Aplicaciones del

Procesamiento de
Señales Digitales.

Integrantes:


Las técnicas del procesamiento digital de señales están sustituyendo cada vez más a los
métodos convencionales de procesamiento de señales analógicas en muchos campos, como
el análisis y el procesamiento de voz, el procesamiento de señales de radar y de señal, el
análisis y el procesamiento de señales biomédicas, las telecomunicaciones y el
procesamiento de señales geofísicas. Este capítulo incluye unas cuantas aplicaciones para
proporcionar un panorama general del potencial del procesamiento de señal digital.

15.1) Detección de Señales de Multifrecuencia y Dos Tonos

La señalización multifrecuencia de dos tonos (DTMF), que cada vez están aumentado más en
el ámbito mundial con los aparatos telefónicos de botones, ofrece alta velocidad de mercado.
En los últimos años, la señalización DTMF también ha encontrado aplicaciones que requieren
control interactivo, como en el correo de voz, el correo electrónico (e-mail), la banca telefónica
y los cajeros automáticos.

Una señal (DTMF) consiste en una suma de dos tonos, como frecuencias que se toman de
dos grupos mutuamente exclusivos de frecuencias pre asignadas. Cada par de estos tonos
representa un número único o un símbolo.

La decodificación de una señal de DTMF implica la identificación de dos tonos en esa señal y
la determinación de su número o símbolo correspondiente. Las frecuencias asignadas a los
diversos dígitos y símbolos de un tablero de botones son estándares aceptados
internacionalmente y se ilustran en la figura

Las cuatro teclas en la última columna del tablero como se muestra en esta figura, aún no
están disponibles en los aparatos telefónicos estándar y se reservan para un uso futuro.
Puesto que las frecuencias de señalización están asignadas en su totalidad a la banda de
frecuencia que se utiliza para la transmisión de voz.
Este es un sistema en banda; la interfaz con la entrada analógica y los dispositivos de salida
se proporciona mediante chips code o convertidores A/D y D/A.

Aunque se disponen de varios chips con circuitería analógica para la generación y

decodificación de señales DTMF en un solo canal, estas funciones también pueden
implementarse de manera digital en chips de PDS. Este tipo de implementación digital supera
el desempeño de los equivalentes analógicos, puesto que brinda mejor precisión, estabilidad,
flexibilidad y reprogramabilidad para cumplir con otros estándares de tonos y el alcance de la
operación multicanal de compartición de tiempo, lo que conduce a una cantidad inferior de
chips.
La implementación digital de una señal DTMF implica sumar dos secuencias senoidales
digitales de longitud finita, con la última generada al utilizar tablas de consulta o mediante el
cálculo de una expansión de polinomios. La detección digital de tonos se puede efectuar con
facilidad de calcular la TFD de la señal DTMF y midiendo después la energía presente en las
ocho frecuencias DTMF.

La duración mínima de una señal de DTMF es de 40ms. Por tanto, con una tasa de muestreo
de 8 kHz, hay 0,04*8000=320 muestras disponibles para decodificar cada digito de la DTMF.
El número real de muestras utilizadas para el cálculo de la TFD es menor que este número y
se elige de ese modo para minimizar la diferencia entre la localización actual de la senoide y
el índice k de la TFD de valor entero más cercano.

El decodificador DTMF calcula las muestras de la TFD más cercana en frecuencia a los ocho
tonos fundamentales DTMF y sus respectivas segundas armónicas. También calcula las
muestras de la TFD más cercanas en frecuencia a la segunda armónica correspondiente a
cada una de las frecuencias de tono fundamentales. Este último cálculo se emplea para
distinguir entre voces humanas y las senoide puras generadas por la señal DRMF. En
general, el espectro de una voz humana contiene componentes en todas las frecuencias,
incluyendo las frecuencias de la segunda armónica. Por lo tanto, la señal DTMF generada por
el aparato telefónico tiene segundas armónicas que se pueden despreciar. El esquema de
cálculo de la TDF que se emplea es una versión un poco modificada del algoritmo de
Goertzel, para el cálculo de las magnitudes al cuadrado de las muestras de la TFD que son
necesarias para el cálculo de la energía.

La longitud N de la TFD determina el espaciamiento en frecuencia entre las localizaciones de

las muestras de la TFD y el tiempo que se requiere para calcular la muestra de la TFD. Una N
grande hace que el espaciamiento sea más pequeño, lo que proporciona una resolución más
alta en el dominio de la frecuencia, pero aumenta el tiempo de cálculo. La frecuencia fk en HZ
correspondiente al índice k de la TFD (número de casilla) está dada por
 k ( FT )
fk= , k =0 ,1 , , , , N −1 ,
N
Donde FT es la frecuencia del muestreo.
Si la señal de entrada contiene una senoide de frecuencia Fent diferente de la indicada antes,
su TFD contendrá no solo muestras de gran valor para valores de k cercanos a Nfent/Ft, sino
también valores distintos de cero para otros valores de k que se deben a un fenómeno
llamado fuga. Para minimizar la fuga es deseable elegir N de manera apropiada para que las
frecuencias de tono caigan lo más cerca posible a una casilla de TFD, proporcionando de esa
manera una muestra de la TFD muy intensa en este valor de índice relativo a todos los demás
valores.

Para una frecuencia de muestreo de 8kHz, el mejor valor de la longitud N de la TFD para
detección los ocho tonos fundamentales de la DTMF se han encontrado como 205 y el
correspondiente a la detección de las ocho segundas armónicas es 201.

