenga la stessa informazione di f (t), cio` sia possibile ricostruire f (t) a partire dalla e sequenza f (n )?

4.1. Campionamento

81

f(t)

Campionatore

f(n )

Fs

Figura 4.1 Campionatore.

Una precisa risposta al problema in questione ` data dal teorema del campionamento: e un segnale f (t) ` ricostruibile da f (n ) se le componenti armoniche contenute nel segnale e hanno frequenze inferiori a Fs /2, dove Fs ` la frequenza di campionamento. e Teorema 4.1 (Teorema del campionamento) Un segnale f (t) a banda limitata da fmax Hz, la cui trasformata di Fourier F () ` quindi nulla per || > 2f max rad/sec, pu` e o essere univocamente ricostruito dai suoi campioni f (n ) ( < n < ) presi a frequenza 1 e Fs = , se Fs 2fmax . La frequenza 2fmax ` detta tasso di Nyquist.
Dimostrazione.

Sia F () la trasformata di Fourier di f (t). Poich f (t) ha come limite di e banda fmax Hz, risulta che F () = 0 per || > 2fmax rad/sec. 1 per || > 2B rad/sec e sia W = 2 Hz, cos` che W > B per ipotesi. Per quanto detto, F () ` nulla esternamente allintervallo [2W, 2W ], come mostra la Figura 4.2. e Sia ora Q() la funzione periodica di periodo 4W che coincide con F () nellintervallo
F( )

2 W

2 W

Figura 4.2 Segnale a banda limitata.

[2W, 2W ] ed il cui graco ` riportato in Figura 4.3. e Risulta evidente che: F () = rettW ()Q(), dove rettW () ` la funzione uguale a 1 per || < 2W , uguale a 0 altrove. Poich Q() e e ` una funzione periodica di periodo 4W , possiamo darne il seguente sviluppo in serie di e

82
Q()

Conversione Analogico-Digitale

...

...

4 W

2 W

2 W

4W

Figura 4.3 Segnale periodico di periodo 4W .

Fourier:
+

Q() =
n=

cn ei 2W ,

dove

cn =

1 4W

2W 2W

Q()ei 2W d.

Poich nellintervallo [2W, 2W ] vale che Q() = F (), possiamo porre: e cn = 1 4W


2W 2W

F ()ei 2W d.

(4.1)

Osserviamo ora che f (t) ` lantitrasformata di Fourier di F (w), cio`: e e f (t) = 1 2


+

F ()eit d =

1 2

2W 2W 1 2 ,

F ()eit d.

(4.2)

Analizzando la (4.1) e la (4.2) e ricordando che W = cn = Possiamo concludere: F () = rettW ()Q()


+

si ricava:

1 n f 2W 2W

= f (n ).

= =

cn ei 2W rettW ()
n= +

f (n )ein rettW ().


n=

(4.3)

La (4.3) mostra che F (w) (e quindi la sua antitrasformata f (t)) pu` essere ricostruita sulla o base della conoscenza di f (n ) ( < n < ), provando cos` lenunciato.

4.1. Campionamento

83

Per maggior precisione, si ha: f (t) = F 1 {F ()}


+

=
n= +

f (n )F 1 ein rettW () f (k )F 1 eik rettW ()


k= +

(per la linearit` e per la (4.3)) a (ponendo k = n)

=
k=

f (k )

sin( t k) (t k )

ottenuta applicando la propriet` di traslazione temporale allantitrasformata della funzione a rettangolo (vedi Esempio 2.5.3), tenendo conto che W = 1/2 .
Esempio 4.1.1 Un segnale contiene componenti in frequenza inferiori a 4 kHz; determinare la minima frequenza di campionamento che ne permetta la ricostruzione priva di errore. Basta calcolare il tasso di Nyquist 2 4 = 8 kHz.

Il risultato precedente ` stato ottenuto supponendo di campionare il segnale a banda e limitata da B con una frequenza W > 2B. Se ora supponiamo di campionare il segnale a banda limitata da B con una frequenza W < 2B, il metodo di costruzione sopra descritto non lavora pi` a causa delle sovrapposizioni che si creano nella ripetizione periodica del u segnale trasformato, come mostrato in Figura 4.4.
Q( )

...

...

4 W

2 W

2 W

4W

Figura 4.4 Tipica manifestazione del fenomeno dellaliasing.

A causa di questo eetto, chiamato equivocazione o aliasing, non ` in generale possibile e ricostruire il segnale di partenza sulla base del segnale campionato. Per evitare questo fenomeno, un sistema campionatore a frequenza F s viene normalmente fatto precedere da un ltro passa-basso con frequenza di taglio f max al pi` Fs /2, detto ltro anti-aliasing, u come mostrato in Figura 4.5.

84

Conversione Analogico-Digitale

f(t)

Filtro antialiasing

Campionatore uniforme

g(n)

f max

Fs > 2f max

Figura 4.5 Sistema campionatore preceduto da ltro anti-aliasing.

Esempio 4.1.2 In telefonia le pi` alte frequenze di interesse sono 3.4 kHz. Una conversazione pu` u o tuttavia contenere frequenze superiori ai 10 kHz. Indicare come ` possibile ricostruire e il segnale di interesse (cio` le componenti in frequenza inferiori a 3.4 kHz) da un suo e campionamento a 8 kHz. Una semplice soluzione consiste nel premettere a campionatore un ltro passa-basso con frequenza di taglio a 3 kHz.

4.1.1

Caratteristiche dei Filtri Anti-Aliasing

Un ltro anti-aliasing dovrebbe rimuovere tutte le componenti del segnale a frequenze superiori o uguali alla met` della frequenza di campionamento: in linea di principio questo a pu` essere ottenuto da un ltro ideale passa-basso con frequenza di taglio pari alla met` o a della frequenza di campionamento. Come osservato nel Capitolo 3, tali ltri non sono tuttavia realizzabili e possono solo essere approssimati con ltri adeguati alla particolare applicazione: in questa sezione discutiamo ladeguatezza di un ltro anti-aliasing rispetto alle caratteristiche di un convertitore. Anticipando la discussione dei paragra seguenti, supponiamo che il convertitore sia composto da un campionatore a frequenza F s e da un quantizzatore che approssima i valori del segnale utilizzando m bit (si veda la prossima sezione); consideriamo inoltre ltri passa-basso caratterizzati dalla loro frequenza di taglio f c a 3 dB e frequenza di stop fs . Il nostro problema richiede di scegliere f s , fc e Fs in modo tale da garantire la corretta conversione di segnali con limite di banda f max . Una possibile soluzione ` data da: e 1. la frequenza di taglio fc a 3 dB pu` essere scelta pari a fmax . o 2. la frequenza di stop pu` essere scelta in modo tale che la massima oscillazione in o banda proibita sia confrontabile con lerrore introdotto dalla quantizzazione o, equivalentemente, richiedendo che lattenuazione g(f s ) sia uguale al rapporto segnale rumore SQNR, che per un quantizzatore a m bit vale 6m + 1.7: 20 log 10 |H(fs )| = 6m + 1.7 .

4.2. Quantizzazione Esempio 4.1.3 Si utilizzi un ltro di Butterworh di ordine 6 come ltro anti-aliasing per un convertitore con quantizzatore a 8 bit; si supponga che i segnali di interesse abbiano limite di banda di fmax = 300 Hz. Determinare la frequenza di taglio a 3dB, la dimensione della banda di transizione del ltro e la frequenza di lavoro del convertitore. Come visto in Sezione 3.2.1, il guadagno di un ltro di Butterworh di ordine 6 con frequenza di taglio a 3dB fc ` q 1 f 12 . Osserviamo per prima cosa che la frequenza e 1+( fc ) di taglio fc pu` essere posta a 300 Hz. La frequenza di stop pu` ora essere determinata o o equagliando lattenuazione al rapporto segnale rumore: 10 log10 1+ fs 300
12

85

= 6 8 + 1.7 .

Si ottiene una frequenza di stop fs 783 Hz; la dimensione della banda di transizione risulta allora 483 Hz. La frequenza di stop del ltro anti-aliasing ` 783 Hz, e risulta e maggiore del tasso di Nyquist pari a 600 Hz. Per garantire un corretto funzionamento del convertitore in presenza di segnali arbitrari occorre allora campionare ad almeno 783 Hz, superiore al tasso di Nyquist.

4.2

Quantizzazione

La quantizzazione ` il processo che permette di trasformare un segnale a valori continui e in un segnale che assume un numero nito di valori. Un modo semplice di quantizzare consiste nel pressare un un insieme nito di l valori numerici {x 1 , . . . , xl } e di associare ad ogni numero x il valore numerico x k che ` pi` vicino a x. e u Se i segnali che prendiamo in considerazione hanno ampiezze comprese V tra e V , 2 2 questo pu` essere ottenuto dividendo linsieme V , V in l intervalli, detti livelli, ed o 2 2 attribuendo ad un punto x V , V il centro del livello in cui x cade. Detti {x 1 , . . . , xl } 2 2 i centri dei vari livelli, loperazione di quantizzazione pu` essere allora descritta dalla o funzione Q che ad ogni x associa il centro pi` vicino: u Q(x) = arg min |x xi |.
xi {x1 ,...,xl }

Il sistema che realizza loperazione di quantizzazione ` detto quantizzatore. Poich e e {x1 , . . . , xl } non ` uno spazio vettoriale, il quantizzatore non ` in generale un sistema e e lineare. Poich inoltre la quantizzazione Q ` una funzione molti-uno, essa introduce un e e errore irreversible nel segnale quantizzato: dato il segnale quantizzato, non ` possibile e ricostruire in modo esatto il segnale dorigine. Nel prossimo paragrafo accenniamo ad unanalisi quantitativa di tale tipo di errore.

86

Conversione Analogico-Digitale

4.2.1

Quantizzatore Uniforme e Rumore di Quantizzazione

e Un sistema quantizzatore in cui lintervallo V , V ` suddiviso in l livelli di uguale 2 2 ampiezza V ` detto quantizzatore uniforme; il numero di = V ` anche chiamato passo e l l e di quantizzazione. Se l = 2m , gli elementi {x1 , . . . , xl } possono essere codicati con parole dim bit: xi = bi1 bim , con bik {0, 1} (1 i l).

Il sistema in questo caso ` detto quantizzatore uniforme a m bit. e La Figura 4.6 mostra il risultato del campionamento (pallino bianco) e campionamento pi` quantizzazione uniforme a quattro livelli (pallino nero) di un segnale f (t). u
f(t) V/2

-V/2

Figura 4.6 Campionamento pi` quantizzazione uniforme a quattro livelli di un segnale u f (t).

Come ben evidenziato dalla Figura, la quantizzazione Q ` una funzione molti-uno che e introduce un errore irreversible nel segnale quantizzato. Una naturale misura dellerrore sul numero x ` la seguente: e e(x) = Q(x) x. La Figura 4.7 mostra lerrore di quantizzazione per un quantizzatore uniforme di due bit (quattro livelli). Lerrore di quantizzazione ha un comportamento ben dierenziato in due zone: 1. Se x < V oppure x > V , lerrore pu` essere arbitrariamente grande: in questo o 2 2 caso lerrore ` detto distorsione da overload e lo si controlla cercando di garane tire che i valori del segnale f (t) in ingresso al quantizzatore rientrino nel range del quantizzatore, cio` che V f (t) V . e 2 2

4.2. Quantizzazione
e
/2 V/2 V/2

87

x
/2

Figura 4.7 Errore di quantizzazione introdotto dal quantizzatore uniforme a quattro livelli.

2. Se x ` invece interno allintervallo V x V , lerrore e(x) si mantiene in valore e 2 2 assoluto minore o uguale a ; tale errore ` detto rumore granulare. e 2 In seguito supporremo che lunica sorgente di errore sia il rumore granulare. Una misura di prestazione del quantizzatore ` data dal rapporto segnale-rumore di e quantizzazione SQNR (Signal Quantization to Noise Ratio), misurato in decibell (dB): SQNR = 10 log 10 2 dB, 2 e

2 dove 2 ` la varianza del segnale e e lerrore di quantizzazione quadratico medio. e

Osserviamo che nelle nostre ipotesi lerrore di quantizzazione ` sempre limitato: e errore . 2 2

Per molti segnali deterministici inoltre lerrore ` uniformemente distribuito in , . e 2 2 Questo signica che la probabilit` che lerrore sia compreso fra e ed e + de ` de . Lerrore a e quadratico medio ` allora: e 2 de 2 2 e2 e = = . 12
2

Ipotizziamo che il segnale di riferimento sia lim


T T A2 8 .

A 2

sin t. La media di tale segnale ` 0, poic: e e = 0.

sin tdt 2T Infatti:

La varianza 2 di tale segnale ` invece e 2 = lim

T A T ( 2

sin t 0)2 dt A2 = . 2T 8

88

Conversione Analogico-Digitale

In tal caso: SQNR = 10 log 10 V 2 A2 3 A A2 /8 = 10 log 10 2 2 + log10 = 20 log 10 l + 1.76 dB. 2 /12 V 2 V

Per quantizzatori a m bit vale l = 2m , quindi: SQNR = 6.02m + 20 log 10 Si ottiene allora: Fatto 4.1 In un quantizzatore ogni bit aggiunto comporta un incremento di 6.02 dB al rapporto segnale rumore. Se inoltre il range dinamico A del segnale sfrutta tutto il range V del quantizzatore (cio` A V ) risulta SQNR 6.02m + 1.76 dB. e
Esempio 4.2.1 Determinare il numero di bit da aggiungere a un quantizzatore per migliorare il rapporto segnale-rumore da 40 dB a 68 dB. Osservando che la dierenza tra le prestazioni richieste ` di 18 dB e che ogni bit age giunto al quantizzatore migliora SQNR di 6.02 dB, concludiamo che basta aggiungere 18 3 6.02 bit.

A + 1.76 dB. V

4.2.2

Quantizzatore Non Uniforme

Spesso per segnali reali la probabilit` che un segnale abbia valore tra y e y + dy viene a a dipendere da y. La Figura 4.8 mostra come in un classico segnale del parlato ampiezze elevate siano meno probabili di ampiezze piccole: ` E intuitivo che in questo caso una quantizzazione pi` ne per ampiezze piccole migliori u la qualit` del segnale quantizzato, diminuendo lerrore quadratico medio. a Questo risultato pu` essere ottenuto come segue: o 1. Si applica al segnale (che per semplicit` consideriamo normalizzato a valori in [0, 1]) a un funzione F invertibile che comprime le ampiezze vicine a 1 (vedi Figura 4.9). 2. Si applica al segnale compresso un quantizzatore uniforme. 3. Il segnale quantizzato viene decompresso applicando la funzione F 1 inversa di F . Questo processo, detto companding (COMPressing and exPANDING) permette di realizzare un quantizzatore non uniforme, come schematizzato nella Figura 4.10.

4.3. Convertitore Analogico-Digitale (ADC)


Ampiezza

89

Figura 4.8 Probabilit` di varie ampiezze (in grigio). a

Esempio 4.2.2 Nelle applicazioni in telefonia viene usata la famiglia di funzioni -law: F (f ) = ln(1 + |f |) sgn(f ), ln(1 + ) con 1 f 1,

dove f ` il segnale normalizzato e ` un parametro opportuno (usualmente posto a e e 1 100 o pi` recentemente a 255). La funzione -law inversa F (y) ` data da: u e
1 F (y) =

1 (1 + )|y| 1 sgn(y).

4.3

Convertitore Analogico-Digitale (ADC)

Applicando un campionatore a frequenza F s e consecutivamente un quantizzatore a m bit, un segnale f (t) osservato per un tempo T pu` essere trasformato in un vettore di T F s o componenti a m bit: esso pu` quindi essere memorizzato in forma digitale usando T F s m o bit ed eventualmente modicato. Il sistema che realizza questa tasformazione ` detto convertitore analogico-digitale e (ADC) e pu` essere descritto come in Figura 4.11. o Il ltro antialiasing in gura ` un ltro passa-basso ed ha la funzione di porre in e ingresso al campionatore un segnale a banda limitata la cui frequenza di Nyquist non superi la frequenza di campionamento. Esistono essenzialmente due dierenti tipologie di convertitori analogico-digitale.

90

Conversione Analogico-Digitale

F
1

Figura 4.9 Funzione di compressione F .

f(t)

F F(f(t))

Quantizzatore uniforme m

y(t)

F (y(t))

Figura 4.10 Quantizzatore non uniforme.

Nel primo tipo, rappresentato nella gura precedente, il campionatore opera vicino alla frequenza di Nyquist del segnale e il quantizzatore ` un quantizzatore ad m bit e (m 1). Nel secondo tipo si usa un campionatore a frequenza molto superiore alla tasso di Nyquist (sovracampionamento), un quantizzatore a 1 bit e varie operazioni digitali. Nei convertitori analogico-digitali del primo tipo lelemento critico ` il quantizzatore. e Fra i vari modelli disponibili, presentiamo qui il Flash ADC di cui riportiamo in Figura 4.12 la realizzazione del quantizzatore a 2 bit.

f(t)

Filtro antialiasing

Campionatore

Quantizzatore

y(k)

Fs

Figura 4.11 Convertitore analogico-digitale

4.3. Convertitore Analogico-Digitale (ADC)


Vrif Vin

91

Decodifica

>=

b0

>=

b1

>=

Figura 4.12 Flash ADC (2 bit).

Nel caso generale di un quantizzatore a m bit, la tensione del segnale di ingresso Vim viene confrontata con 2m 1 tensioni di riferimento ottenute con un sistema di 2 m resistenze uguali poste in serie. Le uscite binarie dei comparatori (indicati col simbolo >= in gura) vengono poi trasformate negli m bit di codica da un opportuno circuito booleano (chiamato Decodica in gura). Il ash ADC ` sicuramente il pi` veloce convertitore disponibile, ma ` costituito da un e u e m ) di resistenze che devono essere molto accurate: questo rende dicile numero elevato (2 e costosa la realizzazione per alti valori di m (m 8).

Questo fatto ` una caratteristica dei convertitori analogico-digitali di questo tipo, che e richiedono unestrema accuratezza nella costruzione del sistema quantizzatore. Risulta allora conveniente un diverso tipo di convertitore, basato sullidea di operare con frequenze di campionamento molto superiori al tasso di Nyquist utilizzando per` un quantizzatore o a pochi bit. Il vantaggio ottenuto ` duplice: e 1. operando a frequenze molto superiori al tasso di Nyquist, il ltro antialiasing diventa meno critico di quanto non lo sia nei convertitori del primo tipo, e pu` essere o progettato con maggior facilit`; a 2. laumento della frequenza di campionamento si pu` tradurre in un miglioramento del o SQNR del convertitore. La prossima sezione ` dedicata ad unanalisi quantitativa di e questo fenomeno.

92

Conversione Analogico-Digitale

4.4

Sovracampionamento nella Conversione Analogico-Digitale

Il teorema del campionamento garantisce la possibilit` di ricostruire un segnale a banda a limitata da fmax dal suo campionamento a frequenze almeno pari al tasso di Nyquist, che ` 2fmax . e Sovracampionare signica operare un campionamento con frequenza F s molto superiore al tasso di Nyquist; il tasso di sovracampionamento ` dato dal rapporto tra frequenza di e campionamento e tasso di Nyquist: Tasso di sovracampionamento = Fs . 2fmax

Una caratteristica degli attuali ADC ` quella di utilizzare al massimo le potenzialit` e a del sovracampionamento, ottenendone due vantaggi rilevanti: 1. possibilit` di utilizzo di ltri anti-aliasing con prestazioni non elevate, poich un ltro a e Fs passa-basso, lavorando a frequenze 2 molto maggiori della sua frequenza di taglio fmax , ` in grado di garantire una miglior attenuazione, come mostrato in Figura 4.13. e
| H(f) |

f max

Fs / 2

Figura 4.13 Un aumento di frequenza di campionamento migliora lattenuazione del ltro.

2. miglioramento del rapporto segnale-rumore SQNR dovuto al sovracampionamento. A questo riguardo, per gran parte dei segnali si pu` infatti osservare che il rumore di o 2 quantizzazione e , dovuto a quantizzazione preceduto da un campionamento a frequenza Fs , si distribuisce uniformemente su tutte le frequenze f ( Fs f Fs ). Le componenti 2 2 del segnale con frequenze tra f e f + df portano un contributo al rumore pari a df per una opportuna costante . Poich il rumore complessivo ` e , segue che: e e 2
2 e

Fs 2

Fs 2

df = Fs ,

4.4. Sovracampionamento nella Conversione Analogico-Digitale

93

e / Fs Fs / 2 f max f max Fs / 2 f

Figura 4.14 Distribuzione del rumore alle varie frequenze.


questo comporta che = Fe , come evidenziato in Figura 4.14. s Il rumore che si sovrappone al segnale utile, che ` a banda limitata da f max , ` quello e e prodotto dalle componenti in frequenza comprese tra f max e fmax . Tale rumore equivale max allarea segnata in grigio in Figura 4.14 e risulta essere 2fFs , inversamente proporzionale al tasso di sovracampionamento. Il rapporto segnale-rumore di quantizzazione, in presenza di sovracampionamento, risulta allora essere:
2

SQNR = 10 log 10

Fs 2 2 2fmax e

Per quantizzatori uniformi a m bit, si pu` quindi concludere: o Teorema 4.2 Per un ADC con frequenza di campionamento e campionatore a m bit, vale: Fs + 6m + 1.7 SQNR = 10 log 10 2fmax In particolare, raddoppiare la frequenza di campionamento porta a un miglioramento di 3 dB in SQNR.

Esempio 4.4.1 E dato un ADC per il trattamento di segnali audio 0 20 kHz con quantizzatore di 8 bit. Determinare la frequenza di campionamento necessaria perch il convere titore ottenga mediante sovracampionamento prestazioni equivalenti a quelle di un quantizzatore a 12 bit. Poich ogni bit aggiunto al quantizzatore porta un miglioramento di SQNR di 6 dB, e ` richiesto un aumento totale di (12 8) 6 = 24dB . Ricordando che raddoppiare la e frequenza di campionamento porta ad un aumento di SQNR di 3 dB, per ottenere il miglioramento di 24 dB bisogna raddoppiare la frequenza 8 volte. Il tasso di Nyquist di segnali a banda limitata da 20 KHz ` 40 KHz: la frequenza richiesta risulta allora e 28 40 KHz, cio` 10.24 MHz. e

94

Conversione Analogico-Digitale

4.4.1

Sovracampionamento: ADC con Quantizzatore di 1 Bit

Le speciche di alta qualit` degli attuali sistemi audio digitali rendono critiche le coma ponenti analogiche degli ADC convenzionali. La disponibilit` di h/w digitale di alte a prestazioni permette la realizzazione di eccellenti ADC che, grazie al sovracampionamento, possono lavorare con un quantizzatore di un solo bit. Il cuore di questo tipo di convertitore ` dato dal modulatore sigma-delta (SDM), e rappresentato nella semplice versione di SDM del primo ordine in Figura 4.15.

f(t)

Campionatore

x(n)

d(n)

s(n)

y(n)

Fs
y(n1)

SDM

Figura 4.15 SDM del primo ordine.

Il segnale analogico f (t), con banda limitata da f max , viene sovracampionato a frequenza Fs , dando luogo al segnale x(n) = f (n ) con = 1/F s . Il modulatore sigma-delta riceve in ingresso il segnale x(n) e d` in uscita un segnale binario y(n). Tale segnale a viene ritardato e sottratto allingresso; la dierenza d(n) viene posta in ingresso ad un integratore la cui uscita s(n) = n k= d(k) viene elaborata da un quantizzatore a 1 bit: se s(n) > 0 allora y(n) = + altrimenti y(n) = . Il modulatore sigma-delta abbatte il rumore di quantizzazione per due ragioni. 1. Il sovracampionamento riduce il rumore nella banda di interesse; 2. il modulatore sigma-delta, come mostreremo in Sezione 8.4.3, agisce da ltro passaalto sul rumore di quantizzazione, riducendo il rumore nella banda di interesse. Come mostreremo in Sezione 8.4.3, vale in particolare: Teorema 4.3 Il modulatore sigma-delta del primo ordine a un tasso di sovracampionaFs Fs mento 2fmax migliora il rapporto segnale-rumore di quantizzazione di 30 log 10 2fmax 9 dB. Raddoppiare la frequenza di campionamento in un SDM del primo ordine provoca dunque un miglioramento del rapporto segnale rumore di 9 dB, di cui 3 dB sono dovuti al sovracampionamento e 6 dB allazione del modulatore che abbatte il rumore alle basse frequenze e lo aumenta alle alte frequenze (noise shaping). Lapplicazione successiva di un ltro passa-basso elimina le componenti di rumore alle alte frequenze.

4.5. Convertitore Digitale-Analogico (DAC)

95

Luscita di un SDM risulta essere un usso di bit ad alta frequenza; per ottenere una frequenza di campionamento pari al tasso di Nyquist si applica un processo di decimazione, che ulteriormente consente di trasformare il segnale digitale a 1 bit in un segnale digitale a m bit. La eettiva lunghezza di parola m del convertitore ` quella equivalente alla e risoluzione ottenibile con il miglioramento in SQNR oerto dal modulatore e dalla decimazione. In Figura 4.16 sono rappresentati i principali passi di un ADC con quantizzatore a 1 bit.
Corrente a 1 bit Segnale digitalizzato a m bit

f(t)

Campionatore

x(n)

SDM

y(n)

Filtro e Decimatore

f(n)

Fs

Figura 4.16 ADC con quantizzatore a 1 bit.

Esempio 4.4.2 Un sistema audio per il trattamento di segnali con frequenze 0 20 KHz ` basato e su tecniche di sovracampionamento ed utilizza un SDM del primo ordine. Il segnale analogico viene trasformato prima in una corrente di bit a una frequenza di 3 MHz e poi, con un processo di decimazione, in un segnale multibit a una frequenza di 48 KHz. Determinare, in bit, la risoluzione del convertitore. Se il tasso di Nyquist ` di 48 KHz, campionando a 3 MHz si ha un tasso di sovracame 3106 pionamento pari a 48103 83. Laumento in SQNR oerto da un SDM di ordine 1 ` pari a 30 log10 83 9 48.6 dB. Un ADC con risoluzione di m bit, lavorando al e tasso di Nyquist, ha un SQNR pari a 6m + 1.7; ipotizzando che il miglioramento in SQNR sia dovuto essenzialmente al modulatore, la risoluzione m ` ottenuta risolvendo e lequazione 6m + 1.7 = 48.6, ci` che comporta m = 7.8 bit. o

4.5

Convertitore Digitale-Analogico (DAC)

Il convertitore digitale-analogico (DAC) trasforma un segnale digitale, a tempo e valori discreti, in un segnale analogico. Un modo semplice per convertire un segnale digitale x(n) a frequenza Fs (i cui valori sono specicati da parole di m bit) ` quello di trasformarlo nel e segnale analogico g(t), dove: g(t) = x(n) per n t < (n + 1) ( = 1/Fs ).

Questo tipo di convertitore ` detto di tipo ZOH (Zero-Order-Hold): la parola binaria al e tempo n ` convertita nel corrispettivo valore analogico, e tale valore viene mantenuto per e

96

Conversione Analogico-Digitale

tutto lintervallo seguente di ampiezza . Il segnale ottenuto ` descritto da una funzione a e scala, che pu` essere lisciata applicando un opportuno ltro passa-basso, come mostrato o in Figura 4.17.
Filtro passabasso

x(n)
001 010 011 100 100 010 000

ZOH

f(t)

Fs

Figura 4.17 Convertitore digitale-analogico.

4.5.1

Analisi in Frequenza di un Convertitore ZOH

Un segnale digitale x(n) pu` essere interpretato come segnale analogico + x(n)(n ), o n= in cui tutta lenergia del segnale ` concentrata ai tempi discreti n . Da questo punto di e vista, il convertitore ZOH pu` essere visto come un sistema lineare tempo-invariante in cui o la risposta allimpulso (t) ` il rettangolo 1 rett (t ) (vedi Figura 4.18). e 2 2 2

ZOH

Figura 4.18 Risposta allimpulso di un DAC ZOH.

di

La funzione di trasferimento H() di questo sistema ` dunque la trasformata di Fourier e 1 rett (t ), cio`: e 2 2 2 H() = ei 2 2

sin 2 .

Il modulo e la fase della funzione di trasferimento del DAC di tipo ZOH a frequenza

4.5. Convertitore Digitale-Analogico (DAC)

97

Fs = 1/ risultano allora: |H()| = 2 sin 2 ; H() = . 2

Osserviamo come prima cosa che la fase ` lineare, con coeciente angolare . e 2 Il graco del modulo, limitato alla frequenza di Nyquist F s rad/sec, ` mostrato in e Figura 4.19.
|H( )| 1 0.66

Fs

Figura 4.19 Modulo della funzione di trasferimento del DAC.

Si osserva che il guadagno, per le componenti ad alta frequenza ( F s ) ` signicae tivamente minore che per quelle a bassa frequenza ( 0): questo fatto pu` provocare o notevoli distorsioni nel segnale. Per ricostruire il segnale in modo fedele` allora utile mete tere in sequenza al DAC un sistema lineare tempo invariante E con funzione di trasferi1 mento H() , in modo che il sistema complessivo (DAC + E) risulti avere guadagno G(), con: 1 2 = 1. G() = H() H() Il circuito che realizza E viene detto equalizzatore ed ` caratterizzato da una funzione e di trasferimento il cui modulo, mostrato in Figura 4.20, ` 2 sin . e 2 Realizzare un equalizzatore, in questa applicazione, equivale quindi a determinare un 1 sistema LTI il cui modulo, nella zona di lavoro, sia almeno approssimativamente |H()| . Il sistema complessivo necessario ad elaborare digitalmente i segnali viene mostrato in Figura 4.21. Ricordiamo che se in una sequenza di sistemi LTI modichiamo lordine dei sottosistemi, il risultato non cambia: in molte applicazioni risulta utile anteporre lequalizzatore al DAC. Nelle applicazioni risultano allora possibili due approcci. 1. Il ltro equalizzatore viene posto in uscita del DAC.

98
1 |H( )| 1.5

Conversione Analogico-Digitale

1 0.66

Fs

Figura 4.20 Modulo della funzione di trasferimto dellequalizzatore.


filtro passabasso g(t)

f(t)

ADC

Elab. Digitale

DAC

Equalizzatore

Figura 4.21 Elaborazione digitale di segnali.

2. Il ltro equalizzatore precondiziona il segnale prima che esso entri nel DAC. In tal caso lequalizzatore sar` realizzato da un ltro digitale (si veda in Sezione 8.2.3 per a una semplice soluzione).

Un esempio del secondo approccio si ritrova nella produzione di CD commerciali. Il processo in questo caso ` caratterizzato da due fasi ben distinte: la produzione avviene e in uno studio che si pu` permettere grandi investimenti, ammortizzati dallalto numero o di CD venduti, mentre la fruizione avviene a casa dellacquirente del CD, mediante un sistema che deve avere un costo sopportabile. Di conseguenza, nello studio di produzione vengono usati microfoni di alta qualit` per a generare segnali con basso rumore. I segnali vengono inviati ad un ltro anti-aliasing e quindi ad un ADC, venendo poi memorizzati in un master stereo in formato digitale; mediante un particolare processo, il contenuto del master viene poi riprodotto nei vari CD da commerciare. Per la fruizione del CD, esso viene inserito in un lettore: qui linformazione digitale viene letta da un laser e i campioni sono inviati a vari DAC per le uscite stereo, opportunamente ltrate ed amplicate. Lintero processo ` schematizzato nella Figura e 4.22: Come abbiamo visto, il DAC attenua le frequenze pi` alte e quindi per migliorare u la qualit` del segnale ` necessario aggiungere un equalizzatore. In questo caso, invece a e di aggiungere in ogni lettore un costoso equalizzatore, ` vantaggioso precondizionare il e segnale prima che venga memorizzato nel CD.

