Per il tempo continuo
Le equazioni per la trasformata di Fourier diretta e quella inversa per il tempo continuo sono simili, infatti differiscono per un fattore moltiplicativo ed il segno dell’esponenziale.
Questa simmetria porta ad una proprietà definita dualità.
Nel caso della CTFT, le funzioni del tempo e della frequenza sono entrambe continue ed aperiodiche. Se f (-) e g (-) sono due funzioni tali che
Allora,
posto τ = t ed r = ω: x(t) = g(t) ↔ X(j ω) = f(ω)
e posto τ = – ω ed r = t: y(t) = f(t) ↔ Y(jω) = 2πg(-ω)
Se la funzione del tempo è un impulso rettangolare, continuo ed aperiodico, si ha, nel dominio della frequenza, un sinc continuo ed aperiodico, e viceversa se la funzione nel dominio del tempo è un sinc.
Vedi es. 4.13 proprietà della CTFT – Oppenheim Willsky-Signal & Systems
Per ogni coppia di trasformate c'è una coppia duale con interscambio delle variali tempo e frequenza.
Per la trasformata di Fourier a tempo discreto (DTFT) di segnali aperiodici non c’è la stessa relazione di dualità che esiste per segnali aperiodici a tempo continuo e loro trasformata di Fourier.
Nel caso della serie di F. Discreta (DFS), invece, la sequenza discreta e la sua trasformata sono entrambe sequenze e le equazioni di analisi e sintesi differiscono per il fattore 1/N ed il segno dell’esponenziale.
Da ciò segue
e scambiando il ruolo di n e k
Vediamo che l’ultima equazione della slide precedente è simile all’equazione di analisi, la sequenza dei coefficienti della DFS
è
,
la sequenza periodica originale è invertita temporalmente e moltiplicata per N.
Questa proprietà di dualità si riassume affermando che
Se
allora
Serie di F. a tempo discreto DTFS: funzione discreta e periodica in tempo e funzione discreta e periodica in frequenza.
Anche qui possiamo dire che se f(-) e g(-) sono due funzioni tali che
Allora, posto m=n ed r = -k x[n]=f[n] ↔ ak=1/N g[-k]
e posto r=n ed m=k y[n]=g[n] ↔ ak=f[k]
Osservazione su scaling in tempo e in frequenza
Un esempio di relazione inversa tra tempo e frequenza
Da questa equazione vediamo che se un segnale è compresso nel dominio del tempo, lo spettro sarà espanso nel dominio della frequenza e viceversa, se il segnale è espanso nel dominio del tempo, lo spettro in frequenza sarà compresso.
Questa relazione inversa è collegata al principio di indeterminazione ed ha importanti conseguenze nel filtraggio.
Trasformate basate su funzioni sinusoidali:
Altre tasformate: Haar trasfomr (Haar wavelet) Wavelet transform
DFT come esempio più comune di una classe generale di trasformate a lunghezza finita
Caratteristiche comuni di tutte le trasformate basate su funzioni sinusoidali elencate: esistenza di una base di funzioni ortonormali. Tali che per le
valga la relazione
Data una sequenza discreta a lunghezza finita x[n]
Nel caso della DFT le sequenze della base sono sequenze esponenziali complesse ej2πkn/N e la sequenza degli A[k] – (spettro) è in generale complessa anche se la x[n] è reale. Ci chiediamo se c’è un insieme di funzioni reali che possano formare una base tale da fornire dei coefficienti reali A[k] per x[n] reale. Da questa domanda hanno tratto origine le trasformate di Haar, di Hartley e la trasformata coseno.
La Discrete Cosine Transform (DCT) ha applicazioni importanti per i segnali vocali e nella compressione delle immagini.
Vediamo la DCT e la sua relazione con la DFT.
Come sappiamo la DFT richiede un’assunzione di periodicità.
La DCT, ha come funzioni della base i coseni e richiede una assunzione di periodicità e simmetria pari.
Quindi l’estensione di x[n] oltre il range 0 ≤ n ≤ N-1 deve essere sia periodica che simmetrica.