En la tabla siguiente podremos ver lo valores del índice de la TFD más cercanos a cada una
de las frecuencias de tonos y sus segundas armónicas para estos valores de N.
15.2) Análisis Espectral de Señales Senoidales

Una aplicación importante de los métodos del procesamiento digital de señales corresponde a
la determinación en el dominio de tiempo de los contenidos de frecuencia de una señal en
tiempo continuo, que se conoce como análisis espectral. De manera más específica implica la
determinación del espectro de energía o del espectro de la potencia de la señal. En muchos
campos se encuentran aplicaciones del análisis espectral digital y son muy comunes. Los
métodos de análisis espectral se basan en la siguiente observación. Si la señal en el tiempo
continuo g(t). Es razonablemente de banda limitada, las características espectrales de su
equivalente en tiempo discreto g[n] deben proporcionar una buena estimación de las
propiedades espectrales de ga(t). Es razonablemente de banda limitada, las características
espectrales de ga(t). Sin embargo, en muchos casos, ga(t) se define para -∞<t<∞ y, en
consecuencia, g[n] es de extensión infinita y definida para -∞<n<∞. Puesto que es difícil
evaluar los parámetros espectrales de una señal de longitud infinita, un procedimiento más
practico es como sigue.
Primero, la señal en tiempo continuo ga(t). Se hace pasar por un filtro analógico anti alias de
frecuencia, antes de que se muestree para eliminar el efecto de formación de alias de
frecuencia. La salida del filtro se muestrea después para generar una secuencia en tiempo
discreto equivalente g[n]. Se asume que el filtro anti alias se ha diseñado de manera
apropiada y, en consecuencia, el efecto de formación de alias de frecuencia puede ignorarse.
Se asume también que la longitud de palabra del convertidor A/D es bastante grande para
que sea posible ignorar el ruido de la conversión A/D.

En el análisis espectral de señales senoidales, asumimos que los parámetros que

caracterizan las componentes senoidales, como amplitudes, frecuencias y fase, no cambian
con el tiempo. Para una señal de es este tipo g[n], el análisis de Fourier puede efectuarse
mediante el cálculo de su transformada de Fourier.
∞
G ( e jw )= ∑ g[n]e− jwn
n=−∞

En la práctica, la secuencia de longitud infinita g[n] se pasa primero por ventana, al

multiplicarla por una ventana w[n] de longitud N para convertirla en una secuencia de
longitud finita Y[n]=g[n]*w[n] de longitud N. Las características espectrales de la secuencia
de longitud finita ventaneada y[n] que se obtiene a partir de la transformada de Fourier Γ( e jw
), se asumen que proporcionan una estimación razonable de la transformada de Fourier G(
jw jw
e ), de la señal en tiempo discreto g[n]. La transformada de Fourier Γ( e ), del segmento
ventaneado de longitud finita y[n] se evalúa después en un conjunto de R(R>=N)
frecuencias angulares discretas, igualmente espaciadas en el intervalo 0 ≤w<2 π
calculando la transformada de Fourier discreta (TFD) de R puntos Γ[ k ¿ . Para dar suficiente
resolución, la TFD de longitud R se elije de modo que sea mas grande que la ventana N
rellenando con ceros la secuencia ventaneada que incluye R-N muestras de valor cero. La
TFD suele calcularse mediante el algoritmo de la TFR.

Antes de que sea posible interpretar el contenido espectral de ( e jw ), esto es, G(e jw ), a partir de
Γ[k ¿ , es necesario volver a examinar las relaciones entre estas transformadas y sus
frecuencias correspondientes. Ahora bien, la relación entre la TFD de R puntos Γ[k ¿ , de y[n]
y su transformada de Fourier (e jw ) está dada por:

Γ [k ]=Γ (e jw )|w=2 πk/R, 0≤k ≤ R-1

La frecuencia angular normalizada en tiempo discreto wk correspondiente al número de casilla
k de la TFD (frecuencia de la TFD) es:

2 πk
wk ¿ R
De igual modo, la frecuencia angular en tiempo continuo Ωk correspondiente al número de
casilla k de TFD (frecuencia de la TFD) está dado por:

2 πk
Ωk ¿ RT

para interpretar correctamente los resultados del análisis espectral basado en la TFD, se
considera primero, el análisis en el dominio de la frecuencia de una secuencia senoidal. En
ese caso, una secuencia senoidal de longitud infinita g[n] de frecuencia angular normalizada
w0 corresponde a

g [ n ] =cos ⁡¿w0 n+ø)

Expresando la secuencia anterior como:

Y haciendo uso de la tabla, se llega ala expresión para su transformada de Fourier como:

Por lo que, la transformada de Fourier es una función periódica de w con un periodo 2 π que
contiene dos impulsos en cada periodo. En el intervalo de frecuencia - π ≤w< π , hay un
impulso en w=w0 de una amplitud compleja π e jø y un impulso en w=-w0 de amplitud compleja
− jø
πe .
Para analizar g[n] en el dominio espectral utilizando la TFD, se emplea una versión de longitud
finita de la secuencia dada por

15.3) Análisis Espectral de Señales no Estacionarias

La transformada de Fourier discreta puede emplearse en el análisis espectral de una señal

de longitud finita compuesta por componentes senoidales siempre que la frecuencia,
amplitud y fase de cada componente senoidal sean invariantes en el tiempo. Se presentan
situaciones practicas donde la señal que se va analizar en más bien no estacionaria, para lo
cual estos parámetros de señal son variables en el tiempo. Un ejemplo de este tipo de
señal es la señal chirp dada por:

x [ n ] =Acos ¿w0n2 ¿

Y
se

muestra en la figura. Para w0=10 π *10−5 . Advierta de la ecuación anterior, que la frecuencia
instantánea de x[n] está dada por 2w0n, la cual no es constante, sino aumenta linealmente
con el tiempo. Las señales de voz, radar y sonar son otros ejemplos de este tipo de señales
no estacionarias.

Una descripción de este tipo de señales en el dominio de la frecuencia utilizando una TFD
simple de la señal completa proporcionara resultados engañosos. Para darle la vuelta a la
naturaleza variable en el tiempo de los parámetros de las señales, un procedimiento
alternativo seria segmentar las secuencias en un conjunto de subsecuencias de corta longitud,
con cada una centrada en intervalos uniformes de tiempo y su TFD calculada por separado. Si
la longitud de la subsecuencia es razonablemente pequeña, puede asumirse con toda
seguridad que será estacionaria para fines prácticos. En consecuencia, la descripción en el
dominio de la frecuencia de una secuencia larga está dada por un conjunto de TFD de
longitud corta, esto es, una TFD dependiente del tiempo.