4.6. Trasmissione di Segnali Digitalizzati

99

CD

filtro antialiasing
Microfono

ADC
Copia master

. . .

Lettore CD

DAC

filtro passabasso
Altoparlante

CD

Figura 4.22 Sistema di produzione di CD commerciali.

4.5.2

Sovracampionamento nella Conversione Digitale-Analogica

Le motivazioni che inducono ad esplorare gli eetti del sovracampionamento nella conversione analogico-digitale sono quelle gi` analizzate per la conversione digitale-analogica. Ci a limitiamo qui a illustrare lutilizzo di questi principi nei lettori di CD. Una semplicazione dei blocchi costituenti il lettore ` mostrato in Figura 4.23. e
x(n) 16 bit (44.1 kHz)
Sovracampionatore filtro a 12 bit

y(n) 28 bit (176.4 kHz)

Modulatore
(noise shaping)

z(n) 14 bit

DAC

filtro passabasso
Altoparlante

Figura 4.23 Lettore per CD commerciali.

Il segnale di ingresso x(n) ` un segnale digitale con parole di 16 bit a frequenza di e 44.1 KHz. Il segnale viene sovracampionato con tasso 4 e ltrato digitalmente con un ltro FIR con coecienti di 12 bit, ottenendo un segnale y(n) con parole di 16 + 12 = 28 bit a una frequenza di 4 44.1 = 176.4 KHz. Il segnale viene inviato a un modulatore che, come nel caso del SDM, sposta il rumore alle alte frequenze ed inne quantizzato per arrotondamento ai primi 14 bit. Il DAC seguente, con risposta in frequenza tipo sin x , ha x lulteriore eetto di abbattere il rumore alle alte frequenze del 34%. Anche se il DAC lavora a 14 bit, leetto ` quello di un DAC a 16 bit: i due bit e guadagnati sono prodotti da un miglioramento in SQNR di 12 dB, di cui 6 dovuti al sovracampionamento e 6 al modulatore.

4.6

Trasmissione di Segnali Digitalizzati

Le comunicazioni a distanza sono un elemento prioritario della vita moderna. Grandi quantit` di dati vengono scambiati per mezzo di reti telefoniche, radio o TV; in questota tica, problematiche di grande interesse sono da un lato lo studio e lo sviluppo di nuovi canali sici di trasmissione, dallaltro le tecniche di codica dei dati per una loro eciente trasmissione sui canali sici disponibili. Unimportante parametro di ecienza ` il tasso di compressione: dati compressi pose sono essere trasferiti a tassi di trasmissione meno elevati. In questo contesto, un vantaggio dellelaborazione digitale ` quello di poter applicare ai dati algoritmi di codica ecie

100

Conversione Analogico-Digitale

enti. Unulteriore richiesta ` la possibilit` di correggere, in ricezioni, eventuali errori di e a trasmissione. Analizziamo qui brevemente alcune problematiche sulla trasmissione di segnali digitalizzati. E conveniente considerare separatamente due fasi: 1. riduzione del segnale f (t) ad una sequenza, detta usso (stream) di bit; 2. associazione ad ogni sequenza di bit di un segnale composto da rettangoli (codica di linea).

4.6.1

Modulazione a Impulso

Una prima soluzione al problema di trasformare un usso di bit in un treno di impulsi pu` o essere ottenuta utilizzando un ADC con quantizzatore a m bit, che trasforma un segnale f (t) in una sequenza x(n) di parole binarie di m bit. Laccostamento di tali parole realizza un usso di bit, che pu` essere codicato dal segnale a componenti rettangolari come in o Figura 4.24.
f(k ) x(km)x(km+1) ... x(km+m1)

f(t)

Campionatore

Quantizzatore a m bit

PCM

y(t)

f(t)

Periodo di campionamento =

t y(t) +
0 1 1 1 1 0 1 0 1 1 0 1 1 0 0 1 0 0 0 0 0

Periodo di impulso = 3 t

Figura 4.24 Modulazione a Impulso con m = 3.

Questa particolare codica di segnali con forme donda digitali ` detta Modulazione e a Impulso (PCM - Pulse Coded Modulation). Varianti possono essere ottenute con diverse codiche dei livelli di quantizzazione. Dato un quantizzatore a m bit, sono infatti possibili molte codiche distinte dei m livelli di quantizzazione. Tre comuni codiche sono mostrate in Tabella 4.1 per un 2 quantizzatore a 8 livelli (m = 3).

4.6. Trasmissione di Segnali Digitalizzati

101

La codica naturale coincide con lusuale rappresentazione binaria dei numeri interi 0, 1, . . . , 2n 1. Nella codica con segno il primo bit signicativo rappresenta il segno; essa corrisponde allusuale codica dei numeri interi relativi 2 n1 + 1, . . . , 2n1 1. Una terza rappresentazione ` la codica di Gray, in cui le parole binarie che identicano due livelli e consecutivi dieriscono di un solo bit; questa codica ` interessante perch un errore sulla e e codica di un livello k da luogo in generale a livelli mediamente vicini a k, rendendo pi` u semplice il meccanismo di rilevamento e correzione di errore in ricezione.

4.6.2

Delta-Modulazione

Una seconda soluzione pu` essere ottenuta con una tecnica detta Delta-Modulazione (DM). o Essa ` realizzata dal convertitore analogico-digitale con quantizzatore a 1 bit mostrato in e Figura 4.25.
Quantizzatore a 1 bit
f(t) f(k ) x(k)

Campionatore

DM

y(t)

f(k )

f(t) f(k )

Periodo di campionamento = + t y(t) +


1 1 1 1 1 1 1 1 0 0 1 1 0 0 0 0 0 1 0 0 0

Periodo di impulso = t

Figura 4.25 Delta-Modulazione (DM).

Il segnale analogico f (t) viene campionato con periodo e ai tempi k viene posto in uscita un segnale binario x(k), dove x(0) = 0 e: x(k) = + se f (k ) altrimenti
k1 j=0 x(j)

Si osservi che la delta-modulazione richiede di trasmettere solo 1 bit per ogni campione, mentre la PCM richiede di trasmettere m bit per ogni campione. Tuttavia la DM presenta

102

Conversione Analogico-Digitale

uno svantaggio: ssato , essa pu` trattare ecacemente segnali di opportuna pendenza o e ampiezza, altrimenti si generano errori sistematici, come illustrato in Figura 4.26.

Figura 4.26 Errori introdotti dalla DM.

Essa richiede dunque preliminarmente di conoscere alcune caratteristiche del segnale. Allo scopo di ridurre la dipendenza di questa tecnica dal tipo di segnale, sono state studiate e introdotte varianti della PM, pi` costose ma pi` essibili, come la DPCM (Dierential u u Pulse Coded Modulation) o la DPCM adattativa. Naturalmente ` possibile accoppiare le tecniche di modulazione con algoritmi di come pressione. Un esempio importante sar` mostrato in Sezione 5.5.2. a

4.6.3

Codica di Linea

Una volta che il segnale ` stato codicato con una sequenza di 0 e 1, esso pu` essere e o elaborato o trasmesso su un opportuno canale. Se si vuol trasmettere linformazione direttamente in forma digitale, senza modulazione analogica, ` necessario assegnare ad ogni e simbolo 0 o 1 del messaggio da trasmettere un opportuno segnale rettangolare allinterno di una durata di secondi. Questoperazione, che fa corrispondere ad ogni parola di 0 e 1 un segnale composto da rettangoli, viene detta codica di linea. Vi sono varie possibili codiche di linea; di alcune di esse diamo qui una descrizione sommaria. 1. Nella codica unipolare NRZ, 1 viene rappresentato col valore +V per la durata di tutto lintervallo , mentre lo 0 col valore 0 per tutto lintervallo . Qui unipolare signica che i valori possibili del segnale sono 0, +V; NRZ (NonReturn to Zero) signica che il segnale corrispondente a 1 non ritorna mai a 0 nellintervallo . 2. Nella codica polare RZ, 1 viene rappresentato col segnale che vale +V per la prima met` dellintervallo e vale 0 nella seconda met`, mentre 0 viene rappresentato col a a segnale che vale -V per la prima met` dellintervallo e vale 0 nella seconda met`. a a Qui polare signica che i valori possibili del segnale sono +V, 0, -V; RZ (Return to Zero) signica che il segnale nellintervallo di ampiezza torna a 0. 3. Nella codica bipolare 0 viene rappresentato col valore 0 per la durata di tutto lintervallo , mentre 1 viene rappresentato alternativamente col segnale che vale

4.6. Trasmissione di Segnali Digitalizzati

103

+V per la prima met` dellintervallo e vale 0 nella seconda met`, o -V nella prima a a met` e 0 nella seconda. a La Figura 4.27 mostra il segnale che corrisponde nelle varie codiche di linea al messaggio 10110100111.
1 +v 0
0 1 2 3 4 5 6 7 8 9 10 11

1 (a) t

+v 0
0 1 2 3 4 5 6 7 8 9 10 11

(b) t

-v +v 0
0 1 2 3 4 5 6 7 8 9 10 11

(c) t

-v

Figura 4.27 Codiche di linea: (a) unipolare NRZ, (b) polare RZ , (c) bipolare RZ.

Vi sono naturalmente importanti dierenze tra le varie codiche. Ad esempio, dal punto di vista dellerrore di trasmissione, si pu` osservare che la codica bipolare permette o di rilevare un errore di trasmissione, a causa dellalternanza delle polarit` nella codica a degli 1. Dal punto di vista dellanalisi spettrale, si pu` dimostrare che lenergia del segnale o associato alla codica bipolare ` concentrata per frequenze minori di 1/ , che ` il tasso di e e trasmissione, mentre per la codica polare RZ tale energia ` concentrata sotto il doppio e del tasso di trasmissione.

104

Conversione Analogico-Digitale

Tabella 4.1 Codiche del livello di quantizzazione.

N o livello 1 2 3 4 5 6 7 8

Codica naturale 000 001 010 011 100 101 110 111

Codica con segno 011 010 001 000 100 101 110 111

Codica di Gray 010 011 001 000 100 101 111 110

Capitolo 5

Trasformata Discreta di Fourier

La trasformata di Fourier permette di trattare i segnali a tempo continuo dal punto di vista delle loro componenti armoniche (analisi in frequenza). In modo analogo la trasformata di Fourier a tempo discreto permette lanalisi in frequenza dei segnali a tempo discreto. Questo argomento viene trattato in Sezione 1 e ripreso, in connessione alla Trasformata zeta, in Capitolo 7. I segnali a tempo discreto possono essere approssimati con segnali digitali. Lanalisi in frequenza di tali segnali pu` essere ottenuta mediante la Trasformata Discreta di Fourier o (DFT), motivata in Sezione 2 e trattata in dettaglio in Sezione 3. La DFT ` diventata e popolare negli anni 50, proprio in relazione alla crescente importanza dei sistemi di elaborazione digitali. Un salto di qualit` nellutilizzo della DFT ` stata la scoperta di una classe a e di algoritmi veloci, genericamente chiamata FFT (Fast Fourier Transform), che permette di calcolare la DFT in tempo quasi lineare nella dimensione dei dati. Il calcolo diretto della DFT ` piuttosto costoso, richiedendo O(N 2 ) operazioni di e prodotto, dove N ` la dimensione dello spazio su cui si applica la trasformata. Utilizzando e essenzialmente tecniche divide et impera, si ottengono algoritmi FFT che calcolano la 105

106

Trasformata Discreta di Fourier

DFT riducendo a O(N log N ) il numero di costose operazioni di moltiplicazione, come discusso in Sezione 4. La drastica riduzione del tempo di calcolo porta a signicativi vantaggi ampliando il campo delle possibili applicazioni. Nellelaborazione dei segnali la FFT ha tre principali settori di utilizzo: 1. analisi spettrale per segnali digitali, con applicazioni alla sintesi di tri digitali; 2. calcolo veloce della convoluzione e della correlazione; 3. compressione di dati per la memorizzazione e la trasmissione eciente degli stessi. Questi argomenti sono trattati in Sezione 5.5. Gli algoritmi per la FFT si sono imposti come tecnica di base per lelaborazione dei segnali dopo il lavoro di Cooley e Tukey [CooTu65]. Cooley, Lewis e Welch [CooLeWe68] attribuiscono questo metodo a Runge (1903); altri autori ne fanno risalire le idee principali addirittura a Gauss. La FFT ` trattata in quasi tutti i testi su elaborazione digitale dei segnali (si veda e ad esempio [IfeJer02]) e presenta aspetti di interesse nellarea degli algoritmi (si veda ad esempio [AhHoUl74]); un testo unicamente dedicato a questo argomento ` [Bri88]. Tutti e gli ambienti s/w per il trattamento di segnali contengono procedure per la FFT e gli attuali elaboratori digitali calcolano la DFT a velocit` tale da permettere lelaborazione in tempo a reale di molti segnali, includendo quelli vocali.

5.1

Trasformata di Fourier a Tempo Discreto

La trasformata e lantitrasformata di Fourier introdotte nel Capitolo 2 operano su segnali continui, sia nel dominio dei tempi che delle frequenze, e sono denite da:
+

F () =

f (t)eit dt,

f (t) =

1 2

F ()eit d.

Fissato un intervallo di ampiezza , per ogni segnale f (t) consideriamo il segnale f c (t) ottenuto campionando f (t) ai tempi n ( < n < ), e concentrando lenergia ai tempi di campionamento; mediante la funzione impulsiva (t) tale segnale pu` essere riscritto: o
+

fc (t) =
n=

f (n )(t n ).

La Figura 5.1 mostra un segnale f (t) ed il corrispondente f c (t). Se denotiamo con Fc () la trasformata di Fourier di fc (t), risulta:
+

Fc () =
n=

f (n )ein .

(5.1)

5.1. Trasformata di Fourier a Tempo Discreto

107

f(t)

f (t)
c

...

3 2 1 0

...

(a)

(b)

Figura 5.1 (a) Segnale f (t) continuo. (b) Segnale f (t) campionato.

Infatti:
+ +

Fc () =
n= + +

f (n )(t n )eint dt f (n )(t n )eint dt


+

=
n= +

(per la linearit`) a (poich e

=
n=

f (n )ein

g(t)(t t0 )dt = g(t0 )).

1 Operiamo ora il cambio di variabile = . Denotando con F s = la frequenza di campionamento in Hz, risulta che = Fs . La variabile assume dunque signicato di frequenza normalizzata alla frequenza di campionamento; poich ` data in rad/sec, e e mentre Fs ` data in cicli/sec, ` data in radianti. e e Poniamo ora: . xd (n) = f (n ), Xd () = Fc

Con le nuove notazioni, risulta quindi:


+

Xd () =
n= +

xd (n)ein .
+

Poich` Xd ( + 2) = e
n=

xd (n)e

i(+2)n

=
n=

xd (n)ein = Xd (), la funzione

Xd () risulta periodica di periodo 2 e vale quindi la seguente espansione in serie di Fourier:

108

Trasformata Discreta di Fourier

Xd () =
n=

xd (n)ein ,

xd (n) =

1 2

2 0

Xd ()ein d.

Riassumiamo la discussione precedente nel seguente: Fatto 5.1 Sia fc (t) il segnale ottenuto campionando f (t) con passo e sia F c () la sua trasformata di Fourier. Posto xd (n) = f (n ) e Xd () = Fc ( ) vale:
+

Xd () =
n=

xd (n)ein ,

xd (n) =

1 2

2 0

Xd ()ein d.

Le due trasformazioni sopra descritte sono dette rispettivamente trasformata e antitrasformata di Fourier a tempo discreto.

5.2

Introduzione alla Trasformata Discreta di Fourier (DFT)

La trasformata di Fourier a tempo discreto ` applicabile a segnali campionati; tali segnali e sono a tempo discreto e con frequenza normalizzata nel continuo [0, 2). Per poter trattare opportune approssimazioni di tali segnali con tecniche digitali, dobbiamo ulteriormente: 1. considerare solo un numero nito di campioni nel tempo, 2. campionare in frequenza, cos` da considerare solo un numero nito di frequenze anzich lintervallo continuo [0, 2). e Questo obiettivo pu` essere raggiunto: o 1. approssimando linformazione contenuta in un segnale f (t) con quella ottenuta dal vettore x formato da N campioni del segnale campionato con passo : x = (x(0), . . . , x(N 1)) con x(n) = f (n ) (0 n < N ).

Il vettore x ` quindi costituito da N campioni nellintervallo [0, (N 1) ]; e 2. considerando il vettore X formato da N campioni della trasformata a tempo discreto Xd (), campionata a intervalli di ampiezza 2 : N X = (X(0), . . . , X(N 1)) con X(k) = Xd k 2 N (0 n < N ).

Supponiamo ora che lenergia del segnale sia essenzialmente contenuta negli N campioni x(0), . . . , x(N 1); sotto questa ipotesi vale che: X(k) = Xd 2 k N
+

=
n=

x(n)e

i 2n N

N 1 n=0

x(n)ei

2n N

Possiamo pertanto approssimare la trasformate (continua) di Fourier con la seguente trasformazione tra vettori complessi N -dimensionali, che chiameremo Trasformata Discreta di Fourier (DFT):

5.3. Propriet` della Trasformata Discreta di Fourier a

109

Denizione 5.1 La Trasformata Discreta di Fourier (DFT) di un vettore a componenti complesse a(0), . . . , a(N 1) ` il vettore a componenti complesse A(0), . . . , A(N 1), dove e A(k) =
N 1 n=0

a(n)ei

2n N

(k = 0, . . . , N 1).

Per quanto riguarda la relazione tra la trasformata di Fourier e la trasformata discreta di Fourier, se le varie approssimazioni fatte (passo di campionamento , numero N di campioni) risultano ragionevolmente buone, allora: a(k) = f (k ) (0 k N 1) implica che A(k) F k N (0 k N 1).

Queste approssimazioni risultano ragionevolmente buone quando lintervallo di campionamento in un dominio (per esempio il tempo) consente di avere un aliasing trascurabile nellaltro dominio (frequenza). Si hanno essenzialmente tre situazioni distinte: 1. segnali periodici (tempo) a banda limitata (frequenza): questa ` lunica classe di e segnali per cui la trasformata discreta e quella continua coincidono (a meno di un fattore di scala); 2. segnali non nulli in un intervallo temporale nito: tali segnali non sono banda limitata (frequenza), per cui il campionamento produce aliasing che si pu` solamente o ridurre ad un valore accettabile ma non eliminare. La trasformata discreta dierisce pertanto da quella continua a causa di errori introdotti dallaliasing. 3. segnali a supporto temporale di dimensione innita e non a banda limitata (frequenza): la trasformata discreta dierisce da quella continua a causa di errori sia di aliasing che di troncamento.

5.3

Propriet` della Trasformata Discreta di Fourier a

Reintroduciamo ora la trasformata discreta di Fourier in modo assiomatico e ne analizziamo le principali propriet`. a Consideriamo lo spazio C n dei vettori [f (0), . . . , f (N 1)] a N componenti complesse. Tale spazio ` uno spazio vettoriale rispetto alla somma tra vettori e prodotto di un vettore e per un numero complesso: somma: [f (0), . . . , f (N 1)]+[g(0), . . . , g(N 1)] = [f (0)+g(0), . . . , f (N 1)+g(N 1)] prodotto: [f (0), . . . , f (N 1)] = [f (0), . . . , f (N 1)]

110

Trasformata Discreta di Fourier

Deniamo Trasformata Discreta di Fourier la trasformazione F d : C n C n che associa al vettore f (k) (0 k N 1) il vettore F (n) (0 n N 1) nel seguente modo: F (n) =
N 1 k=0

f (k)e

i2nk N

(0 n N 1).

1 La trasformazione Fd ` lineare e invertibile e la sua inversa F d , detta antitrasformata, e ` data da: e

f (k) =

1 N

N 1 n=0

F (n)e

i2nk N

(0 k N 1).

Questo risultato pu` essere dimostrato a partire dallidentit`: o a


N 1 k=0
i2nk N

N 0

if n = 0 if n = 0 = N , se n = 0 si ha invece: )N 1 1

Essa deriva dal fatto che se n = 0, allora


N 1 k=0
i2nk N

N 1 k=0 1

N 1 k=0

(e

i2n N

) =

(e

i2n N

i2n N

= 0.

Ora, per verica diretta abbiamo che se F (k) = 1 N


N 1 k=0
i2nj N

1 N

N 1 n=0

f (n)e

i2nk N

allora:

F (k)e

1 N 1 N 1 N

N 1 N 1

f (n)e

i2nk N

i2nj N

k=0 n=0 N 1 N 1

f (n)

i2k(nj) N

n=0 N 1 n=0

k=0

= =

f (n)

N 0

if n = j if n = j

1 N f (j) = f (j). N

In conclusione la coppia trasformata-antitrasformata discreta di Fourier ` riassunta di e seguito: F (n) =


N 1 k=0

f (k)e

i2nk N

1 f (k) = N

N 1 n=0

F (n)e

i2nk N

(5.2)

5.3. Propriet` della Trasformata Discreta di Fourier a

111

5.3.1

Operazioni e Propriet` a

Nello spazio dei vettori a N componenti complesse si possono introdurre alcune importanti operazioni: Prodotto: Traslazione ciclica: Convoluzione Ciclica: dove con s
N

(f g)(n) = f (n) g(n), (Shifta f )(n) = f ( n a (f g)(n) =


N 1 k=0 N ),

f (k) g( n k

N ),

si intende il resto della divisione di s con N .

Queste operazioni hanno forti analogie con le operazioni su funzioni a variabile complessa che abbiamo precedentemente introdotto; non stupisce allora che la trasformata discreta goda di propriet` simili a quelle della trasformata continua. In Tabella 5.1, in cui a denotiamo con F (n) la trasformata di Fourier di f (k) e con G(n) la trasformata di Fourier di g(k), elenchiamo le principali propriet`. a
Tabella 5.1 Propriet` della Trasformata Discreta di Fourier. a

Propriet` a Linearit` a Traslazione ciclica Convoluzione ciclica

f (k) af (k) + bg(k) f( k a


N)

F(n) aF (n) + bG(n) ei2an F (n) F (n)G(n)

f (k) g(k)

Delle propriet` sopra elencate, dimostriamo qui limportante propriet` di convoluzione a a ciclica, che asserisce che la trasformata di una convoluzione ciclica ` il prodotto, compoe nente per componente, delle trasformate. Sia h = f g e H(n) la sua trasformata discreta di Fourier. Per denizione di convoluzione ciclica e di trasformata discreta abbiamo: H(n) = =e
N 1 k=0 N 1 j=0

Osservando che e

i2nk N

i2nj N

f (j) g( k j

i2n(kj) N

, possiamo scrivere: g( k j
N )e
i2n(kj) N

N ) e

i2nk N

H(n) =

N 1 j=0

f (j)e

i2nj N

N 1 k=0

112

Trasformata Discreta di Fourier


N

=e vale inoltre e Concludiamo allora: H(n) =

Poniamo k j = s e osserviamo che se 0 k N 1 allora s


i2n(kj) N i2n s N N

varia in {0, 1, . . . , N 1};

N 1 j=0

f (j)e

i2nj N

N 1 s=0

g(s)e

i2ns N

= F (n)G(n).

Ricordiamo inne che per la trasformata discreta di Fourier vale lanaloga della relazione di Parseval (vedi la (2.12)):
N 1 k=0

| f (k) |2 =

1 N

N 1 n=0

| F (n) |2 .

5.4

Algoritmo per il Calcolo Veloce della Trasformata Discreta (FFT)

Il calcolo della trasformata discreta di Fourier richiede di moltiplicare un vettore a N componenti [f (0), . . . , f (N 1)] per la matrice N N la cui componente alla riga n e colonna k `: e i2nk e N . Tale calcolo pu` essere ovviamente eettuato con O(N 2 ) operazioni di somma e prodotto, o poich` il calcolo di ognuna delle N componenti F (n) richiede O(N ) operazioni. Algoritmi e pi` eciente per il calcolo della trasformata sono stati proposti tra gli altri da Runge e u Konig nel 1924 e da Cooley e Tukey nel 1965. Questi algoritmi richiedono O(N log N ) invece di O(N 2 ) operazioni e per tal motivo sono chiamati FFT (Fast Fourier Transform algorithm). Presentiamo qui lidea base quando N ` una potenza di 2. e Ricordiamo che la trasformata discreta ` denita da: e F (n) =
N 1 k=0

f (k)e

i2nk N

Separando nella sommatoria i termini di indice pari da quelli di indice dispari, si ottiene:
N/21 N/21

F (n) =
k=0

f (2k)e

i22kn N

+
k=0

f (2k + 1)e

i2(2k+1)n N

da cui: F (n) =

N/21

f (2k)e
k=0

i2kn N/2

N/21

+e

i2n N

f (2k + 1)e
k=0

i2nk N/2

Questa formula esprime la possibilit` di calcolare la trasformata discreta del vettore a a N componenti [f (0), . . . , f (N 1)] usando la trasformata discreta dei 2 vettori a N/2 componenti [f (0), f (2), . . . , f (N 2)] e [f (1), f (3), . . . , f (N 1)]. Questo suggerisce la seguente procedura ricorsiva basata sulla tecnica divide et impera:

5.5. Applicazioni della Trasformata Discreta di Fourier

113

Procedura FFT([f (0), . . . , f (N 1)]) if N = 1 then F (0) f (0); return f (0); else [p(0), p(1) . . . , p(N/2 1)] FFT([f (0), f (1) . . . , f (N 2)]); [d(0), d(1), . . . , d(N/2 1)] FFT([f (1), f (3), . . . , f (N 1)]); for n = 0 : N 1 do i2n F (n) p n N/2 + e N d return [F (0), . . . , F (N 1)]. Il calcolo della trasformata di un vettore a N componenti richiama ricorsivamente il calcolo della trasformata di 2 vettori a N/2 componenti con O(N ) operazioni di somma e prodotto aggiuntive. Detto T (N ) il numero totale di operazioni per calcolare la trasformata di un vettore a N componenti, vale allora: T (N ) = 0 2T (N/2) + O(N ) se N = 1, se N > 1. n
N/2

Poich la soluzione alla precedente equazione di ricorrenza ` T (N ) = O(N log N ), lalgoe e ritmo FFT permette una forte riduzione della complessit` in tempo per il calcolo della a trasformata. Unanalisi pi` precisa mostra che il calcolo della FFT richiede N log 2 N u 2 moltiplicazioni di numeri complessi. L algoritmo veloce per il calcolo della trasformata inversa ` del tutto simile. e

5.5

Applicazioni della Trasformata Discreta di Fourier

Nellelaborazione dei segnali la FFT ha tre principali settori di utilizzo: 1. analisi spettrale per segnali digitali, con applicazioni alla sintesi di tri digitali; 2. calcolo veloce della convoluzione e della correlazione; 3. compressione di dati per la memorizzazione e la trasmissione eciente degli stessi. Una importante area di applicazioni della DFT ` quella dellanalisi in frequenza medie ante tecniche digitali: sotto certe condizioni, essa permette di calcolare in modo approssimato la trasformata di Fourier F () di un segnale f (t). Giustichiamo, con una trattazione qualitativa, la precedente aermazione. A tal riguardo, supponiamo che, come illustrato in Figura 5.2:

114
f(t)

Trasformata Discreta di Fourier

F()

T=N

Figura 5.2 Localizzazione in tempo e frequenza di un segnale.

1. per un opportuno , sia F () 0 per || > ; 2. per un opportuno T , sia f (t) 0 se t < 0 o t > T . Per lipotesi 1, il segnale f (t) ` essenzialmente individuato dal suo campionamento e x(n) = f (n ) con periodo . Posto ora N = T , per lipotesi 2 possiamo concludere che f (t) ` essenzialmente individuato dal vettore [x(0), . . . , x(N 1)]. e Sotto le ipotesi date, vale che:
N

F () Infatti:
+

x(k)eik
k=0

(5.3)

F () =

f (t)eit dt
N 0

f (t)
N 1 k=0

f (t)eit dt

(per ipotesi 1) (approssimando lintegrale con la somma).

f (k )eik

La DFT del vettore [x(0), . . . , x(N 1)] ` il vettore [X(0), . . . , X(N 1)] dove: e X(n) = Dalla (5.3) e dalla (5.4) segue allora: F 2n N X(n) (5.5)
N 1 k=0

x(k)ei

2n k N

(5.4)

5.5. Applicazioni della Trasformata Discreta di Fourier

115

La (5.5) permette di approssimare la trasformata di Fourier continua mediante il calcolo della DFT. Altre applicazioni della DFT sono legate alla simulazione di sistemi LTI mediante una tecnica di calcolo veloce della convoluzione basata sulla FFT, e alluso della trasformata coseno, che consiste essenzialmente nella parte reale della DFT, per la compressione di segnali.

5.5.1

Convoluzione e Correlazione: Calcolo con FFT

Sia S un sistema LTI per segnali a tempo discreto. Sappiamo che S ` individuato dalla e sua risposta h(n) allimpulso, ed in particolare che la risposta y(n) al segnale x(n) ` data e dalla convoluzione h x:
+

y(n) =
k=

h(k)x(n k).

La convoluzione ` dunque centrale nello studio dei sistemi LTI; tra le operazioni ad e essa riferite ricordiamo ad esempio la identicazione di sistema (dati un segnale-test x e la risposta y, determinare la risposta allimpulso h), di deconvoluzione (data luscita y e la risposta h allimpulso, determinare lingresso x), la deconvoluzione cieca (stimare lingresso x conoscendo solo luscita y!). Consideriamo ora segnali a tempo discreto x(n) in un arco temporale nito, per esempio nulli prima di 0 e dopo N 1; essi possono quindi essere descritti da un vettore [x(0), . . . , x(N 1)]. La convoluzione tra x e h ` data dal vettore y a 2N componenti dove: e y(n) =
N 1 k=0

h(k)x(n k)

(0 n 2N 1).

Un altra operazione tra segnali di grande interesse ` la correlazione temporale, che verr` e a discussa in Capitolo 9. Limitatamente a segnali x(n) e y(n) nulli prima di 0 e dopo N 1, la loro cross-correlazione temporale R xy (j) `: e Rxy (j) =
N 1 k=0

x(k)y(k + j)

(N + 1 j N 1).

Sia ora z(n) = y(N 1 n), cio` z ` il vettore ottenuto leggendo y in ordine inverso. Si e e verica facilmente: Rxy (N 1 j) =
N 1 k=0

x(k)z(j k)

(0 j 2N 1).

Essendo linverso della correlazione di due vettori la convoluzione di un vettore per linverso dellaltro, il calcolo della correlazione ` riducibile a quello della convoluzione. e Studiamo ora il problema di determinare algoritmi ecienti per il calcolo della convoluzione. Si tratta di progettare algoritmi che, avendo in ingresso due vettori [x(0), . . . , x(N

116

Trasformata Discreta di Fourier

1)] e [y(0), . . . , y(N 1)] diano in uscita il vettore 2N -dimensionale [z(0), . . . , z(N 1)] con: z(n) =
N 1 k=0

x(k)y(n k)

(0 n 2N 1).