Quando viene sviluppata la DFT si suppone di periodicizzare la sequenza x[n] per poi poter applicare una DFS, cioè fare uno sviluppo in serie con esponenziali complessi.
Formalmente la periodicizzazione modulo N si indica con x((n))N
Nel caso dell’esempio da x[n]=[1 2 4 5 0 6], otteniamo una xp[n] modulo 4.
xp[n]= x((n))4
La DCT passa attraverso la formazione di una sequenza periodica e simmetrica a partire dalla sequenza x[n]. Per fare questo ci sono molti modi. Vediamo un esempio nella slide successiva.
Le 4 estensioni periodiche della sequenza x[n] portano a 4 formulazioni della DCT. Denominate come DCT-1, DCT-2, DCT-3, DCT-4 . Tutte le estensioni periodiche che portano alle varie formulazioni, possono essere pensate come somma di copie traslate delle sequenze a N punti ± x[n] e ± x[-n]. Le differenze tra DCT-1 e DCT-2 dipendono da come i punti terminali si sovrappongono con le versioni traslate di se stesse.
Data x[n] la sequenza originale a N punti, costruiamo la sequenza periodica e a simmetria paria 2N punti
x2[n] = x[((n))2N] + x[((-n-1))2N] con n=0, 1, … 2N-1 .
Questo perché i punti terminali non si sovrappongono.
La DFT della sequenza x2[n] è
, k= 0,1, …, 2N-1.
X[k] è la DFT a 2N punti della sequenza x[n], x[n] è zero padded con N zeri.
?
?
Dalla DFT a 2N punti di x[n] zero padded segue
?
Quindi è possibile esprimere la DCT-2 come X[k] che è la DFT a 2N punti della sequenza x[n].
Usando le relazioni sopra è possibile esprimere la Xc2 [k] in termini di X[k] che è la DFT di x[n]
come
, k=0,1,…,N-1
oppure In termini della DFT a 2N punti estesa simmetricamente x2[n]
come
, k=0,1,…N-1
Ed ovviamente
k=0,1,…N-1
La DCT di Matlab è una DCT-2 unitaria, nel senso che include fattori di normalizzazione. Vedi help di Matlab e Oppenheim Schafer Buck cap. 8 sez. 8.8 Le proprietà delle DCT sono simili a quelle della DFT.
E’ possibile pensare altre estensioni periodiche della sequenza x[n] con simmetria dispari e queste sono collegate alla trasformata seno (DST). Le funzioni della base sono solo seni.
La DCT-2 viene usata in molte applicazioni di compressione dei dati al posto della DFT per la sua proprietà di compattazione dell’energia. La DCT-2 di una sequenza finita ha meno coefficienti che portano energia significativa rispetto ad un equivalente DFT.
Dove
in base al teorema di Parseval
La DCT è concentrata agli indici bassi, i coefficienti ad indici più alti possono essere messi a zero senza eccessiva compromissione dell’energia del segnale.
Si può ricostruire una sequenza con pochi coefficienti, perché l'energia viene concentrata agli indici bassi proprietà di compattazione dell'energia.
x = (1:100) + 50*cos((1:100)*2*pi/40);
X = dct(x); [XX,ind] = sort(abs(X)); ind = fliplr(ind); i = 1; while (norm([X(ind(1:i)) zeros(1,100-i)])/norm(X) Risultato: 3, come si evince anche dal grafico.
Esempio rivisitato da manuale Matlab.
2. Segnali ed operazioni sui segnali
3. Sistemi e proprietà dei sistemi
4. Approfondimento su convoluzione e correlazione
5. Sistemi lineari tempo invarianti e equazioni alle differenze
7. Rappresentazione in serie di Fourier di segnali periodici a tempo discreto
9. Trasformata di Fourier a tempo discreto
10. DFT e convoluzione circolare
11. Applicazione della dft leakage spettrale
12. Dualità e trasformata coseno
13. Trasformata di F. dipendente dal tempo - time dependent Fourie transform TDFT
14. Trasformata z
17. Campionamento - parte prima
Oppenheim, Schafer, Buck -Discrete Time Signal Processing - cap 8 pp 589-600
Matworks: Matlab and Signal Processing tool-box