LAPORAN
GEOFISIKA MATEMATIKA I
DEPARTEMEN GEOFISIKA
UNIVERSITAS HASANUDDIN
MAKASSAR
2021
1.27 Penerapan Eigendecomposition untuk Estimasi DoA (Degree of Arrival)
UCA (uniform circular array) yang memiliki elemen antena Ne = 4 dengan jarak yang sama pada
lingkaran berjari-jari R, yang dipengaruhi oleh yang dipengaruhi oleh Ns = 2 sinyal s1(n) dan s2
(n) dengan DoAs (∅1 = 600 , 𝜃1 ) 𝑎𝑛𝑑 (∅2 = 2100 , 𝜃2 ), masing-masing, di mana DoA (∅, 𝜃) dari
sinyal insiden adalah sepasang sudut azimuth dan zenith. Sinyal keluaran yang diukur oleh setiap
elemen UCA pada waktu n dapat ditulis sebagai:
di mana wm(n) mewakili noise kompleks dengan distribusi normal (0, 0,5) dari mean 0 dan varians
0,5 varian. Untuk mempermudah, kita misalkan kedua sinyal tersebut adalah :
𝜋 𝜋
𝑠1 (𝑛) = sin ( 𝑛) 𝑑𝑎𝑛 𝑆2 (𝑛) = cos ( 𝑛)
8 12
sedangkan sudut zenith dari semua sinyal yang diterima adalah 𝜃 = 90°, faktor perambatan
gelombang adalah 𝛽 = 2𝜋 ∕ 𝜆(𝜆: 𝑤𝑎𝑣𝑒𝑙𝑒𝑛𝑔𝑡ℎ), dan radius dari UCA adalah R=1. Untuk
memperkirakan DoA, kita membangun matriks korelasi sinyal Ry dari {𝑦(𝑛)|𝑛 = 1: 𝑁𝑑 = 200}
dan gunakan matlab ′[𝑣, 𝛬 = 𝑒𝑖𝑔(𝑅𝑦 )]′ untuk menemukan vektor eigen dan nilai eigennya sebagai
:
𝑦1 (1) … 𝑦1 (200)
𝑦2 (1) … 𝑦2 (200)
Dengan 𝑌 =
𝑦3 (1) … 𝑦3 (200)
[𝑦4 (1) … 𝑦4 (200)]
(a) Salah satu cara untuk memperkirakan sudut azimuth dari dua sinyal adalah dengan mencari
maksimum lokal dari spektrum spasial berdasarkan subruang sinyal
yang menghasilkan perkiraan sudut azimuth ∅ di sekitar nilai sebenarnya 60o dan 210o .
Alternatifnya adalah menemukan maxima lokal dari spektrum spasial berdasarkan subruang noise.
1
Pn (ø) = with N = [V (:,1) V(:,2)]
