<?xml version="1.0"?>
<feed xmlns="http://www.w3.org/2005/Atom" xml:lang="en">
	<id>https://www.glossalab.org/w/api.php?action=feedcontributions&amp;feedformat=atom&amp;user=Rub%C3%A9n+Guzm%C3%A1n</id>
	<title>glossaLAB - User contributions [en]</title>
	<link rel="self" type="application/atom+xml" href="https://www.glossalab.org/w/api.php?action=feedcontributions&amp;feedformat=atom&amp;user=Rub%C3%A9n+Guzm%C3%A1n"/>
	<link rel="alternate" type="text/html" href="https://www.glossalab.org/wiki/Special:Contributions/Rub%C3%A9n_Guzm%C3%A1n"/>
	<updated>2026-04-30T22:27:05Z</updated>
	<subtitle>User contributions</subtitle>
	<generator>MediaWiki 1.43.6</generator>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=15370</id>
		<title>Filtrado adaptativo</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=15370"/>
		<updated>2025-08-31T10:12:47Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
El &#039;&#039;&#039;filtrado adaptativo&#039;&#039;&#039; es una técnica de procesamiento de señales, donde un filtro tiene la capacidad de adaptar sus coeficientes de forma dinámica ante las condiciones cambiantes de la señal o de su entorno. Para ello, los filtros adaptativos implementan algoritmos que buscan la minimización de una función de error determinada.&lt;br /&gt;
&lt;br /&gt;
Existen dos algoritmos fundamentales en el filtrado adaptativo: &#039;&#039;&#039;LMS&#039;&#039;&#039; (&#039;&#039;Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) y &#039;&#039;&#039;RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos). Ambos buscan la minimización del error cuadrático medio entre la señal deseada y la señal filtrada, pero lo abordan de forma diferente. En líneas generales, LMS implementa una solución iterativa por el método de gradiente descendiente, mientras RLS utiliza una método recursivo de actualización de la solución óptima en base a todas las muestras previas. RLS requiere de mayor complejidad y coste computacional, pero a cambio converge de forma más rápida a los coeficientes óptimos.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Proakis, J.G. y Manolakis, D.G. (2007). &#039;&#039;Tratamiento digital de señales&#039;&#039; (4ª edición). Madrid: Pearson Educación.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Ejemplos ===&lt;br /&gt;
Cuando las características de las señales y el entorno son variantes, debemos recurrir a métodos con capacidad de adaptación y seguimiento a estos cambios. Los filtros adaptativos son soluciones ideales para sistemas que deben trabajar en tiempo real en entornos no estacionarios. Estas son algunas de las múltiples aplicaciones que implementan técnicas de filtrado adaptativo:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Identificación de sistemas&#039;&#039;. La comparación de las señales a la salida de un filtro adaptativo en paralelo con un sistema desconocido variante en	el tiempo nos permitirá identificar la respuesta del sistema en base a los coeficientes obtenidos en el filtro.&lt;br /&gt;
* &#039;&#039;Ecualización adaptativa del canal&#039;&#039;. Utilizado para mitigar la distorsión producida en la señal por un canal de comunicación de condiciones variantes en el tiempo. Este es el caso de las comunicaciones móviles, donde debido al multitrayecto, la distorsión de los símbolos transmitidos aumenta la interferencia entre estos.&lt;br /&gt;
* &#039;&#039;Cancelación de eco&#039;&#039;. En las comunicaciones &#039;&#039;full-duplex&#039;&#039;, como la telefónica, parte de la señal del emisor puede introducirse en el canal de vuelta. Ésta se puede suprimir mediante filtrado adaptativo.&lt;br /&gt;
&lt;br /&gt;
== Planteamiento general ==&lt;br /&gt;
[[File:Filtro adaptativo.png|thumb|440x440px|&#039;&#039;Figura 1. Filtro FIR adaptativo genérico.&#039;&#039;]]&lt;br /&gt;
Los filtros FIR son los más ampliamente utilizados en el filtrado adaptativo. Por lo tanto partimos de un filtro FIR de coeficientes adaptativos implementado en su estructura directa (ver figura), donde &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; es la señal a la entrada del filtro, &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; la señal a su salida, &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; la señal deseada y &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; es la respuesta al impulso del filtro de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; coeficientes &amp;lt;math&amp;gt;h(0),h(1),...,h(M-1)&amp;lt;/math&amp;gt; .&lt;br /&gt;
&lt;br /&gt;
La señal a salida del filtro se puede expresar como la convolución entre  la señal a la entrada y la  respuesta al impulso:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) \, h(n-k)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El error está determinado por &amp;lt;math&amp;gt;e( n)=d(n)-y(n)&amp;lt;/math&amp;gt;, y el objetivo es encontrar el valor de los parámetros del filtro que minimicen el error cuadrático medio, según la siguiente función de costo:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J = E[e^2(n)] = E\left[\left(d(n) - y(n)\right)^2\right] = E\left[\left(d(n) - \sum_{k=0}^{M-1} x(k) h(n-k)\right)^2\right]&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La optimización de esta función nos lleva al siguiente conjunto de ecuaciones lineales, conocido como la &#039;&#039;ecuación de Wiener-Hopf&#039;&#039;:&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) \gamma_{xx}(l-k) = \gamma_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
En esta ecuación se consideran &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; como procesos aleatorios, siendo &amp;lt;math&amp;gt;\gamma_{xx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\gamma_{dx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación cruzada entre &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. La solución a este ecuación da como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;óptimos&#039;&#039; del filtro que minimizan el error cuadrático medio, pero desconocemos los valores estadísticos de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; para poder resolverla. Sin embargo, podemos considerar una ecuación muy similar a partir de los valores reales de las señales:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) r_{xx}(l-k) =r_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt; r_{xx}&amp;lt;/math&amp;gt; es la autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt; r_{dx}&amp;lt;/math&amp;gt; la correlación cruzada entre las secuencias &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. Estos valores reales son estimaciones de los valores estadísticos de las señales y la resolución de este sistema de ecuaciones, muestra a muestra, dará como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;estimados&#039;&#039; en cada instante.&lt;br /&gt;
&lt;br /&gt;
El objetivo de los algoritmos adaptativos como el LMS es acercarse a la solución &#039;&#039;óptima&#039;&#039; de la ecuación de Wiener-Hopf a partir de los datos reales de las secuencias, haciendo que los datos &#039;&#039;estimados&#039;&#039; obtenidos a partir de estos converjan hacia la solución &#039;&#039;óptima&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo LMS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo LMS&#039;&#039;&#039; &#039;&#039;(Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) es un método iterativo basado en el gradiente descendente para adaptar los coeficientes de un filtro y minimizar el error cuadrático medio entre la salida filtrada y la señal deseada. &lt;br /&gt;
&lt;br /&gt;
Para ello, propone la actualización iterativa de los coeficientes en dirección del gradiente negativo según la regla:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo:&lt;br /&gt;
&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{h}(n) = [ h_0(n), h_1(n), \ldots, h_{M-1}(n) ]^T&amp;lt;/math&amp;gt;, el vector de coeficientes del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;, el vector de entrada deslizante de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; muestras de la señal &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;, el error en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;. Siendo &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; el valor deseado de la muestra, e &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; el valor de la salida del filtro en ese instante, donde &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt;, la &#039;&#039;tasa de aprendizaje&#039;&#039;, parámetro que condiciona la velocidad de convergencia y la estabilidad del algoritmo.&lt;br /&gt;
&lt;br /&gt;
La elección de &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt; es determinante. Una tasa de aprendizaje mayor produce una convergencia más rápida, pero no puede superar la condición de estabilidad del algoritmo dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{2}{\lambda_{\text{max}}}&amp;lt;/math&amp;gt;. Donde &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt; es el autovalor máximo de &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; (matriz de autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;) . Ante la dificultad de conocer &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt;, se suele utilizar la aproximación dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{1}{M P_x}&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; es el número de coeficientes del filtro y &amp;lt;math&amp;gt;P_x&amp;lt;/math&amp;gt; es la potencia media de la señal de entrada.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento del algoritmo se puede sintetizar en los siguientes pasos:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de los coeficientes del filtro &amp;lt;math&amp;gt;\mathbf{h}(0) = \left[ h_0(0), h_1(0), \ldots, h_{M-1}(0) \right]^T&amp;lt;/math&amp;gt;. Si fuera posible se tomarían los valores calculados previamente a partir de una señal de referencia conocida por el receptor. Si no, se inicializan normalmente a &amp;lt;math&amp;gt;0&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización del vector de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo RLS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos) actualiza los coeficientes del filtro mediante la minimización de la suma del error cuadrático hacia el pasado según una ponderación decreciente exponencial. RLS tiene una convergencia más rápida, pero a costa de mayor complejidad computacional. &lt;br /&gt;
&lt;br /&gt;
RLS trata de encontrar los coeficientes que minimizan la función de costo siguiente:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J(n) = \sum_{l=0}^{n} \lambda^{n-l} e^2(l) = \sum_{l=0}^{n} \lambda^{n-l} \big(d(l) - y(l)\big)^2 = \sum_{l=0}^{n} \lambda^{n-l} \big(d(l) - \mathbf{x}^T(l) \mathbf{h}(n)\big)^2&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde: &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el instante actual; &amp;lt;math&amp;gt;l&amp;lt;/math&amp;gt; es el índice que recorre las muestras pasadas desde &amp;lt;math&amp;gt;0&amp;lt;/math&amp;gt; hasta &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;, suponiendo &amp;lt;math&amp;gt;x(n)=0&amp;lt;/math&amp;gt; para &amp;lt;math&amp;gt;n&amp;lt;0&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;d(l)&amp;lt;/math&amp;gt; e &amp;lt;math&amp;gt;y(l)&amp;lt;/math&amp;gt; son el valor deseado de la muestra y el valor a la salida del filtro, respectivamente; y &amp;lt;math&amp;gt;\lambda&amp;lt;/math&amp;gt; es un parámetro conocido como &#039;&#039;factor de olvido&#039;&#039; (&amp;lt;math&amp;gt;0&amp;lt;\lambda&amp;lt;1&amp;lt;/math&amp;gt;, típicamente muy cercano a &amp;lt;math&amp;gt;1&amp;lt;/math&amp;gt;, por encima de &amp;lt;math&amp;gt;0.9&amp;lt;/math&amp;gt;) que pondera las muestras de forma exponencial decreciente desde la actual a la más antigua. &lt;br /&gt;
