Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Tentang Penggunaan Windows untuk Analisis Harmonik dengan Transformasi Fourier

Diskrit
FREDRIC J. HARRIS, MEMBER, IEEE

1. PERKENALAN
ADA BANYAK pemrosesan sinyal yang ditujukan untuk deteksi dan estimasi. Deteksi
adalah tugas untuk menentukan apakah kumpulan sinyal tertentu ada dalam suatu
pengamatan, sedangkan estimasi adalah tugas untuk memperoleh nilai parameter yang
menggambarkan sinyal. Seringkali sinyal rumit atau rusak oleh gangguan atau noise. Untuk
memudahkan pendeteksian dan estimasi kumpulan sinyal, pengamatannya
adalah:didekomposisi oleh basis set yang mencakup ruang sinyal. Untuk banyak masalah
minat teknik, kelas sinyalsedang dicari bersifat periodik yang secara alami mengarah pada
a dekomposisi dengan basis yang terdiri dari fungsi periodik sederhanation, sinus dan
cosinus. Transformasi Fourier klasik adalah mekanisme yang dengannya kita dapat
melakukan dekomposisi ini.
Karena kebutuhan, setiap sinyal yang diamati yang kita proses harus memiliki
jangkauan yang terbatas. Luasnya dapat disesuaikan dan dipilih, tetapi harus terbatas.
Memproses pengamatan dengan durasi terbatas memaksakan pertimbangan yang
menarik dan saling berinteraksi pada haranalisis monik. Pertimbangan ini termasuk
deteksinada di hadapan nada kuat di dekatnya, penyelesaian nada-nada di dekatnya
dengan kekuatan yang sama, penyelesaian nada yang bergeser, dan bias dalam
memperkirakan parameter dari salah satu di atassinyal yang disebutkan.
Untuk kepraktisan, data yang kami proses berjarak N seragam sampel dari sinyal
yang diamati. Untuk kenyamanan, N sangat komposit, dan kita akan menganggap N genap.
harmonikperkiraan yang kami peroleh melalui transformasi Fourier diskrit (DFT) adalah N
sampel dengan jarak seragam dari yang terkaitspektrum periodik. Pendekatan ini elegan
dan menarikketika skema pemrosesan dilemparkan sebagai dekomposisi spektral dalam
ruang vektor ortogonal dimensi-N. MalangTentu saja, dalam banyak situasi praktis untuk
mendapatkan hasil yang berarti, keanggunan ini harus dikompromikan. Salah satu
kompromi tersebut terdiri dari menerapkan jendela ke sampelkumpulan data, atau yang
setara, menghaluskan sampel spektral.
Dua operasi yang menjadi subjek data dan sampling dan windowing. Operasi ini
dapat dilakukan, dalam urutan apa pun. Pengambilan sampel dipahami dengan baik,
windowing lebih sedikit, dan sampel Windows untuk DFT jauh lebih sedikit! Kitaakan
membahas pertimbangan interaksi pemilihan jendeladalam analisis harmonik dan
memeriksa pertimbangan khususterkait dengan sampel jendela untuk DFT.
 il. ANALISIS HARMONIS TINGKAT-HINGGADATA DAN DFT
Analisis harmonik data tingkat-hingga memerlukan proyeksi sinyal yang diamati pada basis
set yang mencakup pengamatanselang. Mengantisipasi paragraf berikutnya, kami
mendefinisikan T detik sebagai interval waktu yang tepat dan NT detik sebagai interval
pengamatan. Sinus dan cosinus dengan periode yang sama dengan subkelipatan bilangan
bulat dari NT detik membentuk himpunan basis ortogonal untuk sinyal kontinu yang
diperpanjang selama NT detik. Ini didefinisikan sebagai

Kami mengamati bahwa dengan mendefinisikan basis set di atas indeks berurutan k, kami
mendefinisikan spektrum di atas garis (disebut sumbu frekuensi) dari mana kami
menggambar konsep bandwidth dan frekuensi yang dekat dan jauh dari frekuensi tertentu
(yaitu berhubungan dengan resolusi).
Untuk sinyal sampel, basis set yang mencakup interval NT detik identik dengan urutan
yang diperoleh oleh sampel seragam dari rentang kontinu yang sesuai dengan indeks N/2,