Le prestazioni degli algoritmi saranno misurate dal numero di moltiplicazioni richieste. Lalgoritmo che implementa direttamente la formula, richede per il calcolo di z(n) n+1 prodotti se 0 n N 1, oppure 2N n + 1 prodotti se n > N 1. Il numero totale di prodotti ` allora N 2 + N . e Osserviamo ora che z ` la convoluzione ciclica dei 2 vettori 2N -dimensionali x e y e ottenuti aggiungendo N zeri ai 2 vettori N -dimensionali x e y, come segue: x = [x(0), . . . , x(N 1), 0, . . . , 0], y = [y(0), . . . , y(N 1), 0, . . . , 0], z = x y. quindi
1 Indicando con Fd e Fd rispettivamente la trasformata e lantitrasformata discreta di Fourier, a causa della propriet` della convoluzione ciclica, si ha: a 1 1 1 z = Fd {Fd {z}} = Fd {Fd { y }} = Fd {Fd {}Fd {}} . x x y

Lalgoritmo precedente calcola la convoluzione applicando tre volte lalgoritmo FFT a vettori di dimensione 2N ed eseguendo 2N ulteriori moltiplicazioni complesse, per un totale di 3N log 2 2N + 2N moltiplicazioni complesse. Poich una moltiplicazione complessa richiede a sua volta 4 moltiplicazioni, concludie amo che lalgoritmo calcola la convoluzione di 2 vettori N -dimensionali con 12N log 2 2N + 8N moltiplicazioni, contro le N (N + 1) moltiplicazioni richieste dal metodo diretto.

5.5.2

Trasformata Coseno e Compressione Dati

La compressione dei dati ` una problematica di grande interesse con applicazione, ad e esempio, nella trasmissione di segnali audio e video o per la memorizzazione di segnali biomedici. I dati compressi presentano in generale due vantaggi: 1. possono essere trasmessi a velocit` pi` elevata; a u 2. applicando ad essi algoritmi per il riconoscimento di caratteristiche, si hanno tempi di risposta pi` contenuti. u Allo scopo di chiarire il concetto di compressione, ricordiamo che un segnale discretizzato pu` essere visto come un vettore monodimensionale (segnale temporale) o bidimeno sionale (immagine) a N componenti. In questo contesto, loperazione di compressione pu` o essere descritta mediante una trasformazione M : R N RM , con M < N . Poich dal e

5.5. Applicazioni della Trasformata Discreta di Fourier

117

segnale compresso y = M (x) non ` in generale possibile ricostruire univocamente il segnale e originale x, un parametro importante della compressione ` lerrore di ricostruzione. e

Data una famiglia di segnali, loperatore di compressione che, tra le trasformazioni lineari, minimizza lerrore quadratico di ricostruzione ` ottenibile dalla cosiddetta trasfore mata di Karhunen-Lo`ve, descritta per esempio in [DeOb97]. Essa associa ad ogni vete tore [x(0), . . . , x(N 1)] un vettore [K(0), . . . , K(N 1)] tale che la informazione contenuta in K(j) ` maggiore di quella contenuta in K(j + 1), con j = 0, . . . , N 2: la e compressione ottima di [x(0), . . . , x(N 1)] in un vettore ad M componenti ` il vettore e [K(0), . . . , K(M 1)]. Questa tecnica, detta analisi delle componenti principali, richiede tuttavia di conoscere la distribuzione dei segnali ed ` computazionalmente costosa. Se tuttavia ipotizziamo di e trattare segnali con spettro concentrato sulle basse frequenze, un risultato simile alla trasformata di Karhunen-Lo`ve pu` essere ottenuto applicando la DFT; un inconveniente e o di questa scelta sta nel fatto che la DFT tratta il segnale [x(0), . . . , x(N 1)] come segnale periodico [x(0), . . . , x(N 1), x(0), . . . ], introducendo salti ttizi (vedi Figura 5.3(b)) che comportano la presenza di alte frequenze.

Salto

Salto

...
0 N1 2N1

(b)

N1

(a)
0 2N1

...
(c)

Figura 5.3 (a) Segnale nito. specularmente.

(b) Segnale reso periodico.

(c) Segnale ripetuto

118

Trasformata Discreta di Fourier

Allo scopo di moderare i salti, il segnale pu` essere ripetuto in modo speculare come o in Figura 5.3(c), ottenendo il nuovo segnale [z(0), . . . , z(2N 1)] con: z(k) = x(k) x(N 1 k) se 0 k N 1 se N k 2N 1.

Il segnale z contiene ovviamente la stessa informazione del segnale x. Applicando la DFT a z e ricordando che z = [x(0), . . . , x(N 1), x(N 1), . . . , x(0)], si ottiene per k = 0, . . . , 2N 1: Z(k) =
2N 1 n=0 N 1 n=0 N 1 n=0 N 1 n=0

x(n)ei

2nk 2N

= =

x(n) ei 2x(n)

2nk 2N

+ ei

2(2N n1)k 2N

(per la simmetria di z)

ei 2N (2n+1) + ei 2N (2n+1) i k e 2N 2
k k (2n + 1) ei 2N 2N

2x(n) cos

Ponendo Xc (k) = N Z(k)ei 2N e considerando le prime N componenti, si ottiene la trasformazione: Xc (k) = 1 N


N 1 n=0

2x(n) cos

k (2n + 1) 2N

(0 k N 1).

Questa trasformazione viene chiamata Trasformata Discreta Coseno (DCT). Come abbiamo visto, essa pu` essere calcolata direttamente mediante la FFT; sono stati coo munque implementati algoritmi per il calcolo della DCT che richiedono ancora meno moltiplicazioni. Per quanto riguarda linversa della DCT, ` possibile provare che: e Xc (0) + x(n) = 2
N 1 k=1

Xc (k) cos

k (2n + 1) 2N

(0 n N 1).

Esempio 5.5.1 Compressione nello standard JPEG. Una immagine rettangolare digitalizzata ` rappresentata da una matrice N M di e pixel (picture element) s(j, k), valori numerici che denotano attributi dellimmagine come intensit` o colore. Le immagine occupano parecchia memoria; per esempio, una a immagine a colori di 320 240 pixel, ognuno dei quali contiene le intensit` dei tre a

5.5. Applicazioni della Trasformata Discreta di Fourier colori fondamentali (rosso, giallo, verde) per 1 byte luno, occupa 320 240 3 = 230 kbyte, equivalenti a circa 75 pagine di testo. La gestione di immagini richiede dunque ecienti algoritmi di compressione: presentiamo qui schematicamente lalgoritmo di compressione raccomandato nello standard JPEG (Joint Photographic Experts Group). Ricordiamo che la standardizzazione ` necessaria per permettere lo scambio di immagini tra dierenti applicazioni, supe portate ad esempio da Personal Computer, Reti, CD ROM, macchine fotograche digitali. Lalgoritmo di compressione in JPEG, illustrato in Figura 5.4, prevede i seguenti passi descritti schematicamente.
Coeff. dc Coeff. DCT Immagine DCT Q Altri coeff. Dati compressi DCPM Huffman Dati compressi

119

Huffman

DCT = Trasformata Discreta Coseno Q = Quantizzatore DCPM = Differential Pulse Code Modulation Huffman = Codice di Huffman

Figura 5.4 Compressione dati JPEG.

Calcolo della DCT. Limmagine viene divisa in blocchi di 8 8 pixel e di ogni blocco viene calcolata la trasformata coseno bidimensionale: 1 S(i, l) = C(i)C(l) 4 j=0 dove: C(i) =
7 7

s(j, k) cos((2j + 1)i/16) cos((2k + 1)l/16),


k=0

1/ 2 1

se i = 0 . se i = 0

La trasformata viene ottenuta calcolando dapprima la DCT di ogni riga, formando con i vettori ottenuti una nuova matrice e calcolando inne la DCT di ogni colonna. Si osservi che ogni matrice 8 8 cos` ottenuta contiene in alto a sinistra le ampiezze delle basse frequenze e in basso a destra le ampiezze delle alte frequenze. Quantizzazione dei coecienti. Per ogni blocco, ognuna delle 64 componenti viene quantizzata con un quantizzatore uniforme e arrotondata con un intero; questa procedura crea matrici a componenti intere con molti zeri in basso a destra.

120

Trasformata Discreta di Fourier Codica. Per ogni blocco, il coeciente in alto a sinistra S(0, 0) ` il termine dc e e rappresenta la ampiezza media del segnale nella matrice. Mediamente blocchi adiacenti hanno valori simili del termine dc, pertanto ` conveniente trattare e questo coeciente in modo dierente dai rimanenti 63. I termini dc vengono convenientemente precompressi utilizzando la DPCM (Dierential Pulse Code Modulation), unestensione della Delta-modulazione analizzata in Sezione 4.6. Tutti gli altri coecienti sono ordinati a zig-zag (vedi Figura 5.5) e codicati con lalgoritmo di Human, che permette di ottenere il codice presso avente lunghezza media di codica minima [***].
Coefficiente dc

64mo coefficiente

Figura 5.5 Ordine a zig-zag.

La decodica avviene semplicemente invertendo le operazioni di codica. Questo tipo di codica permette tassi di compressione no a 20:1.

Esempio 5.5.2 Si considerino immagini di 1024 1024 pixel con 256 livelli di grigio. Determinare il tasso di trasmissione necessario a trasmettere un usso di 25 immagini al secondo, compresse con un fattore 20 (si trascuri il tempo necessario a comprimere e decomprimere limmagine). Ogni pixel richiede log2 256 = 8 bit, cio` 1 byte. Ogni immagine e compressa consiste di 1024x1024x1/2050 Kbyte. Il tasso di trasmissione dovr` essere a 50 25 kbyte/sec, cio` 1.25 Mbyte/sec. e

Capitolo 6

Architetture DSP

Un convertitore analogico-digitale (ADC) trasforma un segnale a tempo continuo in una sequenza di bit; viceversa un convertitore digitale-analogico (DAC) trasforma una sequenza di bit in un segnale a tempo continuo. Avendo a disposizione un elaboratore che abbia in input luscita di un ADC e dia la sua uscita in input a un DAC, si pu` pensare di simulare o a tutti gli eetti un sistema S, caratterizzato dalla sua relazione input-output, con un programma ProgS che renda commutativo il diagramma in Figura 6.1. A tutti gli eetti pratici, il sistema S viene realizzato attraverso limplementazione di un opportuno algoritmo, riducendo in linea di principio la sintesi di sistemi ad uno speciale problema di programmazione su architetture eventualmente specializzate: questa area di attivit` ` detta elaborazione numerica di segnali. ae La prima parte di questo capitolo ` dedicata ad analizzare i diversi approcci (software e e hardware) allelaborazione digitale dei segnali, discutendo vantaggi e svantaggi che lelaborazione digitale ha rispetto a quella analogica. Un ampio spettro di applicazioni riguarda lelaborazione in tempo reale: questo tipo di applicazioni richiede generalmente alta velocit` di elaborazione, da cui la necessit` di specializzare larchitettura degli elaboratori. a a 121

122
f(t)

Architetture DSP
SISTEMA S
g(t)

ADC

ELABORATORE

DAC

Prog

Figura 6.1 Elaborazione di segnali mediante conversione analogico-digitale e digitaleanalogico.

Si discutono i punti deboli, per questo tipo di applicazioni, dei microprocessori basati sullarchitettura Von Neumann e si introduce la pi` adeguata architettura Harvard. Si u analizzano alcune scelte eettuate per aumentare la velocit` di elaborazione: architetture a RISC, livelli di integrazione delle varie componenti dellelaboratore, h/w specializzato per lesecuzione veloce della moltiplicazione. Si conclude con un breve cenno allattuale linea di tendenza, fortemente basata sui principi dellelaborazione parallela sincrona: architetture per macchine SIMD (Single Instruction Multiple Data) e architetture superscalari.

6.1

Elaborazione Digitale dei Segnali: Approcci

In generale, si possono distinguere fondamentalmente due approcci allelaborazione digitale dei segnali: Lapproccio mediante programmazione. In questo caso le caratteristiche di sistemi che trasformano segnali vengono simulate da programmi che vengono eseguiti da un elaboratore digitale. La velocit` di esecuzione del programma dipende dal tipo a di elaboratore ed in particolare dal livello di parallelismo e dalla velocit` con cui a vengono eseguite le istruzioni. Questo tipo di approccio risulta di grande essibilit`: a sistemi totalmente diversi vengono simulati sulla stessa macchina, semplicemente eseguendo algoritmi diversi. Lapproccio mediante realizzazione h/w. In questo caso gli algoritmi che simulano i sistemi vengono realizzati in h/w con circuiti dedicati a applicazioni speciche (ASIC) o mediante circuiti programmabili (PLD). La velocit` di elaborazione dipende a dalla frequenza di clock e dalla propagazione dei ritardi nei circuiti logici. Questo approccio permette realizzazioni pi` ecienti delle soluzioni s/w, con velocit` di u a elaborazione maggiore di un fattore 10 2 , risultando tuttavia molto meno essibile, in quanto la simulazione di un nuovo sistema costringe a ridisegnare e rimpiazzare gran parte del circuito. Entrambe gli approcci portano a soluzioni pi` precise, adabili e stabili delle realizu zazioni analogiche a parit` di costo. In addizione, lapproccio mediante programmazione a

6.2. Architettura Von Neumann e Harvard

123

pu` ulteriormente essere agevolato fornendo lelaboratore di un minimo di s/w di base, per o esempio per lauto-diagnosi e per la gestione delle periferiche. Inne, la progettazione di sistemi con tecniche digitali allarga la fascia dei potenziali progettisti, in quanto richiede meno competenze matematiche e siche che non la controparte analogica: grazie alluso di strumenti s/w di ausilio alla programmazione, luso di questa tecnologia richiede solo una conoscenza di base dei principi di elaborazione dei segnali e qualche abilit` di a programmazione. In conclusione, le soluzioni digitali orono vari vantaggi rispetto a quelle analogiche. Per prima cosa, i circuiti analogici sono aetti dalla cosiddetta variabilit` : lo stesso cira cuito ha comportamenti diversi in dipendenza dalla temperatura di lavoro o dal tempo di funzionamento, inoltre circuiti con lo stesso disegno hanno caratteristiche diverse a causa dellintrinseca imprecisione delle componenti. Per contro, soluzioni digitali sono caratterizzate dalla loro ripetibilit` : circuiti digitali correttamente disegnati produrranno gli a stessi risultati in ogni tempo e per ragionevoli range di temperatura. Lapproccio mediante programmazione porta inoltre a vantaggi di essibilit`: lo stesso h/w pu` supportare a o una innita gamma di potenziali applicazioni. Va tuttavia segnalato che per particolari applicazioni le soluzioni analogiche hanno minor costo e maggior semplicit`, oltre a non a incorrere nel rumore di quantizzazione.

6.2

Architettura Von Neumann e Harvard

I microprocessori programmabili per lelaborazione digitali dei segnali possono essere raggruppati nelle seguenti categorie: microprocessori general-purpose, microcontrollori, processori specializzati allelaborazione dei segnali (DSP). Microprocessori general-purpose. Questi microprocessori devono supportare le pi` u disparate applicazioni, quindi la loro architettura viene progettata per lottimizzazione della gestione della memoria; le loro prestazioni nellelaborazione digitale dei segnali risultano tuttavia mediocri. Microcontrollori. Questi strumenti implementano singole parti di un elaboratore, ad esempio apparecchi per linput-output, memorie RAM e ROM; larchitettura ` gene eralmente funzionale allottimizzazione delle caratteristiche input-output. Processori specializzati allelaborazione dei segnali (DSP). Questi microprocessori sono appositamente studiati per ottimizzare le prestazioni nellelaborazione dei segnali. Poich gli algoritmi per la simulazione di sistemi per segnali consistono spesso e nella iterazione di sequenze di semplici operazioni aritmetiche, grande attenzione ` e posta nellottimizzazione dellunit` aritmetico-logica (ALU): i primi DSP sono ada dirittura stati motivati dalla necessit` di accelerare lesecuzione delloperazione di a moltiplicazione, rispetto agli usuali microprocessori. La necessit` di grande velocit` a a di elaborazione imposte dalle applicazioni in tempo-reale richiede inoltre lintroduzione di architetture che sfruttino linerente parallelismo di alcune funzionalit`, a pur sacricando la semplicit` realizzativi e la essibilit` rispetto alle applicazioni. a a

124

Architetture DSP

Per quanto detto, i DSP richiedono architetture di calcolo piuttosto dierenti rispetto agli usuali microprocessori general-purpose: discutiamo brevemente qui le principali diversit`. a Un elaboratore programmabile riceve in ingresso dati di due diversi tipi: istruzioni per il programma e dati veri e propri. La maggior parte dei microprocessori general-purpose ` e basata sullarchitettura proposta da Von Neumann e realizzata per la prima volta nel 1951 (Figura 6.2), in cui dati e programmi vengono memorizzati nella stessa area di memoria.
BUS Indirizzi

CPU
BUS Dati

Memoria Programmi & Dati

Figura 6.2 Architettura Von Neumann.

Come si pu` osservare nella precedente gura, esiste ununica area di memoria per dati o e programmi, ed il processore usa gli stessi bus dati e indirizzi per accedervi. Le unit` basia lari sono lunit` aritmetico-logica (ALU) e lunit` di input-output (IO). La ALU permette a a lesecuzione di operazioni aritmetiche, mentre lunit` di input-output gestisce il usso di a dati esterni alla macchina. Per questo tipo di macchina, i programmi sono sequenze di istruzioni e la singola istruzione generalmente contiene un comando di operazione e lindirizzo del dato su cui il comando deve essere eseguito, Per esempio, si consideri listruzione STA ADR1: la parte comando STA richiede di memorizzare il contenuto dellaccumulatore nel registro di indirizzo ADR1. Tipicamente lesecuzione di una istruzione prevede tre passi: 1. fetch (preleva listruzione) 2. decode (decodica) 3. execute (esegui) Poich dati e programmi sono memorizzati nello stesso spazio di memoria, non ` pose e sibile prelevare (fetch) listruzione seguente mentre listruzione corrente ` in esecuzione, e poich entrambe le operazioni prevedono un accesso a memoria: questo comporta un collo e di bottiglia, che rallenta la velocit` di esecuzione (Figura 6.3). a Poich la velocit` di esecuzione ` un elemento critico nellelaborazione dei segnali, e a e larchitettura Von Neumann non ` adatta per questo tipi di applicazioni. Va per contro e segnalato che la presenza di ununica area per dati o programmi permette una buona essibilit` nelluso della memoria: se lapplicazione cambia, il sistema pu` con facilit` a o a riallocare le risorse di memoria per permettere la nuova applicazione.

6.2. Architettura Von Neumann e Harvard


CLK

125

STA ADR1 LDA ADR3 STA ADR2

fetch

decode

execute

fetch

decode

execute

fetch

decode

execute

Figura 6.3 Esecuzione di tre istruzioni in unarchitettura Von Neumann.

Unarchitettura alternativa che permette un aumento di velocit`, come richiesto dalle a applicazioni concernenti lelaborazione dei segnali, ` larchitettura di Harvard, proposta e negli anni trenta da Howard Aiken alluniversit` di Harvard e realizzata negli anni quaranta a (Mark IV ed Eniac). Questa architettura prevede due spazi di memoria, uno per i dati, laltro per i programmi, e corrispondentemente diversi bus dati e bus indirizzi per accedervi (Figura 6.4).
BUS Indirizzi BUS Indirizzi

Memoria Programmi
BUS Dati

CPU
BUS Dati

Memoria Dati

Figura 6.4 Architettura Harvard.

Questa architettura permette di accedere contemporaneamente sia ai dati che alle istruzioni, ottenendo migliori prestazioni in velocit`. Infatti la fase di fetch dellistruzione a seguente ` eettuabile in parallelo allesecuzione dellistruzione corrente, come mostrato e in Figura 6.5. Larchitettura Harvard aumenta la velocit` di esecuzione, ma introduce alcuni svana taggi: Le componenti h/w necessarie alla realizzazione di una architettura Harvard sono pi` complesse che per larchitettura Von Neumann, e questo comporta aumento di u prezzo. Le due distinte aree di memoria per dati e programmi tipiche dellarchitettura Harvard non possono essere riallocate con la essibilit` usuale nellarchitettura Von a Neumann.

126
CLK

Architetture DSP

STA ADR1 LDA ADR3 STA ADR2

fetch

decode

execute

fetch

decode

execute

fetch

decode

execute

Figura 6.5 Esecuzione di tre istruzioni in unarchitettura Harvard.

Per ottimizzare le prestazioni, il processore deve prelevare ed eseguire le istruzioni in un unico ciclo macchina: questo pone vincoli e costi che discutiamo in seguito. Scrivere programmi per una architettura Harvard ` un po pi` complicato che per e u larchitettura Von Neumann. Per aumentare essibilit` nellallocazione di spazio di memoria, alcuni processori prevea dono speciali blocchi di memoria che possono essere ricongurati o come memoria per dati o come memoria per programmi. Questo porta a processori con una architettura di Harvard modicata: un singolo bus ` usato esternamente per dati e indirizzi, mentre due o e pi` bus separati per dati e programmi sono usati internamente. u In Figura 6.6 ` mostrato il diagramma a blocchi del DSP TMS320C203 (prodotto da e Texas Instruments) basato su unarchitettura Harvard modicata. Osserviamo inne che larchitettura Harvard pu` essere ulteriormente estesa, permeto tendo al processore di accedere a varie aree di memoria per dati, ognuna con un proprio bus dati e bus indirizzi.

6.3

Istruzioni di Base di un DSP

Per ottenere alta velocit` di esecuzione ` necessario prelevare, decodicare ed eseguire a e ogni istruzione nel pi` breve tempo possibile. Gli approcci-limite tradizionali che vengono u seguiti nella progettazione di un microprocessore a questo riguardo sono: Approccio VLIW (Very Long Instruction Word). Viene previsto un insieme di istruzioni di base molto grande, in modo che risolvere un problema richieda programmi con poche istruzioni. Per contro, questa scelta richiede di codicare ogni istruzioni con molte parole nellarea programmi, cos` che prelevare, decodicare ed eseguire una istruzione richiede molti cicli di clock. Approccio RISC (Reduced Instruction Set). Si sceglie di implementare in questo caso solo un piccolo insieme di istruzioni di base. In questo modo la scrittura di un programma richiede pi` istruzioni, ma ogni istruzione pu` essere codicata con u o

6.3. Istruzioni di Base di un DSP

127

Figura 6.6 Diagramma a blocchi del DSP Texas Instruments TMS320C203.

una sola parola dellarea programmi. Conseguentemente, basta un ciclo di clock per prelevare ed eseguire una istruzione. Generalmente, algoritmi per elaborazione dei segnali sono implementati con programmi con un modesto numero di istruzioni e risulta invece critica la velocit` di esecuzione della a singola istruzione: per questa ragione, lapproccio RISC risulta eettivamente utile, anche se varianti dellapproccio VLIW possono accelerare la velocit` di esecuzione mediante la a gestione parallela di pacchetti di istruzioni. La richiesta di poter prelevare ed eseguire una istruzione in un singolo ciclo di clock comporta che la lunghezza della parola che codica listruzione non superi la dimensione del bus di programma. Tale parola contiene due parti: la codica delloperazione che deve essere applicata (parte operazione) e lindirizzo della locazione di memoria cui loperazione va applicata (parte operando), come mostrato in Figura 6.7

OPERAZIONE

CAMPO OPERANDO

Figura 6.7 Parti di una parola: operazione ed operando.

128

Architetture DSP

I bit della parte operazione limitano il numero di istruzioni possibili; la parte operando pu` essere denita usando dierenti modi di indirizzamento, ognuno dei quali consuma o diversi bit nella parola che codica listruzione. A causa dei limiti alla lunghezza di tale parola, non tutti i modi risultano disponibili nei processori specializzati per lelaborazione dei segnali; vediamone alcuni. Indirizzamento diretto. In questo caso loperando specica direttamente lindirizzo della locazione di memoria cui applicare loperazione. Questo modo richiede generalmente un elevato numero di bit nella parte operando dellistruzione, spesso in conitto col vincolo sulla lunghezza della parola. In questo caso, si utilizza una memoria detta registro di pagina, in cui vengono memorizzati i bit pi` signicativi u dellindirizzo: la parte operando conterr` di conseguenza solo i bit meno signicativi a dellindirizzo. Lindirizzamento diretto ` quindi ottenuto combinando loperando col e registro di pagina. Indirizzamento indiretto. In questo caso loperando specica quale registro-indirizzi dellunit` centrale punta alla locazione di memoria cui applicare loperazione. La a parte operando dellindirizzamento indiretto usa generalmente un limitato numero di bit. Indirizzamento indiciato. In questo caso loperando specica un valore di riferimento v e un registro-indice dellunit` centrale. Lindirizzo della locazione di memoria a cui applicare loperazione si ottiene sommando v al contenuto del registro-indice. La parte operando dellindirizzamento indiciato usa generalmente un ragionevole numero di bit. Indirizzamento circolare. Algoritmi per lelaborazione dei segnali fanno spesso uso di buer rst-in rst-out (code FIFO). Per semplicare luso di tali strutture dati, molti DSP contengono un registro-puntatore che supporta il modo di indirizzamento modulo: il contenuto di tale registro ` un intero modulo m, cio` resto della divisione e e di tale intero con m, in modo tale che il registro punti sempre a uno di m indirizzi consecutivi. Altri modi di indirizzamento. Nellelaborazione dei segnali ci sono algoritmi di base che vengono richiamati frequentemente: pu` essere allora utile prevedere modi di indo irizzamento orientati allesecuzione eciente di tali algoritmi. Senza entrare nel merito, segnaliamo ad esempio lindirizzamento bit-reversed utile ad una implementazione eciente della FFT.

6.4

Livello di Integrazione delle Componenti di un DSP

La richiesta di eseguire ogni istruzione in un singolo ciclo di clock comporta la necessit` di a realizzare su un singolo chip di silicio il processore, larea di memoria per i dati, larea di memoria per i programmi e i rispettivi bus. Nei DSP vengono cos` integrate su un singolo chip molte delle componenti di un tradizionale computer. Questo pone severe limitazioni

6.5. H/W Specializzato: Moltiplicazione Veloce

129

alla capacit` di memoria dei DSP; fortunatamente, un gran numero di applicazioni richiede a programmi con solo poche migliaia di istruzioni e dati per poche migliaia di parole. Tra le apparecchiature fondamentali che rendono possibile lelaborazione digitale vanno ricordati i convertitori analogico-digitale (ADC) e digitale-analogico (DAC): interfacciare in modo eciente il processore digitale con i convertitori ADC e DAC ` di grande e importanza per una eciente elaborazione. Sono proposte due soluzioni h/w: 1. integrazione dei convertitori ADC e DCA nello stesso chip del DSP; 2. presenza di h/w speciale per interfacciare ecientemente convertitori e DSP. Nel primo caso, allattuale livello di miniaturizzazione, i DSP non possono includere altre componenti, visto il consumo complessivo dellarea di silicio. Questo comporta attualmente forti limiti alle prestazioni di questi DSP. Nel secondo caso, il processore include una speciale porta seriale per lo scambio di dati, con un numero veramente ridotto di pin di I/O. Questa soluzione permette di interfacciare DSP integrati su un unico chip con potenti convertitori a 24 bit.

6.5

H/W Specializzato: Moltiplicazione Veloce

La realizzazione circuitale h/w di una funzione permette tempi di calcolo 10 2 volte pi` bassi u della corrispondente realizzazione in software o rmware. Non ` pertanto sorprendente e che i DSP, nella perenne ricerca di velocit`, contengano molte parti di h/w specializzato. a Vediamo alcuni importanti esempi. Moltiplicazione h/w Tipiche applicazioni dei DSP, come l implementazione di un ltro, richiedono di eseguire un ordine di 106 109 moltiplicazioni. La velocit` di esecuzione della singola moltiplia cazione ` allora un parametro estremamente critico per la possibilit` di elaborazione in e a tempo reale: soluzioni rmware, che calcolano la moltiplicazione eseguendo un programma sequenziale per la somma iterata, hanno velocit` di esecuzione troppo bassa per molte a applicazioni. Risulta allora importante sviluppare circuiti dedicati per la moltiplicazione, che ne permettano lesecuzione in un singolo ciclo di clock. In Figura 6.8 viene presentato un tipico h/w dedicato moltiplicatore-accumulatore (MAC). In questa congurazione, il circuito moltiplicatore possiede una coppia di registri di input a 16 bit ed un registro di output a 32 bit. Esistono essenzialmente due tipi unit` di moltiplicazione: a Unit` per la moltiplicazione a virgola ssa. In questo caso tutte le cifre del numero a moltiplicato sono signicative, e quindi questa unit` ha eccellente velocit` e precia a sione. Tuttavia, per prevenire overow gli ingressi e luscita devono essere scalati via-software in modo da essere valori frazionari compresi tra 1 e +1. Questo introduce dicolt` nella programmazione. a

130
MOLTIPLICATORE MOLTIPLICANDO

Architetture DSP

REGISTRO PRODOTTO

Figura 6.8 Moltiplicatore-accumulatore (MAC).

Unit` per la moltiplicazione a virgola mobile. La rappresentazione mantissa-esponente a permette di processare un grande range di numeri. Dovendosi tuttavia memorizzare lesponente, rimangono meno bit per memorizzare il numero e la rappresentazione a virgola mobile ` meno precisa di quella a virgola ssa; il circuito per la moltiplicazione e in virgola mobile ` inoltre pi` complesso e costoso. Il vantaggio ` rappresentato dalla e u e maggior semplicit` del s/w che richiede eettivamente meno operazioni, poich non a e ` richiesta alcuna operazione di scala al programmatore. e Accumulatori speciali Gli accumulatori sono un elemento critico dellUnit` Centrale; in un DSP, in particolare, a ` spesso necessario utilizzare numeri complessi oppure, per evitare errori di arrotondae mento, risulta opportuno in certe fasi del calcolo considerare un numero maggiore di bit signicativi. Questo pu` essere ottenuto con particolari accumulatori, come gli accumulao tori duali che permettono il trattamento di numeri complessi in singolo ciclo macchina, o accumulatori con extra-bit. Poich inoltre i calcoli causano spesso overow, ` necessario e e gestire particolari ag che rilevano tale situazione. Stack in hardware Lo stack ` una struttura dati per la gestione delle procedure, dovendosi memorizzare gli e indirizzi di ritorno delle subroutine e interrupt. La architettura di molti DSP ore una soluzione h/w alla gestione dello stack, includendo una speciale area di memoria separata per tale gestione, cosa che accelera i tempi di chiamata. Lo svantaggio ` legato al fatto e che, a causa della piccola dimesione di questo spazio di memoria, c` un severo limite al e numero di procedure innestate.

6.6

Elaborazione Parallela: SIMD e Superscalari

Avendo come obbiettivo miglioramenti signicativi nelle prestazioni, lattuale tendenza nelle architetture per DSP ` di aumentare sia il numero di operazioni compiute per e

6.6. Elaborazione Parallela: SIMD e Superscalari

131

istruzione che il numero di istruzioni eseguite per ogni ciclo. Di conseguenza, le architetture dei nuovi DSP devono saper sfruttare in modo intelligente le tecniche di elaborazione parallela.Analizziamo qui brevemente due approcci: architetture SIMD e architetture superscalari. Sistemi con architettura SIMD (Single Instruction Multiple Data) devono permettere lesecuzione parallela della stessa operazione su dierenti dati. Per ottenere questo obbiettivo, il DSP deve contenere diversi bus dati e diverse unit` di elaborazione: in questo a modo in un ciclo la stessa istruzione pu` essere eseguita dalle varie unit` di elaborazione su o a dierenti dati. Nella Figura 6.9 viene evidenziata la presenza di due unit` di elaborazione a e di due bus dati nello stesso DSP.
BUS Dati A BUS Dati B

ALU

MAC

ALU

MAC

Unit A

Unit B

Figura 6.9 Architettura SIMD.

