@mastersthesis{elediasc12243,
          school = {University of Trento},
          author = {E. Gattei},
           title = {Optimization of Side-Band Power of TMAs via Pulse Shaping},
            year = {2012},
        keywords = {Array Synthesis, Compressive Sensing, SDTS},
             url = {http://www.eledia.org/students-reports/243/},
        abstract = {Le applicazioni di tipo monopulse radar richiedono la realizzazione di antenne in grado di generare due diversi pattern, un pattern somma ed un pattern differenza. Per raggiungere questo obbiettivo, al giorno d'oggi vengono utilizzati per lo pi{\`u} array di antenne, dove ciascun pattern viene generato mediante reti di alimentazione separate e indipendenti. Tale soluzione, nonostante permetta l'ottenimento di prestazioni eccellenti, risulta molto costosa, in quanto richiede di raddoppiare la complessit{\`a} della rete di alimentazione.
Per ridurre questo svantaggio, un approccio molto diffuso consiste nel ridurre il pi{\`u} possibile il numero di elementi dell'array, riducendo di conseguenza anche la complessit{\`a} della rete di alimentazione. Cio' e' possibile tramite l'utilizzo di array con geometria di tipo sparso, ovvero con elementi non equispaziati: in questo tipo array la posizione degli elementi viene sfruttata come ulteriore grado di libert{\`a} in fase di design, permettendo di soddisfare i requisiti di progetto (e.g. sul pattern radiato) utilizzando meno elementi rispetto al caso uniforme.
L'utilizzo di due reti di alimentazione ci permette quindi di modificare il pattern di radiazione dell'array modificando le eccitazioni applicate a ciascun elemento: la stessa cosa non si pu{\`o} per{\`o} fare con le posizioni degli elementi (che sono utilizzate come parametro per la sintesi). Risulta quindi di fondamentale importanza la possibilit{\`a} di definire un set di posizioni che sia ottimale per entrambi i pattern che andiamo a sintetizzare.
In questo ambito, la teoria del Compressive Sampling, recentemente introdotta nell'ambito del signal processing, pu{\`o} rappresentare una metodologia innovativa per la progettazione di array sparsi riconfigurabili. Obiettivo delle tecniche di Compressive Sampling, infatti, e' la ricostruzione di segnali incogniti a partire da un numero ridotto di campioni rappresentativi. Una possibile metodologia di progettazione di array riconfigurabili che utilizzi tali tecniche si pu{\`o} basare perci{\`o} sul seguente approccio:
- scelta del pattern desiderato per i due array (e conseguente scelta dell'eccitazione dell'apertura corrispondente a pattern somma e a pattern differenza)
- selezione ottimale dei punti di campionamento (spaziale) dell'apertura, mediante Multi-Task Bayesian Compressive Sampling ed imponendo il vincolo che per i due array tali punti devono essere gli stessi
- calcolo dei coefficienti di eccitazione per ogni punto di campionamento (elemento radiante) dei due array mediante Multi-Task Bayesian Compressive Sampling (MT-BCS) 
I vantaggi di tale approccio sarebbero legati alla possibilit{\`a} di ottenere sottocampionamenti molto significativi dell'apertura (spaziatura molto al di sopra del criterio di Nyquist, cio{\`e} Lambda/2) pur ottenendo prestazioni estremamente elevate e senza necessit{\`a} di alcuna ottimizzazione.

Obbiettivo dell'attivit{\`a} e' quindi quello di sviluppare e analizzare una tecnica basata su MT-BCS che permetta la sintesi di due array LINEARI sparsi:
-ciascuno con un diverso pattern (somma e differenza)
-con posizioni degli elementi uguali e ottimali per entrambi gli array.
}
}