SPEKTRAL Digital
Teknik Elektro-unikom
(SIGNAL & SPECTRA)
DEGRADASI & REGENERASI SINYAL DIGITAL
Penyebab: noise, interferensi (fungsi transfer frekuensi tidak ideal pada jalur
transmisi), distorsi dan atenuasi
HAL PENTING DALAM SIST. KOMUNIKASI DIGITAL
Periodik artinya sinyal g(t) akan berulang terus dalam waktu periode To.
Contoh sinyal periodi & non periodik
Penyelesaian:
0
Eg g 2 (t )dt 2 2 dt 4e t dt 4 4 8
1 0
Contoh soal 2:
Hitung daya dari sinyal berikut ini:
Penyelesaian:
Sinyal diatas termasuk jenis sinyal periodik, yang akan berulang secara teratur dengan
periode tertentu.
1 1
1 1 1
Pg g (t ) dt t 2 dt
2
2 1 2 1 3
AUTO KORELASI SINYAL (1)
Pengertian
- Menunjukan nilai kemiripan sinyal dengan dengan proyeksi dirinya atau dengan
sinyal lain,
- Formula ini mengkorelasikan nilai suatu sinyal dengan sinyalnya sendiri.
- Kegunaan fungsi autokorelasi adalah untuk menentukan suatu bentuk repetisi
dari sinyal,
Misal : menentukan suatu kepadatan spektrum frekuensi dari sinyal yang
masuk dari berbagai sumber frekuensi.
VISUALISASI AUTO KORELASI SINYAL
PROPERTI FUNGSI AUTOKORELASI
Adanya pembatasan bandwidth memiliki efek terhadap transmisi & penerimaan informasi
BATAS DAERAH BANDWIDTH
4
70
3
60
2
power spectral(dB/Hz)
50
1
0
40
-1 30
-2
20
-3
10
-4
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
-5
0 50 100 150 200 250 300 350 400 450 500 frequency (MHz)
time (milliseconds)
ENERGI (E)& DAYA SINYAL
CONTOH SIMULASI CODE MATLAB:
KERAPATAN DAYA SPEKTRUM (TERSEBAR)
randn('state',0)
fs = 1000; % Sampling frequency
t = (0:fs/10)/fs; % One-tenth of a second worth of samples
A = [1 2]; % Sinusoid amplitudes
f = [150;140]; % Sinusoid frequencies
xn = A*sin(2*pi*f*t) + 0.1*randn(size(t));
periodogram(xn,[],1024,fs);
randn('state',0)
fs = 1000; % Sampling frequency
t = (0:fs/15)./fs; % 67 samples
A = [1 2]; % Sinusoid amplitudes
f = [150;140]; % Sinusoid frequencies
xn = A*sin(2*pi*f*t) + 0.1*randn(size(t));
periodogram(xn,[],1024,fs);
KERAPATAN DAYA SPEKTRUM (TAK TERSEBAR)
fs = 1000;
t = (0:fs)/fs; fs = 1000;
A = [1 2]; t = (0:fs)/fs;
f = [150;140]; A = [1 2];
xn = A*sin(2*pi*f*t) + 0.1*randn(size(t)); f = [150;140];
[Pxx1,F1] = pmtm(xn,4,fs); xn = A*sin(2*pi*f*t) + 0.1*randn(size(t));
plot(F1,10*log10(Pxx1)) [Pxx2,F2] = pmtm(xn,1.5,fs);
plot(F2,10*log10(Pxx2))
ANALISIS HASIL OUPUTNYA!
clear all
o
fs=100e6; % sampling frequency (Hz) o
L=30e3; % length of time-domain signal o
Pd=-100; % desired power specral density
%% Plot
(dBm/Hz)
figure(1)
nfft=2^nextpow2(L); % number of FFT points
clf
f=fs/2*[-1:2/nfft:1-2/nfft]; % frequency plotting vector
plot(f(N)/1e6,S(N))
s=wgn(L,1,Pd+10*log10(fs),1,[],'dBm','complex'); %% Analysis
hold on
N=nfft/2+1:nfft; % analyze spectrum plot(f(N)/1e6,Sa(N),'r')
S=fftshift(fft(s,nfft)); xlabel('Frequency (MHz)')
S=abs(S)/sqrt(L*fs); ylabel('Power Density (dBm/Hz)')
Navg=4e2; % time-average for spectrum title(['Power Spectral Density'])
b(1:Navg)=1/Navg; legend('Noise Spectrum','Time-Averaged Spectrum')
Sa=filtfilt(b,1,S); axis([10e-4 fs/2/1e6 -120 -60])
S=20*log10(S)+30; % convert to dBm/Hz grid on
Sa=20*log10(Sa)+30; hold off
ANALISIS HASILNYA !