Para representar una señal no estacionaria x[n] en términos de un conjunto de subsecuencias

de longitud corta, se puede multiplicar por una ventana w[n] que es estacionaria con respecto
al tiempo, y mover la señal a lo largo de la ventana.
Por ejemplo
La figura muestra como se observa 4 segmentos de la señal chirp de la figura anterior

A través de una ventana rectangular estacionaria de longitud 200. según se ilustra en las
figuras, los segmentos podrían estarse traslapando en el tiempo. Una transformada de Fourier
en el tiempo discreto de la secuencia corta obtenida al aplicar la ventana se denomina
transformada de Fourier de corta duración, la cual es una función de la ubicación de la
ventana en relación con la secuencia original larga y la frecuencia.
Transformada de Fourier de Corta Duración

(TFCD) también conocida como transformada de Fourier de dependiente del tiempo, de una
secuencia x[n], está definida por:

Donde w[n] es una secuencia de ventana elegida de manera adecuada. Debe advertirse que
la función de la ventana es extraer una porción de longitud finita de la secuencia x[n] de modo
tal que para fines prácticos las características espectrales de la sección extraída sean
aproximadamente estacionarias a lo largo de la duración de la ventana.

En muchas aplicaciones, la magnitud de la TFCD es de interés. El despliegue de la magnitud

de la TFCD suele denominarse espectrograma. Sin embargo, puesto que la TFCD es una
función de dos variables, el despliegue de su magnitud requiere normalmente tres
dimensiones.

A menudo se grafica en dos dimensiones, con la magnitud representada por la sombra de la

gráfica. En este caso las áreas blancas representan magnitudes de valor cero en tanto que las
áreas grises representan magnitudes distintas de cero, mostrándose en negro las magnitudes
más grandes. En el despliegue de magnitudes de la TFCP, el eje vertical representa la
variable de frecuencia (w) y el eje horizontal, el índice de tiempo (n).
La TFCD también puede visualizarse como una gráfica de malla en un sistema de
coordenadas tridimensional, en el que la magnitud de la TFCD es un punto en la dirección z
sobre el plano x-y.
Muestreo en las Dimensiones de Tiempo y de Frecuencia

En la práctica, la TFCD se calcula en un conjunto finito de valores discretos de w. Además,

debido a la longitud finita de la secuencia ventaneada, la TFCD se representa con exactitud
por medio de sus muestras de frecuencia, siempre que el número de estas sea mayor que la
longitud de la ventana. Además, la porción de la secuencia x[n] dentro de la ventana puede
ser recubierta completamente a partir de las muestras de frecuencia de TFCD.
Para ser más precisos, considere que la ventana tiene longitud R, y la está definida en el
intervalo 0 ≤ m< R−1.

Se muestrea XTFCD (e jw ,n ) en N frecuencias igualmente espaciadas wk=2 πk / N , con

N>=R como se indica en lo siguiente:
Selección de la Ventana

Tanto la longitud como la forma de la ventana son aspectos determinantes que se necesitan
examinarse con cuidado.
La función de la venta w[n] es extraer una porción de la señal para análisis y asegurar que la
sección extraída de x[n] es más o menos estacionaria. Con este propósito, la ventana de
longitud R debe, ser pequeña, en particular para señales con parámetros espectrales muy
variables.
Los dos parámetros en el dominio de la frecuencia que caracterizan ala transformada de
Fourier de una ventana son su ancho de lóbulo principal ∆ML y la amplitud relativa del lóbulo
lateral ∆SL el primero parámetro determina la capacidad de la ventana para distinguir dos
componentes de la señal en la vecindad mutua, mientras que el segundo controla el grado de
fuga de una componente en la correspondiente de la señal más cercana.

Análisis de señales de voz al usar la TFCD

Está compuesta por dos tipos de forma de onda básica: sonidos sonoros y sordos.
En el análisis de la TFCD, el tamaño de la ventana es determinante, pues una ventana más
corta que genera un espectrograma de banda ancha ofrece una mejor resolución en el tiempo,
en tanto que una ventana más grande que genera un espectrograma de banda estrecha
produce una resolución en frecuencia mejorada. Para proporcionar una estimación
razonablemente buena de los cambios en el tracto vocal y la excitación, es preferible un
espectrograma de banda ancha.

15.4) Análisis Espectral de Señales Aleatorias

El análisis de Fourier de señales no estacionarias con parámetros variables en el tiempo se

lleva acabo de mejor manera utilizando la transformada de Fourier de corta duración (TFCD).
 Este tipo de señales suelen clasificarse como aleatorias, similares al ruido como la señal de
voz sorda que se genera cuando se produce una letra “f” o “s”, y señales aleatorias de señal
más ruido, como las sísmicas y las de resonancia magnética nucleares.

El análisis espectral de una señal aleatoria similar al ruido suele efectuarse estimando el
espectro de densidad de potencia mediante métodos no paramétricos basados en el análisis
de Fourier, en tanto que una señal aleatoria de señal mas ruido se analiza mejor mediante
métodos basados en modelos paramétricos en los que la secuencia de autocovarianza se
estima primero a partir del modelo y luego se evalúa la transformada de Fourier de la
estimación.

Análisis espectral no paramétrico

Los estimadores espectrales no paramétricos estiman la covarianza o espectro de un proceso

estocástico sin asumir que tiene una estructura en particular. Son, por lo tanto, técnicas
genéricas que no están adaptadas a un problema en particular, a diferencia de lo que ocurre
con los estimadores paramétricos. El ejemplo clásico de estimador espectral no paramétrico
es el periodo grama, que se desarrolla en la sección 8.1 del capítulo 8. Un estimador no
paramétrico actual es el método del multitaper (o MTM).

15.5) Procesamiento de Sonidos Musicales.

El procesamiento digital de audio es un tipo de procesamiento digital de

señales especializado en el tratamiento de la señal de audio.

Ventajas e inconvenientes de la Digitalización

 Una señal digital no es audible, ya que requiere ser decodificada antes de su
reproducción. Sin embargo, la codificación y posterior descodificación de una señal
digital para su audición tiene varias ventajas, aunque también algunos
inconvenientes.