(2)
Kami mencatat di sini bahwa fungsi trigonometri unik dalam sampel yang berjarak seragam
(di atas sejumlah periode bilangan bulat) membentuk barisan ortogonal. Ortogonal
sewenang-wenangfungsi, sama sampelnya, tidak membentuk se ortogonalquence. Kami juga
mencatat bahwa interval panjang NT detiktidak sama dengan interval yang dicakup oleh N
sampel yang dipisahkan oleh interval T detik. Ini mudah dipahami ketika kita

Gambar 1. N sampel dari fungsi genap yang diambil pada interval kedua NT.
 e
T
dar
i

Gambar 2. Urutan genap di bawah DFT dan perpanjangan urutan berkaladi bawah DFT.

menyadari bahwa interval di mana sampel diambil tertutup di sebelah kiri dan terbuka di
sebelah kanan. Gambar 1. mendemonstrasikan hal ini dengan mengambil sampel fungsi yang
genap tentang titik tengahnya dan durasi NT detik.
Karena DFT pada dasarnya menganggap urutan sebagai periodik, kita dapat
menganggap titik akhir yang hilang sebagai awal periode berikutnya dari perpanjangan
periodik dari urutan ini. Faktanya, di bawah perpanjangan periodik, sampel berikutnya (pada
16 in)Gbr.1.) tidak dapat dibedakan dari sampel pada detik nol.
Kurangnya simetri yang tampak karena titik akhir yang hilang (tetapi tersirat) ini
merupakan sumber kebingungan dalam desain jendela sampel. Hal ini dapat ditelusuri ke
pekerjaan awal yang berhubungan dengan confaktor vergensi untuk jumlah parsial deret
Fourier. Jumlah parsial (atau transformasi Fourier hingga) selalu menyertakanjumlah titik
ganjil dan menunjukkan simetri genap tentang asal. Oleh karena itu banyak literatur dan
banyak perpustakaan perangkat lunak menggabungkan jendela yang dirancang dengan
simetri yang benar daripada simetri tersirat dengan ujung yang hilangtitik!
Kita harus ingat untuk pemrosesan DPT dari data sampel yang bahkan simetri berarti
bahwa proyeksi pada urutan sinus sampel identik dengan nol; bukan berarti serasititik data
kiri dan kanan tentang titik tengah. Untuk membedakansimetri ini dari kerataan konvensional
kita akan menyebutnya sebagai DFT-genap (yaitu, urutan genap konvensional dengan
kanantitik akhir dihapus), contoh lain dari DFT-even symmetri disajikan pada Gambar. 2
sebagai sampel secara berkala gelombang segitiga diperpanjang.
Jika kita mengevaluasi deret DFT-genap melalui transformasi Fourier hingga (dengan
memperlakukan titik +N/2 sebagai titik bernilai nol), fungsi periodik kontinu yang dihasilkan
menunjukkan non-nol komponen imajiner. DFT dari urutan yang sama adalah himpunan
sampel dari transformasi Fourier hingga, namun sampel inimenunjukkan komponen imajiner
sama dengan nol. Mengapa diskeseimbangan? Kita harus ingat bahwa titik akhir yang hilang
di bawahsimetri DFT memberikan kontribusi sinusoidal imajinerkomponen periode 2/(N/2)
hingga transformasi hingga (sesuai dengan komponen ganjil pada posisi urutan N/2), Posisi
pengambilan sampel DFT berada pada kelipatanπdari 2 π/N, yang. tentu saja, sesuai dengan
nol dari komponen sinusoidal imajiner. Contoh dari ini untuksampling tuitous ditunjukkan
pada Gambar. 3. Perhatikan urutan f(n),
Gambar 3. Pengambilan sampel DFT dari transformasi Fourier hingga dari genap DFT
urutan.
diuraikan menjadi bagian genap dan ganjil. dengan bagian ganjilmemasok komponen
imajiner dalam transformasi hingga.