&lt;br /&gt;
Se puede observar que a diferencia del planteamiento inicial que llevó a LMS, donde la función de costo era estadística, RLS plantea una función de costo determinista. &lt;br /&gt;
&lt;br /&gt;
La optimización de la dicha función nos llevará a la resolución de un conjunto de ecuaciones lineales &amp;lt;math&amp;gt;\mathbf{R}_{xx} \mathbf{h} = \mathbf{r}_{xd}&amp;lt;/math&amp;gt;, con el que obtendremos el vector de coeficientes del filtro para cada instante &amp;lt;math&amp;gt;\mathbf{h}(n) = [h_0(n), h_1(n), \ldots, h_{M-1}(n)]^T&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; la matriz de correlación de dimensión &amp;lt;math&amp;gt;M \times M&amp;lt;/math&amp;gt; a partir de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt;\mathbf{r}_{xd}&amp;lt;/math&amp;gt; el vector columna de dimensión &amp;lt;math&amp;gt;M \times 1&amp;lt;/math&amp;gt; dado por la correlación cruzada de las secuencias &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Para ello, se emplea un método recursivo en el cuál la &#039;&#039;ecuación de actualización&#039;&#039; de los coeficientes viene dada por &amp;lt;math&amp;gt;\mathbf{h}(n) = \mathbf{h}(n-1) + \mathbf{k}(n)  e(n)&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt; es el error entre el valor de la muestra deseada y el valor a la salida del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt;\mathbf{k}(n)&amp;lt;/math&amp;gt; es el &#039;&#039;vector de ganancia de Kalman&#039;&#039;, dado por la expresión:&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{k}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}{\lambda + \mathbf{x}^T(n) \mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento recursivo del cálculo de coeficientes según el algoritmo RLS se puede sintetizar como:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de &amp;lt;math&amp;gt;\mathbf{h}(-1) = \mathbf{0}&amp;lt;/math&amp;gt; y de &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(-1) =(1/ \delta) \mathbf{I}&amp;lt;/math&amp;gt; (&amp;lt;math&amp;gt;\delta&amp;lt;/math&amp;gt; número positivo pequeño, &amp;lt;math&amp;gt;\mathbf{I}&amp;lt;/math&amp;gt; matriz identidad &amp;lt;math&amp;gt;M \times M&amp;lt;/math&amp;gt;).&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n-1)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del vector de ganancia de Kalman. Según la expresión &amp;lt;math&amp;gt;\mathbf{k}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}{\lambda + \mathbf{x}^T(n) \mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización de la inversa de la matriz de autocorrelación. Según &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) - \mathbf{k}(n)\mathbf{x}^T(n)\mathbf{R}_{xx}^{-1}(n-1)}{\lambda}&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización del vector de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n) = \mathbf{h}(n-1) + \mathbf{k}(n)  e(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
La función &amp;lt;code&amp;gt;DecisorAdaptativo(xm,a,c,M,lambda,h,P)&amp;lt;/code&amp;gt; realiza la decisión en recepción,  incorporando un filtro FIR que adapta sus coeficientes según el algoritmo RLS. Se parte de las muestras en instantes óptimos después del filtro adaptado (&amp;lt;code&amp;gt;xm&amp;lt;/code&amp;gt;), y se realiza una llamada a la función &amp;lt;code&amp;gt;[[ComLAB/Códigos de MATLAB|decisor()]]&amp;lt;/code&amp;gt;, que devuelve las decisiones óptimas y sus codificaciones correspondientes.&lt;br /&gt;
&lt;br /&gt;
Las entradas &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; y &amp;lt;code&amp;gt;c&amp;lt;/code&amp;gt; determinan la constelación de los valores esperados de la señal y los códigos asociados a cada valor. &amp;lt;code&amp;gt;M&amp;lt;/code&amp;gt; es el orden del filtro FIR adaptativo. &amp;lt;code&amp;gt;lambda&amp;lt;/code&amp;gt; es el factor de olvido del algoritmo RLS. &amp;lt;code&amp;gt;h&amp;lt;/code&amp;gt; y &amp;lt;code&amp;gt;P&amp;lt;/code&amp;gt; son, respectivamente, los valores de iniciales de los coeficientes del filtro  &amp;lt;math&amp;gt;\mathbf{h}(-1)&amp;lt;/math&amp;gt; y de la inversa de la matriz de correlación &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(-1)&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Además del vector de decisiones (&amp;lt;code&amp;gt;d&amp;lt;/code&amp;gt;) y de sus valores codificados en forma de secuencia binaria (&amp;lt;code&amp;gt;d_cod&amp;lt;/code&amp;gt;), a la salida se entrega el vector de valores a la salida del filtro (&amp;lt;code&amp;gt;y&amp;lt;/code&amp;gt;) y el error entre éste y el de decisiones (&amp;lt;code&amp;gt;e&amp;lt;/code&amp;gt;).&lt;br /&gt;
&lt;br /&gt;
A continuación, se muestra el código completo:&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
function [d_cod,d,y,e,h_out,P_out,h_hist] = DecisorAdaptativo(xm,a,c,M,lambda,h,P)&lt;br /&gt;
% DecisorAdaptativo&lt;br /&gt;
% ENTRADAS:&lt;br /&gt;
%   xm: Señal recibida de canal tras pasar por filtro adaptado + muestreo&lt;br /&gt;
%   a: Vector columna de amplitudes de la constelación (Mx1)&lt;br /&gt;
%   c: Códigos correspondirntes a cada amplitud (Mxb)&lt;br /&gt;
%   M: Orden del filtro FIR&lt;br /&gt;
%   lambda: Factor de olvido de algoritmo RLS&lt;br /&gt;
%   h: Valores iniciales de los coeficientes del ecualizador (heredados de trama anterior)&lt;br /&gt;
%   P: Valores iniciales de matriz P (heredados de trama anterior)&lt;br /&gt;
% SALIDAS:&lt;br /&gt;
%   d_cod: Vector de decisiones codificado según c&lt;br /&gt;
%   d: Vector de decisiones después de ecualizador adaptativo&lt;br /&gt;
%   y: Vector de salidas de ecualizador adaptativo, previo a decisor&lt;br /&gt;
%   e: Error entre decisiones y salida &lt;br /&gt;
%   h_out: Últimos valores de h (para siguiente trama)&lt;br /&gt;
%   P_out: Últimos valores de P (para siguiente trama)&lt;br /&gt;
%   h_hist: Registro de la evolución de los coeficientes del filtro (MxN)&lt;br /&gt;
&lt;br /&gt;
N = length(xm) - (M-1); % Longitud de trama de entrada - Solape (condiciones iniciales)&lt;br /&gt;
b = log2(numel(a));     % Bits por símbolo&lt;br /&gt;
&lt;br /&gt;
xm=xm(:); % Forzar entrada como columna&lt;br /&gt;
&lt;br /&gt;
% Inicialización de vectores:&lt;br /&gt;
y = zeros(N,1);         % Vector de salida de ecualizador adaptativo &lt;br /&gt;
d = zeros(N,1);         % Vector de decisiones&lt;br /&gt;
e = zeros(N,1);         % Vector de errores &lt;br /&gt;
d_cod = zeros(N*b, 1);  % Vector de decisiones codificado&lt;br /&gt;
h_hist = zeros(M,N);    % Inicialización de h_hist&lt;br /&gt;
&lt;br /&gt;
% Muestras desde 1 a N:&lt;br /&gt;
for n=1:N&lt;br /&gt;
    x = flipud(xm(n : n+M-1));          % Selección de entrada al filtro de x(n) a x(n-M+1)&lt;br /&gt;
    y(n)=x&#039;*h;                          % Salida de ecualizador para coeficientes actuales &lt;br /&gt;
    [bits_n, d(n)]=decisor(y(n),a,c);   % Decisión para salida de ecualizador&lt;br /&gt;
    d_cod((n-1)*b+1 : n*b)=bits_n;      % Escritura en vector de decisiones codificado&lt;br /&gt;
    e(n)=d(n)-y(n);                     % Error (Señal decidida - Señal ecualizada)&lt;br /&gt;
    k=(P*x)/(lambda + x&#039;*P*x);          % Vector de ganancia de Kalman&lt;br /&gt;
    P=(1/lambda)*(P-k*x&#039;*P);            % Actualización de matriz P&lt;br /&gt;
    h_hist(:,n) = h;                    % Actualización del histórico de h&lt;br /&gt;
    h=h+k*e(n);                         % Actualización de coeficientes para siguiente iteración&lt;br /&gt;
end&lt;br /&gt;
&lt;br /&gt;
% Salidas para siguiente trama&lt;br /&gt;
h_out=h;&lt;br /&gt;
P_out=P;&lt;br /&gt;
&lt;br /&gt;
%Salida decodificada como boolean&lt;br /&gt;
d_cod = boolean(d_cod);&lt;br /&gt;
end&lt;br /&gt;
&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;Como ejemplo, se representa gráficamente la evolución del error cuadrático a la salida del decisor adaptativo, a partir del vector de error &amp;lt;code&amp;gt;e&amp;lt;/code&amp;gt;, y la comparativa entre las decisiones &amp;lt;code&amp;gt;d&amp;lt;/code&amp;gt; y las salidas del filtro adaptativo &amp;lt;code&amp;gt;y&amp;lt;/code&amp;gt;. En este caso, el decisor se intenta adaptar a un canal multitrayecto con 4 variaciones temporales equidistantes. En la figura 2 se puede observar la convergencia del error después de cada cambio.&lt;br /&gt;
&lt;br /&gt;
[[File:Decisor adaptativo.png|center|thumb|712x712px|&#039;&#039;Figura 2. Evolución del error cuadrático en el decisor adaptativo y comparativa entre decisiones y salida del filtro.&#039;&#039;]]&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=14113</id>
		<title>Filtrado adaptativo</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=14113"/>
		<updated>2025-08-23T21:00:03Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Código y ejemplo&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
El &#039;&#039;&#039;filtrado adaptativo&#039;&#039;&#039; es una técnica de procesamiento de señales, donde un filtro tiene la capacidad de adaptar sus coeficientes de forma dinámica ante las condiciones cambiantes de la señal o de su entorno. Para ello, los filtros adaptativos implementan algoritmos que buscan la minimización de una función de error determinada.&lt;br /&gt;
&lt;br /&gt;
Existen dos algoritmos fundamentales en el filtrado adaptativo: &#039;&#039;&#039;LMS&#039;&#039;&#039; (&#039;&#039;Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) y &#039;&#039;&#039;RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos). Ambos buscan la minimización del error cuadrático medio entre la señal deseada y la señal filtrada, pero lo abordan de forma diferente. En líneas generales, LMS implementa una solución iterativa por el método de gradiente descendiente, mientras RLS utiliza una método recursivo de actualización de la solución óptima en base a todas las muestras previas. RLS requiere de mayor complejidad y coste computacional, pero a cambio converge de forma más rápida a los coeficientes óptimos.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Proakis, J.G. y Manolakis, D.G. (2007). &#039;&#039;Tratamiento digital de señales&#039;&#039; (4ª edición). Madrid: Pearson Educación.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Ejemplos ===&lt;br /&gt;
Cuando las características de las señales y el entorno son variantes, debemos recurrir a métodos con capacidad de adaptación y seguimiento a estos cambios. Los filtros adaptativos son soluciones ideales para sistemas que deben trabajar en tiempo real en entornos no estacionarios. Estas son algunas de las múltiples aplicaciones que implementan técnicas de filtrado adaptativo:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Identificación de sistemas&#039;&#039;. La comparación de las señales a la salida de un filtro adaptativo en paralelo con un sistema desconocido variante en	el tiempo nos permitirá identificar la respuesta del sistema en base a los coeficientes obtenidos en el filtro.&lt;br /&gt;