Ventajas
1. La señal discreta (digital) es más fácil de transmitir, almacenar o manipular (en el
caso del sonido: editar, comprimir, etc).
2. La señal digital es inmune al ruido. La señal digital es menos sensible que la
analógica a las interferencias, etc.

3. Se puede tomar una muestra de sonido y cambiar cualquiera de sus parámetros para
generar un sonido diferente sin tener que recrearlo en la realidad. (Las aplicaciones de
esta ventaja en la generación de efectos especiales es infinita).

4. La señal digital permite la multigeneración infinita sin pérdidas de calidad.

5. Ante la pérdida de cierta cantidad de información, la señal digital puede ser

reconstruida gracias a los sistema de regeneración de señales (usados también para
amplificarla, sin introducir distorsión). También cuenta, con sistemas de detección y
corrección de errores que, por ejemplo, permiten introducir el valor de una muestra
dañada, obteniendo el valor medio de las muestras adyacentes (interpolación).

6. La señal digital puede ser enviada a casi cualquier punto del planeta en cualquier
momento a un muy bajo costo a través de internet y a partir de aquí puede ser
reenviada a su remitente o a algún otro destino. Esto sin que la señal sufra variaciones
o alteraciones de calidad severas.

7. Con el tiempo no se degrada

Inconvenientes

1. Se necesita una conversión analógica-digital previa y una decodificación posterior, en

el momento de la recepción.
 2. Hay una pérdida inherente de información al convertir la información continua en
discreta. Por mínimo e insignificante que resulte siempre hay un error de
cuantificación que impide que la señal digital sea exactamente equivalente a la
analógica que la originó.

3. La señal digital requiere mayor ancho de banda para ser transmitida que la analógica.
Además, requiere una sincronización precisa entre los tiempos del reloj de transmisor,
con respecto a los del receptor. Un desfase, por mínimo que sea, cambia por completo
la señal.

4. Si se utiliza compresión con pérdida, será imposible reconstruir la señal original.

15.6) Síntesis de Música Digital.

La síntesis de sonido digital consiste en obtener sonidos a partir de medios no acústicos;

variaciones de voltaje en el caso de la síntesis analógica, o por medio de programas de
computadora en el caso de la síntesis digital.
Existen diferentes métodos de síntesis, entre ellos:
 Síntesis aditiva. Consiste en la superposición o mezcla de ondas simples para
construir ondas complejas, de manera similar a como funciona un órgano de tubos.

 Síntesis substractiva. Se sintetiza el sonido, mediante la filtración de una onda

compleja. La señal pasa a través de un filtro que modifica su contenido
armónico, atenuando o reforzando determinadas áreas del espectro de la señal.

 Síntesis por modulación. Comprende los métodos en los que se altera algún
parámetro de una onda en razón de otra onda, para producir ondas con espectros
complejos. En esta categoría podemos notar dos métodos bastante usuales: Síntesis
por modulación de amplitud (AM), que consiste en alterar la amplitud de una
señal portadora en función de la onda moduladora y síntesis por modulación de
frecuencias (FM), que consiste básicamente en variar la frecuencia de una
onda portadora en función de la forma de otra onda moduladora.

 Síntesis por modelos físicos. La síntesis se hace a partir de la simulación en una

computadora de un objeto físico y sus características.
  Síntesis granular. La síntesis granular es una técnica que parte de una visión atomista
del sonido, en la que los elementos mínimos son pequeños fragmentos de sonido
llamados 'granos'

GENERACION DE SEÑALES ANALITICAS EN TIEMPO DISCRETO

La generación de señales analíticas en tiempo discreto implica la creación de secuencias de

datos discretos que representan fenómenos físicos, patrones o información. Estas señales
se utilizan ampliamente en diversas aplicaciones, desde telecomunicaciones hasta
sistemas de control, y se manipulan y analizan mediante técnicas específicas para obtener
información útil.

El filtro pasa bajos es una herramienta clave en el procesamiento de señales en tiempo

discreto. Se utiliza para eliminar o atenuar componentes de alta frecuencia de una señal
discreta, permitiendo únicamente el paso de las frecuencias más bajas o dentro de un
rango específico. En la generación de señales en tiempo discreto, un filtro pasa bajos
puede emplearse de varias maneras:

1. Preprocesamiento de señales:
Antes de generar una señal en tiempo discreto, es posible que desees filtrar una señal
existente para eliminar el ruido o las componentes de frecuencia no deseadas. Un filtro
pasa bajos puede aplicarse para limpiar la señal de entrada antes de utilizarla en la
generación de una nueva señal.

2. Limitación de ancho de banda:

En la generación de señales discretas, a veces es necesario restringir el ancho de banda

para reducir el consumo de recursos o cumplir con requisitos específicos. Utilizar un filtro
pasa bajos permite limitar la señal generada a un rango de frecuencias más bajo,
eliminando componentes de alta frecuencia.

3. Control de la forma de onda:

Al generar señales complejas, como ondas cuadradas o triangulares, el uso de un filtro pasa
bajos puede ayudar a suavizar o redondear las esquinas de la onda, eliminando las
componentes de alta frecuencia que podrían introducir distorsión o irregularidades no
deseadas.

4. Reconstrucción de señales analógicas:

En sistemas donde se requiere la conversión de señales digitales a señales analógicas, el

uso de un filtro pasa bajos es esencial. Ayuda a suavizar la señal discreta para obtener una
representación

más fiel de la señal analógica original al eliminar las frecuencias no deseadas que podrían
causar aliasing u otras distorsiones.

Características de las Señales en Tiempo Discreto

Discretización temporal: A diferencia de las señales analógicas, las señales en tiempo

discreto están definidas en intervalos discretos y finitos.

Amplitud discreta: Los valores de la señal existen en puntos específicos y discretos en el

tiempo.

Representación digital: Estas señales se pueden almacenar y procesar digitalmente, lo que

facilita su manipulación mediante algoritmos y hardware especializado.

Métodos de Generación de Señales Analíticas en Tiempo Discreto

 1. Funciones Elementales:

Señales Impulsivas (δ[n]): Representan un impulso discreto en un instante específico.

Señales Escalón Unitario (u[n]): Son secuencias que son cero antes de cierto instante y
toman un valor unitario a partir de ese punto.