KEBOCORAN SPECTRAL

Pemilihan interval waktu terbatas NT detik dan dasar trigonometri ortogonal

(kontinu atau sampel) selama interval ini mengarah ke kekhasan yang menarik dari
ekspansi spektral. Dari kontinum kemungkinan freurutan, hanya yang bertepatan
dengan basis yang akan diproyeksikan ke vektor basis tunggal; semua frekuensi lain
akan menunjukkanproyeksi non-nol di seluruh basis set. Ini sering disebut sebagai
kebocoran spektral dan merupakan hasil dari pemrosesancatatan durasi terbatas.
Meskipun jumlah kebocoran dipengaruhi oleh periode pengambilan sampel,
kebocoran tidak disebabkan oleh:pengambilan sampel.
Pendekatan intuitif untuk kebocoran adalah pemahaman bahwa sinyal dengan
frekuensi selain dari basis set adalahtidak periodik di jendela pengamatan,
Perpanjangan periodik dari sinyal yang tidak sepadan dengan periode alaminya
menunjukkan diskontinuitas pada batas pengamatan. Diskontinuitas bertanggung
jawab atas kontribusi spektral(atau kebocoran) di seluruh basis set. Bentuk
diskontinuitas ini ditunjukkan pada Gambar 4.
Windows adalah fungsi pembobotan yang diterapkan pada data untuk
mengurangi kebocoran spektral yang terkait dengan interval pengamatan yang
terbatas. Dari satu sudut pandang, jendela diterapkan pada data (sebagai
pembobotan perkalian) untuk mengurangi urutan diskontinuitas pada batas
perpanjangan periodik. Hal ini dicapai dengan mencocokkan sebanyak mungkin orde
turunan (dari data berbobot) pada batas. Cara termudah untuk mencapai pencocokan
ini adalah dengan menetapkan nilai initurunan ke nol atau mendekati nol. Jadi data
berjendela adalahmulus dibawa ke nol pada batas-batas sehingga perpanjangan
periodik data terus menerus Dalam banyak pesanan turunan.

Gambar 4. Perpanjangan periodik sinusoidal tidak periodik dalam interval

pengamatan

Dari sudut pandang lain, jendela itu berlipat gandaditerapkan pada basis set sehingga
sinyal frekuensi arbitrer akan menunjukkan proyeksi signifikan hanya pada vektor basis
yang memiliki frekuensi dekat dengan frekuensi sinyal. Tentu saja kedua sudut pandang
mengarah pada hasil yang identik. Kita bisa mendapatkan wawasan tentang desain jendela
dengan sesekali beralih di antara inisudut pandang.

IV. JENDELA DAN ANGKA KEBAIKAN

Jendela digunakan dalam analisis harmonik untuk mengurangi efek yang tidak
diinginkan terkait dengan kebocoran spektral. Windows berdampak pada banyak atribut
prosesor harmonik; ini termasuk pendeteksian, resolusi, jangkauan dinamis, kepercayaan
diri, dan kemudahan implementasi. Kami ingin mengidentifikasi parameter utama yang
memungkinkan perbandingan kinerja antara jendela yang berbeda. Kami dapat
mengidentifikasi parameter ini dengan memeriksa efek pada analisis harmonik jendela.
Sinyal pada dasarnya bandlimited f(t) dengan transformasi FourierF(ω) dapat
dideskripsikan oleh kumpulan data sampel yang seragamf(nT). Kumpulan data ini
mendefinisikan FT spektrum yang diperpanjang secara berkala (ω) dengan ekspansi deret
Fourier seperti yang diidentifikasi sebagai

Untuk pemrosesan mesin (dunia nyata), data harus berhingga, dan penjumlahan (3b) hanya
dapat dilakukan sebagai aproksimasi hingga seperti yang ditunjukkan sebagai
 Kami mengenali (4a) sebagai transformasi Fourier hingga, penjumlahan yang
ditujukan untuk kenyamanan simetri genapnya. Persamaan (4b) adalah transformasi Fourier
hingga dengan titik ujung kanan dihapus, dan (4c) adalah pengambilan sampel DFT dari
(4b).Tentu saja untuk pemrosesan aktual, kami menginginkan (untuk menghitung
purberpose dalam algoritma) bahwa indeks mulai dari nol. Kami melakukannya dengan
menggeser titik awal data N/2 posisi, mengubah (4c) menjadi (4d). Persamaan (4d) adalah
DFT maju.Pergeseran menang N/2 hanya mempengaruhi sudut fase transformasi, jadi untuk
kenyamanan simetri kita akan membahas jendela sebagai berpusat di titik asal. Kami juga
mengidentifikasi kemudahan ini sebagai sumber utama kesalahan aplikasi jendela.
Pergeseran titik N/2 dan pergeseran fasa yang dihasilkannya sering diabaikan atau ditangani
secara tidak tepat dalam definisi jendela saat digunakan dengan DFT. Hal ini terutama terjadi
ketika windowing dilakukan sebagai konvolusi spektral. Lihat pembahasan pada jendela
Hanning di bawah jendela cosα (X).
Pertanyaan yang sekarang diajukan adalah, sampai sejauh mana penjumlahan
berhingga dari (4b) merupakan aproksimasi yang berarti dari penjumlahan tak berhingga
(3b)? Faktanya, kami menjawab pertanyaan untuk kasus yang lebih umum dari jendela
arbitrer yang diterapkan pada fungsi waktu (atau deret) seperti yang disajikan pada