* &#039;&#039;Ecualización adaptativa del canal&#039;&#039;. Utilizado para mitigar la distorsión producida en la señal por un canal de comunicación de condiciones variantes en el tiempo. Este es el caso de las comunicaciones móviles, donde debido al multitrayecto, la distorsión de los símbolos transmitidos aumenta la interferencia entre estos.&lt;br /&gt;
* &#039;&#039;Cancelación de eco&#039;&#039;. En las comunicaciones &#039;&#039;full-duplex&#039;&#039;, como la telefónica, parte de la señal del emisor puede introducirse en el canal de vuelta. Ésta se puede suprimir mediante filtrado adaptativo.&lt;br /&gt;
&lt;br /&gt;
== Planteamiento general ==&lt;br /&gt;
[[File:Filtro adaptativo.png|thumb|440x440px|&#039;&#039;Figura 1. Filtro FIR adaptativo genérico.&#039;&#039;]]&lt;br /&gt;
Los filtros FIR son los más ampliamente utilizados en el filtrado adaptativo. Por lo tanto partimos de un filtro FIR de coeficientes adaptativos implementado en su estructura directa (ver figura), donde &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; es la señal a la entrada del filtro, &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; la señal a su salida, &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; la señal deseada y &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; es la respuesta al impulso del filtro de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; coeficientes &amp;lt;math&amp;gt;h(0),h(1),...,h(M-1)&amp;lt;/math&amp;gt; .&lt;br /&gt;
&lt;br /&gt;
La señal a salida del filtro se puede expresar como la convolución entre  la señal a la entrada y la  respuesta al impulso:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) \, h(n-k)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El error está determinado por &amp;lt;math&amp;gt;e( n)=d(n)-y(n)&amp;lt;/math&amp;gt;, y el objetivo es encontrar el valor de los parámetros del filtro que minimicen el error cuadrático medio, según la siguiente función de costo:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J = E[e^2(n)] = E\left[\left(d(n) - y(n)\right)^2\right] = E\left[\left(d(n) - \sum_{k=0}^{M-1} x(k) h(n-k)\right)^2\right]&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La optimización de esta función nos lleva al siguiente conjunto de ecuaciones lineales, conocido como la &#039;&#039;ecuación de Wiener-Hopf&#039;&#039;:&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) \gamma_{xx}(l-k) = \gamma_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
En esta ecuación se consideran &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; como procesos aleatorios, siendo &amp;lt;math&amp;gt;\gamma_{xx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\gamma_{dx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación cruzada entre &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. La solución a este ecuación da como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;óptimos&#039;&#039; del filtro que minimizan el error cuadrático medio, pero desconocemos los valores estadísticos de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; para poder resolverla. Sin embargo, podemos considerar una ecuación muy similar a partir de los valores reales de las señales:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) r_{xx}(l-k) =r_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt; r_{xx}&amp;lt;/math&amp;gt; es la autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt; r_{dx}&amp;lt;/math&amp;gt; la correlación cruzada entre las secuencias &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. Estos valores reales son estimaciones de los valores estadísticos de las señales y la resolución de este sistema de ecuaciones, muestra a muestra, dará como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;estimados&#039;&#039; en cada instante.&lt;br /&gt;
&lt;br /&gt;
El objetivo de los algoritmos adaptativos como el LMS es acercarse a la solución &#039;&#039;óptima&#039;&#039; de la ecuación de Wiener-Hopf a partir de los datos reales de las secuencias, haciendo que los datos &#039;&#039;estimados&#039;&#039; obtenidos a partir de estos converjan hacia la solución &#039;&#039;óptima&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo LMS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo LMS&#039;&#039;&#039; &#039;&#039;(Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) es un método iterativo basado en el gradiente descendente para adaptar los coeficientes de un filtro y minimizar el error cuadrático medio entre la salida filtrada y la señal deseada. &lt;br /&gt;
&lt;br /&gt;
Para ello, propone la actualización iterativa de los coeficientes en dirección del gradiente negativo según la regla:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo:&lt;br /&gt;
&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{h}(n) = [ h_0(n), h_1(n), \ldots, h_{M-1}(n) ]^T&amp;lt;/math&amp;gt;, el vector de coeficientes del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;, el vector de entrada deslizante de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; muestras de la señal &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;, el error en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;. Siendo &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; el valor deseado de la muestra, e &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; el valor de la salida del filtro en ese instante, donde &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt;, la &#039;&#039;tasa de aprendizaje&#039;&#039;, parámetro que condiciona la velocidad de convergencia y la estabilidad del algoritmo.&lt;br /&gt;
&lt;br /&gt;
La elección de &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt; es determinante. Una tasa de aprendizaje mayor produce una convergencia más rápida, pero no puede superar la condición de estabilidad del algoritmo dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{2}{\lambda_{\text{max}}}&amp;lt;/math&amp;gt;. Donde &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt; es el autovalor máximo de &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; (matriz de autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;) . Ante la dificultad de conocer &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt;, se suele utilizar la aproximación dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{1}{M P_x}&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; es el número de coeficientes del filtro y &amp;lt;math&amp;gt;P_x&amp;lt;/math&amp;gt; es la potencia media de la señal de entrada.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento del algoritmo se puede sintetizar en los siguientes pasos:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de los coeficientes del filtro &amp;lt;math&amp;gt;\mathbf{h}(0) = \left[ h_0(0), h_1(0), \ldots, h_{M-1}(0) \right]^T&amp;lt;/math&amp;gt;. Si fuera posible se tomarían los valores calculados previamente a partir de una señal de referencia conocida por el receptor. Si no, se inicializan normalmente a &amp;lt;math&amp;gt;0&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización del vector de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo RLS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos) actualiza los coeficientes del filtro mediante la minimización de la suma del error cuadrático hacia el pasado según una ponderación decreciente exponencial. RLS tiene una convergencia más rápida, pero a costa de mayor complejidad computacional. &lt;br /&gt;
&lt;br /&gt;
RLS trata de encontrar los coeficientes que minimizan la función de costo siguiente:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J(n) = \sum_{l=0}^{n} \lambda^{n-l} e^2(l) = \sum_{l=0}^{n} \lambda^{n-l} \big(d(l) - y(l)\big)^2 = \sum_{l=0}^{n} \lambda^{n-l} \big(d(l) - \mathbf{x}^T(l) \mathbf{h}(n)\big)^2&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde: &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el instante actual; &amp;lt;math&amp;gt;l&amp;lt;/math&amp;gt; es el índice que recorre las muestras pasadas desde &amp;lt;math&amp;gt;0&amp;lt;/math&amp;gt; hasta &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;, suponiendo &amp;lt;math&amp;gt;x(n)=0&amp;lt;/math&amp;gt; para &amp;lt;math&amp;gt;n&amp;lt;0&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;d(l)&amp;lt;/math&amp;gt; e &amp;lt;math&amp;gt;y(l)&amp;lt;/math&amp;gt; son el valor deseado de la muestra y el valor a la salida del filtro, respectivamente; y &amp;lt;math&amp;gt;\lambda&amp;lt;/math&amp;gt; es un parámetro conocido como &#039;&#039;factor de olvido&#039;&#039; (&amp;lt;math&amp;gt;0&amp;lt;\lambda&amp;lt;1&amp;lt;/math&amp;gt;, típicamente muy cercano a &amp;lt;math&amp;gt;1&amp;lt;/math&amp;gt;, por encima de &amp;lt;math&amp;gt;0.9&amp;lt;/math&amp;gt;) que pondera las muestras de forma exponencial decreciente desde la actual a la más antigua. &lt;br /&gt;
&lt;br /&gt;
Se puede observar que a diferencia del planteamiento inicial que llevó a LMS, donde la función de costo era estadística, RLS plantea una función de costo determinista. &lt;br /&gt;
&lt;br /&gt;
La optimización de la dicha función nos llevará a la resolución de un conjunto de ecuaciones lineales &amp;lt;math&amp;gt;\mathbf{R}_{xx} \mathbf{h} = \mathbf{r}_{xd}&amp;lt;/math&amp;gt;, con el que obtendremos el vector de coeficientes del filtro para cada instante &amp;lt;math&amp;gt;\mathbf{h}(n) = [h_0(n), h_1(n), \ldots, h_{M-1}(n)]^T&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; la matriz de correlación de dimensión &amp;lt;math&amp;gt;M \times M&amp;lt;/math&amp;gt; a partir de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt;\mathbf{r}_{xd}&amp;lt;/math&amp;gt; el vector columna de dimensión &amp;lt;math&amp;gt;M \times 1&amp;lt;/math&amp;gt; dado por la correlación cruzada de las secuencias &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Para ello, se emplea un método recursivo en el cuál la &#039;&#039;ecuación de actualización&#039;&#039; de los coeficientes viene dada por &amp;lt;math&amp;gt;\mathbf{h}(n) = \mathbf{h}(n-1) + \mathbf{k}(n)  e(n)&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt; es el error entre el valor de la muestra deseada y el valor a la salida del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt;\mathbf{k}(n)&amp;lt;/math&amp;gt; es el &#039;&#039;vector de ganancia de Kalman&#039;&#039;, dado por la expresión:&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{k}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}{\lambda + \mathbf{x}^T(n) \mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento recursivo del cálculo de coeficientes según el algoritmo RLS se puede sintetizar como:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de &amp;lt;math&amp;gt;\mathbf{h}(-1) = \mathbf{0}&amp;lt;/math&amp;gt; y de &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(-1) = \delta \mathbf{I}&amp;lt;/math&amp;gt; (&amp;lt;math&amp;gt;\delta&amp;lt;/math&amp;gt; número positivo pequeño, &amp;lt;math&amp;gt;\mathbf{I}&amp;lt;/math&amp;gt; matriz identidad &amp;lt;math&amp;gt;M \times M&amp;lt;/math&amp;gt;).&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n-1)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del vector de ganancia de Kalman. Según la expresión &amp;lt;math&amp;gt;\mathbf{k}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}{\lambda + \mathbf{x}^T(n) \mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización de la inversa de la matriz de autocorrelación. Según &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) - \mathbf{k}(n)\mathbf{x}^T(n)\mathbf{R}_{xx}^{-1}(n-1)}{\lambda}&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización del vector de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n) = \mathbf{h}(n-1) + \mathbf{k}(n)  e(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