𝒂∗𝑇 (∅)𝑁𝑁 ∗𝑇 𝒂(∅)
yang juga menghasilkan perkiraan sudut azimut di sekitar nilai sebenarnya 60 o dan 210o . Metode
estimasi ini disebut sebagai MUSIC (multiple sIgnal klasifikasi) algoritma. Manakah dari dua
spektrum spasial ini, Ps atau Pn, yang terlihat lebih baik dalam hal selektivitas? Untuk melakukan
proses ini, lengkapi dan jalankan skrip MATLAB
Script 1.27
%DoA_estimation_using_eigendecomposition.m
% Use the eigendecomposition to estimate the DoA (Degree of Arrival)
% with UCA (uniform circular array)
clear, clf
b=1; R=1; % Wave propagation factor 2*pi/wavelength
Ne=4; Ns=2; % Number of antenna elements and Number of signals
% True DoAs (azimuth angles) in degree/radian
phs_deg = [60 210]; phs = phs_deg*pi/180;
Nd=200; % Number of data used for DoA estimation
% Steering function for azimuth angle ph
a = @(ph,th)exp(j*b*R*sin(th)*cos(ph-[0:Ne-1]'*2*pi/Ne));
for m=1:Ns
A(:,m) = a(phs(m),pi/2); % LxM steering matrix
end
for n=1:Nd % Make a noisy received signal with some directivity
s(:,n) = [sin(pi/8*n); cos(pi/12*n)]; % Received signal
y(:,n) = A*s(:,n)+0.5*(randn(Ne,1)+j*randn(Ne,1)); % Eq.(P1.27.1)
end
Ry = y*y'/Nd; % UCA output signal correlation matrix Eq.(P1.27.4)
[V,Lam]=eig(Ry) % Eigendecomposition of Ry: Eq.(P1.27.5)
% partition modal matrix V into Noise/Signal subspace matrices N,S
N = V(:,1:Ne-Ns); % Noise sub-eigenspace matrix
S = V(:,Ne-Ns+1:Ne); % Signal sub-eigenspace matrix
phph = 0:359; % Whole coverage of azimuth angle
for i=1:length(phph) % To construct the spatial spectra
phi_rad = phph(i)*pi/180; a_phi = a(phi_rad,pi/2);