Sekarang mari kita periksa efek jendela pada spektral kita memperkirakan. Persamaan (5)
menunjukkan bahwa transformasi Fw() adalah transformasi produk. Seperti ditunjukkan
dalam persamaan berikut, ini setara dengan konvolusidua transformasi yang sesuai (lihat
Lampiran).
Persamaan (6) adalah kunci untuk efek pemrosesan data tingkat-hingga. Persamaan
tersebut dapat diinterpretasikan dalam dua cara yang setara, akan lebih mudah
divisualisasikan dengan bantuandari sebuah contoh. contoh yang kita pilih adalah sampel
jendela persegi panjang; w (n T) = 1,0. Kita tahu W (ω) adalah kernel Dirichlet (4) yang
disajikan sebagai

Gambar 5. Kernel Dirichlet untuk urutan titik N.

Kecuali untuk istilah pergeseran fase linier (yang akan berubah karena pergeseran titik
N/ 2 untuk realisasi), satu periode transformasi memiliki bentuk yang ditunjukkan pada
Gambar. 5. Pengamatan tentang (6) adalah bahwa nilai Fw (ω) pada waktu tertentu ω,
mengatakan= 0 , adalah jumlah dari semua kontribusi spektral pada masing-masing ω
tertimbang oleh jendela yang berpusat di 0 dan diukur pada ω(lihat Gambar 6).

A. Bandwidth Kebisingan Setara

Dari Gambar 6, kita amati bahwa amplitudo estimasi harmonik pada frekuensi
tertentu adalah dengan akumulasi kebisingan pita lebar termasuk dalam bandwidth
jendela. Dalam pengertian ini, jendela berperilaku sebagai filter, mengumpulkan kontribusi
untuk perkiraannya melalui bandwidth-nya. Untuk harmonikmasalah deteksi, kami ingin
meminimalkan akumulasi kebisingan ini dan kami melakukannya dengan jendela
bandwidth kecil. Sebuah ukuran nyaman bandwidth ini adalah bandwidth kebisingan setara
(ENBW) dari jendela. Ini adalah lebar filter persegi panjang dengan penguatan daya puncak
yang samayang akan mengakumulasikan kekuatan noise yang sama (lihat Gambar 7).
Akumulasi daya kebisingan jendela didefinisikan sebagai

di mana N0 adalah kekuatan noise per unit bandwidth. Parsevalteorema memungkinkan

(8) untuk dihitung dengan

Perolehan daya puncak dari jendela terjadi pada= 0, gain daya frekuensi nol, dan
didefinisikan oleh
Dengan demikian ENBW (dinormalisasi dengan N0/T, daya kebisingan perbin) diberikan
dalam persamaan berikut dan ditabulasi untuk jendela laporan ini dalam Tabel

B. Keuntungan Pemrosesan
Sebuah konsep yang terkait erat dengan ENBW adalah processing gain (PG)dan kerugian
pemrosesan (PL) dari transformasi berjendela. Kita dapat menganggap DFT sebagai
kumpulan filter yang cocok, di mana masing-masing
 Ara. 6. Interpretasi grafis dari persamaan (6). Jendela divisualisasikan sebagai filter
spektral

Gbr.7. Bandwidth kebisingan setara jendela.

filter dicocokkan dengan salah satu rangkaian sinusoidal kompleks dari himpunan basis. Dari
perspektif ini, kita dapat memeriksaPG (kadang-kadang disebut gain koheren) dari filter. dan
kita dapat memeriksa PL karena jendela telah mengurangidata ke nilai nol di dekat batas.
Biarkan input sampelurutan didefinisikan oleh (12):

di mana q(nT) adalah urutan white-noise dengan varians . Kemudiankomponen sinyal dari
spektrum berjendela (yang cocok keluaran filter) disajikan dalam

Kami melihat bahwa pengukuran tanpa suara (nilai yang diharapkan daripengukuran bising)
sebanding dengan amplitudo input A. Faktor proporsionalitas adalah jumlah dari istilah
jendela,yang sebenarnya adalah penguatan sinyal dc dari jendela. Untuk sebuahjendela
persegi panjang faktor ini adalah N, jumlah istilah dalam jendela. Untuk jendela lain,
penguatan berkurang karena jendela dengan mulus menuju nol di dekat batas. Ini
pengura
ngan
faktor
proporsi
onalitas
penting
karena
mewakili
mengirim
kan bias
yang
diketahui
pada
amplitud
o
spektral.
Penguata
n daya
yang
koheren,
kuadrat
penguata
n
koheren,
kadang-
kadang
merupak
an
paramet
er yang
tercantu
m dalam
literatur.
Keuntun
gan
koheren
(penjuml
ahan
(13))dino
rmalisasi
dengan
nilai
maksimu
mnya N
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
tercantu
m pada
Tabel I.