2. Secuencias Básicas:

Sinusoidales Discretas: Se generan a partir de una combinación de frecuencias discretas,

representadas por secuencias de senos y cosenos discretos.

Secuencias Exponenciales: Son secuencias de valores exponenciales discretos,

comúnmente utilizadas en sistemas lineales e invariantes en el tiempo.

3. Síntesis Digital:

Utiliza algoritmos y técnicas para crear señales digitales complejas a partir de señales
básicas. La síntesis se puede lograr mediante la combinación de operaciones matemáticas
como suma,

multiplicación, desplazamiento, entre otras.

Herramientas y Aplicaciones
Software de Procesamiento de Señales: Herramientas como MATLAB, Python con librerías
como NumPy y SciPy, proporcionan funciones y métodos para generar, analizar y procesar
señales en tiempo discreto.

Comunicaciones Digitales: En la transmisión de datos digitales, la generación de señales

discretas es esencial para la modulación, demodulación y el manejo de información.

Procesamiento de Audio y Video: Las señales en tiempo discreto se utilizan para representar
datos de audio y video digital, permitiendo su manipulación, compresión y almacenamiento.

La generación de señales analíticas en tiempo discreto es una piedra angular en el

procesamiento de señales digitales y el diseño de sistemas electrónicos. Su versatilidad y
aplicabilidad en una

amplia gama de campos hacen que su comprensión y manipulación sean esenciales para
ingenieros, científicos y profesionales de diversas disciplinas tecnológicas.

EL transformador de Hilbert

El transformador de Hilbert en tiempo discreto es un concepto fundamental en el

procesamiento de señales digitales. Su función principal es generar la componente en fase
y en cuadratura de una señal discreta. A diferencia de su contraparte en tiempo continuo, el
transformador de Hilbert en tiempo discreto se centra en el análisis de señales digitales con
propiedades discretas en lugar de señales analógicas continuas.
Este sistema definido por esta ecuación suele denominarse transformador de Hilbert ideal

Fundamentos del Transformador de Hilbert en Tiempo Discreto

Secuencias en Tiempo Discreto: En tiempo discreto, una señal se representa como una
secuencia de valores discretos en puntos específicos en el tiempo, denotados comúnmente
por x[n], donde n es un índice entero.

Transformador de Hilbert: El objetivo principal del transformador de Hilbert en tiempo

discreto es obtener la componente en cuadratura de una señal discreta a partir de la señal
original en fase.

Implementación del Transformador de Hilbert en Tiempo Discreto

La implementación más común del transformador de Hilbert en tiempo discreto se realiza a

través de un filtro FIR (Respuesta al Impulso Finito, por sus siglas en inglés). La versión
discreta de este filtro es esencialmente un filtro de fase lineal que aplica un desplazamiento
de fase de 90 grados a la señal de entrada.

El filtro FIR se diseña típicamente utilizando métodos de diseño de filtros digitales, como el
método de la ventana, el método de Parks-McClellan (Remez) o el método de la respuesta
en frecuencia.
Propósito del Transformador de Hilbert en Tiempo Discreto

El propósito principal del transformador de Hilbert en tiempo discreto es generar una señal
que esté desfasada 90 grados con respecto a la señal original. Esta señal en cuadratura se
utiliza comúnmente en aplicaciones de modulación, demodulación y análisis de señales,
como en la generación de señales moduladas en fase o en sistemas de comunicación
digitales.

Conclusiones

El transformador de Hilbert en tiempo discreto es una herramienta fundamental en el

procesamiento de señales digitales, ya que permite obtener la componente en cuadratura de

una señal discreta, lo que es crucial en diversas aplicaciones de comunicación digital,
modulación y análisis de señales.

Su implementación se basa en el diseño de filtros FIR que introducen un desplazamiento de

fase específico para lograr la transformación deseada de la señal de entrada.

Este enfoque permite manipular señales digitales de manera efectiva, facilitando su

procesamiento y análisis en sistemas electrónicos y de comunicaciones.

MODULACION DE BANDA LATERAL UNICA

La modulación de banda lateral única (BLU) o Single Side Band (SSB) en inglés, es una
evolución de la modulación de amplitud (AM) que resulta importante en la electrónica
básica, ya que permite transmitir señales de radiofrecuencia que otras modulaciones no
pueden transmitir

Su característica principal es eliminar una de las bandas laterales de una señal modulada en

amplitud (AM), lo que reduce significativamente el ancho de banda necesario para la

 transmisión, manteniendo la información intacta.

Principios de la Modulación de Banda Lateral Única (SSB)

Modulación AM y Problema de Ancho de Banda: En la modulación de amplitud (AM), la

señal se modula multiplicativamente con una señal portadora. El problema principal es que
AM tradicional utiliza ancho de banda adicional para transmitir la portadora y las dos
bandas laterales, duplicando el uso del espectro.

Eliminación de una banda lateral: SSB elimina una de las bandas laterales y la portadora,
transmitiendo solo una banda lateral junto con la información de la señal original.

Proceso de Generación de SSB: Se utiliza un filtro para suprimir una de las bandas laterales
(superior o inferior). Esto se logra mediante el uso de mezcladores, filtros y técnicas de
procesamiento de señales.

Ventajas de la Modulación SSB

Eficiencia Espectral: La SSB reduce drásticamente el ancho de banda requerido para

transmitir la misma información que AM, lo que permite una mejor utilización del espectro
radioeléctrico.

Mejor Eficiencia de Potencia: Al eliminar la portadora y una banda lateral, SSB concentra la
potencia en una sola banda lateral, lo que permite una transmisión más eficiente en
términos de potencia.

Menor Interferencia: Dado que SSB utiliza menos ancho de banda, hay menos posibilidades
de interferencia con otras señales adyacentes.

Aplicaciones de la Modulación SSB

Comunicaciones de Radio: Se usa ampliamente en radiodifusión, comunicaciones de radio

de larga distancia y transmisión de voz sobre radio.

Telecomunicaciones: En telecomunicaciones, SSB es útil para transmisiones de señales de

voz y datos en bandas limitadas de frecuencia.