Lelaborazione superscalare ` una tecnica per aumentare la velocit` di calcolo sfrute a tando invece il potenziale parallelismo a livello di istruzioni. E noto infatti che, in certe circostanze, alcune istruzioni possono essere eseguite in modo indipendente: avendo a disposizione un adeguato numero di unit` di elaborazione, la loro esecuzione in parallelo a sulle varie unit` accelera il calcolo. Per chiarire con un esempio, si consideri la sequenza a di istruzioni x = x + 1; y = x; in questo caso le istruzioni non possono essere eseguite in modo indipendente, perch e in particolare il risultato dipende dallordine di esecuzione. Se invece consideriamo la sequenza x = x + 1; y = z; le due istruzioni possono essere eseguite in maniera indipendente: attribuendo a due distinte unit` di elaborazione le due istruzioni ed eseguendole in parallelo, si ottiene il risultato a corretto diminuendo il tempo di esecuzione. Questo ` il principio generale: in una architete tura superscalare, dierenti unit` concorrono allavanzamento del calcolo eseguendo difa ferenti istruzioni in parallelo. Va da se che nella programmazione superscalare deve essere

132

Architetture DSP

eettuata in modo statico, per esempio a tempo di compilazione, una schedulazione delle istruzioni che eviti i problemi di conitto creati dalle dipendenze nei dati e nel controllo.

Capitolo 7

Trasformata Zeta e Sistemi LTI a Tempo Discreto

Questo capitolo ` dedicato allo studio della trasformata zeta, strumento di analisi dei sise temi LTI a tempo discreto cos` come la trasformata di Fourier (o meglio quella di Laplace) lo ` per quelli a tempo continuo. Storicamente, i fondamenti di questa nozione sono ine trodotti nei lavori sul calcolo delle probabilit` di De Moivre, nella prima met` del 1700; a a essa ha trovato inoltre feconde applicazioni nel campo della matematica combinatoria, in cui la trasformata zeta ` detta funzione generatrice. e Essenzialmente, lidea base ` quella di associare iniettivamente ad ogni sequenza x(n) e ( < n < +) una funzione X(z) a variabile complessa, detta trasformata zeta della sequenza x(n). Nella prima parte di questo capitolo si discute la base matematica della trasformata zeta. Poich in gran parte delle applicazioni si considerano segnali a tempo e discreto la cui trasformata zeta ` una funzione razionale, in prima lettura i primi due e paragra, dedicati ad approfondimenti matematici generali, possono essere saltati. Poich lintroduzione della trasformata richiede alcune nozioni di analisi complessa, e 133

134

Trasformata Zeta e Sistemi LTI a Tempo Discreto

che ` bene chiarire dallinizio, nel primo paragrafo vengono richiamati alcuni elementi di e analisi utili alla comprensione del resto: serie di potenze, derivata di funzione a variabile complessa, funzioni analitiche e integrali di linea. Nel secondo paragrafo ` introdotta la e nozione di trasformata zeta e studiato il problema dellinversa, detta antitrasformata zeta. In analogia a quanto gi` visto per la trasformata di Fourier, vengono introdotte nel a terzo paragrafo alcune propriet` della trasformata zeta che risultano utili regole di maa nipolazione simbolica. Viene analizzato in dettaglio limportante caso in cui la trasformata zeta risulta essere una funzione razionale. Lultima parte del capitolo presenta applicazioni dei concetti introdotti allanalisi di sistemi lineari a tempo discreto. Per prima cosa si osserva che, dato un sistema LTI con risposta allimpulso h(n), se X(z), Y (z) e H(z) sono le trasformate zeta rispettivamente dellingresso, delluscita e della risposta allimpulso, risulta (si noti lanalogia con i sistemi LTI a tempo continuo): Y (z) = H(z)X(z). La trasformata zeta della risposta allimpulso viene anche detta funzione di trasferimento del sistema. Sistemi LTI causali e stabili sono caratterizzati mediante semplici propriet` a della funzione di trasferimento: i poli di questa funzione devono essere contenuti nel cerchio di raggio unitario. Il capitolo termina con lo studio della risposta in frequenza di sistemi LTI a tempo discreto: essa ` data dalla trasformata di Fourier a tempo discreto della risposta allime pulso ed ` derivabile in modo naturale dalla funzione di trasferimento. Mostriamo inne e come dai poli e dagli zeri della funzioni di trasferimento si possano ottenere agevolmente informazioni qualitative sul guadagno e sulla fase del ltro.

7.1

Richiami di Analisi Complessa

Nel Paragrafo 2.1 abbiamo introdotto la struttura algebrica del campo dei numeri complessi C, geometricamente descritti da punti di un piano; sottoinsiemi di numeri complessi possono quindi essere rappresentati da gure geometriche.
Esempio 7.1.1 Linsieme dei numeri complessi z tali che |z z0 | < R ` il cerchio aperto di centro z0 e e raggio R.

Consideriamo ora le funzioni a variabile complessa f : A A denite su un aperto A del piano complesso e introduciamo la seguente nozione di limite: diremo che lim f (z) = a se per ogni > 0 esiste > 0 tale che, se |z z 0 | <
zz0

allora |a f (z)| < .

7.1. Richiami di Analisi Complessa

135

Attraverso la nozione di limite possiamo denire (quando esiste) la derivata f (z) della funzione f (z) data come limite del rapporto incrementale: f (z) = lim f (z + h) f (z) . h

h0

Dato un sottoinsieme aperto A, una funzione f : A A ` detta analitica su A se per ogni e punto z A esiste la derivata f (z).
Esempio 7.1.2 Un polinomio di grado N ` una funzione del tipo P (z) = k=0 ck z k , con cN = 0. e N 1 Poich P (z) = e (k + 1)ck+1 z k , il polinomio P (z) risulta essere una funzione k=0 analitica su tutto il piano complesso. Dato un polinomio P (z) di grado N , ` noto che e lequazione p(z) = 0 ammette N radici z1 , . . . , zN (eventualmente ripetute) tali che P (z) = cN (z z1 ) (z zN ). Tali radici vengono anche dette zeri del polinomio e il numero di ripetizioni di zi ` e detto molteplicit` della radice zi . a
N

Esempio 7.1.3 Una funzione razionale ` una funzione R(z) = e


P (z) Q(z) ottenuta dal rapporto di due P (z)Q(z)Q (z)P (z) , tale funzione ` analitica su e Q2 (z)

polinomi P (z) e Q(z); poich R (z) = e tutto il piano complesso ad eccezione degli zeri del denominatore, cio` i punti per i e quali Q(z) = 0. Gli zeri del numeratore sono detti zeri della funzione razionale, mentre gli zeri del denominatore sono detti poli della funzione razionale. ` E importante rilevare che una funzione razionle `, a meno di una costante moltiplicae tiva, individuata dai suoi zeri e dai suoi poli.

Esempio 7.1.4
k Una serie del tipo e k=0 ck z ` detta serie di potenze. Data una serie di potenze + k ck z , si pu` dimostrare che esiste R 0 tale che, se |z| < R allora la seo k=0 + rie converge assolutamente (cio` k=0 |ck ||z|k < +), mentre per |z| > R allora e + k k=0 |ck ||z| = +. + +

La serie k=0 ck z k denisce quindi nel cerchio aperto di raggio R e centro nellorigine + + una funzione s(z) = k=0 ck z k . Poich s (z) = k=0 (k + 1)ck+1 z k , la funzione s(z) e ` analitica nel cerchio aperto di raggio R, detto cerchio di convergenza. e

Consideriamo ora un cammino regolare chiuso L nel piano complesso come in Figura 7.1 ed una funzione f (z) denita su un aperto A contenente il cammino L.

136
z z2 z
3 1

Trasformata Zeta e Sistemi LTI a Tempo Discreto


L

. . .

zi

zi

z i+1

. . .

Figura 7.1

Dati N punti z1 , . . . , zN sul cammino L, presi percorrendolo in senso antiorario, risulta ben denita lespressione
N 1 k=0

f (zk )zk ,

dove zk = zk+1 zk e z1 = zN . Si denisce integrale di linea complesso (se esiste) il seguente limite: f (z)dz =
L max|zk |0
k

lim

N 1 k=0

f (zk )zk .

Esempio 7.1.5 Un importante risultato, che utilizzeremo di seguito, ` il seguente: e z k1 dz =


L

2i, se k = 0 , 0, se k = 0

(7.1)

dove L ` un cammino chiuso che circonda lorigine. e Verichiamolo nel caso in cui il cammino ` la la circonferenza di raggio r > 0 centrata e nellorigine. Passando alla forma esponenziale per la variabile z, si ha: z = rei Possiamo allora concludere che:
2 2

da cui

dz = irei d.

z
L

k1

dz =
0

k1 i(k1)

(ir)e d = ir

k 0

ik

d =

2 i|0 = 2i, k eik r


k 2 0

se k = 0 .

= 0, se k = 0

7.2. Trasformata e Antitrasformata Zeta Esempio 7.1.6


P (z) o Sia R(z) = Q(z) una funzione razionale; essa pu` essere espressa come somma di frazioni parziali (vedi Esempio 2.7.2) cos` che: M

137

R(z) =
k=1

ak . z zk

Questo ` vero quando ogni polo ha molteplicit` 1 e il grado del numeratore ` minore e a e del grado M del denominatore (lestensione al caso generale non presenta particolari dicolt`). Vale allora che: a
M

R(z)dz =
L k=1

ak
L

(z zk )1 dz.

Osserviamo ora che, ponendo zzk = rei e procedendo come nellesempio precedente, risulta: (z zk )1 dz = 2i, se zk ` interno alla regione L delimitata da L e 0, se zk ` esterno alla regione L delimitata da L e

Possiamo allora concludere che: R(z)dz =


L z k L

2iak .

Esempio 7.1.7 Sia s(z) = k=0 ck z k la funzione analitica denita da una serie di potenze con raggio di convergenza R e sia L un cammino chiuso contenuto nel cerchio di convergenza. Allora:
+ +

s(z)dz =
L k=0

ck
L

z k dz = 0,

poich e

Lz

dz = 0 se k 0.

7.2

Trasformata e Antitrasformata Zeta

Introduciamo in questo paragrafo il concetto di trasformata z. Essa ` una trasformazione e che associa ad ogni segnale x(n) unopportuna funzione a variabile complessa X(z), denita su una corona circolare. La trasformata zeta ` uno strumento di base per lanalisi in e frequenza dei sistemi LTI a tempo discreto.

138

Trasformata Zeta e Sistemi LTI a Tempo Discreto

Denizione 7.1 La trasformata z di una sequenza x(n) ( < n < ) a valori reali o complessi ` la funzione a variabile complessa X(z) denita da: e
+

X(z) =
n=

x(n)z n .

(7.2)

La serie + x(n)z n ` chiamata serie di Laurent e nella regione del piano compe n= lesso in cui converge denisce la funzione a variabile complessa X(z). Al ne di individuare la regione di convergenza, osserviamo che X(z) = X (z) + X + (z), dove X (z) =
1 n= +

` E talvolta conveniente denotare la trasformata z della sequenza x(n) con la scrittura Z {x(n)}.

x(n)z

X (z) =
n=0

x(n)z n ,

X (z) ` una serie di potenze nella variabile z; se chiamiamo R il suo raggio di convergene za, la funzione X (z) ` denita per |z| < R . X + (z) ` una serie di potenze nella variabile e e z 1 ; se denotiamo con R+ il raggio di convergenza della serie di potenze + x(n)z n , la n=0 funzione X + (z) ` denita per |z 1 | < R+ e quindi per |z| > R1+ . e 1 Se R+ < R , le funzioni X (z) e X + (z) (e quindi la funzione X(z)), sono contemporaneamente denite nella corona circolare (mostrata in Figura 7.2) data da: 1 < |z| < R . R+
Im

1/R

Re

Figura 7.2 Regione di convergenza della trasformata z bilatera.

Esempio 7.2.1 Si consideri il segnale x(n) = an u(n), dove u(n) `: e u(n) = 1, se n 0 0, altrimenti.

7.2. Trasformata e Antitrasformata Zeta Si osservi che u(n) ` lanalogo discreto del segnale gradino unitario intodotto nelEe sempio 1.3.15. Dalla (7.2) si ricava:
+ +

139

X(z) =
n=

an u(n)z n =
n=0

(az 1 )n =

1 z = , 1 1 az za

In questo caso X (z) = 0 ` denita su tutto il piano complesso, mentre X + (z) = e + n a u(n)z n ` denita per |z| > |a|. Quindi X(z) ` denita per |z| > |a| come e e n=0 mostrato in Figura 7.3. Si osservi che X(z) ` una funzione razionale, che ha un solo e
Im

ax

Re

Figura 7.3 Poli, zeri e regione di convergenza della trasformata z di x(n) = an u(n).

zero in z = 0 e un solo polo in z = a rispettivamente rappresentati in gura da un cerchietto e una crocetta.

Esempio 7.2.2 Si consideri ora il segnale x(n) = an u(n 1). In questo caso si ha che:
+

F (z) =

n=

an u(n 1)z n =

1 n=

an z n = 1

(a1 z)n =
n=0

z , za

che ` denita per |z| < |a|, visto che in questo caso la funzione X + (z) = 0 ` denita e e 1 n su tutto il piano complesso, mentre la funzione X (z) = n= a u(n 1)z n ` denita per |z| < |a|, come mostrato in Figura 7.4. Anche in questo esempio X(z) e ha solo zero in z = 0 e un solo polo in z = a.

Nei due esempi precedenti si sono ottenute le seguenti coppie trasformataantitrasformata: z , za z Z an u(n 1) , za an u(n)
Z

|z| > |a| |z| < |a|.

140

Trasformata Zeta e Sistemi LTI a Tempo Discreto


Im

x a

Re

Figura 7.4 Poli, zeri e regione di convergenza della trasformata z di x(n) = an u(n 1).

Si noti che le trasformate delle due sequenze sono uguali come forma analitica, mentre le regioni di convergenza sono divese. Questi esempi suggeriscono pertanto lidea che la trasformata z ` completamente specicata da una funzione nella variabile z e dal suo e dominio di denizione, che ` dato dalla corona di convergenza. Entrambe queste carattere istiche sono essenziali per determinare univocamente, come vedremo di seguito, la trasformata inversa o antitrasformata z di una funzione X(z). Tale problema pu` essere posto o come segue: data una funzione X(z) denita su una opportuna corona circolare C, determinare la sequenza x(n) di cui X(z) ` la trasformata zeta. e Consideriamo a questo riguardo lespressione X(z)z n1 dz
L

e integriamo lungo un cammino chiuso L che includa lorigine e interamente contenuto nella corona di convergenza di X(z). Si ottiene quindi:
+

X(z)z
L

n1

dz =
L k= +

x(n)z nk1 dz z nk1 dz


L

=
n=

x(n)

= 2ix(n)

(per la (7.1)).

Questo risultato mostra che la trasformata Z ` invertibile e la sua inversa, che denoteremo e con Z 1 e chiameremo antitrasformata z, ` data da: e Z 1 {X(z)} = x(n) = 1 2i X(z)z n1 dz,
L

(7.3)

7.2. Trasformata e Antitrasformata Zeta

141

dove L ` un cammino chiuso contenuto nella corona circolare di convergenza. e


Esempio 7.2.3 Si consideri la trasformata z X(z) = (a b)z (a b)z 1 = , |z| > a, (z a)(z b) (1 az 1 )(1 bz 1 )

con a e b reali tali che 0 < b < a. La funzione X(z) ha due poli, rispettivamente in z = a e z = b e la regione di convergenza ` la regione di piano esterna al polo di e ampiezza maggiore a. Al ne di trovare la trasformata inversa, applichiamo il metodo delle frazione parziali secondo il quale X(z) pu` essere riscritta come o X(z) = 1 1 . (1 az 1 ) (1 bz 1 )

Il problema ` quindi ridotto a quello di trovare la trasformata inversa di ognuno delle e 1 1 due frazioni semplici (1az1 ) e (1bz1 ) . Dagli esempi precedenti sappiamo che: an u(n) 1 , 1 az 1 1 Z bn u(n) , 1 bz 1
Z

|z| > a |z| > b,

da cui:

x(n) = an u(n) bn u(n).

Esempio 7.2.4 Si consideri di nuovo la trasformata z, X(z), dellesempio precedente, ma questa volta con associata la regione di convergenza descritta dalla corona a < |z| < b. Dalla decomposizione in frazioni parziali di X(z) ora si ottengono le seguenti coppie trasformata-antitrasformata: 1 Z an u(n) , |z| > a 1 az 1 1 Z bn u(n) , |z| < b. 1 bz 1 Sempre in riferimento agli Esempi 7.2.1 e 7.2.2, antitrasformando si ricava la sequenza: x(n) = an u(n) + bn u(n 1). Si supponga inne che ad X(z) sia associata la regione di convergenza interna la cerchio di raggio a, cio` |z| < a. In questo caso le coppie trasformata-antitrasformata e sono: 1 Z , |z| < a an u(n) 1 az 1 1 Z bn u(n) , |z| < b, 1 bz 1

142 da cui si ricava:

Trasformata Zeta e Sistemi LTI a Tempo Discreto

x(n) = an u(n 1) + bn u(n 1)

Gli esempi precedenti illustrano la procedura base per determinare la trasformata z inversa di una funzione razionale data la corona di convergenza. In generale, consideriamo una funzione razionale R(z) che ammette come poli z 1 , . . . , zm con |z1 | < |z2 | < < |zm |. Poich ogni possibile corona di convergenza non pu` contenere poli, avremo le seguenti e o m + 1 corone di convergenza: C1 = {z : |z| < |z1 |}, . . . , Ck = {z : |zk | < |z| < |zk+1 |}, . . . , Cm+1 = {z : |zm | < |z|}. La sequenza xk (n) che ammette come trasformata z la funzione X(z) denita sulla corona Ck , pu` essere ottenuta da: o xk (n) =
Lk

X(z)z n1 dz,

dove Lk ` un cammino chiuso contenuto in Ck . Espandendo X(z) in frazioni parziali in e z 1 si ottiene: m Ak X(z) = , 1 zk z 1
k=1

pertanto:
m

xk (n) =
Lk

X(z)z n1 dz =
j=1 Lk

Aj z n1 dz = 1 zj z 1

k n Aj zj u(n). j=1

7.2.1

Trasformata Zeta e sue Propriet` a

La trasformata zeta di un segnale a tempo discreto x(n) ` la funzione X(z) a variabile e complessa tale che:
+

X(z) =
n=

x(n)z n .

La trasformata zeta X(z) del segnale x(n) ha come dominio di esistenza, che indichi+ n . Ad esemamo con RX , la regione di convergenza (ROC) della serie n= x(n)z pio, indicando con (n) e u(n) rispettivamente limpulso e il gradino unitari, alcune note trasformate e relativa regione di convergenza sono date in Tabella 7.1. La trasformata zeta possiede un certo numero di propriet` che la rendono uno strumena to essibile ed ecace per lo studio dei segnali a tempo discreto. Le principali propriet` a sono presentate in Tabella 7.2. La linearit` ` provata come segue: ae
+ + +

(ax(n) + by(n))z
n=

=a
n=

x(n)z

+b
n=

y(n)z n = aX(z) + bY (z).

7.2. Trasformata e Antitrasformata Zeta

143

Tabella 7.1 Alcune coppie note di trasformate e relativa regione di convergenza (ROC).

Segnale (n) (n m) an u(n)

Trasformata 1 z m
1 1az 1

ROC Tutti gli z Tutti gli z eccetto 0 + se m > 0 se m < 0

|z| > |a|

Tabella 7.2 Propriet` della trasformata z e relativa regione di convergenza (ROC). a

Propriet` a Linearit` a Traslazione Scalatura (dominio z) Convoluzione Dierenziazione (dominio z)

x(n) ax(n) + by(n) x(n n0 ) an x(n) x(n) y(n) nx(n)

X(z) aX(z) + bY (z) z n0 X(z) X


z a

ROC RX RY

RX |a|RX RX RY RX

X(z)Y (z)
d z dt X(z)

Per quanto riguarda la propriet` di traslazione, si consideri a ponendo k = n a, quindi n = a + k, si ha:


+ n= + +

+ n= x(n

a)z n ;

x(n a)z n =

x(k)z ak = z a
k= k=

x(k)z k = z a X(z).

Proviamo inne la propriet` di convoluzione: a


+ + + +

X(z)Y (z) =
k= +

x(k)z z n
n=

k j=

y(j)z

=
k= j= + + k=

x(k)y(j)z kj x(k)y(n k) z n .

x(k)y(j) =
k+j=n n=

Applicando le propriet` presentate in Tabella 7.2 alle coppie di trasformate elencate a in Tabella 7.1 ` possibile determinare le trasformate zeta di una vasta classe di segnali, e comprendenti tutti quelli di interesse pratico trattati in questo testo.
Esempio 7.2.5 Determinare le trasformate z dei segnali 2n u(n) + u(n 3), n2n u(n), cos(3n)u(n).

144

Trasformata Zeta e Sistemi LTI a Tempo Discreto

2n u(n) + u(n 3) u(n) u(n 3) 2n u(n) + u(n 3) n2n u(n) ei3n u(n) ei3n u(n) cos(3n)u(n) = 1 i3n (e + ei3n )u(n) 2

1 1 (2z)1 1 1 z 1 z 3 1 z 1 1 z 3 + 1 1z 1 z 1

da Tabella 7.1 da Tabella 7.1 Prop. di traslaz. Prop. di linear.

(2z)1 Prop. di dier. 1 (2z)2 1 da Tabella 7.1 1 e3i z 1 1 da Tabella 7.1 1 e3i z 1 1 1 1 ( + ) Prop. di linear. 2 1 e3i z 1 1 e3i z 1

Per quanto riguarda il calcolo dellantitrasformata, che permette la ricostruzione di un segnale a partire dalla sua trasformata zeta, consideriamo qui, per il suo interesse nelle applicazioni ai segnali, il caso in cui la trasformata zeta ` una funzione razionale e il e dominio di esistenza contiene .

P (z) Data una funzione razionale R(z) = Q(z) dove P (z) e Q(z) sono polinomi, per la determinazione del segnale la cui trasformata zeta ` R(z) si procede come segue: e

1. si pone s = z 1 (quindi z = s1 ), ottenendo una nuova funzione razionale R(s 1 ) = U (s) W (s) dove U (s) e W (s) sono due nuovi polinomi; 2. si sviluppa R(s1 ) in frazioni parziali ottenendo, se gli zeri di sono semplici, R(s 1 ) = Ak Ak 1 k sbk o equivalentemente R(z) = k bk 1 1 z 1 .
bk

3. da Tabella 7.1 e per la linearit`, si ha: a R(z) Ak 1 u(n). bk bn k

Esempio 7.2.6
z Determinare il segnale la cui trasformata ` R(z) = 13z+2z2 e la cui regione di e convergenza contiene . 1 1 1 Posto s = z 1 si ha R(s1 ) = s2 3s+2 = s2 s1 , sviluppando in frazioni parziali.
2

7.3. Analisi di Sistemi LTI a Tempo Discreto: Stabilit` e Causalit` a a


1 Questo signica: R(z) = 1z1 1 1 2 1 1 z 1 . 2

145

Per la linearit` e da Tabella 7.1 si conclude: a R(z) u(n) 1 u(n). 2n+1

7.3

Analisi di Sistemi LTI a Tempo Discreto: Stabilit` e a Causalit` a

Sia dato un sistema LTI S a tempo discreto; sappiamo dal Capitolo 1 che luscita y(n) del sistema S avente come ingresso il segnale x(n) ` ottenuto dalla convoluzione di x(n) con e h(n), dove h(n) ` la risposta del sistema allimpulso unitario (n): e y(n) = h(n) x(n). Dalla propriet` di convoluzione (riportata in Tabella 7.2) si ottiene che: a Y (z) = H(z)X(z), dove Y (z), H(z) e X(z) sono rispettivamente la trasformata z di y(n), h(n) e x(n). Riassumendo si ha quindi limportante risultato: Fatto 7.1 Dato un sistema LTI la cui risposta allimpulso ` h(n), detta Y (z), X(z) e e H(z) rispettivamente la trasformata z delluscita y(n), dellingresso x(n) e della risposta allimpulso h(n), allora: Y (z) = H(z)X(z). La funzione H(z) ` chiamata funzione di trasferimento del sistema. e Questo risultato ` illustrato in Figura 7.5. e

h(n) x(n) X(z) H(z)

y(n)=

kh(k)y(nk)

Y(z)=H(z)X(z)

Figura 7.5 Funzione di trasferimento del sistema S.

Studiamo ora le caratteristiche della funzione di trasferimento di un sistema LTI quando questo risulta essere causale e/o stabile.

146

Trasformata Zeta e Sistemi LTI a Tempo Discreto

Ricordiamo che un sistema LTI ` causale se, detta h(n) la risposta del sistema allime pulso unitario, risulta che h(n) = 0 quando n < 0; ne segue che:
+ +

H(z) =
n=

h(n)z n =
n=0

h(n)z n .

Poich` nella serie di potenze precedente non appaiono potenze di z con esponente positivo, e la regione di convergenza include z = . Riassumendo, abbiamo il seguente Fatto 7.2 La regione di convergenza della funzione di trasferimento H(z) di un sistema LTI causale ` la regione esterna al cerchio con centro nellorigine e la cui circonferenza e passa per il polo di H(z) pi` lontano dallorigine. u Si osservi che la causalit` denisce univocamente la funzione di trasferimento e la sua a regione di convergenza; si osservi inoltre che per funzioni di trasferimento del tipo H(z) = z m , con m > 0 il polo pi` lontano dallorigine ` z = . u e
Esempio 7.3.1 La funzione X(z) riportata nellEsempio 7.2.3 rappresenta la funzione di trasferimento di un sistema causale se e solo se ` associata alla regione di convergenza |z| > a, essendo e a il polo di modulo massimo. Infatti, in questo caso la sua antitrasformata x(n) risulta nulla per n < 0 essendo: x(n) = (an bn ) u(n). Viceversa, la stessa funzione associata alla regione di convergenza descritta dalla corona b < |z| < a, come mostrato nellEsempio 7.2.4, non pu` essere la funzione di trasfero imento di un sistema causale poich` la sua antitrasformata x(n) vale per x(n) = b n e n < 0 essendo: x(n) = an u(n) + bn u(n 1).

Lo stesso vale per la regione di convergenza della funzione data nellEsempio 7.2.

Come discusso nel Capitolo 1, un sistema ` stabile (BIBO) se la sua risposta a un e ingresso limitato risulta a sua volta limitata. Una caratterizzazione dei sistemi LTI stabili ` stata data in termini di assoluta sommae bilit` della risposta h(n) allimpulso, mostrando che il sistema ` stabile se e solo se a e + |h(n)| < +. n= Osservando ora che quando |z| = 1 si ha:
+ n= +

|h(n)| =

n=

|h(n)z n |,

si pu` concludere che per |z| = 1 la serie + h(n)z n ` assolutamente convergente o e n= quindi convergente. Allora per |z| = 1 la trasformata H(z) = + h(n)z n ` denita. e n= Fatto 7.3 Un sistema LTI ` stabile se la regione di convergenza della funzione di trasfere imento H(z) contiene la circonferenza di raggio unitario, |z| = 1.

7.4. Trasformata zeta e Trasformata di Fourier a Tempo Discreto Esempio 7.3.2 Lintegratore numerico presentato nellEsempio 1.3.5 ha funzione di trasferimento 1 e 1z 1 . Essa ha un polo per z = 1 quindi lintegratore non ` un sistema stabile.

147

Riassumendo, le condizioni di causalit` e di stabilit` per il caso in cui la funzione di a a trasferimento di un sistema LTI ` razionale, portano al seguente importante: e Fatto 7.4 Un sistema LTI ` causale e stabile se tutti i poli della sua funzione di trasferie mento cadono allinterno del cerchio unitario |z| = 1, cio` quando essi hanno tutti modulo e minore di 1.
Esempio 7.3.3
(ab)z e La funzione H(z) = (za)(zb) ` la funzione di trasferimento di un sistema contemporaneamente causale e stabile se e solo se max{|a|, |b|} < 1. Infatti i poli di H(z) sono z = a e z = b; essi stanno allinterno del cerchio di raggio 1 se e solo se |a| < 1 e |b| < 1.

7.4

Trasformata zeta e Trasformata di Fourier a Tempo Discreto


+

La trasformata di Fourier a tempo discreto di un segnale x(n) introdotta in Sezione 5.1 `: e Xd () =


n=

x(n)ein .

in cui utilizziamo la variabile per denotare la frequenza di normalizzata alla frequenza di campionamento. Poich` la trasformata zeta di x(n) `: e e
+

X(z) =
n=

x(n)ez .

Possiamo allora concludere: Fatto 7.5 La trasformata di Fourier a tempo discreto X d () del segnale x(n)
+

Xd () =
n=

xd (n)ein ,

xd (n) =

1 2

2 0

Xd ()ein d.

148

Trasformata Zeta e Sistemi LTI a Tempo Discreto

7.4.1

Risposta in Frequenza di Filtri Lineari a Tempo Discreto

Supponiamo di operare con sistemi LTI che si applicano a segnali a tempo discreto con intervallo di campionamento o equivalentemente con frequenza di campionamento Fs = 1/ . Obbiettivo di questa sezione ` studiare la risposta di un sistema S a ingressi e sinusoidali di frequenza (rad/sec) del tipo e io n . Per semplicit`, porremo = 1; i a risultati ottenuti si adattano facilmente al caso generale, interpretando come frequenza normalizzata alla frequenza di campionamento F s (Hz). Supponiamo che la risposta del sistema S allimpulso unitario (n) sia h(n); la risposta y(n) di S al segnale dingresso x(n) = e in ` la convoluzione di h(n) ed ein , cio`: e e
+ +

y(n) =
k=

h(k)e

i(nk)

=e

in k=

h(k)eik .
+ in k= h(k)e

Ricordando che H(z) = + h(k)z k ` la trasformata z di h(n), risulta e k= H(ei ) Possiamo pertanto concludere:

Teorema 7.1 La risposta di un sistema LTI a segnali sinusoidali di tipo e in ` complee tamente descritta da H(ei ), cio` dalla funzione di trasferimento valutata sui punti della e circonferenza unitaria. In particolare: |H(ei )| ` il guadagno della risposta sul segnale e in di frequenza ; e H(ei ) ` la variazione di fase della risposta rispetto a quella del segnale e in di e frequenza .

Il risultato precedente ` illustrato in Figura 7.6. e

h(n) e
i n

S
H(z)

i n

( e

i n

Figura 7.6 Risposta a segnali sinusoidali.

Esempio 7.4.1 Determinare il guadagno della risposta in frequenza del sistema y(n) = x(n)x(n1). La risposta allimpulso di questo sistema ` (n)(n1). La funzione di trasferimento e risulta dunque H(z) = 1 z 1 e di conseguenza la risposta in frequenza ` data da e H(ei ) = 1 ei . Il guadagno risulta inne (vedi Figura 7.7: |H(ei )|2 = (1 cos )2 + sin2 = 4 sin2 . 2

7.4. Trasformata zeta e Trasformata di Fourier a Tempo Discreto


4

149

Figura 7.7 Guadagno del ltro passa-alto con funzione di trasferimento 1 z 1 .

Dal graco della funzione guadagno si evince che questo sistema si comporta come un ltro passa-alto, che inibisce le componenti a bassa frequenza ( 0) e lascia passare quelle ad alta frequenza ( ).