La función &amp;lt;code&amp;gt;DecisorAdaptativo(xm,a,c,M,lambda,h,P)&amp;lt;/code&amp;gt; realiza la decisión en recepción,  incorporando un filtro FIR que adapta sus coeficientes según el algoritmo RLS. Se parte de las muestras en instantes óptimos después del filtro adaptado (&amp;lt;code&amp;gt;xm&amp;lt;/code&amp;gt;), y se realiza una llamada a la función &amp;lt;code&amp;gt;[[ComLAB/Códigos de MATLAB|decisor()]]&amp;lt;/code&amp;gt;, que devuelve las decisiones óptimas y sus codificaciones correspondientes.&lt;br /&gt;
&lt;br /&gt;
Las entradas &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; y &amp;lt;code&amp;gt;c&amp;lt;/code&amp;gt; determinan la constelación de los valores esperados de la señal y los códigos asociados a cada valor. &amp;lt;code&amp;gt;M&amp;lt;/code&amp;gt; es el orden del filtro FIR adaptativo. &amp;lt;code&amp;gt;lambda&amp;lt;/code&amp;gt; es el factor de olvido del algoritmo RLS. &amp;lt;code&amp;gt;h&amp;lt;/code&amp;gt; y &amp;lt;code&amp;gt;P&amp;lt;/code&amp;gt; son, respectivamente, los valores de iniciales de los coeficientes del filtro  &amp;lt;math&amp;gt;\mathbf{h}(-1)&amp;lt;/math&amp;gt; y de la inversa de la matriz de correlación &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(-1)&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Además del vector de decisiones (&amp;lt;code&amp;gt;d&amp;lt;/code&amp;gt;) y de sus valores codificados en forma de secuencia binaria (&amp;lt;code&amp;gt;d_cod&amp;lt;/code&amp;gt;), a la salida se entrega el vector de valores a la salida del filtro (&amp;lt;code&amp;gt;y&amp;lt;/code&amp;gt;) y el error entre éste y el de decisiones (&amp;lt;code&amp;gt;e&amp;lt;/code&amp;gt;).&lt;br /&gt;
&lt;br /&gt;
A continuación, se muestra el código completo:&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
function [d_cod,d,y,e,h_out,P_out,h_hist] = DecisorAdaptativo(xm,a,c,M,lambda,h,P)&lt;br /&gt;
% DecisorAdaptativo&lt;br /&gt;
% ENTRADAS:&lt;br /&gt;
%   xm: Señal recibida de canal tras pasar por filtro adaptado + muestreo&lt;br /&gt;
%   a: Vector columna de amplitudes de la constelación (Mx1)&lt;br /&gt;
%   c: Códigos correspondirntes a cada amplitud (Mxb)&lt;br /&gt;
%   M: Orden del filtro FIR&lt;br /&gt;
%   lambda: Factor de olvido de algoritmo RLS&lt;br /&gt;
%   h: Valores iniciales de los coeficientes del ecualizador (heredados de trama anterior)&lt;br /&gt;
%   P: Valores iniciales de matriz P (heredados de trama anterior)&lt;br /&gt;
% SALIDAS:&lt;br /&gt;
%   d_cod: Vector de decisiones codificado según c&lt;br /&gt;
%   d: Vector de decisiones después de ecualizador adaptativo&lt;br /&gt;
%   y: Vector de salidas de ecualizador adaptativo, previo a decisor&lt;br /&gt;
%   e: Error entre decisiones y salida &lt;br /&gt;
%   h_out: Últimos valores de h (para siguiente trama)&lt;br /&gt;
%   P_out: Últimos valores de P (para siguiente trama)&lt;br /&gt;
%   h_hist: Registro de la evolución de los coeficientes del filtro (MxN)&lt;br /&gt;
&lt;br /&gt;
N = length(xm) - (M-1); % Longitud de trama de entrada - Solape (condiciones iniciales)&lt;br /&gt;
b = log2(numel(a));     % Bits por símbolo&lt;br /&gt;
&lt;br /&gt;
xm=xm(:); % Forzar entrada como columna&lt;br /&gt;
&lt;br /&gt;
% Inicialización de vectores:&lt;br /&gt;
y = zeros(N,1);         % Vector de salida de ecualizador adaptativo &lt;br /&gt;
d = zeros(N,1);         % Vector de decisiones&lt;br /&gt;
e = zeros(N,1);         % Vector de errores &lt;br /&gt;
d_cod = zeros(N*b, 1);  % Vector de decisiones codificado&lt;br /&gt;
h_hist = zeros(M,N);    % Inicialización de h_hist&lt;br /&gt;
&lt;br /&gt;
% Muestras desde 1 a N:&lt;br /&gt;
for n=1:N&lt;br /&gt;
    x = flipud(xm(n : n+M-1));          % Selección de entrada al filtro de x(n) a x(n-M+1)&lt;br /&gt;
    y(n)=x&#039;*h;                          % Salida de ecualizador para coeficientes actuales &lt;br /&gt;
    [bits_n, d(n)]=decisor(y(n),a,c);   % Decisión para salida de ecualizador&lt;br /&gt;
    d_cod((n-1)*b+1 : n*b)=bits_n;      % Escritura en vector de decisiones codificado&lt;br /&gt;
    e(n)=d(n)-y(n);                     % Error (Señal decidida - Señal ecualizada)&lt;br /&gt;
    k=(P*x)/(lambda + x&#039;*P*x);          % Vector de ganancia de Kalman&lt;br /&gt;
    P=(1/lambda)*(P-k*x&#039;*P);            % Actualización de matriz P&lt;br /&gt;
    h_hist(:,n) = h;                    % Actualización del histórico de h&lt;br /&gt;
    h=h+k*e(n);                         % Actualización de coeficientes para siguiente iteración&lt;br /&gt;
end&lt;br /&gt;
&lt;br /&gt;
% Salidas para siguiente trama&lt;br /&gt;
h_out=h;&lt;br /&gt;
P_out=P;&lt;br /&gt;
&lt;br /&gt;
%Salida decodificada como boolean&lt;br /&gt;
d_cod = boolean(d_cod);&lt;br /&gt;
end&lt;br /&gt;
&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;Como ejemplo, se representa gráficamente la evolución del error cuadrático a la salida del decisor adaptativo, a partir del vector de error &amp;lt;code&amp;gt;e&amp;lt;/code&amp;gt;, y la comparativa entre las decisiones &amp;lt;code&amp;gt;d&amp;lt;/code&amp;gt; y las salidas del filtro adaptativo &amp;lt;code&amp;gt;y&amp;lt;/code&amp;gt;. En este caso, el decisor se intenta adaptar a un canal multitrayecto con 4 variaciones temporales equidistantes. En la figura 2 se puede observar la convergencia del error después de cada cambio.&lt;br /&gt;
&lt;br /&gt;
[[File:Decisor adaptativo.png|center|thumb|712x712px|&#039;&#039;Figura 2. Evolución del error cuadrático en el decisor adaptativo y comparativa entre decisiones y salida del filtro.&#039;&#039;]]&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=File:Decisor_adaptativo.png&amp;diff=15259</id>
		<title>File:Decisor adaptativo.png</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=File:Decisor_adaptativo.png&amp;diff=15259"/>
		<updated>2025-08-23T20:55:22Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Convergencia de error cuadrático&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=14112</id>
		<title>Filtrado adaptativo</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=14112"/>
		<updated>2025-08-23T19:30:40Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Código&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
El &#039;&#039;&#039;filtrado adaptativo&#039;&#039;&#039; es una técnica de procesamiento de señales, donde un filtro tiene la capacidad de adaptar sus coeficientes de forma dinámica ante las condiciones cambiantes de la señal o de su entorno. Para ello, los filtros adaptativos implementan algoritmos que buscan la minimización de una función de error determinada.&lt;br /&gt;
&lt;br /&gt;
Existen dos algoritmos fundamentales en el filtrado adaptativo: &#039;&#039;&#039;LMS&#039;&#039;&#039; (&#039;&#039;Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) y &#039;&#039;&#039;RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos). Ambos buscan la minimización del error cuadrático medio entre la señal deseada y la señal filtrada, pero lo abordan de forma diferente. En líneas generales, LMS implementa una solución iterativa por el método de gradiente descendiente, mientras RLS utiliza una método recursivo de actualización de la solución óptima en base a todas las muestras previas. RLS requiere de mayor complejidad y coste computacional, pero a cambio converge de forma más rápida a los coeficientes óptimos.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Proakis, J.G. y Manolakis, D.G. (2007). &#039;&#039;Tratamiento digital de señales&#039;&#039; (4ª edición). Madrid: Pearson Educación.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Ejemplos ===&lt;br /&gt;
Cuando las características de las señales y el entorno son variantes, debemos recurrir a métodos con capacidad de adaptación y seguimiento a estos cambios. Los filtros adaptativos son soluciones ideales para sistemas que deben trabajar en tiempo real en entornos no estacionarios. Estas son algunas de las múltiples aplicaciones que implementan técnicas de filtrado adaptativo:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Identificación de sistemas&#039;&#039;. La comparación de las señales a la salida de un filtro adaptativo en paralelo con un sistema desconocido variante en	el tiempo nos permitirá identificar la respuesta del sistema en base a los coeficientes obtenidos en el filtro.&lt;br /&gt;
* &#039;&#039;Ecualización adaptativa del canal&#039;&#039;. Utilizado para mitigar la distorsión producida en la señal por un canal de comunicación de condiciones variantes en el tiempo. Este es el caso de las comunicaciones móviles, donde debido al multitrayecto, la distorsión de los símbolos transmitidos aumenta la interferencia entre estos.&lt;br /&gt;
* &#039;&#039;Cancelación de eco&#039;&#039;. En las comunicaciones &#039;&#039;full-duplex&#039;&#039;, como la telefónica, parte de la señal del emisor puede introducirse en el canal de vuelta. Ésta se puede suprimir mediante filtrado adaptativo.&lt;br /&gt;
&lt;br /&gt;
== Planteamiento general ==&lt;br /&gt;
[[File:Filtro adaptativo.png|thumb|440x440px|Filtro FIR adaptativo genérico]]&lt;br /&gt;
Los filtros FIR son los más ampliamente utilizados en el filtrado adaptativo. Por lo tanto partimos de un filtro FIR de coeficientes adaptativos implementado en su estructura directa (ver figura), donde &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; es la señal a la entrada del filtro, &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; la señal a su salida, &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; la señal deseada y &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; es la respuesta al impulso del filtro de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; coeficientes &amp;lt;math&amp;gt;h(0),h(1),...,h(M-1)&amp;lt;/math&amp;gt; .&lt;br /&gt;
&lt;br /&gt;
La señal a salida del filtro se puede expresar como la convolución entre  la señal a la entrada y la  respuesta al impulso:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) \, h(n-k)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El error está determinado por &amp;lt;math&amp;gt;e( n)=d(n)-y(n)&amp;lt;/math&amp;gt;, y el objetivo es encontrar el valor de los parámetros del filtro que minimicen el error cuadrático medio, según la siguiente función de costo:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J = E[e^2(n)] = E\left[\left(d(n) - y(n)\right)^2\right] = E\left[\left(d(n) - \sum_{k=0}^{M-1} x(k) h(n-k)\right)^2\right]&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La optimización de esta función nos lleva al siguiente conjunto de ecuaciones lineales, conocido como la &#039;&#039;ecuación de Wiener-Hopf&#039;&#039;:&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) \gamma_{xx}(l-k) = \gamma_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