Ps(i)=real(a_phi'*S*S'*a_phi); % Eq.(P1.27.6)
Pn(i)=1/real(a_phi'*N*N'*a_phi); % Eq.(P1.27.7)
end
spsm = max(Ps); spnm = max(Pn);
subplot(221), plot(phph,Ps) % plot the spatial spectrum based on S
subplot(222), plot(phph,Pn) % plot the spatial spectrum based on N
[lmaxima,indices] = localmax(Pn,[],false); % Find the local maxima
ph_est = phph(indices) % Estimates of azimuth angles
%try_beamforming.m
for m=1:Ns % NexNs steering matrix with DoA estimates
Ae(:,m) = a(ph_est(m)*pi/180,pi/2); % Eq.(P1.27.8)
end
%try_beamforming.m
for m=1:Ns % NexNs steering matrix with DoA estimates
Ae(:,m) = a(ph_est(m)*pi/180,pi/2); % Eq.(P1.27.8)
end
W = pinv(Ae); % (Ae'*Ae)^-1*Ae' : NsxNe beamformer gain matrix
sh = real(W*y); % Eq.(P1.27.8): Beamformed signal
nn=[0:Nd-1]; % Time vector
subplot(223), plot(nn,s(1,:), nn,sh(1,:),'r:')
legend('Received signal s1','Beamformed signal s1')
subplot(224), plot(nn,s(2,:), nn,sh(2,:),'r:')
legend('Received signal s2','Beamformed signal s2')
2.8 Curl
𝑥 𝑦
𝐹𝑐 (𝑥, 𝑦) = 𝒖 𝒙 + 𝒖
𝑥2 + 𝑦2 𝑥2 + 𝑦2 𝒚
Jawab:
Divergence FA
𝜕𝐹𝑥 𝜕𝐹𝑦
∇ ∙ 𝐹𝐴 = +
𝜕𝑥 𝜕𝑦
𝜕𝑥 𝜕𝑦
= +
𝜕𝑥 𝜕𝑦
= 1+ 1
=2
1 𝜕 (𝜌𝜌)
= +0+0
𝜌 𝜕𝜌
1 𝜕 ( 𝜌2 )
=
𝜌 𝜕𝜌
1
= 2𝜌
𝜌
=2
Curl FA
𝜕0 𝜕 𝑦 𝜕 𝑥 𝜕0 𝜕𝑦 𝜕𝑥
=( − ) 𝒖𝒙 + ( − ) 𝒖𝒚 + ( − ) 𝒖𝒛
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥 𝜕𝑥 𝜕𝑦
= 0 𝒖𝒙 + 0 𝒖𝒚 + 0 𝒖𝒛
=0
1 𝜕0 𝜕0 𝜕𝜌 𝜕0 1 𝜕(𝜌0) 𝜕𝜌
=( − ) 𝒖𝝆 + ( − ) 𝒖𝝓 + ( − ) 𝒖𝒛
𝜌 𝜕𝜙 𝜕𝑧 𝜕𝑧 𝜕𝜌 𝜌 𝜕𝜌 𝜕𝜙
= 0 𝒖𝝆 + 0 𝒖𝝓 + 0 𝒖𝒛
=0
𝑥 𝑦
𝐹𝐵 (𝑥, 𝑦) = 𝒖𝒙 + 𝒖𝒚
√𝑥2 + 𝑦2 √𝑥2 + 𝑦2
Divergence FB
𝜕𝐹𝑥 𝜕𝐹𝑦
∇ ∙ 𝐹𝐵 = +
𝜕𝑥 𝜕𝑦
1 𝑦2 1 𝑥2
= 2 − + 2 −
(𝑥 + 𝑦 2 )1/2 𝑥 2 + 𝑦 2 (𝑥 2 + 𝑦 2 )1/2 (𝑥 + 𝑦 2 )1/2 𝑥 2 + 𝑦 2 (𝑥 2 + 𝑦 2 )1/2
𝑥2 𝑦2
2(𝑥 2 + 𝑦 2 )1/2 − −
(𝑥 2 + 𝑦 2 )1/2 (𝑥 2 + 𝑦 2 )1/2