7.4.2

Risposta in Frequenza nel Caso di Funzioni di Trasferimento Razionali

Studiamo ora come determinare la risposta allimpulso di un sistema, conoscendone la risposta in frequenza. A tal riguardo, si osserva che la risposta in frequenza H(e i ) ` la e trasformata di Fourier a tempo discreto della risposta allimpulso h(n), studiata in Sezione 5.1. La risposta allimpulso pu` essere ottenuta determinando i coecienti della serie di o Fourier H(ei ):
+

H(e ) =
k=

h(k)eik ,

h(k) =

1 2

H(ei )eik d.

Esempio 7.4.2 Determinare la risposta allimpulso h(k) di un ltro passa basso ideale di frequenza di taglio /2 e fase 0. Per ipotesi, la risposta in frequenza H(ei ) del sistema `: e H(ei ) = Ne segue: h(k) = 1 2
+

1, || < 2 . 0, altrimenti

H(ei )eik d =

1 2

+ 2 2

eik d =

sin k 2 k

Si osserva che il ltro non ` causale n stabile. e e

150

Trasformata Zeta e Sistemi LTI a Tempo Discreto

Supponiamo ora che la funzione H(z) di trasferimento del ltro sia razionale. Se il ltro ` causale e stabile, sappiamo che i poli di H(z) sono tutti contenuti nel cerchio e unitario. Il modulo della risposta in frequenza G() = |H(e i )| ` una funzione non negativa e e periodica di periodo 2. Alcune considerazioni geometriche possono essere utili per ottenere il comportamento qualitativo di G(). Cominciamo a rilevare che, essendo H(z) una funzione razionale in z 1 , possiamo esprimere il numeratore e il denominatore come prodotto di binomi di primo grado in z 1 ottenendo:
M

H(z) = A k=1 L

(1 ak z 1 ) , (1 bk z 1 )

k=1

dove a1 , . . . , aM sono gli zeri e b1 , . . . , bL sono i poli di H(z). Vale:


M

G() = |A| k=1 L


k=1

|1 ak ei | . |1 bk ei |

Possiamo allora osservare: se a 0, allora |1 aei | 1: poli o zeri vicini allorigine non portano nessun rilevante contributo a G(); se lo zero ak ` vicino alla circonferenza unitaria, cio` a k eik per un opportuno e e k , allora |1 ak eik | 0 e quindi G(k ) 0: per frequenze corrispondenti a zeri vicini alla circonferenza unitaria, la funzione G() ` vicina a zero. e In Figura 7.8 sono rappresentati con una crocetta i poli e con un cerchietto gli zeri di una funzione razionale H(z); nella stessa gura si mostra il modulo della risposta in frequenza del ltro con funzione di trasferimento H(z). Per quanto riguarda la fase, si osserva che:
M L

H(ei ) =
k=1

(1 ak ei )

k=1

(1 bk ei ).

Essa pu` quindi essere ottenuta considerando separatamente i contributi (1 ae i ) per o ogni polo o zero a, sommando i contributi dovuti agli zeri e sottraendo i contributi dovuti ai poli.

7.5. Sistemi in Multifrequenza: Decimazione e Interpolazione


Circonferenza unitaria

151

Figura 7.8 Eetto dei poli e degli zeri sul modulo della risposta in frequenza.

7.5

Sistemi in Multifrequenza: Decimazione e Interpolazione

I moderni sistemi digitali possono processare i dati a pi` di una frequenza di campionau mento. Alcuni esempi sono stati discussi in Sezione 4.4, dove vengono esplorati i vantaggi ottenibili dal sovracampionamento. Le due operazioni base che permettono di modicare digitalmente le frequenze sono la decimazione e linterpolazione: linterpolazione aumenta la frequenza di campionamento, la decimazione la riduce, comprimendo di fatto i dati. Naturalmente questi obbiettivi devono essere ottenuti senza introdurre eetti indesiderati, come errori di quantizzazione o aliasing. La decimazione M di un fattore M ` ottenuta da un sistema con la seguente relazione e ingresso-uscita: M (x(n)) = x(M n). In Figura 7.9 ` rappresentato la relazione ingresso-uscita per la decimazione con M = 3. e

Figura 7.9 Operazione di decimazione.

Tale sistema ` chiaramente lineare, ma non tempo invariante: vogliamo qui studiarne la e risposta in frequenza. A tal riguardo, siano X(z) e Y (z) le trasformate zeta rispettivamente dellingresso x(n) e delluscita y(n) = x(M n); le funzioni F () = X(e i ) e G() = Y (ei ), periodiche di periodo 2, descrivono lo spettro di frequeza di x(n) e y(n). La relazione tra F () e G() ` stabilita nel seguente: e

152

Trasformata Zeta e Sistemi LTI a Tempo Discreto

Fatto 7.6 Se F () e G() sono lo spettro di frequeza di segnali rispettivamente in ingresso e uscita alloperazione di decimazione con fattore M , vale: G() = 2 2(M 1) 1 (F () + F ( ) + + F ( ). M M M

Osserviamo che la funzione G() ` periodica di periodo 2M : se F s ` la frequenza e e di campionamento del segnale di ingresso, la frequenza del segnale di uscita risulta Fs . M Osserviamo inoltre che il segnale di ingresso pu` essere perfettamente ricostruito dal sego nale di uscita se si evita il fenomeno dellaliasing, e cio` se il limite di banda del segnale e di ingresso ` M . Se quindi desideriamo che loperazione di decimazione non crei perdita e di informazione rispetto al segnale di ingresso, tale operazione dovr` essere preceduta da a un ltro passa-basso, con frequenza di taglio M . In Figura 7.10 viene mostrato il sistema Decimatore, composto da un ltro anti-aliasing e dalloperazione di decimazione.

Filtro antialiasing

Figura 7.10 Sistema Decimatore.

Linterpolazione di segnali digitali ha forti similitudini con la conversione digitaleanalogica: in questo caso, tuttavia, il segnale di uscita continua ad essere digitale, anche se campionato a frequenza pi` alta. Pi` precisamente, un interpolatore con fattore L u u trasforma un segnale campionato con frequenza F s in uno campionato con frequenza LFs . In Figura 7.11 ` rappresentato un sistema Interpolatore (con fattore 3). e Esso ` costituito da unoperazione di interpolazione L che inserisce, tra x(n) e x(n+1), e L 1 campioni a valore 0. Il nuovo segnale viene poi ltrato con un ltro digitale passaFs e e basso a frequenza di taglio 2L , dove Fs ` la frequenza di campionamento di x(n). Poich linserzione di L 1 zeri distribuisce lenergia di un campione su L campioni, luscita 1 y(n) risulta attenuata di un fattore L : questo fatto pu` essere compensato moltiplicando o per L il valore delluscita. Come ` ben evidenziato dalla rappresentazione in frequenza, il Decimatore e lIntere polatore rappresentano sistemi luno inverso dellaltro.
Esempio 7.5.1 Conversione di frequenze per fattori non interi. Determinare un sistema che permette di trasferire il contenuto di un CD a 44.1 kHz su un nastro audio digitale a 48 kHz.

7.5. Sistemi in Multifrequenza: Decimazione e Interpolazione

153

Filtro passabasso

Figura 7.11 Sistema Interpolatore.

Una possibile soluzione ` data dalla composizione sequenziale di un interpolatore a e L 48 160 fattore L con un decimatore a fattore M , tale che M = 44.1 . Poich` 44.1 = 147 si pu` e 48 o porre L = 160 e M = 147: per prima cosa la frequenza di campionamento dei dati su CD ` interpolata co L = 160 ottenendo una frequenza di 7056 kHz, poi ridotta com e M = 147 a 48 kHz. ` E utile osservare che linterpolatore deve precedere il decimatore, altrimenti il processo di decimazione rimuove alcune componenti in frequenza.

Capitolo 8

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)

I ltri digitali che studiamo in questo capitolo sono particolari sistemi LTI causali a tempo discreto. Essi possono essere implementati e simulati su macchine digitali (microprocessori o processori specializzati come i DSP); per molti anni addirittura essi sono risultati la pi` u comune applicazione dei DSP. Il vantaggio sui ltri analogici ` duplice: e essi possono essere riprogrammati via s/w sullo stesso h/w; ` possibile modicare in tempo reale i coecienti dei ltri, ottenendo in tal modo e ltri adattativi. I principali tipi di ltri digitali sono i ltri FIR (Finite Impulse Response) e IIR (Innite Impulse Response). Tecnicamente, un ltro FIR ` un sistema LTI causale con risposta e nita allimpulso; la funzione di trasferimento di un ltro FIR risulta essere un polinomio 155

156

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)

in z 1 . Con ltri IIR qui intendiamo quella sottoclasse dei sistemi LTI causali con risposta anche innita allimpulso, dotati di una funzione di trasferimento razionale in z 1 . Nel primo paragrafo si introducono le denizioni di ltri FIR e IIR, discutendone vantaggi e svantaggi: un ltro FIR ` sempre stabile e pu` avere fase lineare; e o un ltro IIR pu` essere instabile e non ha in generale fase lineare; essi possono o tuttavia avere alcune caratteristiche (banda di transizione, attenuazione) migliori rispetto a quelle dei ltri FIR. Si discute poi la realizzazione di ltri mediante reti i cui elementi costitutivi sono operatori di somma, moltiplicazione per costante e ritardo temporale. Il progetto di queste reti ` agevolato da propriet` composizionali quali: e a la funzione di trasferimento del sistema ottenuto dalla cascata di due reti ` il e prodotto delle funzioni di trasferimento dei sistemi realizzati dalle singole reti. la funzione di trasferimento del sistema ottenuto dalla somma di due reti ` la e somma delle funzioni di trasferimento dei sistemi realizzati dalle singole reti. Nel quarto paragrafo vengono introdotte alcune tecniche di progetto di ltri digitali. Vengono analizzati i principali parametri utilizzati nella progettazione aiutata da strumenti CAD; si mostra poi una semplice tecnica di realizzazione di ltri digitali IIR a partire da quelli analogici e si discute in dettaglio la tecnica di progetto di ltri FIR col metodo delle nestre. Il capitolo si conclude con un cenno ai principali tipi di rumore introdotto dal fatto che segnali e sistemi inerentemente analogici vengono trattati con tecniche digitali. In particolare, viene discusso il rumore prodotto dalla quantizzazione del segnale, quello dovuto alla quantizzazione dei coecienti e quello causato dai troncamenti nel calcolo digitale.

8.1

Filtri FIR e IIR

In questo paragrafo deniamo e discutiamo le principali propriet` dei ltri FIR e IIR. a

8.1.1

Filtri FIR e Filtri a Fase Lineare

Richiamiamo che un sistema LTI causale a tempo discreto ` detto ltro FIR (Finite Impulse e Response) se la risposta h(n) allimpulso unitario ` nita nel senso che h(n) = 0 per n < 0 e e per n M per un opportuno M > 0. Il rapporto ingresso-uscita ` allora descritto dalla e seguente equazione alle dierenze nite: y(n) =
M 1 k=0

h(k)x(n k).

(8.1)

8.1. Filtri FIR e IIR

157

Passando alle trasformate z e applicando la propriet` della traslazione temporale, si a ottiene: Y (z) = H(z)X(z),
M 1 dove H(z) = k=0 h(k)z k e X(z), Y (z) sono le trasformate z rispettivamente di x(n) e y(n). Si osservi che H(z) ` un polinomio in z 1 . e

Le caratteristiche pi` interessanti dei ltri FIR sono le seguenti: u 1. Un ltro FIR ` sempre causale e stabile; ci` pu` essere rilevato dal fatto che H(z) ` e o o e un polinomio in z 1 , e quindi ha un solo polo in z = 0, di fatto interno alla cerchio di raggio 1. 2. Un ltro FIR pu` avere fase lineare: se la funzione h(n) ` simmetrica o antisimmeto e rica rispetto a (M 1)/2 (cio` h(k) = h(M 1 k) oppure h(k) = h(M 1 k)), e allora la fase H(ei ) ` lineare. e Infatti, se h(k) = h(M 1 k): H(ei ) =
M 1 k=0 M 1 k=0

h(k)eik eik + ei(M 1k) 2 h(k) ei(


M 1 k) 2

h(k)

= ei = ei Poich` e
M 1 k=0

M 1 2

M 1 k=0 M 1 k=0

+ ei( 2

M 1 k) 2

M 1 2

h(k) cos

M 1 k . 2

h(k) cos

M 1 2

k ` un numero reale, la fase risulta lineare: e H(ei ) = M 1 . 2

Analogamente, se h(k) = h(M 1 k), si ottiene: H(ei ) = iei


M 1 2

M 1 k=0

h(k) sin

M 1 k . 2

Osservando che i = ei/2 , si ottiene: H(ei ) = M 1 + . 2 2

In Figura 8.1 sono rappresentate le risposte allimpulso di due ltri FIR a fase lineare, uno antisimmetrico (a), laltro simmetrico (b).

158

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)

h1

h2

M+1 2

M1

M+1 2

M1 n

(a)

(b)

Figura 8.1 Risposta allimpulso di un ltro a fase non lineare (a) e lineare (b).

8.1.2

Filtri IIR

Consideriamo ora un sistema LTI in cui la relazione ingresso-uscita verica la seguente equazione alle dierenze nite:
L1 k=0

ak y(n k) =

M 1 k=0

bk y(n k)

(aL1 = 0).

Osserviamo che se L = 1 lequazione precedente denisce un ltro FIR. Se invece L > 1, lequazione precedente non ` in grado di specicare univocamente e il sistema: passando infatti alle trasformate z e applicando la propriet` della traslazione a temporale, si ottiene: Y (z) = H(z)X(z), dove H(z) =
PM 1 bk z k Pk=0 L1 k k=0 ak z

e X(z), Y (z) sono le trasformate z rispettivamente di x(n) e

y(n). Poich H(z) ` una funzione razionale in z 1 dotata di poli distinti da 0, possiamo e e descrivere pi` sistemi caratterizzati dalla stessa funzione H(z) ma aventi diverse corone u di convergenza. Solo uno di essi tuttavia, e cio` quello contenente , ` causale. Possiamo e e allora dare la seguente: Denizione 8.1 Un ltro IIR (Innite Impulse Response) ` un sistema LTI causale tale e che la relazione ingresso-uscita verica lequazione ricorsiva alle dierenze nite:
L1 k=0

ak y(n k) =

M 1 k=0

bk y(n k)

(aL1 = 0, L > 1).

Come abbiamo visto sopra, la funzione di trasferimento H(z) di un ltro IIR ` H(z) = e
PM 1 bk z k Pk=0 ; L1 k k=0 ak z

la presenza di poli distinti da 0 comporta che, se il ltro ` causale, la risposta e

8.2. Applicazioni di Filtri FIR e IIR

159

h(n) allimpulso unitario ` nulla per n < 0, ma risulta diversa da 0 per inniti n positivi: e la fase di questi ltri non pu` mai essere lineare. o
Esempio 8.1.1 I ltro IIR descritto dallequazione y(n) + ay(n 1) = x(n) ammette la funzione di 1 e e trasferimento H(z) = 1+az1 e corona di convergenza |z| > |a|, poich` il polo ` in z = a. In tale regione vale che H(z) = + an z n , quindi la risposta allimpulso n=0 unitario del ltro `: e 0, n<0 . h(n) = n a , n0 La risposta allimpulso non ` nita e il ltro ` stabile solo se |a| < 1. e e

Lesempio precedente mostra che, contrariamente a quanto accade per ltri FIR, un ltro IIR pu` non essere stabile; ulteriormente, mentre esistono ltri FIR con fase lineare, o la fase di un ltro IIR non ` mai lineare. e Questi svantaggi sono compensati in vari casi dalla maggior semplicit` realizzativa dei a ltri IIR rispetto ai ltri FIR e dalle migliori caratteristiche di attenuazione a parit` di a ordine delle equazioni.

8.2
8.2.1

Applicazioni di Filtri FIR e IIR


Zeri di Filtri a Fase Lineare: i Filtri COMB
P (z) , zM

Un ltro FIR ha funzione di trasferimento del tipo H(z) =

dove P (z) ` un polinomio di grado M a coecienti reali. A meno di una costante moltie plicativa, il ltro viene allora univocamente determinato dagli zeri di P (z), cio` dalle e soluzione dellequazione P (z) = 0. Sia z1 una radice di P (z); essendo i coecienti di P (z) reali, ricordiamo che o z 1 ` e e reale o z1 ` complesso, ma allora il suo coniugato z 1 ` unaltra radice di P (z). e Il seguente risultato caratterizza i ltri FIR con fase lineare, in termini dei loro zeri: Fatto 8.1 Sia dato un ltro FIR con funzione di trasferimento H(z) = due seguenti proposizioni sono equivalenti: 1. il ltro ha fase lineare; 2. se rei ` uno zero di P (z), allora anche 1 ei ` uno zero di P (z) . e e r Ne segue in particolare che ltri i cui zeri sono tutti sulla circonferenza di raggio 1 hanno fase lineare. Unimportante famiglia di ltri che hanno gli zeri sulla circonferenza unitaria ` quella dei ltri con funzione di trasferimento del tipo: e H(z) = 1 (1 z M ). M
P (z) . zM

Allora le

160

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)


k

In questo caso, gli zeri del ltro sono esattamente le radici dellunit` z k = e2 M a (k = 0, . . . , M 1). La fase di questi ltri ` lineare per ogni M ; il guadagno per M = 8, ` dato dal graco e e in Figura 8.2.
H( )

Figura 8.2 Guadagno di un ltro comb di ordine 8.

A causa della forma a pettine del graco precedente, questi ltri sono detti comb. Essi sono implementabili in modo veramente eciente: dette infattiX(z) e Y (z) le trasfor1 mate zeta dellingresso x(n) e y(n) delluscita, vale Y (z) = M (X(z) z M X(z)). Questo implica 1 (x(n) x(n M )). y(n) = M ` E possibile ottenere da un ltro comb da un ltro passa-basso semplicemente eliminando lo zero z0 = 1. Nel caso di ltro comb di ordine 8, gli zeri sono mostrati in Figura 8.3.

Figura 8.3 Zeri di un ltro comb passa-basso di ordine 8.

La funzione di trasferimento del ltro passa-basso pu` essere ottenuta dividendo 1 o z M per 1 z 1 , in modo da eliminare lo zero z0 = 0. Il guadagno della risposta in frequenza, per M = 8, ` dato in Figura 8.4. e La frequenza di taglio a 3dB, normalizzata, ` 0.11; le oscillazioni in banda proibita e risultano piuttosto alte ( 0.3). La risposta del ltro pu` essere calcolata in due dierenti modi. o

8.2. Applicazioni di Filtri FIR e IIR


H(e )
i

161

1 2

0.11

Figura 8.4 Guadagno di un ltro comb passa-basso di ordine 8.


1z M 1z 1

1. Ricordando che

= 1 + z 1 + + z M +1 , si ottiene: X(z) + z 1 X(z) + + z M +1 X(z) . M

Y (z) =

Nella rappresentazione in tempo, questo porta al seguente ltro FIR, riconoscibile come il consueto ltro a media mobile: y(n) = x(n) + x(n 1) + + x(M + 1) . M

2. Procedendo direttamente, da si ha: Y (z)(1 z 1 ) = 1 X(z)(1 z M ). M

Nella rappresentazione in tempo, questo porta al seguente ltro IIR: y(n) = y(n 1) + 1 (x(n) x(n M )). M

Nella realizzazione IIR, viene introdotto un polo in 1 che si sovrappone allo 0: poich e il polo ` sulla circonferenza unitaria, il ltro risulta intrinsecamente instabile. Di e conseguenza, lalgoritmo che d` la realizzazione IIR deve essere utilizzato solo su a brevi intervalli di tempo. I ltri comb passa-basso hanno prestazioni mediocri; tuttavia, essi sono veloci e di facile realizzazione. Considerando la frequenza di campionamento F s Hz, la frequenza di taglio del ltro passa-basso comb di ordine 8 risulta 0.11 Fs : per realizzare un ltro comb di data 2 frequenza di taglio basta aggiornare in modo opportuno la frequenza di campionamento.

162

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR) Esempio 8.2.1 Si voglia progettare un ltro comb di ordine 8 con frequenza di taglio a 3dB pari a 500 Hz. Ponendo Fs 0.11 = 500 2 si ottiene Fs = 9091 Hz: basta implementare il ltro comb di ordine 8 aggiustando la frequenza di campionamento per ADC e DAC a 9091 Hz.

8.2.2

Filtri Notch (a Intaglio)

I ltri notch hanno lobbiettivo di eliminare una stretta banda di frequenza: il guadagno della risposta in frequenza deve allora essere del tipo in Figura 8.5.
H( )

notch

Figura 8.5 Risposta in frequenza di un ltro notch.

Questa caratteristica pu` essere ottenuta posizionando uno zero z 0 = einotch del ltro o sulla circonferenza di raggio unitario e posizionando un polo z p del ltro vicino allo zero, ma interno al cerchio di raggio unitario in modo tale che il ltro risulti stabile. Il ltro deve essere completato da un nuovo zero z 0 e da un nuovo polo zp , coniugati rispettivamente del primo zero e del primo polo, in modo tale che i coecienti della risposta allimpulso siano numeri reali (vedi Figura 8.6). La funzione di trasferimento del ltro specicato sopra `: e H(z) =
(z z0 )(z z0 ) . (z zp )(z zp )

Consideriamo ora il guadagno del ltro, per 0 . Analizziamo separatamente due casi: 1. ` molto vicino a notch , cio` ei einotch . In questo caso: e e |H(ei )| |H(einotch ) = 0.

8.2. Applicazioni di Filtri FIR e IIR

163

zp

zo

z* p

z* o

Figura 8.6 Poli e zeri di un ltro notch.

2. ` molto lontano da notch , cio` ei einotch >> 0. In questo caso, ricordando e e che z0 zp e che z0 zp , si ha: |H(ei )| =
|ei z0 | |ei z0 | i 11 =1. |ei zp | |e zp |

Di conseguenza, il guadagno del ltro realizzato ha una forma del tipo disegnato in Figura 8.5.
Esempio 8.2.2 Realizzare un ltro notch a frequenza normalizzata notch . Ponendo ad esempio zp = einotch dove 1 ma comunque < 1, si ottiene la funzione di trasferimento: H(z) = 1 z 1 cos notch + z 2 . 1 z 1 2 cos notch + 2 z 2

Si ottiene quindi un ltro IIR realizzabile dalla seguente equazione: y(n) = x(n) 2 cos notch x(n 1) + x(n 2) + 2 cos notch y(n 1) 2 y(n a).

Una caratteristica importante dei ltri notch ` la forma a V dellintaglio: aumentando e ` la distanza tra il polo e lo zero tale V si apre. E allora conveniente che il polo e lo zero siano pi` vicini possibile; un limite ` dato tuttavia dallerrore di quantizzazione u e dei coecienti. Lanalisi delleetto della quantizzazione ` data nel paragrafo 8.4.5 : e possiamo qui osservare che la modica dei coecienti del ltro in genere si traduce in un cambiamento delle posizioni dei poli e degli zeri, con risultati distruttivi che possono portare alla instabilit` del sistema se il polo non risulta pi` posizionato internamente al a u cerchio unitario.

164

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)

8.2.3

Equalizzatore a un Polo

Come abbiamo visto in Sezione 4.5, un convertitore digitale-analogico ZOH ha una risposta in frequenza che diminuisce le ampiezze delle componenti alle frequenze pi` alte. Molti u sistemi contengono allora un equalizzatore che compensa la distorsione del segnale creata dal convertitore. In Figura 8.7 riportiamo sia il guadagno del DAC (linea tratteggiata) sia il guadagno di un equalizzatore ideale.
1 |H( )| 1.5

1 0.66

Figura 8.7 Risposta in frequenza ideale di un equalizzatore.

In questo paragrafo costruiamo un semplice equalizzatore, il cui guadagno ` una e ragionevole approssimazione del guadagno dellequalizzatore ideale. Si consideri il ltro con una funzione di trasferimento caratterizzata da un polo in z0 = , con reale. Si osservi che, perch il ltro sia stabile, deve essere 1 < < 1. e La funzione di trasferimento, ssata una costante A > 0, `: e A . 1 z 1 Di conseguenza, il guadagno di questo ltro risulta essere: H(z) = A . 1+ 2 cos Posto = 0.14 e a = 1.13, la funzione di trasferimento di questo ltro `: e 1.13 . H(z) = 1 + 0.14z 1 Tale ltro un ltro risulta essere un ltro IIR causale e stabile, denito dallequazione: |H(ei )| = 2 Il suo guadagno, almeno per || < 3 4, ` una buona approssimazione del guadagno e dellequalizzatore ideale (con un errore inferiore a 0.01), come si pu` osservare dalla in o Figura 8.8. Il ltro ottenuto risulta allora un buon equalizzatore per il DAC di tipo ZOH. y(n) = 1.13x(n) 0.14y(n 1).

8.3. Progetto di Filtri Digitali


H()
1.5

165

3 4

Figura 8.8 Risposta in frequenza di un equalizzatore a un polo.

8.3

Progetto di Filtri Digitali

Un ltro digitale ` un sistema LTI a tempo discreto, realizzato con aritmetica a precisione e nita. La progettazione di tali ltri richiede dunque tre passi principali: 1. Specicazione delle propriet` desiderate del ltro, ad esempio la frequenza di taglio a per un ltro passa-basso; poich i ltri ideali non sono realizzabili, ci dovremo tute tavia accontentare di una approssimazione e la specica dovr` riguardare il livello a di errore che riteniamo di poter tollerare. 2. Determinazione di un ltro che soddisfa le speciche stesse; nel caso di un ltro FIR baster` ad esempio determinare i coecienti che deniscono la sua risposta allima pulso, in un ltro IIR baster` determinare i coecienti dellequazione alle dierenze a nite che lo caratterizzano, oppure determinare i poli e gli zeri della funzione di trasferimento. 3. Realizzazione del sistema con una rete a precisione nita, con eventuale implementazione su un DSP o su un circuito programmabile; ` di particolare interesse in e questa fase riuscire a controllare gli eetti della quantizzazione dei coecienti del ltro imposti dalluso di aritmetica a precisione nita. Di seguito vengono analizzati pi` in dettaglio i punti precedenti. u

8.3.1

Speciche di Filtri Digitali

Le propriet` di un ltro digitale sono generalmente ben esprimibili nel dominio delle a frequenze. In particolare, per ltri selettivi come ltri passa-basso o passa-banda, le speciche possono essere date attraverso uno schema di tolleranza. Gli elementi principali di uno schema di tolleranza esemplicati per il ltro passa-basso si riferiscono al guadagno e sono (vedi Figura 8.9):

166

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)


|H()| 1+ p 1 1- p

s
bp

bs

Figura 8.9 Speciche di un ltro passa-basso.

1. le frequenze bp e bs che deniscono condizioni di accettabilit` per la banda passante a e la banda di transizione; queste condizioni possono essere espresse come segue: bp c < s bs , dove c ` la frequenza di taglio e s ` la frequenza di stop del ltro. In alternativa, e e pu` essere dato un vincolo sulla dimensione = s c della banda di transizione. o 2. le dimensioni massime p e s permesse alle oscillazioni rispettivamente in banda passante e in banda proibita; esse sono usualmente chiamate deviazioni. Le deviazioni in banda passante e proibita possono essere espresse anche in decibel: Ap = 20 log 1 + p 17.4p dB, 1 p As = 20 log s dB.

Ap viene usualmente chiamata oscillazione in banda passante, mentre A s ` detta e attenuazione in banda proibita. Tutte le frequenze specicate devono essere riferite alla frequenza di campionamento 0 ed in particolare devono essere inferiori a 0 cos` da soddisfare il criterio di Nyquist. 2 Spesso le frequenze vengono normalizzate rispetto alla frequenza di Nyquist 0 ed espresse 2 come frazioni di essa ( 0 /2 ). Un esempio di schema di tolleranza per un ltro passa-basso ` il seguente: e

8.3. Progetto di Filtri Digitali

167

banda passante banda proibita attenuazione (banda proibita) oscillazione (banda passanta) frequenza di campionamento

c s As Ap 0

100 Hz 130 Hz 40 dB 0.05 dB 600 Hz

Rispetto al precedente schema, la dimensione della banda di transizione normalizzata ` = 0.01 mentre la deviazione in banda proibita ` s = 102 . e e Per quanto riguarda la risposta in fase, usualmente sono sucienti speciche di tipo qualitativo sulla linearit` di tale risposta; criteri quantitativi sono richiesti solo per partia colari applicazioni, ad esempio per il progetto di ltri di compensazione della risposta in fase di un sistema.

8.3.2

Progetto di Filtri FIR mediante Finestre

La tecnica di progettazione mediante nestre ` basata sullidea di approssimare un ltro e desiderato, eventulmente non causale e con risposta allimpulso h d (n) di durata innita, azzerando hd (n) al di fuori di una nestra temporale di ampiezza N , nella speranza che lapprossimazione sia tanto pi` buona quanto pi` la dimensione N della nestra ` grande. u u e Pi` precisamente: u 1. si considera il ltro desiderato con risposta allimpulso h d (n) eventualmente di durata innita; 2. ssato un intero N , si costruisce il ltro FIR con risposta allimpulso h N (n) tale che: hN (n) = hd (n), 0, se |n| (N 1)/2 altrimenti.

3. si ottiene inne il ltro FIR causale con risposta allimpulso h N (n N/2). Considerando la nestra rettangolare rett N (n) data da: rettN (n) = possiamo scrivere: hN (n) = rettN (n)hd (n). In altre parole, hN (n) ` ottenuta moltiplicando la risposta allimpulso del ltro che si e desidera approssimare per la nestra rettangolare rett N (n) di durata nita. Studiamo ora come il ltro con risposta h N (n) approssima il ltro con risposta h d (n), al variare di N . Per semplicit` assumiamo che il ltro che desideriamo approssimare sia a 1, 0, se |n| (N 1)/2 altrimenti,

168

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)

un ltro passa-basso ideale caratterizzato dalla seguente risposta in frequenza: Hd (ei ) = 1, 0, se || 1 se 1 < || .

Denotiamo con HN (ei ) la risposta in frequenza del ltro h N (n). Si possono osservare due fenomeni, di cui in seguito daremo spiegazione: 1. HN (ei ) ha una banda di transizione non nulla, la cui ampiezza converge a 0 quando N diverge; 2. |HN (ei )| presenta delle oscillazioni, sia in banda passante sia in banda proibita, la cui ampiezza massima ` circa 0.2, indipendentemente dalla dimensione temporale N e della nestra. Il secondo fenomeno ` particolarmente negativo, ed ` collegato al tipo di convergenza e e della serie di Fourier (fenomeno di Gibbs); esso tuttavia pu` essere limitato, anche se non o completamente eliminato, scegliendo nestre w N (n) diverse dalla nestra rettangolare. Tali nestre non dovranno avere discontinuit` come quella rettangolare, dovranno essere a diverse da 0 nellintervallo (N 1)/2 n (N 1)/2 e dovranno essere simmetriche rispetto allorigine. La relazione tra il ltro desiderato e il ltro FIR ottenuto con la nestra w N (n) ` e allora: hN (n) = wN (n)hd (n). (8.2) Esempi di nestre comunemente usate oltre alla nestra rettangolare sono elencate di seguito. Finestra Triangolare (o Bartlett): wN (n) = Finestra di Hanning: wN (n) = Finestra di Hamming: wN (n) = 0.54 + 0.46 cos 2n , N |n| (N 1)/2. 1 2n 1 + cos , 2 N |n| (N 1)/2. 1+ 1
2n N, 2n N,

se (N 1)/2 n < 0 se 0 n (N 1)/2.