En esta ecuación se consideran &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; como procesos aleatorios, siendo &amp;lt;math&amp;gt;\gamma_{xx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\gamma_{dx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación cruzada entre &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. La solución a este ecuación da como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;óptimos&#039;&#039; del filtro que minimizan el error cuadrático medio, pero desconocemos los valores estadísticos de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; para poder resolverla. Sin embargo, podemos considerar una ecuación muy similar a partir de los valores reales de las señales:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) r_{xx}(l-k) =r_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt; r_{xx}&amp;lt;/math&amp;gt; es la autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt; r_{dx}&amp;lt;/math&amp;gt; la correlación cruzada entre las secuencias &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. Estos valores reales son estimaciones de los valores estadísticos de las señales y la resolución de este sistema de ecuaciones, muestra a muestra, dará como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;estimados&#039;&#039; en cada instante.&lt;br /&gt;
&lt;br /&gt;
El objetivo de los algoritmos adaptativos como el LMS es acercarse a la solución &#039;&#039;óptima&#039;&#039; de la ecuación de Wiener-Hopf a partir de los datos reales de las secuencias, haciendo que los datos &#039;&#039;estimados&#039;&#039; obtenidos a partir de estos converjan hacia la solución &#039;&#039;óptima&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo LMS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo LMS&#039;&#039;&#039; &#039;&#039;(Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) es un método iterativo basado en el gradiente descendente para adaptar los coeficientes de un filtro y minimizar el error cuadrático medio entre la salida filtrada y la señal deseada. &lt;br /&gt;
&lt;br /&gt;
Para ello, propone la actualización iterativa de los coeficientes en dirección del gradiente negativo según la regla:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo:&lt;br /&gt;
&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{h}(n) = [ h_0(n), h_1(n), \ldots, h_{M-1}(n) ]^T&amp;lt;/math&amp;gt;, el vector de coeficientes del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;, el vector de entrada deslizante de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; muestras de la señal &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;, el error en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;. Siendo &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; el valor deseado de la muestra, e &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; el valor de la salida del filtro en ese instante, donde &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt;, la &#039;&#039;tasa de aprendizaje&#039;&#039;, parámetro que condiciona la velocidad de convergencia y la estabilidad del algoritmo.&lt;br /&gt;
&lt;br /&gt;
La elección de &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt; es determinante. Una tasa de aprendizaje mayor produce una convergencia más rápida, pero no puede superar la condición de estabilidad del algoritmo dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{2}{\lambda_{\text{max}}}&amp;lt;/math&amp;gt;. Donde &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt; es el autovalor máximo de &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; (matriz de autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;) . Ante la dificultad de conocer &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt;, se suele utilizar la aproximación dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{1}{M P_x}&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; es el número de coeficientes del filtro y &amp;lt;math&amp;gt;P_x&amp;lt;/math&amp;gt; es la potencia media de la señal de entrada.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento del algoritmo se puede sintetizar en los siguientes pasos:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de los coeficientes del filtro &amp;lt;math&amp;gt;\mathbf{h}(0) = \left[ h_0(0), h_1(0), \ldots, h_{M-1}(0) \right]^T&amp;lt;/math&amp;gt;. Si fuera posible se tomarían los valores calculados previamente a partir de una señal de referencia conocida por el receptor. Si no, se inicializan normalmente a &amp;lt;math&amp;gt;0&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización del vector de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo RLS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos) actualiza los coeficientes del filtro mediante la minimización de la suma del error cuadrático hacia el pasado según una ponderación decreciente exponencial. RLS tiene una convergencia más rápida, pero a costa de mayor complejidad computacional. &lt;br /&gt;
&lt;br /&gt;
RLS trata de encontrar los coeficientes que minimizan la función de costo siguiente:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J(n) = \sum_{l=0}^{n} \lambda^{n-l} e^2(l) = \sum_{l=0}^{n} \lambda^{n-l} \big(d(l) - y(l)\big)^2 = \sum_{l=0}^{n} \lambda^{n-l} \big(d(l) - \mathbf{x}^T(l) \mathbf{h}(n)\big)^2&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde: &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el instante actual; &amp;lt;math&amp;gt;l&amp;lt;/math&amp;gt; es el índice que recorre las muestras pasadas desde &amp;lt;math&amp;gt;0&amp;lt;/math&amp;gt; hasta &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;, suponiendo &amp;lt;math&amp;gt;x(n)=0&amp;lt;/math&amp;gt; para &amp;lt;math&amp;gt;n&amp;lt;0&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;d(l)&amp;lt;/math&amp;gt; e &amp;lt;math&amp;gt;y(l)&amp;lt;/math&amp;gt; son el valor deseado de la muestra y el valor a la salida del filtro, respectivamente; y &amp;lt;math&amp;gt;\lambda&amp;lt;/math&amp;gt; es un parámetro conocido como &#039;&#039;factor de olvido&#039;&#039; (&amp;lt;math&amp;gt;0&amp;lt;\lambda&amp;lt;1&amp;lt;/math&amp;gt;, típicamente muy cercano a &amp;lt;math&amp;gt;1&amp;lt;/math&amp;gt;, por encima de &amp;lt;math&amp;gt;0.9&amp;lt;/math&amp;gt;) que pondera las muestras de forma exponencial decreciente desde la actual a la más antigua. &lt;br /&gt;
&lt;br /&gt;
Se puede observar que a diferencia del planteamiento inicial que llevó a LMS, donde la función de costo era estadística, RLS plantea una función de costo determinista. &lt;br /&gt;
&lt;br /&gt;
La optimización de la dicha función nos llevará a la resolución de un conjunto de ecuaciones lineales &amp;lt;math&amp;gt;\mathbf{R}_{xx} \mathbf{h} = \mathbf{r}_{xd}&amp;lt;/math&amp;gt;, con el que obtendremos el vector de coeficientes del filtro para cada instante &amp;lt;math&amp;gt;\mathbf{h}(n) = [h_0(n), h_1(n), \ldots, h_{M-1}(n)]^T&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; la matriz de correlación de dimensión &amp;lt;math&amp;gt;M \times M&amp;lt;/math&amp;gt; a partir de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt;\mathbf{r}_{xd}&amp;lt;/math&amp;gt; el vector columna de dimensión &amp;lt;math&amp;gt;M \times 1&amp;lt;/math&amp;gt; dado por la correlación cruzada de las secuencias &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Para ello, se emplea un método recursivo en el cuál la &#039;&#039;ecuación de actualización&#039;&#039; de los coeficientes viene dada por &amp;lt;math&amp;gt;\mathbf{h}(n) = \mathbf{h}(n-1) + \mathbf{k}(n)  e(n)&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt; es el error entre el valor de la muestra deseada y el valor a la salida del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt;\mathbf{k}(n)&amp;lt;/math&amp;gt; es el &#039;&#039;vector de ganancia de Kalman&#039;&#039;, dado por la expresión:&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{k}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}{\lambda + \mathbf{x}^T(n) \mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento recursivo del cálculo de coeficientes según el algoritmo RLS se puede sintetizar como:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de &amp;lt;math&amp;gt;\mathbf{h}(-1) = \mathbf{0}&amp;lt;/math&amp;gt; y de &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(-1) = \delta \mathbf{I}&amp;lt;/math&amp;gt; (&amp;lt;math&amp;gt;\delta&amp;lt;/math&amp;gt; número positivo pequeño, &amp;lt;math&amp;gt;\mathbf{I}&amp;lt;/math&amp;gt; matriz identidad &amp;lt;math&amp;gt;M \times M&amp;lt;/math&amp;gt;).&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n-1)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del vector de ganancia de Kalman. Según la expresión &amp;lt;math&amp;gt;\mathbf{k}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}{\lambda + \mathbf{x}^T(n) \mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización de la inversa de la matriz de autocorrelación. Según &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) - \mathbf{k}(n)\mathbf{x}^T(n)\mathbf{R}_{xx}^{-1}(n-1)}{\lambda}&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización del vector de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n) = \mathbf{h}(n-1) + \mathbf{k}(n)  e(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
La función &amp;lt;code&amp;gt;DecisorAdaptativo(xm,a,c,M,lambda,h,P)&amp;lt;/code&amp;gt; realiza la decisión en recepción,  incorporando un filtro FIR que adapta sus coeficientes según el algoritmo RLS. Se parte de las muestras en instantes óptimos después del filtro adaptado (&amp;lt;code&amp;gt;xm&amp;lt;/code&amp;gt;), y se realiza una llamada a la función &amp;lt;code&amp;gt;[[ComLAB/Códigos de MATLAB|decisor()]]&amp;lt;/code&amp;gt;, que devuelve las decisiones óptimas y sus codificaciones correspondientes.&lt;br /&gt;
&lt;br /&gt;
Las entradas &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; y &amp;lt;code&amp;gt;c&amp;lt;/code&amp;gt; determinan la constelación de los valores esperados de la señal y los códigos asociados a cada valor. &amp;lt;code&amp;gt;M&amp;lt;/code&amp;gt; es el orden del filtro FIR adaptativo. &amp;lt;code&amp;gt;lambda&amp;lt;/code&amp;gt; es el factor de olvido del algoritmo RLS. &amp;lt;code&amp;gt;h&amp;lt;/code&amp;gt; y &amp;lt;code&amp;gt;P&amp;lt;/code&amp;gt; son, respectivamente, los valores de iniciales de los coeficientes del filtro  &amp;lt;math&amp;gt;\mathbf{h}(-1)&amp;lt;/math&amp;gt; y de la inversa de la matriz de correlación &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(-1)&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Como salidas tenemos&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=14111</id>
		<title>Desvanecimiento multitrayecto</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=14111"/>
		<updated>2025-08-23T18:45:19Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[File:Multitrayecto.png|thumb|350x350px|&#039;&#039;Figura 1&#039;&#039;. &#039;&#039;Propagación multitrayecto.&#039;&#039;]]&lt;br /&gt;
En el análisis de un sistema de comunicación radioeléctrico, uno de los fenómenos que se debe considerar en la caracterización del canal es el producido cuando las señales transmitidas llegan al receptor a través de múltiples trayectorias, debidas a reflexiones, difracciones y dispersiones en el entorno. La recepción de estas señales, sumadas a la onda directa con distintos retardos, amplitudes y fases, puede degradar la calidad del enlace. A este efecto de degradación de la señal se le conoce como &#039;&#039;&#039;desvanecimiento multitrayecto&#039;&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La consecuencia directa de la recepción de señales con distintas amplitudes y retardos es la posible atenuación de la potencia recibida, por la recepción de señales en contrafase. Pero además, hay que considerar un factor que agrava la degradación del enlace en la propagación multitrayecto: la dispersión temporal. En una transmisión digital, la llegada de las señales retardadas va a producir un ensanchamiento de los símbolos recibidos que va a aumentar considerablemente la interferencia entre símbolos y en consecuencia los errores en la detección de estos. Sumado a eso, esta dispersión temporal influye directamente en la respuesta en frecuencia del canal. El aumento de la dispersión temporal reduce el ancho de banda de coherencia del canal, que se traduce en una respuesta más selectiva en frecuencia.&lt;br /&gt;