=
𝑥2 + 𝑦2
𝑥2 + 𝑦2
( 2 )
(𝑥 + 𝑦 2 )1/2
=
𝑥2 + 𝑦2
1
=
(𝑥 2 + 𝑦 2 )1/2
Curl FB
0
= 0 𝒖𝒙 + 0 𝒖𝒚 + 𝒖
𝑥2 + 𝑦2 𝒛
= 0 𝒖𝒙 + 0 𝒖𝒚 + 0 𝒖𝒛
=0
𝑥 𝑦
𝐹𝑐 (𝑥, 𝑦) = 𝒖 𝒙 + 𝒖
𝑥2 + 𝑦2 𝑥2 + 𝑦2 𝒚
Divergence FC
𝜕𝐹𝑥 𝜕𝐹𝑦
∇ ∙ 𝐹𝐶 = +
𝜕𝑥 𝜕𝑦
−𝑥 2 + 𝑦 2 𝑥2 − 𝑦2
= +
(𝑥 2 + 𝑦 2 )2 (𝑥 2 + 𝑦 2 )2
−𝑥 2 + 𝑦 2 + 𝑥 2 − 𝑦 2
=
(𝑥 2 + 𝑦 2 )2
0
=
(𝑥 2 + 𝑦 2 )2
=0
Curl FC
−2𝑥𝑦 −2𝑥𝑦
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( − )𝒖
(𝑥 2 + 𝑦 2 )2 (𝑥 2 + 𝑦 2 )2 𝒛
−2𝑥𝑦 2𝑥𝑦
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( + 2 )𝒖
(𝑥 2 2
+𝑦 ) 2 (𝑥 + 𝑦 2 )2 𝒛
−2𝑥𝑦 + 2𝑥𝑦
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( ) 𝒖𝒛
(𝑥 2 + 𝑦 2 )2
0
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( )𝒖
(𝑥 2 + 𝑦 2 )2 𝒛
= 0 𝒖𝒙 + 0 𝒖𝒚 + 0 𝒖𝒛
=0
2.9 Divergence ce ce dan Curl
−𝑦 𝑥
𝐹𝑐 (𝑥, 𝑦) = 𝒖𝒙 + 2 𝒖
𝑥2
+𝑦 2 𝑥 + 𝑦2 𝒚
Jawab:
Divergence FA
𝜕𝐹𝑥 𝜕𝐹𝑦
∇ ∙ 𝐹𝐴 = +
𝜕𝑥 𝜕𝑦
𝜕(−𝑦) 𝜕 𝑥
= +
𝜕𝑥 𝜕𝑦
= 0+0
=0
1 𝜕 (𝜌0) 1 𝜕𝜌
= + +0
𝜌 𝜕𝜌 𝜌 𝜕𝜙
=0 +0 +0
=0
Curl FA
𝜕0 𝜕 𝑦 𝜕 𝑥 𝜕0 𝜕𝑥 𝜕−𝑦
=( − ) 𝒖𝒙 + ( − ) 𝒖𝒚 + ( − ) 𝒖𝒛
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥 𝜕𝑥 𝜕𝑦
= 0 𝒖𝒙 + 0 𝒖𝒚 + (1 − (−1)) 𝒖𝒛
= 2 𝒖𝒛
1 𝜕0
𝜕𝜙 𝜕0 𝜕0 1 𝜕(𝜌2 ) 𝜕0
=( − ) 𝒖𝝆 + ( − ) 𝒖𝝓 + ( − ) 𝒖𝒛
𝜌 𝜕𝜙 𝜕𝑧 𝜕𝑧 𝜕𝜌 𝜌 𝜕𝜌 𝜕𝜙
1
= 0 𝒖𝝆 + 0 𝒖𝝓 + 2𝜌 𝒖𝒛
𝜌
= 2 𝒖𝒛
−𝑦 𝑥
𝐹𝐵 (𝑥, 𝑦) = 𝒖𝒙 + 𝒖𝒚
√𝑥2 + 𝑦2 √𝑥2 + 𝑦2
Divergence FB
𝜕𝐹𝑥 𝜕𝐹𝑦
∇ ∙ 𝐹𝐵 = +
𝜕𝑥 𝜕𝑦
0
=
𝑥2 + 𝑦2
=0
Curl FB
1 1 1
2(𝑥 2 + 𝑦 2 )2 − 𝑥 2 (𝑥 2 + 𝑦 2 )−2 − 𝑦 2 (𝑥 2 + 𝑦 2 )−2
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( ) 𝒖𝒛
𝑥2 + 𝑦2
1 𝑥2 𝑦2
2(𝑥 2 + 𝑦 2 )2 − 1 − 1
(𝑥 2 + 𝑦 2 )2 (𝑥 2 + 𝑦 2 )2
= 0 𝒖𝒙 + 0 𝒖𝒚 + 𝒖𝒛
𝑥2 + 𝑦2
( )
𝑥2 + 𝑦2
( 1)
(𝑥 2 + 𝑦 2 )2
= 0 𝒖𝒙 + 0 𝒖𝒚 + 𝒖𝒛
𝑥2 + 𝑦2
( )
1
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( 1 ) 𝒖𝒛