Kaiser ha inoltre proposto una famiglia di nestre k N (n, a ), parametrizzata da a . La Figura 8.10 illustra il graco delle nestre sopra elencate. La progettazione mediante nestre richiede di operare due scelte:

8.3. Progetto di Filtri Digitali


w(n)

169

Rettangolare 1

Triangolare Kaiser

Hanning Hamming N1 2 0 N1 2 n

Figura 8.10 Finestre comunemente usate per il progetto di ltri FIR.

1. il tipo di nestra, 2. la dimensione N dellintervallo. Le scelte progettuali sono legate alle seguenti considerazioni: 1. la massima ampiezza delle oscillazioni in banda passante e proibita dipende dal tipo di nestra ma non dipende da N ; 2. lampiezza della banda di transizione ` inversamente proporzionale ad N , con coefe ciente di proporzionalit` dipendente dal tipo di nestra. a La Tabella 8.1 riporta lampiezza delle oscillazioni in banda passante e proibita e lampiezza della banda di transizione (normalizzata alla frequenza di campionamento) per la nestra rettangolare, quella Hanning e quella di Hamming.
Esempio 8.3.1 Vogliamo determinare col metodo delle nestre i coecienti di un ltro FIR, che verica il seguente schema di tolleranza: banda passante banda proibita attenuazione (banda proibita) oscillazione (banda passanta) frequenza di campionamento c s As Ap 0 500 Hz 650 Hz 50 dB 0.05 dB 3 KHz

170

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)

Tabella 8.1 Ampiezza delle oscillazioni in banda passante e proibita e lampiezza della banda di transizione (normalizzata) di alcune nestre.

Finestra Rettangolare Hanning Hamming

Osc. Ap (dB) 0.74 0.05 0.02

Att. As (dB) 21 44 53

Amp. trans. (Hz) 1/N 3.1/N 3.3/N

Dalla Tabella 8.1 si evince che solo la nestra di Hamming permette unattenuazione di almeno 50 dB. Lampiezza della banda di transizione, normalizzata alla frequenza di campionamento, risulta = (650 500)/3000 = 0.05; riferendoci alla Tabella 8.1 possimo concludere che la nestra di Hamming con dimensione N = 67 > 3.3/0.05 soddisfa i vincoli dello schema di tolleranza. Tali coecienti risultano allora ottenibili dalla nestra: w(n) = 0.54 + 0.46 cos 2n , se |n| 33 N 0, altrimenti.

Analisi del fenomeno di Gibbs In questa sottosezione diamo una spiegazione qualitativa dei due fenomeni precedentemente rilevati: 1. HN (ei ) ha una banda di transizione non nulla, la cui ampiezza converge a 0 quando N diverge; 2. |HN (ei )| presenta delle oscillazioni, sia in banda passante sia in banda proibita, di ampiezza massima indipendente dalla dimensione temporale N della nestra. Poich il ltro hN (n) ottenuto trattando il ltro desiderato h d (n) con la nestra wN (n) e ` tale che e hN (n) = wN (n)hd (n), dal teorema di convoluzione si ottiene HN (ei ) = Hd (ei ) WN (ei ), dove Hd (ei ) ` la risposta in frequenza di un ltro passa-basso desiderato e W N (ei ) ` la e e risposta in frequenza della nestra w N (n).

8.3. Progetto di Filtri Digitali

171

Per le nestre considerate, la funzione W N (ei ) pu` essere approssimata con funzioni o della famiglia G,a () (con e a reali positivi), mostrata in Figura 8.11 assieme al graco della risposta in frequenza del ltro ideale passa-basso: 1+a , se || a G,a () = , se < || 2 0, se || > 2.
H ( )
d

G ( )
, a

1+a 1

-1

a 2

Figura 8.11 Graco delle funzioni Hd () e G,a ().

In altre parole, G,a () ` composta da un lobo rettangolare centrale di altezza 1+a e e a base 2 e da due lobi laterali, anchessi rettangolari, di altezza e base ; siamo qui |altezza lobo laterale| interessati a studiare il caso 0 < a 1, per cui vale che a |altezza lobo centrale| .
Esempio 8.3.2 Per la nestra rettangolare vale:
N

RETTN () =
n=0

ein =

N 1 sin(N/2) 1 ein = ei 2 1 ei sin(/2)

A meno di una variazione di fase, il graco della funzione sin(N/2) ` mostrato in sin(/2) e Figura 8.12. Trascurando i lobi laterali ad eccezione dei tre lobi centrali, possiamo approssimare la funzione sin(N/2) con G,a () (come mostrato nella gura), dove sin(/2) e e e = 2 e a 2 , poich laltezza del lobo centrale ` N e quella dei lobi laterali ` N 3 2 N . 3

Le principali caratteristiche delle varie nestre, che permettono di approssimare le risposte in frequenza con una funzione del tipo G ,a () sono elencate nelle Tabella 8.2 La convoluzione HN (ei ) = Hd (ei ) G,a () pu` essere facilmente calcolata e risulta o essere la funzione lineare a pezzi di Figura 8.13. Dal graco precedente osserviamo che il ltro passa-basso ideale viene approssimato da un ltro che ha le seguenti caratteristiche:

172

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)

2 N
sin(N/2) . sin(/2)

Figura 8.12 Graco della funzione

Tabella 8.2 Caratteristiche delle principali nestre.

Finestra Rettangolare Trangolare Hanning Hamming

20 log a (dB) -13 -25 -37 -41

Larghezza lobo centrale 4/N 8/N 8/N 8/N

1. la massima ampiezza delle oscillazioni sia in banda passante sia in banda proibita ` e a; essa in particolare non dipende da ; 2. la dimensione della banda di transizione ` proporzionale a . e Possiamo di conseguenza trarre le seguenti conclusioni: la dimensione della banda di transizione del ltro approssimato ` proporzionale a e 1/N , poich la larghezza del lobo centrale di una maschera ` inversamente proe e porzionale a N . a parit` di dimensione della durata temporale delle nestre, la dimensione della a banda di transizione del ltro ottenuto dalla nestra rettangolare ` met` di quella e a ottenuta dalle nestre tringolari, di Hanning e di hamming; la massima ampiezza delle oscillazioni create dalla nestra rettangolare (a 0.2) ` molto maggiore di quella delle oscillazioni create dalle altre nestre (a 0.01 e per la nestra di Hamming). Questo spiega perch la nestra rettangolare, pur pi` e u semplice da realizzare, ` scarsamente usata. e

8.3. Progetto di Filtri Digitali

173

HN()
1+a 1

1 2

1+ -a 12 1 1 1+2

Figura 8.13 Graco della funzione HN (ei ), ottenuta dalla convoluzione di Hd (ei ) e G,a ().

8.3.3

Progetto di Filtri FIR col Metodo Ottimo

Come abbiamo visto, il metodo della nestra crea ltri con un picco nelle oscillazioni in corrispondenza della frequenza di taglio e frequenza di stop, come evidenziato nella Figura 8.14. Risulta naturale tentare di abbassare laltezza massima delle oscillazioni spalmandole su tutta la banda passante e proibita: questa ` lidea che sta alla base della costruzione e del ltro ottimo, nel senso di Chebishev. Il metodo considera al solito la risposta allimpulso h d (n) del ltro che si desidera approssimare e che ha una ideale risposta in frequenza H d (ei ); ssato N , si prende in considerazione linsieme FN tutti i ltri FIR h di ordine N , cio` con risposta allimpulso e descrivibile da N valori h = (h(0), . . . , h(N 1)). Se H(e i ) la risposta in frequenza del generico ltro h, si denisce come errore di approssimazione di h d con h, la quantit` a e(h, hd ) = max |Hd (ei ) Hh (ei )|(),

dove () ` una opportuna funzione peso che consente di trattare il caso in cui i vincoli e imposti alle oscillazioni in banda passante e proibita siano diversi. e Il ltro ottimo h ` il ltro di FN che minimizza lerrore: h = arg min e(h, hd ).
hFN

Si pu` dimostrare che il ltro ottimo ` caratterizzato da equioscillazioni in banda o e passante e banda proibita, come mostrato nella Figura 8.15

174

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)

1.2

H(ei )

1.0

0.8

0.6

0.4

0.2

40

80

120

160

200

240

280

Figura 8.14 Modulo della risposta in frequenza di un ltro passa-basso ottenuto col metodo delle nestre.

Esistono vari algoritmi per risolvere il problema di minimo; i principali sistemi CAD implementano procedure che, avendo in ingresso N e le speciche del ltro desiderato hd (n), danno in uscita i coecienti di h. Poich in generale il numero N ` incognito mentre lo schema di tolleranza d` la die e a mensione della banda di transizione normalizzata e le deviazioni s e p , ` necessario e preliminarmente eettuare una stima di N . Per ltri passa-basso N pu` essere stimato o dalla seguente relazione empirica: N D(p , s ) f (p , s )F + 1 F

dove F ` lampiezza della banda di transizione normalizzata alla frequenza di campionae mento, p ` la deviazione in banda passante e s la deviazione in banda proibita. e Inoltre:

D(p , s ) = log 10 s [a1 (log 10 p )2 + a2 log10 p + a3 ] + [a4 (log 10 p )2 + a5 log10 p + a6 ] e f (p , s ) = 11.012 + 0.5124(log 10 p log 10 s ),

8.3. Progetto di Filtri Digitali

175

1.2

H(ei )

1.0

0.8

0.6

0.4

0.2

0.1

0.2

0.3

0.4

0.5

Figura 8.15 Modulo della risposta in frequenza di un ltro passa-basso ottimale di ordine N = 20.

con a1 = 5.4x103 , a4 = 2.66x103 , a2 = 7.11x102 , a5 = 5.94x101 , a3 = 4.76x101 ,

a6 = 4.28x101 .

Discutiamo qui brevemente come determinare col metodo ottimale i coecienti di ltri specicati attraverso uno schema di tolleranza, utilizzando il sistema Scilab. In Scilab ` e implementato lalgoritmo di Remez, che pu` essere richiamato con un comando che, nella o sua forma basilare, `: e b = eqfir(N, F, M, W) dove: 1. N denota il numero di coecienti del ltro; 2. F denota un vettore di intervalli di frequenze normalizzate (bande); 3. M denota il vettore del guadagni desiderati in ogni banda; 4. W denota un vettore dei pesi relativi delle ampiezze delle oscillazioni nelle varie bande;

176

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)

5. b denota il vettore dei coecienti del ltro ottimo. Va segnalato che la normalizzazione qui ` riferita alla frequenza di campionamento. e
Esempio 8.3.3 Determinare il ltro passa-banda ottimo a 50 coecienti, quando lo schema di tolleranza `: e banda passante ampiezza bande di transizione frequenza di campionamento 500-700 Hz 100 Hz 2000 Hz

La specica richiede che il guadagno sia 0 nella banda 0-400 Hz, sia 1 nella banda 500-700 Hz, sia nuovamente 0 nella banda 800-1000 Hz. Si ricorda che la frequenza di Nyquist risulta 1000 Hz. Normalizzando rispetto alla frequenza di campionamento, si ottengono i seguenti intervalli: 0-0.2, 0.25-0.35, 0.4-0.5 Un programma scritto in Scilab che calcola i coecienti del ltro ottimo e d` il graco a del guadagno `: e N = 50 F = [0 0.2; 0.25 0.35; 0.4 0.5] M = [0 1 0] W = [1 1 1] b = eqfir(N,F,M,W) [H,f] = frmag(b,512) plot(f,abs(H))

8.3.4

Progetto di Filtri IIR da Filtri Analogici

Un approccio alla progettazione di ltri IIR, consiste nel trasformare un ltro analogico (per esempio un ltro di Butterworth) in un corrispettivo ltro digitale che soddis le speciche. Supponiamo, ad esempio, che un ltro analogico causale sia descritto dalla seguente equazione dierenziale: M 1 L1 dk dk ck k g(t) = dk k f (t), dt dt
k=0 k=0

dove f (t) ` il segnale di ingresso e g(t) quello di uscita. Una semplice idea per ottenere e un sistema digitale IIR con caratteristiche simili a quello analogico consiste nellapprossimare loperazione di derivata con quello di dierenza nita, seguendo un approccio tipico dellanalisi numerica. Ci si pu` aspettare che con alte frequenze di campionamento o lapprossimazione risulti accettabile.

8.4. Realizzazione di Filtri Digitali

177
1 T

A questo riguardo, ssata la frequenza di campionamento x(n) = f (nT ),

Hz, poniamo:

y(n) = g(nT ).

Approssimando la derivata di una funzione A(t) col rapporto incrementale, si ha che: d A(t) dt A(nT ) A((n 1)T ) . T
k

t=nT

d d Possiamo allora sostituire dt g(t) con y(n) = y(n)y(n1) e dtk g(t) con k y(n), dove T 0 y(n) = y(n) e k y(n) = ( k1 y(n)) se k > 0. Sostituzioni analoghe possono essere dk fatte per dtk f (t).

Il sistema digitale corrispondente a quello analogico viene allora descritto dalla seguente equazione:
M 1 k=0 L1

ck

y(n) =
k=0

dk

x(n)

Esempio 8.3.4 Si consideri il sistema analogico descritto dallequazione dierenziale: g(t) = ag (t) + bg (t) + f (t). Posto x(n) = f (nT ) e y(n) = g(nT ), risulta: y(n) y(n 1) T y(n) y(n 1) 2 y(n) = ( y(n)) = = T y(n) 2y(n 1) + y(n 2) = . T2 y(n) = Da cui si ricava il seguente sistema digitale: y(n) = T 2b T2 b y(n 1) + 2 y(n 2) + x(n) . 2 aT b 2 T T T

y(n)

y(n 1)

8.4

Realizzazione di Filtri Digitali


M 1 k=0

In un ltro FIR il valore y(n) delluscita al tempo n ` dato da: e y(n) = bk x(n k).

178

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)

Pi` in generale, in un ltro IIR il valore y(n) delluscita al tempo n pu` essere riscritto u o nella forma:
L1 k=1

y(n) =

ck y(n k) +

M 1 k=0

dk x(n k).

In ogni caso, per il calcolo di y(n) si richiede: 1. la disponibilit` dei valori di uscita ai tempi n 1, . . . , n L + 1 e la disponibilit` dei a a valori di ingresso ai tempi n, . . . , n M + 1; 2. la disponibilit` permanente dei coecienti moltiplicativi c 1 , . . . , cL1 e d1 , . . . , dM 1 ; a 3. leettuazione di moltiplicazioni e somme in accordo alla forma generale. Queste operazioni possono essere implementate su un calcolatore tradizionale o su hardware specializzato; in questultimo caso ` conveniente rappresentare una procedura di e calcolo del ltro mediante una rete i cui nodi sono etichettati con gli operatori di somma, moltiplicazione per costante e ritardo temporale, come descritto in Figura 8.16.
x (n)
2

X 2 (z)

(a)

x (n)
1

x (n) + x (n)
1 2

X 1(z)

X (z) + X 2 (z) 1

(b)

x(n)

a x(n)

X(z)

a X(z)

(c)

x(n)

z1

x(n1)

X(z)

z1

z X(z)

Figura 8.16 Operatore di somma (a), moltiplicazione per costante (b) e ritardo temporale (c), rispettivamente nel dominio del tempo n e nella trasformata z.

In particolare, considereremo reti con un unico nodo di ingresso privo di predecessori, un unico nodo di uscita privo di successori e nodi interni del tipo somma, moltiplicazione per costante e ritardo temporale. I problemi che arontiamo sono di due tipi: Analisi: data una rete, trovare la funzione di trasferimento del ltro digitale realizzato dalla rete stessa.

8.4. Realizzazione di Filtri Digitali

179

Sintesi: dato il ltro specicato ad esempio dallequazione alle dierenze o equivalentemente dalla sua funzione di trasferimento, determinare una rete che lo realizzi.

8.4.1

Analisi di Reti

Per quanto riguarda la problematica di analisi, data una rete R, la funzione di trasferimento HR (z) del ltro realizzato da R pu` essere ottenuta dalla seguente procedura: o Input: Una rete R con un unico ingresso e ununica uscita; 1. Associa allarco di ingresso la funzione X(z), trasformata z del segnale di ingresso x(n), allarco di uscita la funzione Y (z), trasformata z del segnale di uscita y(n), allarco di uscita di ogni nodo interno k la funzione ausiliaria W k (z). 2. Per ogni nodo della rete, ad esclusione del nodo di ingresso, costruisci unequazione come segue: a. Se il nodo k ` un nodo di ritardo temporale e la funzione associata allarco e di ingresso ` W (z), poni Wk (z) = z 1 W (z). e b. Se il nodo k ` un nodo di somma e le funzioni associate ai due archi di e ingresso sono W (z) e S(z), poni Wk (z) = W (z) + S(z). c. Se il nodo k ` un nodo di moltiplicazione per la costante a e la funzione e associata allarco di ingresso ` W (z), poni W k (z) = aW (z). e 3. Elimina dalle equazioni ottenute le funzioni ausiliarie W k (z) associate ai nodi interni, ottenendo una relazione del tipo Y (z) = H R (z)X(z). Output: La funzione HR (z) razionale in z 1 .
Esempio 8.4.1 Si consideri la rete R1 indicata in Figura 8.17.
x(n) y(n) X(z) W1(z) Y(z)

z1
a b

W3(z) a

z1
b

W4 (z)

W2(z)

Rete nel dominio dei tempi

Rete nel dominio delle z

Figura 8.17 Esempio di rete.

Per ottenere la relazione ingresso-uscita Y (z) = HR1 (z)X(z) e quindi la funzione di trasferimento HR1 (z) del ltro da essa realizzato, ` suciente scrivere le equazioni ai e nodi ed eliminare successivamente le funzioni ausiliarie, come segue.

180

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR) Le equazioni sono le seguenti: W1 (z) = X(z) + W3 (z) W2 (z) = z 1 W1 (z) W3 (z) = aW2 (z) W4 (z) = bW2 (z) Y (z) = W1 (z) + W4 (z), da cui si ricava che: HR1 (z) = Y (z) 1 + bz 1 = . X(z) 1 az 1

Dalla precedente equazione si deriva facilmente:

Y (z) = az 1 Y (z) + X(z) + bz 1 X(z). Antitrasformando, otteniamo lequazione del ltro IIR realizzato dalla rete: y(n) = ay(n 1) + x(n) + bx(n 1).

8.4.2

Reti Modulari a pi` Ingressi e Uscite u

Un rete complessa viene pi` facilmente analizzata se pu` essere vista come rete di piccola u o dimensione, le cui componenti sono a loro volta reti. Questo permette di fattorizzare lanalisi in: determinazione della funzione di trasferimento delle varie componenti (moduli); determinazione della funzione di trasferimento della rete a partire da quelle delle sue componenti. Reti con caratteristiche di modularit` possono essere costruite in modo naturale para tendo da reti-base, come la moltiplicazione per una costante o il ritardo, applicando poi semplici operazioni permettono di associare a due o pi` reti una nuova rete. Alcune di u queste operazioni sono illustrate in Figura 8.18. Composizione sequenziale (o cascata): date m reti R 1 , . . . , Rm con funzioni di trasfere imento rispettivamente HR1 (z), . . . , HRm (z), la cascata di esse ` la rete R che si ottiene ponendo in ingresso alla rete R i + 1 luscita della rete Ri (1 i < m); la rete R ha come funzione di trasferimento H R (z) = HR1 (z) HRm (z). Composizione parallela: date m reti R 1 , . . . , Rm con funzioni di trasferimento rispete tivamente HR1 (z), . . . , HRm (z), la composizione parallela di esse ` la rete R che si ottiene ponendo lo stesso ingresso alle reti R 1 , . . . , Rm e sommando le uscite; la rete R ha come funzione di trasferimento H R (z) = HR1 (z) + + HRm (z).

8.4. Realizzazione di Filtri Digitali

181

R1

x(n) x(n)

R1

y(n)

R1

...

Rn

y(n)

x(n)

y(n)

R Cascata
Rn

R2

R R Retroazione

Parallelo

Figura 8.18 Composizione in cascata, parallelo e retroazione.

Retroazione: date due reti R1 e R2 con funzioni di trasferimento HR1 (z) e HR2 (z), la retroazione di R2 su R1 ` la rete R che si ottiene ponendo in ingresso a R 1 la somma e dellinput e delluscita di R2 , e ponendo luscita di R1 in ingresso a R2 ; la rete R ha HR1 (z) come funzione di trasferimento HR (z) = 1HR (z) .
2

Esempio 8.4.2 Lintegratore


n k=0

x(k) ` descritto dalla rete riportata in Figura 8.19. e


x(n) y(n)

Figura 8.19 Integratore numerico.

Esso risulta dunque la retroazione del ritardo sulla rete identit` ed ha come funzione a 1 di trasferimento 1z1 .

Esempio 8.4.3 La rete in Figura 8.20 ` la composizione parallela di un integratore e di un ritardo. e La sua funzione di trasferiemnto ` 1z1 + z 1 . e 1

Fino ad ora abbiamo considerato reti con un solo ingresso e una sola uscita. Talvolta ` e necessario prendere in considerazione reti che hanno pi` di un ingresso o pi` di una uscita. u u

182

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)


1 1 z x(n)
1

y(n)

z1
Figura 8.20 Composizione parallela.

e(n)

x(n)

y(n)

Figura 8.21 Rumore additivo.

Un semplice ma importante esempio ` il modello di rumore additivo mostrato in Figura e 8.21. Questa rete ha due ingressi, il segnale x(n) e il disturbo e(n). Luscita y(n) ` data e dalla somma x(n) + e(n). Le considerazioni fatte su reti a un ingresso e unuscita si estendono facilmente reti arbitrarie. Consideriamo reti con segnali di ingresso x 1 (n), . . . , xa (n) e con segnali di uscita y1 (n), . . . , yb (n); dette X1 (z), . . . , Xa (z) le trasformate zeta dei segnali di ingresso e Y1 (z), . . . , Yb (z) le trasformate zeta dei segnali di uscita, si possono facilmente determinare funzioni razionali Rjk (z) (1 j a, 1 k b) tali che:
a

Yj (z) =
k=1

Rjk (z)Xk (z),

(1 j b).

La matrice A(z) = [Rjk (z)] ` detta matrice di trasferimento della rete, e gran parte delle e considerazioni fatte per le funzioni di trasferimento possono essere estese alle matrici di trasferimento. Per esempio, la matrice di trasferimento della rete ottenuta mettendo in cascata reti S1 e S2 con matrici di trasferimento A1 (z) e A2 (z) ` il prodotto A1 (z)A2 (z), mentre quella e della rete ottenuta componendo in parallelo reti S 1 e S2 con matrici di trasferimento A1 (z) e A2 (z) ` la somma A1 (z) + A2 (z). e Una notevole dierenza ` tuttavia legata al fatto che il prodotto di matrici non ` e e in generale commutativo, mentre il prodotto di funzioni di trasferimento lo `: nel caso e di reti a pi` ingressi e uscite, il risultato di una cascata di reti dipende generalmente u dallordine, mentre nel caso di reti a un ingresso e unuscita il risultato non dipende dallordine (abbiamo vista una applicazione di questo principio in Sezione 4.5.1).

8.4. Realizzazione di Filtri Digitali

183

Come applicazione dei concetti esposti, nella prossima sezione analizziamo una importante classe di ltri digitali: i modulatori sigma-delta.

8.4.3

Analisi del Modulatore Sigma-Delta (SDM)

Il modulatore sigma-delta ` uninteressante applicazione alla conversione analogico digitale e dei principi del sovracampionamento. Il modulatore sigma-delta del primo ordine ` gi` e a stato introdotto in Sezione 4.4.1, e pu` essere descritto dalla rete mostrato in Figura 8.22. o
x(n)
d(n)

s(n)

y(n)

y(n1)

Figura 8.22 SDM del primo ordine.

Il modulo ` un integratore, cos` che s(n) = n e k= d(k), mentre il modulo denotato 0 risulta essere un quantizzatore a 1 bit. Denotiamo con e(n) = y(n)s(n) lerrore di quantizzazione, cos` che y(n) = e(n) + s(n). Evidenziando lerrore di quantizzazione come disturbo, il circuito pu` essere equivalentemente descritto dalla rete in Figura 8.23. o
e(n)

x(n)

d(n)

s(n)

y(n)

y(n1)

Figura 8.23 SDM con errore di quantizzazione.

Poich la risposta allimpulso unitario del nodo integratore ` il gradino u(n), la e e 1 funzione di trasferimento di risulta essere z n = 1z 1 . n=0 Dette X(z), Y (z), E(z) le trasformate zeta di x(n), y(n), e(n) rispettivamente, la relazione tra X(z), Y (z), E(z) ` descritta dalla rete in Figura 8.24. e
1 Vale quindi che Y (z) = E(z) + 1z 1 (X(z) z 1 Y (z)); risolvendo rispetto a Y (z) si ottiene: Y (z) = X(z) + E(z)(1 z 1 ).

Antitrasformando, lequazione precedente mostra che luscita y(n) ` ottenuta addizioe nando allingresso x(n) il rumore di quantizzazione e(n) ltrato con un ltro la cui funzione

184

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)


E(z)

X(z)

1 1z
1

Y(z)

Figura 8.24 SDM in termini di trasformate zeta.

di trasferimento ` 1 z 1 . Come mostrato in Sezione 7.4.1, tale ltro risulta essere un e ltro passa-alto il cui guadagno G(), illustrato in Figura 8.25, `: e G() = 4 sin2 , 2

dove = 2f ` la frequenza normalizzata alla frequenza di campionamento F s . Leetto Fs e del ltro ` di attenuare il rumore alle basse frequenze, aumentandolo invece alle alte e frequenze (noise-shaping).
4

Figura 8.25 Guadagno del ltro passa-alto con funzione di trasferimento 1 z 1 .

Supponiamo che il modulatore lavori alla frequenza di campionamento F s processando segnali a banda limitata da fmax , con fmax Fs . Ricordiamo da Sezione 4.4 che il rumore di quantizzazione delle componenti armoniche 2 con frequenze comprese tra f e f + df ` Fe df . Dopo lapplicazione del ltro passa-alto, e s tale rumore risulta essere 4 sin2 f e df . Se inne applichiamo al segnale y(n) un ltro Fs Fs passa-basso con frequenza di taglio f max , la potenza complessiva del rumore granulare risulta allora: fmax 2 e 2 2fmax 3 2 2 f df e . 4 sin Fs Fs 3 Fs fmax
2

8.4. Realizzazione di Filtri Digitali

185

Il rapporto potenza del segnale-potenza del rumore viene dunque migliorato dal modulatore (e dal ltro passa-basso in uscita), di un fattore si ottiene:
3 2 Fs 2fmax 3

. In termini di decibel,

Fatto 8.2 Il modulatore SDM di ordine 1 produce un miglioramento del rapporto segnaleFs rumore SQNR di 30 log 10 2fmax 5 dB. Si pu` ottenere una ulteriore diminuzione del rumore di quantizzazione aumentando o lordine del modulatore. Per modulatori di ordine N la trasformata zeta Y (z) delluscita vale: Y (z) = X(z) + E(z)(1 z 1 )N La riduzione complessiva del rumore di quantizzazione ` data dal seguente e Fatto 8.3 Il modulatore SDM di ordine N produce un miglioramento del rapporto segnaleFs rumore SQNR di 10(2N + 1) log 10 2fmax + 10 log 10 (2N + 1) 20N log 10 dB. Indipendentemente dallordine del modulatore, si pu` osservare che il ltro passa-alto o abbatte le componenti in frequenza allinterno della banda limitata da f max ma esalta le componenti esterne a tale banda. E necessario rimuovere tale rumore con un ulteriore ltro passa-basso; per le alte frequenze in gioco, si preferisce ottenere questo risultato mediante il ltro contenuto in un decimatore, cosa che ore lulteriore vantaggio di ridurre la frequenza al tasso di Nyquist 2fmax . Il sistema ADC complessivo ` mostrato in Figura e 8.26.
f(t) Campionatore
x(n)

SDM

y(n)

Decimatore

f(n)

Fs

Figura 8.26 Sistema ADC complessivo.

Loperazione di decimazione trasforma il segnale binario y(n) a frequenza F s in un segnale quantizzato con m bit a frequenza 2f max . La eettiva lunghezza di parola m del convertitore ` quella equivalente alla risoluzione ottenibile con il miglioramento in SQNR e oerto dal modulatore e dalla decimazione.
Esempio 8.4.4 Un sistema audio per il trattamento di segnali con frequenze 0 20 KHz ` basato su e tecniche di sovracampionamento ed utilizza un SDM del secondo ordine. Il segnale analogico viene trasformato prima in una corrente di bit a una frequenza di 3 MHz e poi, con un processo di decimazione, in un segnale multibit a un frequenza di 48 KHz. Determinare, in bit, la risoluzione del convertitore.

186

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR) Se il tasso di Nyquist ` di 48 KHz, campionando a 3 MHz si ha un tasso di sovracame 3106 pionamento pari a 48103 = 62.5. Il miglioramento in SQNR oerto da un SDM di ordine 2 ` pari a 50 log10 62.512 76 dB. Un ADC con risoluzione di m bit, lavorane do al tasso di Nyquist ha un SQNR pari a 6m+1.7; ipotizzando che il miglioramento in SQNR sia dovuto essenzialmente al modulatore, la risoluzione m ` ottenuta risolvendo e lequazione 6m + 1.7 = 76, ci` che comporta m = 12 bit. o

8.4.4

Sintesi di Reti

Abbiamo visto che ad ogni rete R ` associata ununica funzione H R (z) razionale in z 1 : e ogni rete realizza dunque un ltro digitale, generalmente IIR. Lo stesso ltro pu` essere realizzato tuttavia con reti diverse. Ad esempio la rete in o Figura 8.17 e la rete in Figura 8.27 realizzano lo stesso ltro: la rete specica dunque non solo il ltro, ma anche il particolare hardware usato per la sua realizzazione.
x(n) y(n)

z-1
a

z-1
b

Figura 8.27 Rete che realizza il ltro IIR specicato dallequazione y(n) = ay(n 1) + x(n) + bx(n 1).

Arontiamo ora il problema di costruire una rete che realizzi un ltro digitale specicato o dallequazione alle dierenze o, equivalententemente, dalla sua funzione di trasferimento. Una prima soluzione ` data dalle cosiddette forme dirette I e II, che estendono al caso e generale le reti presentate in Figura 8.17 e in Figura 8.27. Dato il ltro IIR specicato dallequazione alle dierenze: y(n) =
M 1 k=1

ck y(n k) +

M 1 k=0

dk x(n k),

esso pu` essere realizzato dalle due reti in Figura 8.28. o Altre tecniche per la costruzione di reti che realizzano ltri digitali sono basate su regole composizionali presentate in Sezione 8.4.2. A scopo esemplicativo, mostriamo come si possa dare una decomposizione in cascata per ltri FIR e una in parallelo per ltri IIR. La base matematica su cui poggia la decomposizione in cascata di un ltro FIR ` data e dal seguente:

8.4. Realizzazione di Filtri Digitali


a x(n)
0

187
a y(n) x(n)
0

y(n)

z1
a
1

z1
b
1

z1
a
1

M2

M2

M2

M2

z1
a
M1

z1
b
M1

z1
a
M1

M1

Forma diretta I

Forma diretta II

Figura 8.28 Forme dirette I e II.