Radiodifusión de Audio Profesional: En aplicaciones de audio profesional, SSB puede

usarse para transmisiones de alta calidad.

Consideraciones Finales
La Modulación de Banda Lateral Única (SSB) es una técnica valiosa en comunicaciones,

especialmente donde el ancho de banda es un recurso limitado o costoso. Su eficiencia

espectral y de potencia la hacen ideal para aplicaciones donde se busca una transmisión
más eficiente en términos de espectro y energía.

Su implementación requiere técnicas específicas de procesamiento de señales para eliminar

una de las bandas laterales sin comprometer la integridad de la información transmitida.

COMPRESIÓN DE SEÑALES DIGITALES

Compresión de Señales Digitales en Procesamiento de Señales Digitales

La compresión de señales digitales es una técnica fundamental en el procesamiento de

señales digitales (DSP) que busca reducir el tamaño de un archivo digital sin una pérdida
significativa de calidad. Esto es crucial en aplicaciones donde el almacenamiento o la
transmisión de datos son limitados, como en audio, video, imágenes y comunicaciones.

¿Por qué comprimir señales digitales?

 Ahorro de espacio de almacenamiento: Permite almacenar más datos en el mismo

espacio.
 Reducción del ancho de banda: Facilita la transmisión de datos a través de redes.
 Disminución de los tiempos de transferencia: Acelera la carga y descarga de
archivos.

Técnicas de Compresión

Existen dos categorías principales de técnicas de compresión:

1. Compresión con pérdida:

 Elimina información redundante o menos perceptible por el ser humano.

 Algoritmos comunes:
o Codificación por transformada discreta del coseno (DCT): Divide la señal
en bloques y transforma los datos al dominio de la frecuencia, donde se
cuantifican y codifican los coeficientes más importantes. Es utilizada en JPEG
para imágenes y MPEG para video.
o Submuestreo: Reduce la resolución espacial o temporal de una señal.
o Cuantización: Reduce la precisión de los valores numéricos de una señal.
o Predicción: Explota la redundancia temporal o espacial en una señal para
predecir valores futuros y codificar solo las diferencias.
  Ejemplos de formatos: MP3, AAC, JPEG, MPEG.

2. Compresión sin pérdida:

 Preserva toda la información original.

 Algoritmos comunes:
o Codificación de Huffman: Asigna códigos más cortos a símbolos más
frecuentes.
o Codificación de Lempel-Ziv: Identifica y reemplaza secuencias repetidas de
datos.
o Deflación: Combina la codificación de Huffman y Lempel-Ziv.
 Ejemplos de formatos: PNG, GIF, ZIP, RAR.

Factores a Considerar al Elegir una Técnica de Compresión

 Tasa de compresión: Relación entre el tamaño del archivo original y el comprimido.

 Calidad de la señal reconstruida: Grado de distorsión después de la
descompresión.
 Complejidad computacional: Recursos necesarios para comprimir y descomprimir.
 Aplicación: Tipo de señal (audio, video, imagen) y requisitos específicos.

Aplicaciones de la Compresión de Señales Digitales

 Audio: MP3, AAC, FLAC

 Video: MPEG, H.264, AV1
 Imágenes: JPEG, PNG, GIF
 Comunicaciones: Modems, telefonía móvil

Conclusiones

La compresión de señales digitales es una herramienta esencial en el mundo digital actual. Al

reducir el tamaño de los archivos, permite una mayor eficiencia en el almacenamiento y la
transmisión de datos. La elección de la técnica de compresión adecuada depende de las
características de la señal y de los requisitos de la aplicación.

TRANSMULTIPLEXORES

Un transmultiplexor es un dispositivo electrónico que realiza la conversión entre dos tipos de

multiplexación: por división de frecuencia (FDM) y por división de tiempo (TDM). En
términos más simples, toma múltiples señales multiplexadas en el tiempo y las convierte en
múltiples señales multiplexadas en frecuencia, y viceversa.

¿Para qué sirven?

La principal función de un transmultiplexor es adaptar diferentes sistemas de comunicación.
Por ejemplo, en telecomunicaciones, se utilizan para interconectar redes telefónicas
analógicas (basadas en FDM) con redes digitales (basadas en TDM). Esto permite que
diferentes tipos de equipos puedan comunicarse entre sí.

¿Cómo funcionan?

Un transmultiplexor se compone de dos partes principales:

 Analizador: Convierte una señal multiplexada en frecuencia en múltiples señales

multiplexadas en tiempo.
 Sintetizador: Realiza la operación inversa, convirtiendo múltiples señales
multiplexadas en tiempo en una señal multiplexada en frecuencia.

El proceso de conversión implica la utilización de bancos de filtros, moduladores y

demoduladores. Estos componentes permiten separar las diferentes señales componentes
y reconstruirlas en el dominio deseado.

Aplicaciones típicas:

 Interconexión de redes: Como ya mencionamos, los transmultiplexores son

fundamentales para conectar redes con diferentes tecnologías de multiplexación.
 Comunicaciones por satélite: Se utilizan para combinar múltiples canales de voz y
datos en un único canal de frecuencia para su transmisión por satélite.
 Radiodifusión: Permiten la distribución de múltiples señales de radio en un solo
canal.

Ventajas:

 Flexibilidad: Permiten adaptar diferentes sistemas de comunicación.

 Eficiencia espectral: Aprovechan de manera eficiente el espectro de frecuencia.
 Escalabilidad: Pueden adaptarse a diferentes capacidades de transmisión.

Desafíos:

 Complejidad: Su diseño y implementación pueden ser complejos, especialmente

para sistemas de alta capacidad.
 Costo: Los transmultiplexores pueden ser equipos costosos, especialmente aquellos
diseñados para altas velocidades de datos.

En resumen:

Los transmultiplexores son dispositivos clave en las telecomunicaciones modernas. Al permitir

la interoperabilidad entre diferentes sistemas de comunicación, han contribuido
 significativamente al desarrollo de las redes actuales.