&lt;br /&gt;
El estudio del efecto del multitrayecto es especialmente sensible en los servicios de comunicaciones móviles, donde, además de la impredecibilidad de los condicionantes que afectan a la caracterización del canal, se añade que el receptor puede estar en movimiento. En las bandas de frecuencia utilizadas por estos sistemas, del orden de microondas, las longitudes de onda son centimétricas, por lo que pequeñas variaciones de posición del receptor suponen cambios bruscos de fase, que pueden llevar a desvanecimientos súbitos. Por ello, se considera que el canal varía en el tiempo de forma aleatoria. Para modelar su respuesta se recurre a procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
== Caracterización de la propagación en comunicaciones móviles ==&lt;br /&gt;
Para la caracterización del canal en comunicaciones móviles se puede distinguir entre el &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039;.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Sklar, B. y Harris, F. (2021). &#039;&#039;Digital Communications: Fundamentals and Applications&#039;&#039; (3ª edición). Londres: Pearson Education.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se considera &#039;&#039;desvanecimiento a gran escala&#039;&#039;, la variación de la señal recibida considerando las pérdidas por propagación en espacio libre y las pérdidas producidas por la interposición de obstáculos de gran tamaño respecto a la longitud de onda. Este desvanecimiento tiene variaciones lentas sobre su media y depende principalmente de la distancia entre transmisor y receptor.&lt;br /&gt;
&lt;br /&gt;
Hata&amp;lt;ref&amp;gt;Hata, M. (1980). Empirical Formulae for Propagation Loss in Land Mobile Radio Services, &#039;&#039;IEEE Transactions on Vehicular Technology, VT-29&#039;&#039;(3), 317–325.&amp;lt;/ref&amp;gt;, a partir del trabajo previo de Okumura&amp;lt;ref&amp;gt;Okumura, Y.; Ohmori, E.; Kawano, T. y Fukuda, K. (1968). Field Strength and Its Variability in VHF and UHF Land Mobile Radio Service. &#039;&#039;Review of the Electrical Communication Laboratory, 16&#039;&#039;(9-10), 825-873.&amp;lt;/ref&amp;gt;, desarrolló un modelo matemático para las pérdidas de propagación en canales multitrayecto en función del entorno. A partir de este modelo, se pueden representar las pérdidas del enlace por &#039;&#039;desvanecimiento a gran escala&#039;&#039;, como una variable aleatoria &amp;lt;math&amp;gt;L_P&amp;lt;/math&amp;gt;dependiente de la distancia &amp;lt;math&amp;gt;d&amp;lt;/math&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;L_P(d) = L_S(d_0) + 10 n \log\left(\frac{d}{d_0}\right) + X_\sigma \quad \text{[dB]}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo: &amp;lt;math&amp;gt;d_0&amp;lt;/math&amp;gt; una distancia de referencia en campo lejano, sobre la que se calculan las pérdidas por propagación en espacio libre &amp;lt;math&amp;gt;L_S&amp;lt;/math&amp;gt;, según &amp;lt;math&amp;gt;L_S = \left( {4\pi d}/{\lambda} \right)^2&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el exponente de pérdidas de propagación, que depende del tipo de entorno (rural, suburbano, urbano), la frecuencia y la altura de las antenas; y &amp;lt;math&amp;gt; X_\sigma&amp;lt;/math&amp;gt; es una variable aleatoria con distribución gaussiana de media 0, que representa las pérdidas específicas por la topología del área.&lt;br /&gt;
&lt;br /&gt;
El &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; se refiere a los cambios súbitos de nivel de señal motivados por pequeños cambios de posición del receptor, de hasta media longitud de onda. Las variaciones de señal por estos pequeños cambios se modelan con diferentes tipos de distribuciones de probabilidad dependiendo de la visibilidad entre receptor y emisor: &lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rayleigh.&#039;&#039; Cuando no hay visibilidad directa, no hay un componente dominante en el conjunto de señales recibidas de cada trayectoria, como suele ocurrir en entornos altamente urbanizados o en entornos &#039;&#039;indoor&#039;&#039;, donde tenemos un alto número de ondas reflejadas y no hay onda directa. En este caso, se modela estadísticamente la señal recibida con una distribución de probabilidad de Rayleigh.&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rice.&#039;&#039; En caso de no estar obstaculizada la línea de visión directa entre receptor y emisor, la onda directa es un componente dominante en el conjunto de señales recibidas de cada trayectoria. En este caso, se modela el nivel de señal recibida con una distribución de probabilidad de Rice.&lt;br /&gt;
&lt;br /&gt;
La suma del &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; caracteriza el nivel de señal en recepción en escenarios de comunicaciones móviles.&lt;br /&gt;
&lt;br /&gt;
== Dispersión temporal ==&lt;br /&gt;
La propagación por diferentes caminos va a producir que una señal transmitida llegue a su destino en diferentes instantes de tiempo. Se define el &#039;&#039;retardo máximo&#039;&#039; &amp;lt;math&amp;gt;T_m&amp;lt;/math&amp;gt; como el tiempo transcurrido entre la recepción de la primera versión de la señal y la última, suponiendo un umbral de potencia por debajo del cuál se desprecian las posteriores.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se define el &#039;&#039;ancho de banda de coherencia&#039;&#039; &amp;lt;math&amp;gt;f_0&amp;lt;/math&amp;gt; como el rango de frecuencias donde el canal deja pasar todas las componentes de la señal con la misma amplitud y fase lineal, por tanto, las componentes pertenecientes al mismo rango son afectadas por el canal de la mima forma ante el desvanecimiento. Como aproximación se puede considerar la siguiente relación entre el &#039;&#039;retardo máximo&#039;&#039; y el &#039;&#039;ancho de banda de coherencia&#039;&#039;: &amp;lt;math&amp;gt;f_0 \approx {1}/{T_m}&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Suponiendo una transmisión digital en la que la señal transmitida es un símbolo de periodo &amp;lt;math&amp;gt;T_s&amp;lt;/math&amp;gt; y ancho de banda aproximado &amp;lt;math&amp;gt;W \approx {1}/{T_s}&amp;lt;/math&amp;gt;, podemos clasificar el desvanecimiento en función de la relación entre el canal y el símbolo transmitido de la siguiente forma:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento selectivo en frecuencia&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;gt;T_s , f_0&amp;lt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se extienden en el tiempo más que el periodo del símbolo, provocando interferencia entre símbolos que causan distorsión en la señal recibida. La separación entre las componentes facilita su distinción por parte del receptor y puede mitigar su efecto utilizando ecualización adaptativa. Desde el punto de vista espectral, el ancho de banda de coherencia del canal es más estrecho que el de la señal, por lo que las diferentes componentes espectrales de la señal se ven afectados por	el canal de forma distinta.&lt;br /&gt;
* &#039;&#039;Desvanecimiento plano&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;lt;T_s , f_0&amp;gt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se reciben dentro del tiempo de un símbolo, por lo que el canal no introduce interferencia ente símbolos, aunque sí que puede mermar la relación señal a ruido. En este caso, el &#039;&#039;ancho de banda de coherencia&#039;&#039; del canal es mayor que el ancho de banda de la señal, por lo que todas sus componentes espectrales son tratadas por igual.&lt;br /&gt;
&lt;br /&gt;
== Caracterización del canal multitrayecto en la transmisión digital ==&lt;br /&gt;
En un escenario de transmisión digital, se parte de un símbolo representado en banda base por &amp;lt;math&amp;gt;s_l(t)&amp;lt;/math&amp;gt; y de su versión modulada &amp;lt;math&amp;gt;s(t)&amp;lt;/math&amp;gt;, que se puede expresar como &amp;lt;math&amp;gt;s(t) = \Re\left\{ s_l(t) e^{j2\pi f_c t} \right\}&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;f_c&amp;lt;/math&amp;gt; la frecuencia de la portadora.&amp;lt;ref&amp;gt;Proakis, J.G. y Salehi, S. (2008). &#039;&#039;Digital Communicactions&#039;&#039; (5ª edición). Nueva York, NY: McGraw-Hill.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Al enviar este símbolo a través del canal multitrayecto, en recepción obtenemos una respuesta que es la suma del símbolo atenuado y retrasado por los diferentes trayectos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \sum_{k} \alpha_k(t) s\left(t - \tau_k(t)\right)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt; el número de trayectos, y &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, respectivamente, las variaciones temporales de atenuación y retardo de cada trayectoria.&lt;br /&gt;
&lt;br /&gt;
Si expresamos la señal recibida en función del símbolo en banda base obtenemos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \Re\left\{ &lt;br /&gt;
        \left[ &lt;br /&gt;
        \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t)) &lt;br /&gt;
        \right] &lt;br /&gt;
        e^{j2\pi f_c t} &lt;br /&gt;
        \right\}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La demodulación de esta señal nos lleva a la expresión del símbolo recibido en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;z(t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
De la que deducimos la expresión de la respuesta al impulso del canal multitrayecto en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(\tau, t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} \delta(\tau - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt;, &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt; son procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
=== Discretización del modelo de respuesta impulsional ===&lt;br /&gt;
Para facilitar el análisis computacional del modelo, podemos representar su equivalente suponiendo señales y respuesta al impulso discretas.  El número de trayectos &amp;lt;math&amp;gt;p(t)&amp;lt;/math&amp;gt;, los retardos &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, las amplitudes &amp;lt;math&amp;gt;\rho_k(t)&amp;lt;/math&amp;gt; y las fases &amp;lt;math&amp;gt;\theta_k(t)&amp;lt;/math&amp;gt; de las señales que llegan al receptor se consideran procesos aleatorios dependientes del tiempo. Por lo tanto, la respuesta del canal es un proceso aleatorio que queda representado por:&amp;lt;ref&amp;gt;Díaz Nafría, J.M. (2021). Aplicaciones de filtrado adaptativo. &#039;&#039;Enunciado de actividad de la asignatura Traramiento Digital de la Señal&#039;&#039;. UDIMA.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(n, t) = \sum_{k=1}^{p(t)} \rho_k(t) e^{j\theta_k(t)} \delta(n - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
