Transformasi Fourier Diskrit

PENDAHULUAN
 Transformasi data diskrit antara waktu dan frekuensi
berguna dalam analisis sinyal
 Fourier Transform digunakan untuk transformasi

 Tegangan versus waktu menjadi magnitude versus

frekuensi dan fase versus frekuensi.
 Domain menyediakan informasi pelengkap tentang data
yang sama.
KEGUNAAN TRANSFORMASI DISKRIT
 Transformasi diskrit, khususnya transformasi kosinus
diskrit digunakan dalam kompresi data sinyal ucapan
dan video untuk memungkinkan transmisi dengan
bandwidth yang diperkecil.
 Ini juga digunakan dalam pemrosesan gambar untuk
memperoleh set fitur yang dikurangi untuk tujuan
pengenalan pola
 Untuk perhitungan ini, transformasi dari frekuensi ke
domain waktu adalah hal yang penting
BERBAGAI MACAM TRANSFORMASI
 The Discrete Fourier Transform (DFT) dan Fast Fourier
Transform (FFT) adalah yang paling dikenal dan paling
penting

Deret Fourier

Transformasi Fourier

DFT dan FFT

DERET FOURIER
 Setiap bentuk gelombang periodik, f(t) dapat
direpresentasikan sebagai jumlah dari jumlah sinusoid
dan cosinusoidal yang tak terbatas
 
f (t )  a0   an cos( nt )   bn sin( nt )
n 1 n 1

 Ingat bahwa f(t) sering merupakan tegangan yang

bervariasi vs bentuk gelombang waktu
FOURIER SERIES TO THE UNIT OF VOLTS
 Deret Fourier dapat ditulis lebih kompak dengan
menggunakan eksponensial
 Deret ini menjadi hubungan dn sebagai satuan volt,

sangat berguna dalam grafik pulsa

Tp / 2

1
f (t )   d ne
n  
jnt
dn 
Tp  f (t )e  jnt dt
T p / 2
CONTOH GRAFIS
 Berikut adalah contohnya, lihat gelombang denyut
unipolar periodik yang ditunjukkan pada gambar 4.1 (a).
Pemilihan asal waktu yang disengaja untuk diimbangi
membentuk pusat dan tepi pulsa dimaksudkan untuk
memungkinkan ilustrasi fitur fase deret Fourier.
 Dengan mengganti nilai yang sesuai ke dalam rumus dn,
kita bisa mendapatkan grafik di bawah ini:
Waveform

Amplitude
Spectrum

Phase
Spectrum
TRANSFORMASI FOURIER
 Pendekatan deret Fourier harus dimodifikasi ketika
bentuk gelombang tidak periodik
 Dengan menggunakan rumus berikut, kita dapat
mengubah dari variabel frekuensi diskrit nω menjadi
variabel kontinu ω
 Sehingga, spektrum amplitudo dan fasa menjadi
kontinyu

d ( )
F ( j )    f (t )e  jt dt
d / 2 
APA ITU TRANSFORMASI?
 F (jω) adalah kompleks dan dikenal sebagai integral
Fourier atau lebih umum = Transformasi Fourier
 Perhatikan contoh grafis pada Gambar 4.1, dengan
menggunakan transformasi Fourier kita dapat mengubah
amplitudo diskrit pulsa menjadi spektrum amplitudo
 Lihatlah gambar 4.2 pada slide berikutnya

 Ini adalah istilah kunci dari Transformasi Fourier yang

dapat ditingkatkan menjadi DFT dan FFT
GRAFIK: SPEKTRUM AMPLITUDO DARI PULSA 2 V

Spektrum
Amplitudo
GRAFIK: SPEKTRUM ENERGI DARI PULSA
2V

Spektrum
Energi
DFT DAN KEBALIKANNYA
 Dalam prakteknya komponen fourier data diperoleh
dengan komputasi digital daripada dengan pemrosesan
analog
 Hal ini dicapai dengan menggunakan rangkaian cuplik-
dan-tahan yang diikuti oleh konverter AD
 Masalahnya adalah Transformasi Fourier hanya dapat
digunakan untuk data kontinu, sedangkan data umumnya
diskrit dan mungkin non-periodik
DFT DAN KEBALIKANNYA
 Namun ada transformasi analog untuk digunakan dengan data
diskrit, yang dikenal sebagai Discrete Fourier Transform
(DFT)
 Asumsi pertama adalah: pertimbangkan bentuk gelombang
telah diambil sampelnya pada interval waktu T yang teratur
untuk menghasilkan urutan sampel:

{x(nT)} = x(0), x(T), ..., x[(N-1)T]

 Di mana n ada nomor sampel dari n=0 sampai n=N-1
DFT DAN KEBALIKANNYA
 Nilai data x(nT) hanya akan nyata ketika mewakili nilai-
nilai deret waktu seperti bentuk gelombang tegangan
 DFT dari x(nT) kemudian didefinisikan sebagai urutan
nilai-nilai kompleks

{X (kΩ)} = X (0), X (Ω), X (2Ω),…., X [(N-1) Ω]

 Perhatikan bahwa Ω ini adalah frekuensi harmonik
pertama yang diberikan oleh Ω=2π/NT
DFT DAN KEBALIKANNYA
 Terkait dengan rumus kami pada slide sebelumnya, kita
dapat membandingkan persamaan tersebut, sehingga kita
memiliki nilai DFT X(k), diberikan oleh::