Kompon
en
inkohere
n dari
transfor
masi
berjendel
a adalah
diberikan
oleh

dan
kekuatan
yang
tidak
koheren
(nilai
rata-rata
kuadrat
dari
persama
an
iniponen
t di mana
E {}
adalah
operator
harapan)
diberikan
oleh

Perhatika
n
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
penguata
n daya
yang
tidak
koheren
adalah
jumlah
kuadrat
dari
istilah
jendela,
dan
penguata
n daya
yang
koheren
adalah
kuadrat
dari
jumlah
istilah
jendela.

Akhirnya,
PG, yang
didefinisi
kan
sebagai
rasio
sinyal
keluaranr
asio
noise ke
rasio
sinyal-ke-
noise
input,
diberikan
. oleh
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS

Perhatika
n PG
adalah
kebalikan
dari
ENBW
yang
dinormali
sasi. Jadi
ENBW
besar
menunju
kkan
keuntung
an
pemrose
san yang
berkuran
g. Ini
masuk
akal,
karena
peningka
tan
bandwidt
h
kebisinga
n
memung
kinkan
tambaha
nkebising
an untuk
berkontri
busi
pada
perkiraan
spektral.
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI

C.
Korelasi
Tumpang
Tindih

Ketika
transfor
masi
Fourier
cepat
(FFT)
digunaka
n untuk
mempros
esurutan
lama,
panjang
partisi N
pertama
kali
dipilih
untukme
netapkan
resolusi
spektral
yang
diperluka
n dari
analisis,
Resolusi
spektral
FFT
didefinisi
kan
dalam
(16) di
mana f
adalah
resolusi,
fs adalah
frekuensi
sampel
yang
dipilih
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
untuk
memenu
hi∆kriteri
a
Nyquist,
dan
adalah
koefisien
yang
mencerm
inkan
peningka
tan
bandwidt
h karena
jendela
tertentu
yang
dipilih.
Perhatika
n bahwa
[fs /N]
adalah
resolusi
minimu
m FFT
yang
kami
nyatakan
sebagai
lebar bin
FFT.
Koefisien
biasanya
dipilih
untuk
menjadi
ENBW
dalam
bin
seperti
yang
tercantu
m pada
Tabel
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI

(16)

Jika
jendela
dan FFT
diterapka
n ke
partisi
urutan
yang
tidak
tumpang
tindih,
seperti
yang
ditunjukk
an pada
Gambar.
8, bagian
penting
dari
deret
tersebut
diabaika
n karena
jendela
menunju
kkan nilai
kecil di
dekat
batas.
Misalnya
, jika
transfor
masi
digunaka
n untuk
mendete
ksi sinyal
seperti
nada
berdurasi
pendek,a
nalisis
yang
tumpang
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
tindih
bisa
melewat
kan
acara jika
itu
terjadi di
dekat
batas-
batas.
Untuk
menghin
dari
hilangny
a data
ini,
transfor
masi
biasanya
diterapka
n pada
urutan
partisi
yang
tumpang
tindih
seperti
yang
ditunjukk
an:pada
Gambar
8.
Tumpang
tindih
hampir
selalu 50
atau 75
persen.
Pemrose
san
tumpang
tindih ini
tentu
saja
meningk
atkan
beban
kerja
yang
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
harus
diselesai
kantotal
panjang
urutan,
tetapi
hadiahny
a
menjami
n ekstra
upaya.

Ara. 8.
Partisi
urutan
untuk
pemrose
san yang
tidak
tumpang
tindih
dan
untuk
pemrose
san yang
tumpang
tindih.

Gambar
9.
Hubunga
n antar
indeks
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
pada
interval
yang
tumpang
tindih.