A partir del modelo discreto de respuesta al impulso del punto anterior, se construye una función que simula el efecto del canal multitrayecto sobre la señal de entrada. La función &amp;lt;code&amp;gt;multipath(x,Pmax,Tmax,sigma,Nt)&amp;lt;/code&amp;gt; divide la señal de entrada (&amp;lt;code&amp;gt;x&amp;lt;/code&amp;gt;) en un número determinado de subtramas (&amp;lt;code&amp;gt;Nt&amp;lt;/code&amp;gt;) y aplica una respuesta al impulso distinta a cada una de ellas, para simular la variabilidad del canal. Cada una de las respuestas al impulso ha sido generada previamente a partir de las variables aleatorias que representan el número de trayectos (&amp;lt;code&amp;gt;P&amp;lt;/code&amp;gt;), las amplitudes (&amp;lt;code&amp;gt;r&amp;lt;/code&amp;gt;), las fases (&amp;lt;code&amp;gt;theta&amp;lt;/code&amp;gt;) y los retardos (&amp;lt;code&amp;gt;tau&amp;lt;/code&amp;gt;). &lt;br /&gt;
&lt;br /&gt;
La generación de estas variables aleatorias dependen del resto de parámetros de entrada: &amp;lt;code&amp;gt;Pmax&amp;lt;/code&amp;gt;, número máximo de trayectos; &amp;lt;code&amp;gt;Tmax&amp;lt;/code&amp;gt;, retardo máximo de los retardos secundarios respecto al principal; y &amp;lt;code&amp;gt;sigma&amp;lt;/code&amp;gt;, desviación típica de la amplitud de los trayectos secundarios. Se asume que la atenuación, fase y retardo del trayecto principal son nulos, y que las amplitudes, fases y retardos de los secundarios son relativos a éste.&lt;br /&gt;
&lt;br /&gt;
La aplicación de la respuesta al impulso correspondiente a cada subtrama &amp;lt;code&amp;gt;x_s&amp;lt;/code&amp;gt; se realiza mediante la función &amp;lt;code&amp;gt;filter(b,a,x_s)&amp;lt;/code&amp;gt;, siendo &amp;lt;code&amp;gt;b&amp;lt;/code&amp;gt; y &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; los coeficientes de la función de transferencia equivalente del canal. Asumiendo que el canal se comporta como un filtro FIR, los coeficientes &amp;lt;code&amp;gt;b&amp;lt;/code&amp;gt; coincidirán con la respuesta al impulso del canal y &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; será 1. &lt;br /&gt;
&lt;br /&gt;
A continuación, se muestra el código completo de la función &amp;lt;code&amp;gt;multipath()&amp;lt;/code&amp;gt;:&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
function [x_mt,B] = multipath(x,Pmax,Tmax,sigma,Nt) &lt;br /&gt;
%% Función que simula la propagación multitrayecto&lt;br /&gt;
% Divide la señal de entrada en subtramas, a las que aplica respuestas al&lt;br /&gt;
% impulso variantes, mediante la función filter().&lt;br /&gt;
% Cada respuesta al impulso caracteriza la propagación multitrayecto en un&lt;br /&gt;
% intervalo de tiempo diferente.&lt;br /&gt;
% La caracterización se realiza mediante las variables aleatorias:&lt;br /&gt;
% - Número de trayectos (P): Distribución uniforme [1,Pmax]&lt;br /&gt;
% - Amplitud de trayectos secundarios (r): Distribución normal con d. típica sigma &lt;br /&gt;
% - Fase de trayectos secundarios (theta): Distribución uniforme [-pi,pi]&lt;br /&gt;
% - Retardo de los trayectos secundarios (tau): Distribución normal [2,Tmax]&lt;br /&gt;
% Se asume que el trayecto principal tiene amplitud 1, fase 0 y retardo 1.&lt;br /&gt;
&lt;br /&gt;
% ENTRADAS&lt;br /&gt;
% - x......Señal de entrada&lt;br /&gt;
% - Pmax...Nº máximo de componentes del multitrayecto&lt;br /&gt;
% - Tmax...Retardo máximo en nº de muestras &lt;br /&gt;
% - sigma..Desviación típica de la amplitud de los trayectos secundarios&lt;br /&gt;
% - Nt.....Número de subtramas con características de canal diferente&lt;br /&gt;
&lt;br /&gt;
% SALIDAS&lt;br /&gt;
% - x_mt...Señal con distorsión multitrayecto&lt;br /&gt;
% - B......Matriz de dimensiones [Nt x Tmax] con las respuestas al impulso para cada subtrama &lt;br /&gt;
&lt;br /&gt;
Nx = length(x);     % Longitud de la secuencia de entrada&lt;br /&gt;
T = floor(Nx/Nt);   % Longitud de las Nt-1 primeras subtramas. La última incluirá el resto&lt;br /&gt;
&lt;br /&gt;
% Vector de trayectos correspondientes a cada subtrama&lt;br /&gt;
P = randi([1,Pmax],Nt,1); &lt;br /&gt;
&lt;br /&gt;
% Generación de matrices tau, theta y r&lt;br /&gt;
tau = randi([2,Tmax],Nt,Pmax-1);    % Matriz de retardos de los trayectos secundarios&lt;br /&gt;
theta = rand(Nt,Pmax-1)*2*pi-pi;    % Matriz de fases de los trayectos secundarios&lt;br /&gt;
r = randn(Nt,Pmax-1)*sigma;         % Matriz de amplitudes de los trayectos secundarios&lt;br /&gt;
&lt;br /&gt;
% Filtro de suavizado sobre tau, theta y r&lt;br /&gt;
% [b,a] = butter(6,0.1); % Filtro para suavizar las variaciones de las variables aleatorias&lt;br /&gt;
% tau = filter(b,a,tau);&lt;br /&gt;
% tau = max(2, round(tau)); % Para asegurar que tau sea entero y &amp;gt;=2&lt;br /&gt;
% theta = filter(b,a,theta);&lt;br /&gt;
% r = filter(b,a,r);&lt;br /&gt;
&lt;br /&gt;
r_complejo = abs(r).*exp(1j*theta); % Matriz de amplitudes y fases conjuntas&lt;br /&gt;
&lt;br /&gt;
% Construcción de matriz B (coeficientes del filtro FIR) [Nt x Mmax]&lt;br /&gt;
&lt;br /&gt;
B = zeros(Nt, Tmax);    % Inicializar B con ceros&lt;br /&gt;
B(:,1)=1;               % Primera columna todo unos (trayecto principal)&lt;br /&gt;
&lt;br /&gt;
    % Recorrido de tau y asignación de B(indice según tau)=r_complejo&lt;br /&gt;
    for n = 1:Nt % Recorremos filas&lt;br /&gt;
        for k = 1:(P(n)-1) % Recorremos columnas solo hasta trayectos secundarios activos&lt;br /&gt;
            col = tau(n,k); % Retardo como índice&lt;br /&gt;
            B(n,col) = B(n,col) + r_complejo(n,k); % Si se repite valor de tau se añade&lt;br /&gt;
        end&lt;br /&gt;
    end&lt;br /&gt;
&lt;br /&gt;
zi = zeros(1,Tmax-1);       % Valores iniciales del estado del filtro&lt;br /&gt;
x_mt = zeros (1,length(x)); % Inicialización de salidas&lt;br /&gt;
&lt;br /&gt;
% Aplicación de filter() a subtramas (de primera a penúltima)&lt;br /&gt;
for i=1:Nt-1 % Esto se salta si Nt=1&lt;br /&gt;
    x_subtrama = x(((i-1)*T+1):i*T); % Recorrido de x mediante subtramas de tamaño T&lt;br /&gt;
    h = B(i,:); % Coeficientes del filtro correspondientes a cada subtrama&lt;br /&gt;
    [y,zf]=filter(h,1,x_subtrama,zi); % Llamada al filtro para cada subtrama&lt;br /&gt;
    x_mt(((i-1)*T+1):i*T) = real(y); % Resultado del filtro (parte real) a vector de salida&lt;br /&gt;
    zi=zf; % Paso de estado para siguiente iteración&lt;br /&gt;
end&lt;br /&gt;
&lt;br /&gt;
% Última subtrama. También es el caso de solo 1 subtrama (Nt=1)&lt;br /&gt;
x_subtrama = x(((Nt-1)*T+1):end); % Última subtrama (incluye resto)&lt;br /&gt;
h = B(Nt,:); % Última fila&lt;br /&gt;
[y,~]=filter(h,1,x_subtrama,zi); % Llamada al filtro para la última subtrama&lt;br /&gt;
x_mt(((Nt-1)*T+1):end) = real(y); % Resultado del filtro (parte real) a vector de salida&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;Para ejemplificar el efecto que produce esta función sobre una señal de entrada, se desarrolla un breve &#039;&#039;script&#039;&#039;, mostrado a continuación, que aplica la función sobre un tren de pulsos rectangulares y sobre un pulso de raíz cuadrada de coseno alzado, mostrando gráficamente los resultados en la figura 2.&lt;br /&gt;
&lt;br /&gt;
[[File:Efecto de multitrayecto.png|center|thumb|770x770px|&#039;&#039;Figura 2. Efecto de la función multipath() sobre distintas señales.&#039;&#039;]]&lt;br /&gt;
&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
% Efecto de la función multitrayecto&lt;br /&gt;
&lt;br /&gt;
% Parámetros de la función&lt;br /&gt;
Pmax=40; % Número máximo de trayectos&lt;br /&gt;
Tmax=100; % Retardo máximo de los trayectos secundarios (en muestras)&lt;br /&gt;
sigma=0.2; % Desviación típica de la maplitud de los trayectos secundarios&lt;br /&gt;
Nt=4; % Variaciones del canal&lt;br /&gt;
&lt;br /&gt;
% Señal de entrada 1: Tren de pulsos rectangulares&lt;br /&gt;
x1 = [ones(1,32) zeros(1,32) ones(1,32) zeros(1,32) ones(1,32) zeros(1,32)]*2 - 1;&lt;br /&gt;
&lt;br /&gt;
% Señal de entrada 2: Pulso RCCA&lt;br /&gt;
tipo=1; % Codificación NRZ&lt;br /&gt;
Ms=64; % Muestras por símbolo&lt;br /&gt;
Ns=6; % Nivel de entrelazado de símbolos&lt;br /&gt;
r=1; % Factor de redondeo&lt;br /&gt;
x2 = s_b(tipo,Ms,Ns,r); % Generación de pulso&lt;br /&gt;
&lt;br /&gt;
% Paso de las señales por multipath&lt;br /&gt;
y1 = multipath(x1,Pmax,Tmax,sigma,Nt);&lt;br /&gt;
y2 = multipath(x2,Pmax,Tmax,sigma,Nt);&lt;br /&gt;
&lt;br /&gt;
% Representaciones gráficas&lt;br /&gt;
t = tiledlayout(2,1);&lt;br /&gt;
nexttile&lt;br /&gt;
stem(x1,&#039;filled&#039;,&#039;markersize&#039;,4); grid on; hold on;&lt;br /&gt;
stem(y1,&#039;filled&#039;,&#039;markersize&#039;,4);&lt;br /&gt;
legend(&#039;Señal de entrada&#039;,&#039;Señal de salida&#039;);&lt;br /&gt;
nexttile&lt;br /&gt;
stem(x2,&#039;filled&#039;,&#039;markersize&#039;,4); grid on; hold on;&lt;br /&gt;
stem(y2,&#039;filled&#039;,&#039;markersize&#039;,4);&lt;br /&gt;
legend(&#039;Señal de entrada&#039;,&#039;Señal de salida&#039;);&lt;br /&gt;
title(t,&#039;Efecto de la función multitrayecto&#039;);&lt;br /&gt;
xlabel(t,&#039;Muestras (n)&#039;);&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=14110</id>
		<title>Desvanecimiento multitrayecto</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=14110"/>
		<updated>2025-08-23T18:31:27Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[File:Multitrayecto.png|thumb|350x350px|&#039;&#039;Figura 1&#039;&#039;. &#039;&#039;Propagación multitrayecto.&#039;&#039;]]&lt;br /&gt;
En el análisis de un sistema de comunicación radioeléctrico, uno de los fenómenos que se debe considerar en la caracterización del canal es el producido cuando las señales transmitidas llegan al receptor a través de múltiples trayectorias, debidas a reflexiones, difracciones y dispersiones en el entorno. La recepción de estas señales, sumadas a la onda directa con distintos retardos, amplitudes y fases, puede degradar la calidad del enlace. A este efecto de degradación de la señal se le conoce como &#039;&#039;&#039;desvanecimiento multitrayecto&#039;&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La consecuencia directa de la recepción de señales con distintas amplitudes y retardos es la posible atenuación de la potencia recibida, por la recepción de señales en contrafase. Pero además, hay que considerar un factor que agrava la degradación del enlace en la propagación multitrayecto: la dispersión temporal. En una transmisión digital, la llegada de las señales retardadas va a producir un ensanchamiento de los símbolos recibidos que va a aumentar considerablemente la interferencia entre símbolos y en consecuencia los errores en la detección de estos. Sumado a eso, esta dispersión temporal influye directamente en la respuesta en frecuencia del canal. El aumento de la dispersión temporal reduce el ancho de banda de coherencia del canal, que se traduce en una respuesta más selectiva en frecuencia.&lt;br /&gt;
&lt;br /&gt;
El estudio del efecto del multitrayecto es especialmente sensible en los servicios de comunicaciones móviles, donde, además de la impredecibilidad de los condicionantes que afectan a la caracterización del canal, se añade que el receptor puede estar en movimiento. En las bandas de frecuencia utilizadas por estos sistemas, del orden de microondas, las longitudes de onda son centimétricas, por lo que pequeñas variaciones de posición del receptor suponen cambios bruscos de fase, que pueden llevar a desvanecimientos súbitos. Por ello, se considera que el canal varía en el tiempo de forma aleatoria. Para modelar su respuesta se recurre a procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
== Caracterización de la propagación en comunicaciones móviles ==&lt;br /&gt;