Transmisión Multitono Discreta de Datos Digitales (DMT)

La Transmisión Multitono Discreta (DMT) es una técnica de modulación digital que ha

revolucionado las comunicaciones de alta velocidad, especialmente en el ámbito de las
líneas telefónicas y las redes de banda ancha. Esta técnica permite transmitir datos a través
de un canal de comunicación dividiéndolo en múltiples subcanales de frecuencia, cada uno
de los cuales modula una señal portadora a una frecuencia diferente.

¿Cómo funciona la DMT?

1. División del canal: El canal de comunicación se divide en un gran número de

subcanales estrechos.
2. Modulación: Cada subcanal se modula utilizando una constelación de modulación
digital (como QAM) adecuada a las condiciones del canal.
3. Superposición: Las señales moduladas de todos los subcanales se suman y se
transmiten por el canal.
4. Demodulación: En el receptor, la señal recibida se divide en los mismos subcanales
y se demodula para recuperar los datos originales.

Ventajas de la DMT

 Adaptabilidad: La DMT puede adaptarse a canales con diferentes características,

como atenuación y ruido, ajustando la potencia y la modulación de cada subcanal.
 Eficiencia espectral: Al utilizar múltiples subcanales, la DMT puede alcanzar altas
velocidades de transmisión en un ancho de banda limitado.
 Robustez: La DMT es resistente a interferencias y ruido, ya que el error se concentra
en unos pocos subcanales, en lugar de afectar a toda la señal.
 Flexibilidad: La DMT puede utilizarse en diferentes entornos, desde líneas
telefónicas hasta redes de fibra óptica.

Aplicaciones de la DMT

 ADSL (Asymmetric Digital Subscriber Line): La tecnología ADSL utiliza DMT para
proporcionar acceso a Internet de alta velocidad a través de líneas telefónicas.
 VDSL (Very-high-speed Digital Subscriber Line): El VDSL es una evolución del
ADSL que utiliza DMT para alcanzar velocidades aún mayores.
 Cable módem: Los cable módems también utilizan DMT para proporcionar acceso a
Internet a través de redes de cable coaxial.
 XDSL: Familia de tecnologías que utilizan DMT para ofrecer servicios de banda
ancha sobre líneas telefónicas.
Consideraciones adicionales

 Ecualización: La DMT utiliza técnicas de ecualización para compensar la distorsión

causada por el canal de comunicación.
 Sincronización: Es fundamental sincronizar el transmisor y el receptor para que
puedan recuperar los datos correctamente.
 Gestión de potencia: La potencia asignada a cada subcanal se ajusta de acuerdo a
las condiciones del canal para optimizar el rendimiento.

En conclusión, la Transmisión Multitono Discreta es una tecnología clave en las

comunicaciones modernas, permitiendo la transmisión de datos a altas velocidades y de
manera eficiente en diversos entornos. Su adaptabilidad, eficiencia y robustez la convierten
en una elección popular para una amplia gama de aplicaciones.

CONVERTIDORES A/D DE SOBREMUESTREO

¿Qué es el Sobremuestreo?

El sobremuestreo es una técnica en la conversión analógico-digital (A/D) que consiste en

muestrear una señal analógica a una frecuencia mucho mayor que la frecuencia de Nyquist
requerida. Esto significa tomar muestras de la señal a un ritmo más rápido de lo
estrictamente necesario para capturar toda la información contenida en la señal.

¿Por qué Sobremuestrear?

 Mayor resolución efectiva: Al sobremuestrear, se obtiene una representación más

detallada de la señal analógica, lo que permite utilizar cuantizadores de menor
resolución (menos bits) y aún así obtener un resultado final con alta precisión.
 Reducción del ruido de cuantización: El ruido de cuantización es inherente a
cualquier proceso de conversión A/D. Al sobremuestrear y filtrar posteriormente la
señal digital, se puede reducir significativamente este ruido, mejorando la relación
señal-ruido (SNR).
 Simplificación del diseño del convertidor: Los conversores A/D de sobremuestreo
suelen ser más simples de diseñar y construir que los conversores tradicionales, ya
que requieren menos componentes de alta precisión.
Funcionamiento Básico

1. Sobremuestreo: La señal analógica se muestrea a una frecuencia mucho mayor que

la frecuencia de Nyquist.
2. Cuantización: Las muestras se cuantizan utilizando un cuantizador de baja
resolución.
3. Filtrado digital: La señal digital resultante se filtra digitalmente para eliminar las
componentes de alta frecuencia y reducir el ruido de cuantización.
4. Decimación: La señal filtrada se decima (se reduce su frecuencia de muestreo) para
obtener la señal digital final a la frecuencia de muestreo deseada.

Arquitecturas de Conversión A/D de Sobremuestreo

 Moduladores Sigma-Delta: Son los más utilizados en la actualidad. Consisten en un

integrador, un cuantizador de un solo bit y un lazo de realimentación. La señal de
error se integra y se cuantiza repetidamente, generando una secuencia de bits que
representa la señal analógica original.

Ventajas de los Conversores A/D de Sobremuestreo

 Alta resolución: Se pueden obtener resoluciones de 16 bits o más con relativa

facilidad.
 Baja distorsión armónica total (THD): La distorsión armónica es muy baja debido al
uso de filtros digitales de alta calidad.
 Buen comportamiento a altas frecuencias: Los conversores Sigma-Delta suelen
tener una buena respuesta en frecuencia hasta frecuencias muy altas.
 Baja sensibilidad al ruido de alimentación: Son menos sensibles al ruido de
alimentación que otros tipos de conversores.

Aplicaciones

Los conversores A/D de sobremuestreo se utilizan en una amplia variedad de aplicaciones,

incluyendo:

 Audio de alta resolución: En reproductores de música de alta fidelidad y equipos de

grabación profesional.
 Comunicaciones: En módems, receptores de radio y sistemas de radar.
 Instrumentación: En equipos de medición y control industrial.
 Conversión de energía: En sistemas de potencia y energías renovables.

CONVERTIDORES D/A DE SOBREMUESTREO

Al igual que en la conversión A/D, el sobremuestreo en la conversión digital-analógica (D/A)
implica aumentar la frecuencia de muestreo de una señal digital por encima de la frecuencia
de Nyquist. Esto permite obtener una representación más detallada de la señal digital y, en
consecuencia, una señal analógica reconstruida con mayor calidad.