Pertanya
an
penting
terkait
dengan
pemrose
san yang
tumpang
tindih
adalah
apa
tingkat
korelasi
kompone
n acak?
dalam
transfor
masi
berturut-
turut?
Korelasi
ini,
sebagai
fungsi
dari
fraksiona
l overlap
r,
didefinisi
kan
untuk
spektrum
noise
yang
relatif
datar
pada
lebar
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
jendela
dengan
(17).
Gambar
9
mengide
ntifikasib
agaiman
a indeks
(17)
berhubu
ngan
dengan
tumpang
tindih
interval.
Koefisien
korelasi

dihitung
dan
ditabulas
i pada
Tabel 1
untuk
setiap
jendela
yang
terdaftar
untuk
tumpang
tindih 50
dan 75
persen.
Seringk
ali dalam
analisis
spektral,
besarnya
kuadrat
keberhas
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
ilantransf
ormasi
besar
dirata-
ratakan
untuk
mengura
ngi
varians
dari rata-
ratajami
nan.
Tentu
saja kita
tahu
bahwa
ketika
kita rata-
rata K
mendistri
busikan
pengukur
an
independ
en secara
identik.
varians
rata-rata
terkait
dengan
varians
individu
dari
pengukur
an
dengan

(18)

Sekarang
kita
dapat
bertanya
apa
pengura
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
ngan
varians
ketika
kita
menguku
r rata-
rata yang
berkorel
asi
seperti
untuk
transfor
masi
yang
tumpang
tindih?
Welch
[ 5] telah
memberi
kan
jawaban
untukper
tanyaan
ini yang
kami
sajikan di
sini,
untuk
kasus
khusus
50-dan 7
5 persen
tumpang
tindih
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
NS
istilah
negatif
di (19)
adalah
efek tepi
dari
rata-rata
dan
dapat
diabaika
n jika
jumlah
suku K
lebih
besar
dari
sepuluh.
Untuk
jendela
yang
bagus.
C2
(0,25)
kecil
dibandin
gkan
dengan
1,0,

Gambar
10. Efek
kebocora
n
spektral
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
dari
jendela

dan juga
dapat
dihilangk
an dari
(19)
dengan
kesalaha
n yang
dapat
diabaikan
. Untuk
alasan
ini, c
(0.25)
tidak
tercantu
m dalam
Tabel I.
Perhatika
n, bahwa
untuk
jendela
yang baik
(lihat
paragraf
terakhir
dari
Bagian
IV-F),
transfor
masi
yang
diambil
dengan
tumpang
tindih
SO-
persen
pada
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
dasarnya
independ
en.

D. Rugi
Scallop

Pertimba
ngan
penting
terkait
dengan
sinyal
minimum
yang
dapat
dideteksi
disebut
efek
scallopin
g lass
atau
piket-
fence.
Kami
telah
memper
timbangk
an DFT
berjendel
a sebagai
kumpula
n filter
yang
cocok
dan telah
memerik
sa
penguata
n
pemrose
san dan
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
penguran
gan
penguata
n ini yang
dianggap
berasal
dari
jendela
untuk
nada
yang
cocok
dengan
vektor
dasar.
Vektor
dasar
adalah
nada
dengan
frekuensi
yang
sama
dengan
kelipatan
fs/N
(dengan
fs,
menjadi
frekuensi
sampel).
Frekuensi
ini adalah
titik
sampel
dari
spektrum
. dan
biasanya
disebut
sebagai
titik
keluaran
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
DFT atau
sebagai
nampan
DFT.
Kami
sekarang
menjawa
b
pertanya
an,
berapa
kerugian
tambaha
n dalam
pemrose
san gain
untuk
nada
frekuensi
di tengah
jalan
antara
dua
frekuensi
bin
(yaitu,
pada
frekuensi
(k + 1/2)
fs/N)?

Kembali
ke (13),
dengan k
digantika
n oleh (k
+ ) , kami
menentu
kan gain
pemrose
san
untuk
pergeser
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
an
frekuensi
setengah
nampan
ini
seperti
yang
didefinisi
kan
dalam

Kami
juga
mendefin
isikan
kerugian
scallopin
g sebagai
rasio
penguata
n
koheren
untuk
nada
yang
terletak
setengah
bin dari
titik
sampel
DFT ke
penguata
n
koheren
untuk
nada
yang
terletak
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
di titik
sampel
DFT,
seperti
yang
ditunjukk
an pada

Scallopin
g loss
mewakili
penguran
gan
maksimu
m PG
karena
frekuensi
sinyal.
Kerugian
ini telah
dihitung
untuk
jendela
laporan
ini dan
telah
dimasukk
an dalam
Tabel I.