(𝑥 2 + 𝑦 2 )2
1
=( 1 ) 𝒖𝒛
2 2
(𝑥 + 𝑦 )2
−𝑦 𝑥
𝐹𝑐 (𝑥, 𝑦) = 𝒖𝒙 + 2 𝒖
𝑥2
+𝑦 2 𝑥 + 𝑦2 𝒚
Divergence FC
𝜕𝐹𝑥 𝜕𝐹𝑦
∇ ∙ 𝐹𝐶 = +
𝜕𝑥 𝜕𝑦
2𝑥𝑦 − 2𝑥𝑦
=
(𝑥 2 + 𝑦 2 )2
0
=
(𝑥 2 + 𝑦 2 )2
=0
Curl FC
−𝑥 2 + 𝑦 2 𝑥2 − 𝑦2
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( − )𝒖
(𝑥 2 + 𝑦 2 )2 (𝑥 2 + 𝑦 2 )2 𝒛
−𝑥 2 + 𝑦 2 −𝑥 2 + 𝑦 2
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( + )𝒖
(𝑥 2 + 𝑦 2 )2 (𝑥 2 + 𝑦 2 )2 𝒛
−2𝑥 2 + 2𝑦 2
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( 2 ) 𝒖𝒛
(𝑥 + 𝑦 2 )2
2 (−𝑥 2 + 𝑦 2 )
=( ) 𝒖𝒛
(𝑥 2 + 𝑦 2 )2
8.16 Integral Kompleks
Jawab :
a) Diketahui f(z) = z2
C1 = {ejt , t= 𝟎 ~ 𝝅} z= ejt
. 𝜋
∫𝐶1 𝑓(𝑧) 𝑑𝑧 = ∫0 𝑧 2 (𝑡) 𝑧 ′ (𝑡) 𝑑𝑡 𝑧 ′ (𝑡) = 𝑗𝑒 𝑗𝑡
𝜋
= ∫ 𝑒 𝑗2𝑡 𝑗𝑒 𝑗𝑡 𝑑𝑡
0
1 𝑗3𝑡 𝜋
= 𝑒 |
3 0
𝑒 3𝑗𝜋 𝑒 3𝑗×0
= −
3 3
𝑒 3𝑗𝜋 − 1
=
3
C2 = {e-jt , t= 𝟎 ~ 𝝅} z = e-jt
. 𝜋 𝑗
∫𝐶2 𝑓(𝑧) 𝑑𝑧 = ∫0 𝑧 2 (𝑡) 𝑧 ′ (𝑡) 𝑑𝑡 𝑧 ′ (𝑡) = (− 𝑒 𝑗𝑡 )
𝜋
𝑗
= ∫ 𝑒 −𝑗2𝑡 (− ) 𝑑𝑡
0 𝑒 𝑗𝑡
𝑒 −2 𝑗𝑡 − 𝑗 𝜋
= |
2 0
𝑒 −2𝑗𝜋−𝑗 𝑒 2𝑗𝑥0−𝑗
= −
2 2
1 − 𝑒 2𝜋𝑗
=
2𝑒 2𝜋𝑗+𝑗
C1 = {ejt , t= 𝟎 ~ 𝝅} z = ejt
. 𝜋
∫𝐶1 𝑓(𝑧) 𝑑𝑧 = ∫0 𝑧 −1 (𝑡) 𝑧 ′ (𝑡) 𝑑𝑡 𝑧 ′ (𝑡) = 𝑗𝑒 𝑗𝑡
𝜋
= ∫ 𝑒 −1(𝑗𝑡) 𝑗𝑒 𝑗𝑡 𝑑𝑡
0
𝜋
= 𝑗𝑡 |
0
= 𝑗𝜋 − 𝑗 × 0
= 𝜋𝑗
𝜋
𝑗
= ∫ 𝑒 −1(−𝑗𝑡) (− ) 𝑑𝑡
0 𝑒 𝑗𝑡
𝜋
𝑗
= ∫ 𝑒 𝑗𝑡 (− ) 𝑑𝑡
0 𝑒 𝑗𝑡
𝜋
= −𝑗𝑡 |
0
= −𝑗𝜋 − 0
= −𝜋𝑗
𝜋/2
=∫ |𝑒 𝑗2𝑡 | 𝑗𝑒 𝑗𝑡 𝑑𝑡
𝜋
𝑒 3𝑗𝑡 𝜋
= |
3 𝜋/2
𝜋
𝑒 3𝑗𝜋 𝑒 3𝑗 2
= − (− )
3 3
3𝜋𝑗
𝑒 3𝜋𝑗 + 𝑒 2
=
3
1
= ∫ {−1 + (1 + 𝑗)𝑡 (1 + 𝑗) 𝑑𝑡
0
𝑡 2 + 2𝑗𝑡 2 + 𝑗 2 𝑡 2 1
= (−𝑡 + − 𝑗𝑡) |
2 0
12 + 2𝑗12 + 𝑗 2 12 02 + 2𝑗02 + 𝑗 2 02
= (−1 + − 𝑗 × 1) − (−0 + − 𝑗 × 0)
2 2
−1 + 𝑗 2
=
2
d) Dari hasil yang diperoleh, dimana hasil dari batas C disetiap soal a, b, dan c nilainya berbeda,
maka dapat disimpulkan bahwa fungsinya adalah fungsi path- dependence.