Fatto 8.4 Un qualsiasi polinomio a coecienti reali pu` essere decomposto come prodotto o di polinomi di primo e di secondo grado a coecienti reali.
Dimostrazione.
L1 Sia p(z) = k=0 ak z k un polinomio a variabile complessa con coecienti ak reali. Per il teorema fondamentale dellalgebra sappiamo che: L1

p(z) = A
k=0

(z zk ),

dove z1 , . . . , zL1 sono soluzioni (non necessariamente reali) dellequazione p(z) = 0 e A una costante. Fissato zk , si hanno due casi: 1. zk ` reale; allora z zk ` un polinomio di primo grado a coecienti reali che appare e e nella decomposizione;
2. zk ` complesso; allora il coniugato z k di zk ` a sua volta una soluzione dellequazione e e p(z) = 0 poich e L1 j=0 L1 j=0 L1 j=0 Allora (z zk )(z zk ) = z 2 2 Re{zk } + |zk |2 ` un polinomio di secondo grado a e coecienti reali che appare nella decomposizione.

0 = p(zk ) = p(zk ) =

j aj zk

a (zk )j j

aj (zk )j = p(zk ).

188

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)

Dato allora un ltro FIR, caratterizzato da una funzione di trasferimento H(z) che ` e un polinomio in z 1 , per il risultato precedente si pu` scrivere che: o H(z) = AH1 (z) Hm (z), dove Hk (z) ` un polinomio in z 1 di primo o di secondo grado a coecienti reali (1 e k m). Una rete R che realizza il ltro FIR pu` essere ottenuta dalla composizione in o cascata di reti R1 , . . . , Rm , dove Rk ` la rete in forma diretta I o in forma diretta II che e realizza il ltro con funzione di trasferimento H k (z). Un ltro IIR ` invece caratterizzato da una funzione di trasferimento H(z) razionale e in z 1 . Nellipotesi che il grado del numeratore sia minore del grado del denominatore di H(z), possiamo decomporre H(z) in frazioni parziali H 1 (z), . . . , Hm (z), con numeratori e denominatori a coecienti reali e denominatori di grado al pi` 2: u H(z) = AH1 (z) + + Hm (z). Una rete R che realizza il ltro IIR pu` essere allora ottenuta dalla composizione in o parallelo di reti R1 , . . . , Rm , dove Rk ` la rete in forma diretta I o in forma diretta II che e realizza il ltro con funzione di trasferimento H k (z).

8.4.5

Rumore nel Disegno di Filtri Digitali

Il trattamento di segnali analogici mediante sistemi digitali richiede di approssimare numeri reali con numeri che siano rappresentabili con un numero nito di bit: questo fatto forza lintroduzione di errori ineliminabili con cui bisogna imparare a convivere. Presentiamo qui una breve rassegna sui diversi tipi di errori che si vengono a creare nella realizzazione di ltri mediante sistemi digitali; si analizzeranno in particolare gli errori dovuti alla quantizzazione dei coecienti che entrano nella specica del ltro. Rumore per quantizzazione del segnale. Abbiamo visto che tutti i convertitori analogico-digitale modicano il segnale di ingresso, introducendo quindi un errore di quantizzazione. Nei convertitori analogicodigitale basati su campionamento alla frequenza di Nyquist e quantizzatore a n bit, tale errore pu` creare un rumore ineliminabile detto rumore granulare del quantizo zatore: esso pu` essere misurato in dB di rapporto segnale-rumore, e tale valore o ` proporzionale al numero n di bit del segnale in uscita ( 6n). Per convertitori e basati su sovracampionamento e delta-modulazione, il rumore introdotto ` legato e alle caratteristiche del modulatore e dei ltri che realizzano il convertitore. Rumore per quantizzazione dei coecienti. Un ltro digitale FIR o IIR viene specicato attraverso lalgoritmo (o attraverso la rete) che lo realizza: le operazioni di moltiplicazione per costante richiedono a loro

8.4. Realizzazione di Filtri Digitali

189

volta lassegnazione di opportuni coecienti reali, visti come parametri. Limplementazione dellalgoritmo su un processore con parola di lunghezza ssata (tipicamente 16 o 32 bit), pone dei limiti allaccuratezza con cui possono essere specicati i parametri: viene quindi introdotto un errore, detto errore di quantizzazione dei coecienti, per cui il ltro implementato non coincide in generale con quello specicato. Discuteremo in seguito in maggior dettaglio gli eetti di tale tipo di errore; vogliamo qui ricordare brevemente: 1. Gli eetti della quantizzazione dei coecienti dipendono dallaritmetica di macchina del processore su cui il ltro ` implementato: la rappresentazione in virgola e ssa ` generalmente pi` sensibile a tali errori, a causa della propagazione dele u lerrore nella moltiplicazione. Su DSP (Digital Signal Processor) a 32 bit o pi` , u con rappresentazione in virgola mobile, questo tipo di errore pu` invece essere o trascurato. 2. I ltri IIR sono pi` sensibili dei ltri FIR allerrore di quantizzazione dei u coecienti, a causa della struttura intrinsecamente ricorsiva dei ltri IIR. 3. Lo stesso ltro pu` essere realizzato con diverse architetture di rete: la seno sibilit` allerrore di quantizzazione dei coecienti ` fortemente dipendente dal a e tipo di rete realizzata. Ad esempio, la sensibilit` allerrore di reti che realizzano a un ltro in forma diretta ` generalmente pi` alta rispetto alle reti che realizzano e u lo stesso ltro in forma di cascata o parallelo. Rumore per troncamento. Limplementazione di un algoritmo che realizza un ltro digitale richiede lesecuzione di varie operazioni di somma e prodotto. Ipotizziamo di utilizzare una rappresentazione in virgola ssa. Anche se lingresso, luscita e i coecienti del ltro sono numeri rappresentabili con n bit, mantenere nei calcoli questa accuratezza richiede una precisione maggiore poich, tipicamente, la moltiplicazione di due numeri di n e bit produce un numero rappresentabile con 2n bit. La necessit` di arrotondare i a risultati intermedi produce quindi un errore detto rumore di troncamento. Una delle tecniche per controllare lerrore di troncamento ` quella di spostare lopere azione di arrotondamento il pi` possibile nella parte nale del calcolo. A tal riguardo, u risulta molto utile implementare un ltro digitale su processori che, lavorando con parole di n bit, hanno registri come laccumulatore (ACC) o il prodotto (P) di dimensione doppia, cio` 2n bit. Ad esempio, un ltro FIR pu` essere implementato e o usando la sottoprocedura: Subroutine FILTRO . . . P ak1 x(n (k 1)) ACC ACC + P P ak x(n k) ACC ACC + P

190

Filtri Digitali a Risposta Finita allImpulso (FIR) e Innita (IIR)

. . . ne La precisione a 2n bit viene mantenuta durante lesecuzione della Subroutine, che agisce sui registri ACC e P di 2n bit, e solo alla ne il risultato viene troncato per essere memorizzato in n bit. Lerrore di troncamento ` allora limitato al bit meno e signicativo del numero memorizzato: il rapporto segnale-rumore di troncamento si mantiene quindi intorno agli n dB. Analizziamo ora pi` in dettaglio leetto prodotto su un ltro digitale dallerrore di u quantizzazione dei coecienti. Abbiamo visto che un ltro ` caratterizzato dai poli e dagli e 1 ): la modica dei coecienti che specicano zeri della sua funzione di trasferimento H(z il ltro, causata dallerrore di quantizzazione, provoca a sua volta un cambiamento nella posizione dei poli e degli zeri, che sono responsabili del comportamento del ltro. La situazione ` particolarmente delicata per i ltri IIR: i poli di un ltro IIR, correttae mente progettato, possono eventualmente spostarsi al di fuori del cerchio unitario, a causa dellerrore di quantizzazione dei coecienti, rendendo il ltro instabile. Studiamo ora in maniera quantitativa questo fenomeno, valutando la sensitivit` dei poli a rispetto al cambiamento dei coecienti. A questo riguardo, sia D(z 1 ) il denominatore della funzione di trasferimento razionale H(z 1 ) di un ltro IIR: esprimendo D(z 1 ) in forma di polinomio e in forma fattorizzata, si ha:
M M

D(z 1 ) = 1

ak z k =
k=1 k=1

(1 zk z 1 ),

dove a1 , . . . , aM individuano i coecienti del polinomio e z 1 , . . . , zM ne sono gli zeri, individuando di conseguenza i poli di H(z 1 ). Supponiamo ora che la quantizzazione dei coecienti a 1 , . . . , aM porti ad un nuovo ltro, caratterizzato da nuovi coecienti a 1 , . . . , aM tali che: ak = ak + ak (1 k M ),

dove ak ` lerrore di quantizzazione. Il nuovo polinomio avr` nuovi zeri z 1 , . . . , zM , che e a risulteranno i poli della funzione di trasferimento del nuovo ltro. Posto zk = zk zk , zk pu` essere interpretato come errore di localizzazione del o polo zk ; si pu` facilmente derivare la relazione: o
M M zk j aj j=1

zk

j=k

(zk zj )

(1 k M ).

Questa formula esprime la sensitivit` dei poli rispetto agli errori di quantizzazione a a1 , . . . , aM .

8.4. Realizzazione di Filtri Digitali

191

pi` u

Osservando che lerrore di localizzazione z k del polo zk ` tanto pi` elevato quanto e u (zk zj ) ` vicino a 0, concludiamo: e j=k a parit` di ordine M , i ltri i cui poli si raggruppano in poche classi di piccole a dimensioni sono i pi` sensibili agli errori di quantizzazione dei coecienti; u ltri stabili di ordine M contengono M poli nel cerchio unitario: grandi valori di M forzeranno alcuni poli ad essere necessariamente vicini. I ltri di ordine elevato risulteranno allora generalmente pi` sensibili allerrore di quantizzazione dei u coecienti che non i ltri di ordine basso; le reti in forma di cascata o in parallelo realizzano separatamente ogni coppia di poli complessi coniugati. Questo ` il motivo per cui le forme in cascata o parallelo sono e meno sensibili allerrore di quantizzazione dei coecienti che non le forme dirette.

Capitolo 9

Processi Stocastici e loro Caratteristiche Spettrali

Spesso la realizzazione di segnali deterministici richiede di poter esplicitare parametri la cui conoscenza ` molto costosa o addirittura impossibile. In tali casi risulta utile la e modellazione dei segnali mediante processi stocastici. Ci` ` di particolare utilit` nella o e a modellazione del rumore, e questo spiega perch` la processazione di segnali stocastici gioca e un ruolo centrale nelle telecomunicazioni e nei sistemi di elaborazione dellinformazione, con un vasto spettro di applicazioni che vanno dalla tecnologia del parlato alla elaborazione di segnali audio, dallequalizzazione di canale a sistemi di previsione e decisione. Nel primo paragrafo viene introdotta la nozione di processo stocastico. Esso ` visto e come una famiglia di segnali {X(r, t)}, a tempo discreto o continuo, in cui lindice r varia sullo spazio delle possibili realizzazioni, dotato di una misura di probabilit`. Si introduce il a concetto di media temporale e spaziale; vengono discusse alcune statistiche come la media, la varianza, lautocorrelazione e la correlazione incrociata. Il secondo paragrafo ` dedicato allo studio dei processi stazionari. Le propriet` della e a 193

194

Processi Stocastici e loro Caratteristiche Spettrali

funzione di autocorrelazione sono applicate alla progettazione di algoritmi per la stima di ritardo temporale. Il terzo paragrafo introduce la nozione di sistema ergodico; viene in particolare segnalato come una stima della media e della funzione di autocorrelazione possa essere ottenuta mediante la media e lautocorrelazione temporale. Lultimo paragrafo presenta alcuni elementi di analisi in frequenza di processi stocastici stazionari. Si introduce lo spettro di potenza di un segnale casuale, che descrive il contributo delle varie frequenze alla potenza media complessiva; si mostra inne come esso risulti la trasformata di Fourier della funzione di autocorrelazione del segnale casuale.

9.1

Processi Stocastici

Se proviamo a pronunciare varie volte una parola, per esempio arpa, si pu` osservare o che i segnali ottenuti per veicolare la parola sono in generale diversi; ogni possibile segnale ottenuto dalla ripetizione di questo esperimento verr` chiamato realizzazione della parola. a Non possiamo dunque modellare il segnale corrispondente ad arpa attraverso un segnale deterministico, in quanto diverse realizzazioni della parola portano a diversi segnali: possiamo solo in linea di principio elencare tutte le possibili realizzazioni, che indiceremo con una variabile r. Denoteremo con f (r, t) il segnale deterministico corrispondente alla realizzazione r. Una modellazione pi` precisa pu` essere ottenuta associando ulteriormente allinsieme u o delle realizzazioni una misura di probabilit`. Questa pu` essere introdotta come segue: a o Se linsieme delle realizzazioni {r 1 , . . . , rm } ` nito, si associa ad ogni realizzazione e ri la sua probabilit` p(ri ): a p(ri ) = Pr {ri } . Vale che 0 p(ri ) 1 e
m i=1 p(ri )

= 1.

Se linsieme delle realizzazioni ` innito, si pu` considerare la probabilit` dP (x, t) e o a che un segnale preso a caso abbia al tempo t un valore compreso tra x e x + dx: dP (x, t) = Pr {r : x f (r, t) x + dx} . = 1.

Vale che

+ dP (x, t)

Questo porta alla nozione di processo stocastico. Denizione 9.1 Un processo stocastico X(r, t) ` una famiglia di variabili aleatorie ine dicizzate con un parametro t (tempo). Se t R il processo ` detto a tempo continuo, e se t Z ` detto a tempo discreto; r individua una particolare realizzazione del processo e stocastico. Per questioni di semplicit` notazionale, spesso denoteremo il processo stocastico direttaa mente con X(t), sottintendendo la variabile che individua la particolare realizzazione.

9.1. Processi Stocastici Esempio 9.1.1 X(r, t) = r cos 0 t, con r uniformemente distribuito nellintervallo [0, 1], ` un seme plice esempio di processo stocastico a tempo continuo. Tutte le realizzazioni sono cosinusoidi di ssata frequenza 0 ; le realizzazioni dieriscono per lampiezza r.

195

` E opportuno osservare che un processo stocastico pu` essere visto in due modi diversi: o Fissata la realizzazione r, X(r, t) pu` essere visto come un segnale deterministico; o talvolta denoteremo con x(t) il segnale (deterministico) corrispondente ad una data realizzazione. Per ogni realizzazione r, si pu` denire la sua media temporale, che denoteremo con o A[X(r, t)] oppure con mx (r): mx (r) = lim 1 T 2T
T

X(r, t)dt.
T

Si osservi che la media temporale ` una variabile aleatoria. e Fissato il tempo t, X(r, t) pu` essere visto come variabile aleatoria; come notazione, o denoteremo con X(t) tale variabile aleatoria. Per ogni t, chiameremo media di fase o valor medio laspettazione E[X(t)] della variabile aleatoria X(t). Si osservi che la media di fase ` una funzione M X (t) di t. e Richiamando la denizione di aspettazione, se le realizzazioni sono nite o discrete e p(r) ` la probabilit` della realizzazione r, allora: e a E[X(t)] =
r

X(r, t)p(r).

Se le realizzazioni sono su un insieme continuo e f X (x, t)dx ` la probabilit` dP (x, t) = e a P r{r : x X(r, t) < x + dx}, allora:
+

E[X(t)] =

xfX (x, t)dx.

Un processo stocastico ` completamente caratterizzato dalle variabili aleatorie X(t), e e quindi dalle distribuzioni di probabilit` f X (x, t) per i vari valori di t; in gran parte delle apa plicazioni tuttavia si ` interessati a stimare solo alcune caratteristiche di tali distribuzioni. e In particolare, i parametri nostro interesse sono proposti nella seguente: Denizione 9.2 Dato un processo X(t), il valor medio M X (t), la varianza VX (t) e la funzione di autocorrelazione RXX (t, q) sono deniti rispettivamente da: MX (t) = E[X(t)], RXX (t, t ) = E[X(t)X(t )]. VX (t) = E[(X(t) MX (t))2 ],

196

Processi Stocastici e loro Caratteristiche Spettrali

Dati due processi X(t) e Y (t), la funzione di cross-correlazione R XY (t, t ) ` data da: e RXY (t, t ) = E[X(t)Y (t )]. Due processi aleatori X(t) e Y (t ) sono detti indipendenti se, per ogni t e t , le variabili aleatorie X(t) e Y (t ) sono indipendenti; in tal caso risulta: E[X(t)Y (t )] = E[X(t)]E[Y (t )]. Se vale che, per ogni t e t , E[X(t)Y (t )] = E[X(t)]E[Y (t )], i due processi sono detti scorrelati; ` chiaro che processi indipendenti sono scorrelati, mentre non ` in generale vero e e il viceversa. Ricordiamo, inne, due semplici propriet` dellaspettazione estremamente utili nella a manipolazione di espressioni per il calcolo di medie: E[aX + bY ] = aE[X] + bE[Y ] E[XY ] = E[X]E[Y ]
Esempio 9.1.2 Si consideri un processo Y (t) = X(t)+N (t), ottenuto sommando ad un processo X(t), a media MX e varianza VX , un rumore N (t) a media 0 e varianza VN . Il processo Y (t) ha media MY = MX e, se X(t) e N (t) sono scorrelati, ha varianza VY = VX + VN . Infatti: MY = E[X(t) + N (t)] = E[X(t)] + E[N (t)] = MX , VY = E[(Y (t) MY )2 ] = E[(X(t) + N (t) MX )2 ]

(a, b costanti; X, Y variabili aleatorie arbitrarie), (X, Y variabili aleatorie scorrelate).

= E[(X(t) MX )2 ] + 2E[N (t)(X(t) MX )] + E[N 2 (t)] = VX + 2E[N (t)]E[X(t) MX ] + VN = VX + VN .

9.2

Processi Stocastici Stazionari

Unimportante classe di processi stocastici ` quella dei processi stazionari. Informalmente, e diremo che un processo stocastico X(t) ` stazionario se tutti i suoi parametri statistici e sono tempo-invarianti. Ci` signica che per ogni n e : o Pr {X(t1 ) x1 , . . . , X(tn ) xn } = Pr {X(t1 + ) x1 , . . . , X(tn + ) xn } . Questo implica che tutte le statistiche, tra cui media, varianza e autocorrelazione, sono tempo-invarianti. Noi utilizzeremo una nozione di stazionariet` meno restrittiva. a

9.2. Processi Stocastici Stazionari

197

Denizione 9.3 Un processo stocastico X(t) ` detto stazionario (in senso lato) se la e media e la funzione di autocorrelazione sono tempo invarianti: E[X(t)] = MX = costante, E[X(t1 )X(t2 )] = RXX (t1 t2 ), (per ogni t1 e t2 ).

In un processo stazionario la media di fase risulta quindi indipendente dal tempo, mentre la autocorrelazione E[X(t1 )X(t2 )] dipende solo dalla dierenza = t 1 t2 . Analogamente diremo che due processi stocastici X(t) e Y (t) sono congiuntamente stazionari (in senso lato) se sono stazionari in senso lato e la funzione di cross-correlazione ` tempo-invariante: e E[X(t)Y (t + )] = RXY ( ), (per ogni t e ).

Per processi stocastici stazionari la funzione di autocorrelazione ha interessanti propriet`: a 1. media del quadrato: 2. simmetria: 3. massimo allorigine: Dimostriamo ad esempio la 3.: 0 E[(X(t) X 2 (t + ))] = E[X 2 (t)] 2E[X(t)X(t + )] + E[X 2 (t + )] = 2(RXX (0) RXX ( )). RXX (0) = E[X 2 (t)], RXX ( ) = RXX ( ), RXX ( ) RXX (0).

Esempio 9.2.1 In questo esempio si mostra come ` possibile eettuare una stima di ritardo temporale. e Consideriamo un segnale X(t) stazionario generato in un punto dello spazio e ricevuto da due distinti sensori 1 e 2, posti in diverse posizioni note. Il segnale ricevuto dal sensore i ` degradato da rumore additivo Ni (i = 1, 2) a media 0, inoltre X(t), N1 (t) e e N2 (t) sono scorrelati tra loro. Si vuol stimare il ritardo con cui il segnale viene ricevuto dai due sensori (cosa che permette ad esempio di determinare la direzione di provenienza del segnale). Il sistema ` cos` modellato: e Il sensore 1 riceve il segnale Y1 (t) = AX(t + t ) + N1 (t + t ). Il sensore 2 riceve il segnale Y2 (t) = BX(t + t ) + N2 (t + t ).

198

Processi Stocastici e loro Caratteristiche Spettrali Il nostro obbiettivo ` stimare , conoscendo Y1 (t) e Y2 (t). e Si osservi a tal riguardo che la funzione di cross-correlazione RY1 Y2 `: e RY1 Y2 (t ) = E[Y1 (t)Y2 (t + t )] = E[(AX(t + t ) + N1 (t + t ))(BX(t + t + t ) + N2 (t + t + t ))] = ABE[X(t + t )X(t + t + t )] + AE[X(t + t )N2 (t + t + t )] = ABRXX (t ) + AE[X]E[N2 ] + BE[X]E[N1 ] + E[N1 ]E[N2 ] = ABRXX (t ).

+ BE[N1 (t + t )X(t + t + t )] + E[N1 (t + t )N2 (t + t + t )]

Poich la funzione di autocorrelazione RXX ha un massimo nellorigine, si pu` cone o cludere: = arg max RY1 Y2 (t).
t

9.3

Medie Temporali ed Ergodicit` a

Come abbiamo precedentemente visto, dato un processo stocastico X(t) ` possibile introe durre il concetto di media temporale: mx (r) = lim 1 T + 2T
T

X(r, t)dt.
T

In modo del tutto analogo si denisce la funzione di autocorrelazione temporale: Rxx (t, t + ) = lim 1 T + 2T
T

X(r, t)X(r, t + )dt.


T

Supponiamo da ora in poi che il processo X(t) sia stazionario. Si osservi che la media temporale mx ` una variabile aleatoria, cos` come la funzione di autocorrelazione temporale e Rxx , una volta ssato . Possiamo calcolare allora la media di tali variabili aleatorie e, nellipotesi di stazionariet`, si verica facilmente che: a E[mx ] = MX , E[Rxx ] = RXX ( ). Per molti processi accade inoltre che sia la varianza della media temporale che quella della funzione di autocorrelazione temporale sono 0: E[(mx MX )2 ] = 0; E[(Rxx RXX ( ))2 ] = 0, per ogni .

9.3. Medie Temporali ed Ergodicit` a

199

In tal caso ` possibile concludere che, per quasi tutte le realizzazioni, la media temporale e mx coincide con la media di fase MX e la funzione di autocorrelazione temporale R xx coincide con la funzione di autocorrelazione R XX ( ), per ogni : mx M X , Rxx RXX ( ), per ogni .

Chiameremo ergodici (in senso lato) tali processi. Denizione 9.4 Un processo stazionario X(t) ` detto ergodico se per quasi tutte le e realizzazioni (salvo cio` un insieme di realizzazioni che ha per` probabilit` nulla): e o a mx = M X , Rxx = RXX ( ). Analogamente due processi X(t) e Y (t) sono detti congiuntamente ergodici se RXY ( ) = lim per quasi tutte le realizzazioni r. Il fatto che un sistema sia ergodico ci permette allora di stimare la media e la funzione di autocorrelazione attraverso la media e la funzione di autocorrelazione temporale, che possono essere stimate sulla base di una singola realizzazione del processo; questo ` di e grande importanza pratica, poich spesso nei sistemi reali si pu` accedere solo ai dati e o relativi a una singola realizzazione. Per quanto riguarda le applicazioni, occorre dire che i concetti prima introdotti (stazionariet` ed ergodicit`) risultano spesso utili anche in presenza di processi non stazionari (esa a empio: segnali del parlato o rumore impulsivo). Molti processi infatti risultano quasi stazionari, nel senso che possono essere considerati stazionari nel medio periodo; altri processi possono essere decomposti in processi che, per un certo intervallo di tempo, sono approssimativamente stazionari. Se inoltre lampiezza di questo intervallo ` tale e che le medie temporali delle varie realizzazioni sono concentrate, allora possiamo estrarre le informazioni di interesse dalla conoscenza di una singola realizzazione.
Esempio 9.3.1 Riprendendo lesempio 9.2.1 sulla stima di ritardo temporale, supponiamo che i processi X(t), N1 (t) e N2 (t) siano scorrelati tra loro, a tempo discreto, stazionari ed ergodici. Una stima del ritardo temporale pu` essere ottenuta dal seguente algoritmo che o tratteggiamo: 1. Data dallesperimento la realizzazione r, si calcola una stima RY1 Y2 (t) della funzione di cross-correlazione RY1 Y2 (t) dei processi Y1 (t) e Y2 (t) rilevati dai sensori nelle due posizioni 1 e 2 mediante: 1 RY1 Y2 (t) = N
N

1 T + 2T

X(r, t)Y (r, t + )dt.


T

Y1 (k)Y2 (t + k),
k=1

(t 0).

200

Processi Stocastici e loro Caratteristiche Spettrali 2. Si stima il ritardo massimizzando la stima della cross-correlazione mediante: = arg max RY1 Y2 (t).
t

Esempio 9.3.2 Stima della funzione di autocorrelazione e di cross-correlazione. In caso di processi ergodici X(t) e Y (t), i due seguenti sistemi possono essere usati per ottenere una stima approssimata della funzione di autocorrelazione RXX e di cross-correlazione RXY , sulla base di due realizzazioni x(t) e y(t):

x(t) - ritardo d

prodotto 6

integratore (ltro passa basso)

- RXX

x(t) y(t) - ritardo d

prodotto 6

integratore (ltro passa basso)

- RXY

Figura 9.1 Stima dellautocorrelazione e della cross-correlazione.

9.4

Caratteristiche Spettrali dei Processi Stocastici

Concentriamo qui la nostra attenzione allanalisi in frequenza dei processi stocastici stazionari. Dato un processo stazionario X(t), come visto in precedenza, un importante parametro ` e la funzione di autocorrelazione RXX (t): se si vuole analizzare in frequenza la funzione di autocorrelazione ` naturale introdurre la nozione di spettro di potenza: e Denizione 9.5 Lo spettro di potenza S XX () di un processo X(t) ` la trasformata di e Fourier della funzione di autocorrelazione R XX (t). Lo spettro di potenza e la funzione di autocorrelazione vericano dunque la relazione trasformata-antitrasformata:
+

SXX () =

RXX (t)eit dt,

RXX (t) =

1 2

SXX ()eit d.

9.4. Caratteristiche Spettrali dei Processi Stocastici

201

Il termine spettro di potenza deriva dal fatto che, indicando con P X la potenza (= energia per unit` di tempo) spesa dal processo X(t), mediata su tutte le possibili realiza zazioni, SXX ()d risulta essere il contributo delle componenti di frequenza compresa tra e + d alla potenza complessiva PX . Il resto di questa sezione ` dedicato alla giusticazione della precedente osservazione e e pu` essere saltato in prima lettura. o Per un segnale deterministico f (t) lenergia spesa nellintervallo di tempo tra t e t + dt ` e e quindi lenergia ET e la potenza media PT , relative allintervallo di tempo [T, T ], risultano rispettivamente: f 2 (t)dt,
T

ET = 1 PT = 2T
T

f 2 (t)dt,
T T

f 2 (t)dt.

Fissato ora un processo stocastico stazionario X(t) e un tempo T , consideriamo il processo XT (t) coincidente con X(t) nellintervallo [T, T ] e nullo fuori da tale intervallo. Nellintervallo [T, T ], la potenza di una realizzazione r del processo risulta allora: PT (r) = 1 2T
+ 2 XT (r, t)dt.

PT (r) ` una variabile aleatoria, la cui aspettazione P T = E[PT (r)] pu` essere interpree o tata come potenza media relativa allintervallo di tempo [T, T ]. La potenza media P X del processo X(t) pu` allora essere denita come limite di P T per T tendente a +: o PX = lim 1 T + 2T
T T 2 E[XT (r, t)]dt.

Per processi stazionari per cui E[X 2 (t)] < , ricordiamo che E[X 2 (t)] = RXX (0), dove 2 RXX ` la funzione di autocorrelazione; poich per grandi valori di T vale che E[X T (t)] e e E[X 2 (t)] = RXX (0), si pu` concludere che la potenza P X media ` RXX (0). o e Tornando ora al processo troncato X T (r, t), la sua trasformata di Fourier F T (r, w) pu` essere vista come un nuovo processo stocastico (sui complessi); considerando la reo lazione trasformata-antitrasformata, si ha:
+

FT (r, ) = XT (r, t) = 1 2

XT (r, t)eiwt dt,


+

FT (r, )eiwt d.

202

Processi Stocastici e loro Caratteristiche Spettrali

A causa del teorema di Parseval si ha:


+ 2 XT (r, t)dt =

1 2

|FT (r, )|2 d.

Questo fatto permette di ottenere una espressione alternativa per la potenza media P X : PX = lim 1 T 2T
T T 2 E[XT (r, t)]dt

T 1 2 XT (r, t)dt E = lim T 2T T 1 1 = lim E |FT (r, )|2 d T 2T 2 1 1 = E[|FT (r, )|2 ]d. lim 2 T 2T

Se chiamiamo SXX () il termine contenuto nel precedente integrale, cio`: e SXX () = lim possiamo concludere che: PX = 1 2
T

1 E[|FT (r, )|2 ] 2T

SXX ()d.
T

Dalla formula precedente, si vede che S XX ()d ` il contributo alla potenza complessiva e PX delle componenti armoniche di frequenza compresa tra e + d: per questo motivo la funzione SXX () ` detta densit` di potenza o spettro di potenza del processo X(t). e a Mostriamo ora che questa denizione di spettro di potenza ` consistente con quella data e da noi precedentemente, e cio` di trasformata di Fourier della funzione di autocorrelazione: e Fatto 9.1 Lo spettro di potenza SXX () ` la trasformata di Fourier della funzione di e autocorrelazione RXX (t).
Dimostrazione.

Indicando con F il coniugato di F , per denizione si ha: |FT (r, )|2 = FT (r, )FT (r, )
T

=
T T

XT (r, p)eiwp dp
T T

T T

XT (r, q)eiwq dq

=
T

XT (r, p)XT (r, q)eiw(pq) dpdq.

9.4. Caratteristiche Spettrali dei Processi Stocastici

203

Si opera il cambio di variabili t = p q , a = q; controllando con accuratezza le regioni di integrazione si ottiene: E[|FT (r, )|2 ] = E =
T 0 T T T

XT (r, p)XT (r, q)eiw(pq) dpdq

T T T T

E [XT (r, p)XT (r, q)] eiw(pq) dpdq


T 2T

=
2T

RXX (t)eiwt
2T

da dt +
T +t 0 2T 2T

RXX (t)eiwt

T t T

da dt

= 2T
2T

RXX (t)eiwt dt

tRXX (t)eiwt dt.

Sotto lassunzione largamente vericata nelle applicazioni che


+

tRXX (t)dt < +,

si arriva a concludere: SXX () = lim 1 E[|FT (r, )|2 ] = T + 2T


+

RXX (t)eiwt dt.