¿Por qué Sobremuestrear en Conversión D/A?

 Reducción del ruido de cuantización: Al aumentar la densidad de muestras, se

reduce el efecto del ruido de cuantización, que es inherente a cualquier proceso de
conversión digital-analógico.

 Mejora de la respuesta en frecuencia: El sobremuestreo permite utilizar filtros

analógicos más simples y económicos, ya que la mayor densidad de muestras facilita la
eliminación de las componentes de alta frecuencia.

 Mayor resolución efectiva: Al igual que en la conversión A/D, el sobremuestreo

permite utilizar cuantizadores de menor resolución y obtener una señal analógica de
alta calidad.

Funcionamiento Básico

1. Interpolación: La señal digital se interpola para aumentar su frecuencia de muestreo.

Esto se logra insertando muestras adicionales entre las muestras originales.

2. Filtrado analógico: La señal interpolada se pasa a través de un filtro analógico de

paso bajo para eliminar las componentes de alta frecuencia introducidas por la
interpolación y reconstruir la señal analógica original.

Arquitecturas de Conversión D/A de Sobremuestreo

 DACs de escalera: Son DACs tradicionales que se utilizan en combinación con

técnicas de sobremuestreo y filtrado digital para mejorar su rendimiento.

 DACs Sigma-Delta: Al igual que en la conversión A/D, los moduladores Sigma-Delta

se utilizan ampliamente en DACs de sobremuestreo. Estos dispositivos generan una
señal de alta frecuencia que se filtra para obtener la señal analógica deseada.

Ventajas de los DACs de Sobremuestreo

 Alta resolución: Se pueden obtener resoluciones de 24 bits o más con relativa

facilidad.

 Baja distorsión armónica total (THD): La distorsión armónica es muy baja debido al
uso de filtros analógicos de alta calidad.
  Respuesta en frecuencia plana: Los DACs de sobremuestreo tienen una respuesta
en frecuencia muy plana en un amplio rango de frecuencias.

 Baja sensibilidad al ruido de alimentación: Son menos sensibles al ruido de

alimentación que otros tipos de DACs.

Aplicaciones

Los DACs de sobremuestreo se utilizan en una amplia variedad de aplicaciones, incluyendo:

 Audio de alta fidelidad: En reproductores de música de alta calidad, amplificadores y

equipos de grabación profesional.

 Comunicaciones: En módems, transmisores de radio y sistemas de radar.

 Instrumentación: En equipos de medición y control industrial.

 Generación de señales: En equipos de prueba y medición.

DISEÑO DE ARREGLOS DE ANTENAS DISPERSAS

Los arreglos de antenas dispersas son configuraciones en las que los elementos radiantes
están distribuidos aleatoriamente o de manera no periódica en el espacio. A diferencia de los
arreglos lineales o planos convencionales, donde los elementos están dispuestos en una
estructura regular, los elementos de un arreglo disperso pueden tener posiciones arbitrarias.

Ventajas de los Arreglos Dispersos

 Baja probabilidad de intercepción (LPI): La distribución aleatoria de los elementos

dificulta la detección y localización del arreglo por parte de sistemas de radar o de
escucha.

 Baja sensibilidad a fallos: La falla de un elemento individual tiene un impacto menor

en el rendimiento general del arreglo, ya que no existe una dependencia crítica en la
posición de cada elemento.

 Flexibilidad en la forma: Los arreglos dispersos pueden adaptarse a formas y

superficies arbitrarias, lo que los hace ideales para aplicaciones en vehículos o en
entornos con restricciones geométricas.

 Mayor ancho de banda: Debido a la falta de periodicidad, los arreglos dispersos

pueden tener un ancho de banda más amplio que los arreglos convencionales.

Desafíos en el Diseño
  Síntesis de patrones de radiación: Diseñar arreglos dispersos con patrones de
radiación específicos es un problema más complejo que en el caso de arreglos
regulares, ya que no existen fórmulas analíticas simples para calcular la radiación.

 Análisis electromagnético: La simulación y el análisis de arreglos dispersos requieren

de herramientas computacionales más potentes y sofisticadas que las utilizadas para
arreglos convencionales.

 Calibración: La calibración de los arreglos dispersos es más compleja debido a la

variabilidad en las amplitudes y fases de los elementos.

Técnicas de Diseño

 Métodos estocásticos: Se utilizan algoritmos de optimización para encontrar la

distribución óptima de los elementos que produzca el patrón de radiación deseado.

 Métodos deterministas: Se basan en la teoría de números y en la distribución de

puntos en el espacio para generar posiciones de los elementos con propiedades
específicas.

 Métodos híbridos: Combinan técnicas estocásticas y deterministas para obtener

mejores resultados.

Aplicaciones

 Radar: Los arreglos dispersos se utilizan en radares de baja probabilidad de

intercepción (LPI) para detectar objetivos sin ser detectados.

 Comunicaciones: Se emplean en sistemas de comunicación móvil para mejorar la

cobertura y la capacidad.

 Antenas de aeronaves: Se utilizan para reducir la sección radar y mejorar el

rendimiento aerodinámico.

 Antenas de satélites: Se utilizan para formar haces de alta ganancia y reducir la

interferencia.

Herramientas de Diseño

 Software de simulación electromagnética: HFSS, CST Microwave Studio, FEKO,

entre otros.

 Herramientas de optimización: MATLAB, Python, etc.

 Herramientas de análisis estadístico: MATLAB, R, etc.

Consideraciones Adicionales

 Densidad de los elementos: La densidad de los elementos influye en el ancho de

banda y en la ganancia del arreglo.

 Distribución de los elementos: La distribución de los elementos puede ser uniforme,

aleatoria o seguir una distribución específica.

 Alimentación de los elementos: La forma en que se alimentan los elementos afecta

al patrón de radiación y a la eficiencia del arreglo.

En resumen, los arreglos de antenas dispersas ofrecen una gran flexibilidad y ventajas en
diversas aplicaciones, pero su diseño requiere de un enfoque más complejo y de herramientas
computacionales sofisticadas.