E.
Kerugian
Pemrose
san
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
Kasus
Terburuk

Kami
sekarang
membuat
pengama
tan yang
menarik.
Kami
mendefin
isikan PL
kasus
terburuk
sebagai
matahari,
hilangnya
scallopin
g
maksimu
m dari
sebuah
jendela
dan PL
karena
jendela
itu
(keduany
a dalam
desibel).
Angka ini
adalah
penguran
gan rasio
signal-to-
noise
keluaran
sebagai
akibat
dari
windowi
ng dan
lokasi
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
frekuensi
kasus
terburuk.
Ini tentu
saja
terkait
dengan
nada
minimum
yang
dapat
dideteksi
dalam
kebisinga
n pita
lebar.
Sangat
menarik
untuk
dicatat
bahwa
kerugian
kasus
terburuk
selalu
antara
3,0 dan
4,3 dB.
Windows
dengan
PL kasus
terburuk
melebihi
3,8 dB
adalah
jendela
yang
sangat
buruk
dan tidak
boleh
digunaka
n.
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
Komenta
r
tambaha
n tentang
jendela
yang
buruk
akan
ditemuka
n di
Bagian
NG. Kita
dapat
menyimp
ulkan
dari
gabunga
n angka
kerugian
Tabel I
dan dari
Gambar
12
bahwa
untuk
mendete
ksi nada
tunggal
dalam
kebisinga
n pita
lebar.
hampir
semua
jendela
(selain
persegi
panjang)
sama
bagusnya
dengan
jendela
lainnya.
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
Perbedaa
n antara
berbagai
jendela
kurang
dari 1,0
dB dan
untuk
jendela
yang baik
adalah
kurang
dari 0,7
dB.
Deteksi
ton di
hadapan
nada lain,
bagaima
napun,
adalah
masalah
lain. Di
sini
jendela
memang
memiliki
pengaruh
yang
nyata,
seperti
yang
akan
ditunjukk
an
segera.
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI

F.
Kebocora
n
Spektral
Ditinjau
Kembali

Kembali
ke (6)
dan ke
Gambar.
6, kami
mengam
ati
pengukur
an
spektral
dipengar
uhi tidak
hanya
oleh
spektrum
noise
broadban
d, tetapi
juga oleh
spektrum
pita
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
sempit
yang
termasuk
dalam
bandwidt
h
jendela.
Faktanya,
kompone
n
spektral
yang
diberikan
katakanla
h pada =
0
memberi
kan
kontribus
i
keluaran
(atau
akan
diamati)
pada
frekuensi
ibu,
katakanla
h pada =
a sesuai
dengan
penguata
n jendela
yang
berpusat
pada 0
dan
diukur
pada a.
Ini adalah
efek yang
biasanya
disebut
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
kebocora
n
spektral
u dan
ditunjukk
an pada
Gambar.
10
dengan
transfor
masi
nada
durasi
terbatas
dari
frekuensi
0.

Kebocora
n ini
menyeba
bkan bias
pada
amplitud
o dan
posisi
perkiraan
harmonik
. Bahkan
untuk
kasus
satu garis
harmonik
nyata
(bukan
pada titik
sampel
DFT),
kebocora
n dari
kernel
pada
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
sumbu
frekuensi
negatif
membias
kan
kernel
pada
frekuensi
positif.
Bias ini
paling
parah
dan
paling
menggan
ggu
untuk
mendete
ksi sinyal
kecil
dengan
adanya
sinyal
besar di
dekatnya
. Untuk
mengura
ngi efek
bias ini,
jendela
harus
menunju
kkan
lobus
samping
amplitud
o rendah
jauh dari
lobus
utama
pusat,
dan
transisi
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
ke lobus
samping
rendah
harus
sangat
cepat.
Salah
satu
indikator
seberapa
baik
jendela
menekan
kebocora
nh
tingkat
puncak
sidelobe
(relatif
terhadap
lobus
utama):
yang lain
adalah
tingkat
asimtotik
falloff
sidelobe
ini.
Indikator
-indikator
tersebut
tercantu
m dalam
Tabel 1.