Capitolo 10

Risposta di Sistemi a Segnali Casuali e Modelli di Rumore

Questo capitolo ` dedicato allo studio della risposta di sistemi lineari tempo-invariante a e segnali casuali e allanalisi di modelli di rumore. Nel primo paragrafo si studia la risposta di sistemi LTI a processi stazionari; la funzione di autocorrelazione e lo spettro di potenza del segnale di uscita sono espressi in termini di caratteristiche del sistema (risposta allimpulso, funzione di trasferimento) e autocorrelazione e spettro di potenza del segnale dingresso. Questi concetti vengono applicati a modelli di rumore stazionario (rumore bianco e colorato), alla modellazione della distorsione in un canale di comunicazione e alla modulazione dampiezza di segnali casuali. Viene presentato nel secondo paragrafo un esempio di rumore non stazionario: il rumore impulsivo. Viene in particolare analizzato il caso di rumore impulsivo additivo, derivando le caratteristiche del rapporto segnale-rumore. Viene inne discusso un ltro non lineare, il ltro mediano, per lattenuazione di rumore impulsivo. 205

206

Risposta di Sistemi a Segnali Casuali e Modelli di Rumore

10.1

Risposta di Sistemi a Segnali Casuali

Abbiamo visto come un segnale casuale possa essere modellato con un processo stocastico X(t). Fissata ora un realizzazione r del processo, X(r, t) pu` essere visto come un segnale o deterministico: indicando con Y (r, t) la risposta del sistema S alla realizzazione r del processo, possiamo concludere che il sistema S trasforma il processo X(r, t) nel processo Y (r, t). Ingresso X(r, t)
-

SISTEMA S

- Uscita Y (r, t)

Figura 10.1 Relazione ingresso-uscita del sistema S.

Se il sistema S ` lineare e tempo-invariante ed h ` la risposta di S alla funzione e e impulsiva, possiamo in particolare aermare che: Y (r, t) =

X(r, u)h(t u)du.

Spesso di un processo X(t) siamo in grado di conoscere solo alcune sue statistiche (media MX , funzione di autocorrelazione RXX , spettro di potenza SXX ). Risulta allora interessante risolvere il seguente problema: dato un sistema S e il processo di ingresso X(t), cercare di esprimere (se possibile) una statistica sulla risposta Y (t) in funzione della stessa statistica su X(t). Nel caso della media, questo ` possibile; si ha infatti: e Fatto 10.1 Se S ` lineare e tempo invariante, allora: e MY = MX h, cio` la media di fase del processo di uscita ` la convoluzione della media di fase del processo e e di ingresso con la risposta h del sistema alla funzione impulsiva.
Dimostrazione.

MY = E[Y (r, t)]


+

=E
+

X(r, u)h(t u)du

=
+

E [X(r, u)] h(t u)du MX (u)h(t u)du.

10.1. Risposta di Sistemi a Segnali Casuali

207

Per processi stazionari, la funzione di autocorrelazione R YY del processo di uscita ` e esprimibile in funzione della funzione di autocorrelazione R XX del processo di ingresso, come dato in: Fatto 10.2 Se S ` lineare e tempo invariante e X(t) ` stazionario, allora la risposta Y (t) e e ` un processo stazionario e le funzioni di autocorrelazione di X(t) e Y (t) sono legate da: e
+ +

RYY ( ) =

RXX ( s + u)h(s)h(u)duds.

Dimostrazione.

RYY ( ) = E[Y (t)Y (t + )]


+ +

=E
+

X(r, t u)h(u)du
+

X(r, t + s)h(s)ds

=E
+ +

X(r, t + s)X(r, t u)h(u)h(s)duds

=
+ +

E[X(r, t + s)X(r, t u)]h(u)h(s)duds RXX ( s + u)h(u)h(s)duds.

Poich in base al risultato precedente la funzione di autocorrelazione delluscita Y (t) ` e e funzione della funzione di autocorrelazione dellingresso X(t), lo spettro di potenza di Y sar` funzione dello spettro di potenza di X(t). In questo caso la dipendenza assume una a forma particolarmente semplice: Fatto 10.3 Se S ` lineare e tempo invariante con funzione di trasferimento H() e X(t) e ` stazionario, allora la risposta Y (t) ` un processo stazionario e gli spettri di potenza di e e X(t) e di Y (t) sono legati da: SYY () = |H()|2 SXX ().
Dimostrazione.
+

SYY () =
+

RYY (t)eiwt dt
+ +

= Ponendo z = t s + u, otteniamo:
+

RXX (t s + u)eiwt h(u)h(s)dudsdt.


+ +

SYY () =

eiws h(s)ds

eiwu h(u)du

RXX (z)eiwz dz

= H ()H()SXX () = |H()|2 SXX ().

208

Risposta di Sistemi a Segnali Casuali e Modelli di Rumore

Dati due processi stazionari X(t) e Y (t), lo spettro di potenza incrociato S XY ` dato e dalla trasformata di Fourier della funzione di cross-correlazione. Il seguente risultato permette di ottenere lo spettro di potenza incrociato di un processo X(t) e della risposta Y (t) di un sistema S avente X(t) come ingresso: Fatto 10.4 Se S ` lineare e tempo invariante con funzione di trasferimento H() e X(t) e ` stazionario, allora la risposta Y (t) ` un processo stazionario e lo spettro di potenza e e incrociato SXY ` dato da: e SXY () = H()SXX ().

Esempio 10.1.1 Rumore bianco e rumore colorato. Si denisce rumore bianco un processo stocastico N (t) che ha spettro di potenza costante a tutte le frequenze per cui, quindi, vale: SNN () = N0 /2. Il rumore bianco additivo modella bene il rumore termico, derivato dalle uttuazioni delle molecole nellaria e dagli elettroni nei resistori, no a frequenze dellordine di 1013 Hz. In questo caso N0 = kT , dove T ` la temperatura assoluta. e Un rumore caratterizzato da uno spettro di potenza a banda limitata o comunque non costante viene detto colorato, in analogia al fatto che la luce colorata possiede solo una banda di frequenze nel visibile. Ad esempio, la risposta di un sistema con funzione di trasferimento H() a un rumore bianco a temperatura ambiente (290 K) ` un rumore e colorato con spettro di potenza 290 K |H()|2 .

Esempio 10.1.2 Determinazione della risposta alla funzione impulsiva. Dato un sistema lineare tempoinvariante S per cui h(t) ` la risposta allimpulso (t), il seguente sistema permette di e stimare h(t): Rumore bianco N (t) SISTEMA S Y (t) Stimatore della crosscorrelazione -RN Y (d) ch(d)

Figura 10.2 Stima della risposta allimpulso.

10.1. Risposta di Sistemi a Segnali Casuali Essendo SNN () = N0 /2, indicando con H() la funzione di trasferimento di S, la spettro di potenza incrociato tra X e la risposta Y del sistema S `, da fatto 10.4: e SNY () = H() N0 . 2

209

La antitrasformata di Fourier dello spettro di potenza incrociato SNY () ` la funzione e di cross-correlazione RNY (t), cos` come la antitrasformata di Fourier della funzione di trasferimento H() ` la risposta allimpulso h(t); si ottiene allora: e RNY (t) = h(t) N0 . 2

Esempio 10.1.3 Modello di distorsione in un canale di comunicazione. La distorsione in un canale di comunicazione pu` essere modellata da una combinazione di un ltro lineare e una o sorgente di rumore additivo, cos` come illustrato nel seguente: Se N (t) e X(t) sono Rumore N (t) - DISTORSIONE H(w) ?  

Ingresso X(t)

Risposta Y (t)

Figura 10.3 Modello di canale di comunicazione.

stazionari e scorrelati e N (t) ha media 0, allora: SYY () = |H()|2 SXX () + SNN .

Esempio 10.1.4 Modulazione di ampiezza. La modulazione di ampiezza ` descritta dal seguente sistema e lineare ma non tempo invariante: Y (t) = A cos 0 tX(t). Poich il sistema non ` tempo-invariante, anche se X(t) ` stazionario Y (t) non lo `. e e e e Nonostante ci`, ` ugualmente possibile determinare una dipendenza funzionale tra lo o e spettro di potenza di Y (t) e quello di X(t): SYY () = A2 (SXX ( 0 ) + SXX ( + 0 )). 4

210

Risposta di Sistemi a Segnali Casuali e Modelli di Rumore

10.2

Rumore Impulsivo

Nel precedente paragrafo abbiamo visto come alcuni processi stocastici stazionari possano modellare certi disturbi di trasmissione (rumore bianco e colorato). Vogliamo invece qui introdurre un modello di rumore non stazionario, detto rumore impulsivo, che modella disturbi di alta intensit` ma di durata relativamente breve causati, ad esempio, a dallaccensione di dispositivi o da click di computer. Un rumore impulsivo pu` essere modellato attraverso un processo stocastico a tempo o discreto I(t) espresso da: I(t) = N (t)b(t), dove N (t) ` un processo stocastico stazionario e b(t) una sequenza di 0 e 1; ovviamente il e rumore pu` essere attivo al tempo t soltanto se b(t) = 1. o La sequenza b(t) pu` essere ottenuta da una realizzazione di una catena di Markov a o due stati (stato inattivo 0 e stato attivo 1), caratterizzata dalla seguente matrice stocastica P: 1 . P = 1

Questo signica che, la probabilit` che la catena si trovi in un dato stato al tempo a t + 1 dipende solo dallo stato in cui si trova al tempo t. Detto b(t) lo stato della catena al tempo t, valgono: Pr {b(t + 1) = 0 | b(t) = 0} = 1

Pr {b(t + 1) = 0 | b(t) = 1} = 1 Un importante parametro della sequenza b(t) ` la frequenza f dello stato attivo 1, cio` e e la media temporale di b(t): T t=1 b(t) . f = lim T T Allo scopo di stimare f , denotiamo con p k (t) la probabilit` che al tempo t il processo a sia nello stato k (k = 0, 1); ponendo ora (t) = [p 0 (t), p1 (t)], si verica facilmente per induzione che: (t) = (0)P t . Se 0 < < 1 e 0 < < 1, il processo indotto dalla catena di Markov ` ergodico e la e distribuzione limite stazionaria [p 0 , p1 ] = limt+ (t) pu` essere calcolata da: o [p0 , p1 ] = [p0 , p1 ]P.

Pr {b(t + 1) = 1 | b(t) = 1} =

Pr {b(t + 1) = 1 | b(t) = 0} =

10.2. Rumore Impulsivo

211

Questo implica in particolare che p 1 = p0 + p1 ; ricordando che p0 + p1 = 1 si conclude che p1 = (1+) . Vale quindi il seguente: Fatto 10.5 Per quasi tutte le realizzazioni, la percentuale di tempo f in cui il processo b(t) si trova nello stato attivo (cio` 1) ` (1+) . e e In generale un rumore impulsivo I(t) ` un processo stocastico non stazionario. La non e stazionariet` di tale processo pu` essere mostrata provando che la funzione di autocorrea o lazione E[I(t)I(t + )] viene a dipendere esplicitamente da t. Supponiamo, per semplicit`, che N (t) sia un rumore bianco scorrelato, cio` che E[N (t)] = a e 0 e con funzione di autocorrelazione E[N (t)N (t + )] = 2 ( ), dove 2 ` la varianza di e N (t). Sotto questa ipotesi vale: E[I(t)I(t + )] = E[N (t)b(t)N (t + )b(t + )] = E[N (t)N (t + )]E[b(t)b(t + )] = 2 ( )b(t), dove ( ) ` 0 per tau = 0, altrimenti ` 1. Il fatto che la funzione di autocorrelazione e e dipenda esplicitamente da t dimostra la natura non stazionaria del rumore impulsivo. Lo spettro di potenza SII (, t) si ottiene come trasformata di Fourier della funzione di autocorrelazione, e vale quindi: SII (, t) = 2 b(t).

10.2.1

Rumore Impulsivo Additivo

Un segnale X(t), contaminato da rumore impulsivo additivo I(t) = N (t)b(t), viene trasformato nel processo Y (t) = X(t) + I(t). Indicando con P N e con PX (t) rispettivamente la potenza del rumore N (t) e del segnale X(t) al tempo t, il rapporto segnale-rumore istantaneo SINR(t) (Signal to Impulsive Noise Ratio) pu` essere denito da: o SINR(t) = PX (t) . b(t)PN

Analogamente il rapporto segnale-rumore SINR pu` essere denito come il rapporto o tra la potenza media PX del segnale relativa ad un intervallo di tempo sucientemente grande e la potenza media PI del rumore relativa ad un intervallo di tempo sucientemente grande. Considerando lintervallo di tempo innito: SINR = Vale: PI = limT + T PN b(t) = PN lim
T t=1

(limT + (limT +

PX (t))/T . PN b(t))/T

b(t)

= PN f = P N

. (1 + )

212

Risposta di Sistemi a Segnali Casuali e Modelli di Rumore

Possiamo pertanto concludere: SINR = PX (1 + ) . PN PX . PN

Spesso sono presi in considerazione modelli in cui = . In tal caso f = e: SINR =

10.2.2

Eliminazione di Rumore Impulsivo Additivo

In questo paragrafo discutiamo una tecnica per attenuare un rumore impulsivo additivo, basata su un ltro non lineare, detto ltro mediano. Dato un vettore x = [x1 , . . . , xn ] di dimensione n = 2k + 1, la mediana med(x) di x ` e un elemento xs di x tale che almeno k elementi di x sono minori o uguali a x s e almeno k elementi di x sono maggiori o uguali a x s . In altre parole, la mediana di un vettore ` e quellelemento che, dopo aver ordinato il vettore, si trova in posizione centrale. Il ltro mediano MED di nestra di lunghezza k ` un sistema che trasforma un segnale e f (t) in un segnale g(t) = MED(f (t)) tale che: g(t) = med(f (t k), . . . , f (t), . . . , f (t + k)). Contrariamente alla media, il ltro mediano ` un operatore chiaramente non lineare, poich e e in generale MED(x(t)+y(t)) = MED(x(t))+MED(y(t). Tale sistema non ` inoltre causale, e in quanto la risposta al tempo t pu` dipendere da valori dellingresso a tempi t > t. o Questo operatore possiede tuttavia la propriet`, molto utile in questo contesto, di non a essere sensibile a valori inusualmente grandi: ampliando arbitrariamente una componente maggiore della mediana, la mediana non cambia. Unimportante propriet` del ltro mediano ` quella di preservare molte discontinuit` a e a del segnale: questo ` particolarmente utile nellelaborazione di immagini, dove il ltro mee diano pu` essere usato per rimuovere rumore impulsivo sullimmagine, senza modicare i o contorni. Per contro, lapplicazione di ltri mediani per leliminazione di rumore impulsivo a segnali audio non produce in generale ricostruzione audio di alta qualit`. Questo a ` principalmente dovuto al fatto che il ltro mediano, pur essendo in grado di eliminare e impulsi di breve durata dovuti al rumore, introduce in generale distorsioni sui campioni di segnale corretti, come mostrato in Figura 10.4. Le distorsioni introdotte dal ltro mediano possono essere ridotte con limpiego di una soglia adattativa, cos` che il campione al tempo t viene rimpiazzato dalla mediana solo se la dierenza tra il campione stesso e la mediana supera la soglia: g(t) = f (t) med(f (t k), . . . , f (t + k)) se |g(t) med(f (t k), . . . , f (t + k))| < (t), altrimenti.

Qui ` un parametro, mentre (t) ` una soglia adattativa che pu` essere calcolata e e o attraverso una stima della media di |g(t) med(f (t k), . . . , f (t + k))|.

10.2. Rumore Impulsivo

213

Filtro mediano

Errore impulsivo

(a)

(b)

Figura 10.4 Segnale di ingresso (a) e segnale di uscita (b) di un ltro mediano. Il ltro elimina il rumore impulsivo (campione tratteggiato in (a)), ma alcuni campioni corretti vengono distorti (campioni in neretto in (b)).

Capitolo 11

Filtri di Wiener

La teoria formulata da Norbert Wiener d` i fondamenti sui ltri costruibili da dati, ottia mi nel senso dei minimi quadrati. Questi ltri giocano un importante ruolo nelle applicazioni a problemi di predizione lineare, ricostruzione dei segnali, identicazione di sistema, equalizzazione di canale.

Nel primo paragrafo viene formulato e risolto il problema della costruzione del ltro per processi stocastici stazionari a tempo continuo, nel dominio delle frequenze. I risultati vengono applicati a problemi quali la riduzione di rumore additivo ed equalizzazione di canale. Si mostra poi la congurazione di un sistema per la stima dei coecienti di Wiener nel dominio delle frequenze. Il secondo paragrafo ` dedicato alla derivazione del ltro di Wiener FIR causale per e sistemi a tempo discreto; viene discussa la realizzazione di tali ltri per segnali ergodici. Nel terzo paragrafo, inne, si discute la realizzazione di algoritmi adattativi per il ltro di Wiener e si mostra lalgoritmo LMS. 215

216

Filtri di Wiener

11.1

Formulazione nel Dominio delle Frequenze

In questo paragrafo deriviamo il ltro di Wiener, formulando il problema per sistemi stazionari a tempo continuo nel dominio delle frequenze. Il problema pu` essere posto in questi termini: dati due processi stazionari X(t) e Y (t), o determinare il sistema lineare tempo-invariante S tale che la risposta Z(t) = S(Y (t)) sia pi` vicina possibile a X(t) (vedi Figura 11.1). u Y (t)
-

SISTEMA INCOGNITO

Z(t) X(t)

Figura 11.1

Allo scopo di riformulare il problema nel dominio delle frequenze, si considerano le trasformate di Fourier F () e G(), rispettivamente dei processi stocastici X(t) e Y (t); indichiamo inoltre con W () la funzione di trasferimento (incognita) del sistema S e con D() la risposta in frequenza del sistema su ingresso G(), cos` che: D() = W (w)G(). Fissata una particolare realizzazione del processo Y (t), lerrore e() tra la risposta D() e il risultato desiderato F (), a una data frequenza , `: e e() = D() F (). Una ragionevole nozione di distanza tra i due processi D() e F () ` laspettazione e del quadrato del modulo dellerrore, a una data frequenza : dist[D(), F ()] = E[e()e ()]. Il problema pu` allora essere riformulato come il seguente problema di ottimizzazione: o dati F () e G(), per ogni ssato determinare W () che minimizza dist[G()W (), F ()]. Ricordiamo che la condizione necessaria di minimo `: e dist[G()W (), F ()] = 0, W () (11.1)

dove W () ` loperazione di derivata complessa, essendo W () in generale a valori come plessi. Si pu` calcolare (vedi sotto) che: o

dist[G()W (), F ()] = 2(W ()SYY () SXY ()), W ()

(11.2)

11.1. Formulazione nel Dominio delle Frequenze

217

dove SYY () = E[G()G ()] ` lo spettro di potenza di Y (t) e S XY () = E[F ()G ()] e ` lo spettro di potenza incrociato di X(t) e Y (t). e Il ltro di Wiener W () che minimizza la funzione dist[G()W (), F ()] verica allora: W ()SYY () SXY () = 0. Possiamo quindi concludere: Fatto 11.1 Il ltro di Wiener, che minimizza la distanza nel senso del quadrato dellerrore tra la risposta a un processo Y (t) e un processo X(t), ha la funzione di trasferimento W (): W () = SXY () . SYY ()

dove SXX () ` lo spettro di potenza di X(t) e S XY () lo spettro di potenza incrociato tra e X(t) e Y (t). Allo scopo di dimostrare la (11.2), richiamiamo brevemente la nozione di derivata complessa. Se z = a + ib e Z(a, b) = A(a, b) + iB(a, b), allora la derivata complessa di Z rispetto a z `: e Z Z Z = +i . z a b In particolare vale che: z = 0, z z = 2, z zz = 2z. z
W () dist[G()W (), F ()],

Applicando le regole sopra descritte al termine

si ottiene:

E[e()e ()] = E[(G()W () F ())(G ()W (w) F ())] W () W () = (W ()W ()E[G(w)G ()] W ()E[G()F ()]) W () W ()E[G ()F ()] W () = 2W ()E[G()G ()] 2E[F ()G ()] = 2(W ()SYY SXY ).

Esempio 11.1.1 Filtro per la riduzione di rumore additivo. Consideriamo un processo Y (t) ottenuto contaminando un processo X(t) con rumore additivo N (t), a media 0 e scorrelato da X(t): Y (t) = X(t) + N (t).

218

Filtri di Wiener In questo caso SXY = SXX , mentre SYY = SXX + SNN . Il ltro di Wiener W risulta allora: SXX () W () = . SXX () + SNN () Dividendo numeratore e denominatore per lo spettro di potenza del rumore SNN () e introducendo la variabile SNR() = SXX ()/SNN (), detta rapporto segnale rumore si ottiene inne: SNR() W () = . 1 + SNR() Si osservi che: 0 W () 1, se SNR() +, allora W () 1, se SNR() 0, allora W () 0. In sostanza, il ltro di Wiener per rumore additivo attenua ogni componente di frequenza in relazione a una stima del rapporto segnale rumore. Se gli spettri del segnale e del rumore sono completamente separati, allora il ltro di Wiener permette la ricostruzione perfetta del segnale (con combinazioni di ltri passa-banda), altrimenti attenua la potenza del rumore. Nel caso limite di rumore bianco, il ltro di Wiener risulta: W () = SXX () . N0 SXX () + 2

Esempio 11.1.2 Equalizzazione di canale. La distorsione introdotta in un canale di comunicazione pu` o essere modellata da una combinazione di un ltro lineare, di cui ` nota la funzione di e trasferimento, con un rumore additivo (vedi Figura 11.1.2): Rumore N (t) - DISTORSIONE H(w) ? - + - Y (t)

X(t)

Figura 11.2 Canale di comunicazione con rumore additivo.

11.2. Filtro di Wiener FIR Per ottenere una buona ricostruzione di X(t) sulla base dellosservazione di Y (t), basta applicare a Y (t) il ltro di Wiener W () con: W () = SNR() . |H()|2 + SNR()

219

Esempio 11.1.3 Implementazione di ltri di Wiener. La implementazione di ltri di Wiener per la riduzione di rumore additivo richiede la conoscenza dello spettro di potenza del segnale e del rumore; il principale problema ` che il segnale desiderato ` osservato con aggiunta e e di rumore, e quindi non ` direttamente disponibile lo spettro di potenza del segnale. e Una soluzione possibile ` quella di stimare lo spettro di potenza del segnale pi` rumore, e u stimare lo spettro di potenza del rumore per periodi in cui il segnale ` disattivato, e ottenendo inne per sottrazione lo spettro di potenza del segnale e quindi il ltro W come mostrato in gura 11.3. ? - /

Segnale con rumore Y - Rilevatore di segnale

Stima dello - spettro di potenza di Y

SY Y

6 SXX ? SXX W = SY Y

Q s Q

Stima dello - spettro di potenza del rumore

SN N

Figura 11.3 Implementazione di ltri di Wiener.

Lassunzione che il rumore sia stazionario pu` essere rilassata a quella che il rumore o sia quasi-stazionario, cio` stazionario per periodi sucientemente lunghi: in tal cae so il ltro pu` essere ricalcolato periodicamente. Lassunzione di quasi-stazionariet` o a ` ragionevole per molti tipi di rumore (ad esempio il rumore creato dal motore di e unautomobile, il rumore creato dai computer in un ucio).

11.2

Filtro di Wiener FIR

In questo paragrafo consideriamo segnali e sistemi a tempo discreto t {. . . , 1, 0, 1, 2 . . .}. Obbiettivo ` di derivare un algoritmo per la determinazione del ltro di Wiener S ottimo e rispetto a due processi stazionari X(t) e Y (t), sotto lipotesi che:

220

Filtri di Wiener

il ltro sia causale, cio` w(t) = 0 per t < 0, dove w(t) ` la risposta di S allimpulso; e e la risposta w(t) di S allimpulso sia di durata nita, cio` w(t) = 0 per t q, per un e opportuno q (ltro FIR). Supponiamo che il sistema S abbia un risposta di durata q, con q ssato; nelle ipotesi precedenti esso sar` individuato da un vettore w = (w 0 , . . . , wq1 ) con wt = w(t) per a 0 t < q. Dato un processo stazionario Y (t), la risposta Z(r, t) del sistema alla realizzazione Y (r, t) del processo ` esprimibile mediante convoluzione w Y (t): e
q1

Z(r, t) =
k=0

wk Y (r, t k).

Dato un altro processo stazionario X(t) che interpretiamo come segnale desiderato, lerrore e(t) tra X(t) e la risposta Z(t) del ltro w al processo Y (t) ` dato da: e e = E[(X(t) w Y (t))2 ]. Il problema di determinazione del ltro ottimo pu` allora essere visto come il seguente o problema di ottimizzazione: determinare w che minimizza lerrore e = E[(X(t) w Y (t)) 2 ]. Condizione necessaria di minimo `: e e =0 wk (0 k < q).

Calcoliamo le precedenti derivate, denotando con R YY e RXY le funzioni di autocorrelazione di Y (t) e di cross-correlazione di X(t) e Y (t): e wj Y (t j) = E X(t) wk wk j=0
q1

q1

= E 2 X(t)

j=0

wj Y (t j) Y (t k)
q1 j=0

= 2 E[X(t)Y (t k)] = 2 RXY (k)


q1 j=0

wj E[Y (t j)Y (t k)]

wj RYY (k j)

11.3. Algoritmi Adattativi per Filtri di Wiener: LMS

221

La determinazione del ltro di Wiener w ` quindi ridotta alla soluzione del seguente e sistema lineare:
q1

(*)

RXY (k)

j=0

wj RYY (k j) = 0

(0 k < q).

Le informazioni intorno a X(t) e a Y (t) necessarie per poter costruire il ltro di Wiener, che applicato a Y (t) approssima il comportamento desiderato X(t), sono essenzialmente la funzione di autocorrelazione RYY e quella di cross-correlazione RXY . Ad alto livello, lalgoritmo prevede due passi fondamentali ben distinti: 1. Stima di RYY e RXY . 2. Soluzione del sistema lineare (*). Riguardo al passo 1., se i processi sono ergodici ` suciente stimare su una realizzazione e la funzione di autocorrelazione temporale di Y (t) e di cross-correlazione temporale di X(t) e Y (t). Riguardo al passo 2., si osserva che la matrice relativa al sistema lineare (*) ha una struttura altamente regolare, essendo uguali tra loro le componenti sulle diagonali da sinistra a destra (matrice di Toeplitz); la matrice ` inoltre simmetrica: e RYY (0) RYY (1) ... RYY (q 1) RYY (1) RYY (0) ... ... ... ... ... RYY (1) RYY (q 1) ... RYY (1) RYY (0) Per risolvere sistemi lineari di questo tipo esistono metodi numerici particolarmente ecienti (esempio: decomposizione di Cholesky).

11.3

Algoritmi Adattativi per Filtri di Wiener: LMS

Lalgoritmo che abbiamo precedentemente tratteggiato per il calcolo di un ltro di Wiener consiste di passi ben distinti: 1. acquisizione di un adeguato numero di campioni di una realizzazione dei processi Y (t) e X(t); 2. stima delle funzioni di autocorrelazione e cross-correlazione, che entrano come coefcienti in un sistema lineare; 3. soluzione del sistema lineare, cosa che permette di ottenere il ltro. Questa impostazione sore di due principali inconvenienti: Il tempo di esecuzione dellalgoritmo pu` introdurre ritardi indesiderati se si vuole o fare uso del ltro in tempo reale.

222

Filtri di Wiener

Se i processi non sono stazionari, ` necessario periodicamente modicare il ltro e riapplicando lalgoritmo Un approccio alternativo consiste nel disegnare un algoritmo adattativo che cerca di stimare in modo ricorsivo i parametri w del ltro. Questo pu` essere ottenuto da un o algoritmo iterativo che per ogni tempo t calcola una stima w(t) dei parametri del ltro come segue: 1. i parametri w(0) sono arbitrari, oppure stabiliti con una tecnica ad hoc esterna allalgoritmo; 2. i parametri w(t+1) sono calcolati a partire da w(t), in modo da minimizzare lerrore, cio` la distanza tra il segnale desiderato e luscita del ltro con parametri w(t). e Lo schema generale `: e w(t + 1) = w(t) + Aggiornamento(errore). Il problema che ora si pone ` di come scegliere Aggiornamento, data una funzione errore e e w(t), in modo che sulla w(t + 1) lerrore diminuisca, almeno tendenzialmente. Una semplice soluzione pu` essere ottenuta attraverso il gradiente dellerrore: sia f = o f (w) una funzione errore le cui variabili sono le componenti di un vettore di parametri w. Poich lobiettivo ` minimizzare lerrore, se f (w(t)) ` lerrore al tempo t, i parametri e e e w(t + 1) dovranno essere scelti in modo tale da diminuire lerrore: f (w(t + 1)) f (w(t)). Se f ` una funzione sucientemente regolare, un minimo locale di f pu` essere e o trovato iterando la regola data nel seguente: Fatto 11.2 Per > 0 sucientemente piccolo, sia: wk (t + 1) = wk (t) Allora: f (w(t + 1)) f (w(t)).
Dimostrazione.

f (w(t)), wk

(0 k < q 1).

Si consideri infatti lo sviluppo di Taylor al primo ordine:


q1

f (w(t + 1)) f (w(t))

k=0

f (w(t))(wk (t + 1) wk (t)) wk
q1

k=0

f (w(t)) wk

0.

11.3. Algoritmi Adattativi per Filtri di Wiener: LMS

223

Il metodo qui tratteggiato ` una variante della tecnica di ricerca di minimi su base e locale, ed ` detto metodo del gradiente. Il parametro , detto tasso di adattamento, e controlla la stabilit` e la velocit` di convergenza: valori troppo alti di rendono il metodo a a instabile mentre valori troppo bassi lo rendono troppo lento. Tornando al problema di disegnare un algoritmo adattativo per costruire il ltro di Wiener, consideriamo le realizzazioni x(t) e y(t) di due processi X(t) e Y (t). Lerrore al tempo t tra il segnale desiderato x(t) e la risposta del ltro (w 0 , w1 , . . . , wq1 ) al segnale y(t) pu` essere denito mediante lerrore istantaneo e(t, w 0 , . . . , wq1 ): o
q1

e = x(t)

wk ytk .
k=0

Lalgoritmo LMS (Least Mean Squared) si basa sulla applicazione del metodo del gradiente in cui la funzione errore ` il quadrato dellerrore istantaneo. e 2 (t) ` dato da: Poich il gradiente di e e e e2 (t) = 2e(t) wj wj lalgoritmo LMS risulta essere: Algoritmo LMS: ingresso x(t) e y(t) Per t = 0: wk (0) = ak (0 k < q)
q1 k=0 wk ytk q1

x(t)

wk ytk
k=0

= 2e(t)ytj ,

Per tutti i t:

e(t) = x(t)

wk (t + 1) = wk (t) + e(t)ytk

(0 k < q)

I coecienti iniziali ak del ltro sono scelti a caso o gi` parzialmente adattati su base a di qualche conoscenza preliminare. Il maggior pregio dellalgoritmo LMS ` la sua semplicit` realizzativa ed ecienza: una e a semplice analisi mostra che, sia il tempo di esecuzione di ogni iterazione che lo spazio richiesto sono O(q), dove q ` la lunghezza del ltro. e La stabilit` e ladattabilit` dellalgoritmo possono essere migliorate introducendo un a a fattore positivo < 1 come segue: wk (t + 1) = wk (t) + e(t)ytk , (0 k < q).

Il parametro ha leetto di aumentare la stabilit` e accelerare ladattamento del ltro a alle variazioni del segnale di ingresso.

Bibliograa
[1] J. D. Gibson. Principles of Digital and Analog Communications. Macmillan, second edition, 1993. [2] A. V. Oppenheim and R. W. Schafer. Digital Signal Processing. Prentice-Hall, 1975. [3] A. V. Oppenheim and A. S. Willsky. Signals & Sistems. Prentice-Hall, second edition, 1997. [4] S. V. Vaseghi. Advanced Signal Processing and Digital Noise Reduction. Wiley & Teubner, 1996.

225