N 1
X (k )  FD [ x(nT )]   x(nT )e  jknT
 Di mana k = 0, 1, ..., N-1n 0
 Perhatikan variabel eksponen, jangan sampai ketinggalan
DFT DAN KEBALIKANNYA
 Karena Ω=2π/NT, maka variabel eksponen dari rumus
tersebut dapat dikonversi menjadi:
N 1
X (k )   x(nT )e  jknT
n 0

N 1 2nk
j
X (k )   x(nT )e N

n 0
DFT DAN KEBALIKANNYA
 Untuk membuat perhitungan lebih mudah, persamaan ini
sangat berguna:

e j  cos   j sin 
e  j  cos   j sin 

 Jadi, DFT adalah kunci untuk melakukan transformasi

dari kawasan waktu ke kawasan frekuensi
CONTOH DFT
 Evaluasi DFT dari urutan {1.0,0,1}

 Jawaban:
 Asumsikan bahwa data ini mewakili empat tegangan
berturut-turut x(0)=1, x(T)=0, x(2T)=0, x(3T)=0
 Data dicatat pada interval waktu, T dan N = 4. Karena N-
1 = 3, maka diperlukan untuk menemukan nilai-nilai
kompleks X(k) untuk k=0, k=1, k=2, k=3,

N 1 2nk
j
X (k )   x(nT )e N

n 0
CONTOH DFT
 Untuk k=0

 Perhatikan bahwa X(0) = 2 sepenuhnya nyata, sebesar 2

dan sudut fasa Ф(0) = 0
CONTOH DFT
 Untuk k=1
CONTOH DFT
 Untuk k=2
CONTOH DFT
 Untuk k=3
CONTOH DFT
 Dari perhitungan tersebut, kami memiliki DFT untuk
deret waktu {1,0,0,1}, yang diberikan oleh urutan
kompleks berikut ini:

X(0) = 2
X(1) = 1 + j DFT = { 2 , 1 + j , 0 , 1 –j }
X(2) = 0
X(3) = 1 -j

Plot Grafik
PROPERTI SIKLUS DFT
 Fakta bahwa X (k + N) = X (k)
 Itu berarti DFT bersifat periodik dengan periode N

 Komponen DFT berulang-ulang

 Ini yang disebut dengan properti siklus DFT

 Spektrum amplitudo dari N-point DFT simetris tentang

harmonik N / 2 ketika kedua nol dan (N + 1) harmonika
disertakan dalam plot
IDFT SEBAGAI KEBALIKANNYA
 Inverse DFT sangat berguna dalam transformasi dari
domain frekuensi ke waktu
 Nilai IDFT adalah x(nT) yang umumnya didefinisikan
sebagai FD-1 [X(k)]
PROPERTI DFT
 1. Simetris
 Re [X(N-k)] = Re X(k) di mana Re adalah bagian nyata

 2. Fungsi Genap
 Jika xe(n) adalah fungsi genap, maka: xe(n) = xe(-n)

N 1
FD xe (n)   xe (n) cos( knT )
n 0
PROPERTI DFT
 3. Fungsi Ganjil
 Jika xo(n) adalah fungsi genap, maka: xo(n) = -xo(-n)

N 1
FD x0 (n)   j. x0 (n) sin( knT )
n 0

 4. Teorema Parseval’s
2
N 1
1 N 1


n 0
2
x (n) 
N
 X (k )
k 0 Energi yang dinormalisasi
dalam sinyal
KOMPLEKSITAS KOMPUTASI DFT
 Sejumlah besar perkalian dan penambahan diperlukan
untuk perhitungan DFT
 Untuk N-point DFT akan ada perkalian N2 dan N. (N-1)
tambahan
 Bayangkan saja untuk ribuan data akan ada jutaan
perkalian dan penambahan, yang membutuhkan banyak
memori, waktu dan biaya
 Jadi apa yang harus kita lakukan untuk mengurangi
jumlah ini?
CONTOH UNTUK DFT 4-TITIK
 Dapatkan DFT dari suatu urutan {1, 0, 0, 1}

 Menjawab
 Perhatikan bahwa hanya DFT 4-titik, sehingga dari
angka sebelumnya poin x0, x4, x2, x6 diganti dengan x0,
x2, x1, x3 dan nilai DFT yang diperlukan adalah:
X11 (0), X11 (1), X11 (2), X11 (3),
 Oleh karena itu, perhitungan hanya sampai langkah
kedua
CONTOH UNTUK DFT 4-TITIK
 X21(0) = x0+ x2= 1
 X21(1) = x0-x2= 1
 X22(0) = x1+ x3= 1
 X22(1) = x1-x3= -1
CONTOH UNTUK DFT 4-TITIK
 Dari nilai tersebut kami tahu bahwa itu sama dengan
nilai yang kami tentukan dari 'metode klasik DFT' Jadi,
kami mungkin mengatakan: Dengan menggunakan FFT,
penghitungan komputasi, meningkat seiring dengan
meningkatnya jumlah data

Bagaimana jika Anda mencoba

dengan menggunakan program
komputer seperti C ++ atau
MATLAB?
SEKIAN DAN TERIMA KASIH

https://PSDsamodro.blogspot.com/