G.
Bandwid
th
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
Resolusi
Minimu
m

Gambar.
I1
menyara
nkan
kriteria
lain yang
kita
harus: 1,
prihatin
dalam
proses
pemiliha
n
jendela.
Karena
jendela
memaksa
kan
bandwidt
h efektif
pada
garis
spektral,
kami
akan
tertarik
pada
pemisaha
n
minimum
antara
dua garis
kekuatan
yang
sama
sehingga
untuk
lokasi
spektral
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
sewenan
g-
wenang
masing-
masing
lobus
utama
dapat
diselesaik
an.
Kriteria
klasik
untuk
resolusi
ini adalah
lebar
jendela
pada titik
setengah
daya
(bandwid
th
3.0.dB).
Kriteria
ini
mencerm
inkan
fakta
bahwa
dua lobus
utama
berkekua
tan sama
yang
dipisahka
n
frekuensi
nya
kurang
dari
3,0.dB
bandwidt
hnya
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
akan
menunju
kkan
puncak
spektral
tunggal
dan tidak
akan
diselesaik
an
sebagai
dua garis
yang
berbeda.
Masalah
dengan
kriteria
ini adalah
tidak
bekerja
untuk
penjumla
han
koheren
yang kita
temukan
di DFT.

Jika dua
kernel
berkontri
busi pada
penjumla
han yang
koheren,
jumlah
pada titik
persilang
an
(secara
nominal
setengah
jalan di
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
antara
mereka)
harus
lebih
kecil dari
puncak
individu
jika dua
puncak
busur
harus
diselesaik
an. Jadi,
pada titik
persilang
an
kernel,
penguata
n dari
setiap
kernel
harus
kurang
dari 0,5,
atau titik
persilang
an harus
terjadi di
luar titik
6,0-dB
dari
jendela.
Tabel I
mencant
umkan
bandwidt
h 6.C-dB
dari
berbagai
jendela
yang
diperiksa
dalam
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
laporan
ini. Dari
tabel
terlihat
bahwa
bandwidt
h 6,0 dB
bervarias
i dari 1,2
bin
hingga
2,6 bin,
di mana
bin
adalah
resolusi
frekuensi
dasar s /
N.
Bandwidt
h 3,0 dB
memang
memiliki
kegunaan
sebagai
indikator
kinerja
seperti
yang
ditunjukk
an pada
paragraf
berikutny
a. Ingat
namun.
itu
adalah
bandwidt
h 6,0-dB
yang
menentu
kan
resolusi
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
DFT
berjendel
a.

Dari
Tabel I,
kita
melihat
bahwa
bandwidt
h noise
selalu
melebihi
bandwidt
h 3.0-dB.
Perbedaa
n antara
keduanya
,
mengacu
pada
bandwidt
h 3.0-dB,
tampakn
ya
menjadi
indikator
sensitif
kinerja
jendela
secara
keseluru
han.
Kami
telah
mengam
ati
bahwa
untuk
semua
jendela
gumpala
n di atas
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
meja,
indikator
ini
ditemuka
n berada
di kisaran
4,0
hingga
5,5
persen.
Jendela-
jendela
yang
rasio ini
berada di
luar
rentang
tersebut
memiliki
lobus
utama
yang
lebar
atau
struktur
lobus
samping
yang
tinggi
dan,
karenany
a,
dicirikan
oleh
kehilanga
n
pemrose
san yang
tinggi
atau oleh
kemamp
uan
deteksi
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
dua nada
yang
buruk.
Jendela-
jendela
di mana
rasio ini
berada di
dalam
kisaran
kinerja
4,0
hingga
5,5 dapat
ditemuka
n di
sudut kiri
bawah
bagan
perbandi
ngan
kinerja
(Gbr. 12).
yang
dijelaska
n
selanjutn
ya.

Sementar
a Tabel I
mencant
umkan
paramete
r kinerja
umum
dari
jendela
yang
diperiksa
dalam
laporan
ini,
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
massa
angka
tidak
mencera
hkan.
Kami
menyada
ri bahwa
tingkat
sidelobe
(untuk
mengura
ngi bias)
dan
kerugian
pemrose
san kasus
terburuk
(untuk
memaksi
malkan
pendetek
sian)
mungkin
merupak
an
paramete
r
terpentin
g di atas
meja.
Gambar
12
menunju
kkan
posisi
relatif
dari
jendela
sebagai
fungsi
dari
paramete
PROSEDUR IEEE, VOL. 66. TIDAK. JANUARI
r ini.
Jendela
yang
berada di
sudut kiri
bawah
gambar
adalah
jendela
yang
berkinerj
a baik.
Mereka
menunju
kkan
tingkat
sidelobe
rendah
dan
kerugian
pemrose
san kasus
terburuk
yang
rendah.
Kami
menghim
bau
kepada
pembaca
untuk
membac
a bagian
VI dan
VII;
Gbr.12
menyajik
an
banyak
informasi
, tetapi
bukan
cerita
HARRIS: PENGGUNAAN WINDOWS UNTUK ANALISIS HARMONIS
lengkapn
ya.