Para la caracterización del canal en comunicaciones móviles se puede distinguir entre el &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039;.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Sklar, B. y Harris, F. (2021). &#039;&#039;Digital Communications: Fundamentals and Applications&#039;&#039; (3ª edición). Londres: Pearson Education.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se considera &#039;&#039;desvanecimiento a gran escala&#039;&#039;, la variación de la señal recibida considerando las pérdidas por propagación en espacio libre y las pérdidas producidas por la interposición de obstáculos de gran tamaño respecto a la longitud de onda. Este desvanecimiento tiene variaciones lentas sobre su media y depende principalmente de la distancia entre transmisor y receptor.&lt;br /&gt;
&lt;br /&gt;
Hata&amp;lt;ref&amp;gt;Hata, M. (1980). Empirical Formulae for Propagation Loss in Land Mobile Radio Services, &#039;&#039;IEEE Transactions on Vehicular Technology, VT-29&#039;&#039;(3), 317–325.&amp;lt;/ref&amp;gt;, a partir del trabajo previo de Okumura&amp;lt;ref&amp;gt;Okumura, Y.; Ohmori, E.; Kawano, T. y Fukuda, K. (1968). Field Strength and Its Variability in VHF and UHF Land Mobile Radio Service. &#039;&#039;Review of the Electrical Communication Laboratory, 16&#039;&#039;(9-10), 825-873.&amp;lt;/ref&amp;gt;, desarrolló un modelo matemático para las pérdidas de propagación en canales multitrayecto en función del entorno. A partir de este modelo, se pueden representar las pérdidas del enlace por &#039;&#039;desvanecimiento a gran escala&#039;&#039;, como una variable aleatoria &amp;lt;math&amp;gt;L_P&amp;lt;/math&amp;gt;dependiente de la distancia &amp;lt;math&amp;gt;d&amp;lt;/math&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;L_P(d) = L_S(d_0) + 10 n \log\left(\frac{d}{d_0}\right) + X_\sigma \quad \text{[dB]}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo: &amp;lt;math&amp;gt;d_0&amp;lt;/math&amp;gt; una distancia de referencia en campo lejano, sobre la que se calculan las pérdidas por propagación en espacio libre &amp;lt;math&amp;gt;L_S&amp;lt;/math&amp;gt;, según &amp;lt;math&amp;gt;L_S = \left( {4\pi d}/{\lambda} \right)^2&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el exponente de pérdidas de propagación, que depende del tipo de entorno (rural, suburbano, urbano), la frecuencia y la altura de las antenas; y &amp;lt;math&amp;gt; X_\sigma&amp;lt;/math&amp;gt; es una variable aleatoria con distribución gaussiana de media 0, que representa las pérdidas específicas por la topología del área.&lt;br /&gt;
&lt;br /&gt;
El &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; se refiere a los cambios súbitos de nivel de señal motivados por pequeños cambios de posición del receptor, de hasta media longitud de onda. Las variaciones de señal por estos pequeños cambios se modelan con diferentes tipos de distribuciones de probabilidad dependiendo de la visibilidad entre receptor y emisor: &lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rayleigh.&#039;&#039; Cuando no hay visibilidad directa, no hay un componente dominante en el conjunto de señales recibidas de cada trayectoria, como suele ocurrir en entornos altamente urbanizados o en entornos &#039;&#039;indoor&#039;&#039;, donde tenemos un alto número de ondas reflejadas y no hay onda directa. En este caso, se modela estadísticamente la señal recibida con una distribución de probabilidad de Rayleigh.&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rice.&#039;&#039; En caso de no estar obstaculizada la línea de visión directa entre receptor y emisor, la onda directa es un componente dominante en el conjunto de señales recibidas de cada trayectoria. En este caso, se modela el nivel de señal recibida con una distribución de probabilidad de Rice.&lt;br /&gt;
&lt;br /&gt;
La suma del &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; caracteriza el nivel de señal en recepción en escenarios de comunicaciones móviles.&lt;br /&gt;
&lt;br /&gt;
== Dispersión temporal ==&lt;br /&gt;
La propagación por diferentes caminos va a producir que una señal transmitida llegue a su destino en diferentes instantes de tiempo. Se define el &#039;&#039;retardo máximo&#039;&#039; &amp;lt;math&amp;gt;T_m&amp;lt;/math&amp;gt; como el tiempo transcurrido entre la recepción de la primera versión de la señal y la última, suponiendo un umbral de potencia por debajo del cuál se desprecian las posteriores.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se define el &#039;&#039;ancho de banda de coherencia&#039;&#039; &amp;lt;math&amp;gt;f_0&amp;lt;/math&amp;gt; como el rango de frecuencias donde el canal deja pasar todas las componentes de la señal con la misma amplitud y fase lineal, por tanto, las componentes pertenecientes al mismo rango son afectadas por el canal de la mima forma ante el desvanecimiento. Como aproximación se puede considerar la siguiente relación entre el &#039;&#039;retardo máximo&#039;&#039; y el &#039;&#039;ancho de banda de coherencia&#039;&#039;: &amp;lt;math&amp;gt;f_0 \approx {1}/{T_m}&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Suponiendo una transmisión digital en la que la señal transmitida es un símbolo de periodo &amp;lt;math&amp;gt;T_s&amp;lt;/math&amp;gt; y ancho de banda aproximado &amp;lt;math&amp;gt;W \approx {1}/{T_s}&amp;lt;/math&amp;gt;, podemos clasificar el desvanecimiento en función de la relación entre el canal y el símbolo transmitido de la siguiente forma:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento selectivo en frecuencia&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;gt;T_s , f_0&amp;lt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se extienden en el tiempo más que el periodo del símbolo, provocando interferencia entre símbolos que causan distorsión en la señal recibida. La separación entre las componentes facilita su distinción por parte del receptor y puede mitigar su efecto utilizando ecualización adaptativa. Desde el punto de vista espectral, el ancho de banda de coherencia del canal es más estrecho que el de la señal, por lo que las diferentes componentes espectrales de la señal se ven afectados por	el canal de forma distinta.&lt;br /&gt;
* &#039;&#039;Desvanecimiento plano&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;lt;T_s , f_0&amp;gt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se reciben dentro del tiempo de un símbolo, por lo que el canal no introduce interferencia ente símbolos, aunque sí que puede mermar la relación señal a ruido. En este caso, el &#039;&#039;ancho de banda de coherencia&#039;&#039; del canal es mayor que el ancho de banda de la señal, por lo que todas sus componentes espectrales son tratadas por igual.&lt;br /&gt;
&lt;br /&gt;
== Caracterización del canal multitrayecto en la transmisión digital ==&lt;br /&gt;
En un escenario de transmisión digital, se parte de un símbolo representado en banda base por &amp;lt;math&amp;gt;s_l(t)&amp;lt;/math&amp;gt; y de su versión modulada &amp;lt;math&amp;gt;s(t)&amp;lt;/math&amp;gt;, que se puede expresar como &amp;lt;math&amp;gt;s(t) = \Re\left\{ s_l(t) e^{j2\pi f_c t} \right\}&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;f_c&amp;lt;/math&amp;gt; la frecuencia de la portadora.&amp;lt;ref&amp;gt;Proakis, J.G. y Salehi, S. (2008). &#039;&#039;Digital Communicactions&#039;&#039; (5ª edición). Nueva York, NY: McGraw-Hill.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Al enviar este símbolo a través del canal multitrayecto, en recepción obtenemos una respuesta que es la suma del símbolo atenuado y retrasado por los diferentes trayectos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \sum_{k} \alpha_k(t) s\left(t - \tau_k(t)\right)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt; el número de trayectos, y &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, respectivamente, las variaciones temporales de atenuación y retardo de cada trayectoria.&lt;br /&gt;
&lt;br /&gt;
Si expresamos la señal recibida en función del símbolo en banda base obtenemos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \Re\left\{ &lt;br /&gt;
        \left[ &lt;br /&gt;
        \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t)) &lt;br /&gt;
        \right] &lt;br /&gt;
        e^{j2\pi f_c t} &lt;br /&gt;
        \right\}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La demodulación de esta señal nos lleva a la expresión del símbolo recibido en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;z(t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
De la que deducimos la expresión de la respuesta al impulso del canal multitrayecto en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(\tau, t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} \delta(\tau - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt;, &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt; son procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
=== Discretización del modelo de respuesta impulsional ===&lt;br /&gt;
Para facilitar el análisis computacional del modelo, podemos representar su equivalente suponiendo señales y respuesta al impulso discretas.  El número de trayectos &amp;lt;math&amp;gt;p(t)&amp;lt;/math&amp;gt;, los retardos &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, las amplitudes &amp;lt;math&amp;gt;\rho_k(t)&amp;lt;/math&amp;gt; y las fases &amp;lt;math&amp;gt;\theta_k(t)&amp;lt;/math&amp;gt; de las señales que llegan al receptor se consideran procesos aleatorios dependientes del tiempo. Por lo tanto, la respuesta del canal es un proceso aleatorio que queda representado por:&amp;lt;ref&amp;gt;Díaz Nafría, J.M. (2021). Aplicaciones de filtrado adaptativo. &#039;&#039;Enunciado de actividad de la asignatura Traramiento Digital de la Señal&#039;&#039;. UDIMA.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(n, t) = \sum_{k=1}^{p(t)} \rho_k(t) e^{j\theta_k(t)} \delta(n - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
A partir del modelo discreto de respuesta al impulso del punto anterior, se construye una función que simula el efecto del canal multitrayecto sobre la señal de entrada. La función &amp;lt;code&amp;gt;multipath(x,Pmax,Tmax,sigma,Nt)&amp;lt;/code&amp;gt; divide la señal de entrada (&amp;lt;code&amp;gt;x&amp;lt;/code&amp;gt;) en un número determinado de subtramas (&amp;lt;code&amp;gt;Nt&amp;lt;/code&amp;gt;) y aplica una respuesta al impulso distinta a cada una de ellas, para simular la variabilidad del canal. Cada una de las respuestas al impulso ha sido generada previamente a partir de las variables aleatorias que representan el número de trayectos (&amp;lt;code&amp;gt;P&amp;lt;/code&amp;gt;), las amplitudes (&amp;lt;code&amp;gt;r&amp;lt;/code&amp;gt;), las fases (&amp;lt;code&amp;gt;theta&amp;lt;/code&amp;gt;) y los retardos (&amp;lt;code&amp;gt;tau&amp;lt;/code&amp;gt;). &lt;br /&gt;
&lt;br /&gt;
La generación de estas variables aleatorias dependen del resto de parámetros de entrada: &amp;lt;code&amp;gt;Pmax&amp;lt;/code&amp;gt;, número máximo de trayectos; &amp;lt;code&amp;gt;Tmax&amp;lt;/code&amp;gt;, retardo máximo de los retardos secundarios respecto al principal; y &amp;lt;code&amp;gt;sigma&amp;lt;/code&amp;gt;, desviación típica de la amplitud de los trayectos secundarios. Se asume que la atenuación, fase y retardo del trayecto principal son nulos, y que las amplitudes, fases y retardos de los secundarios son relativos a éste.&lt;br /&gt;
&lt;br /&gt;
La aplicación de la respuesta al impulso correspondiente a cada subtrama &amp;lt;code&amp;gt;x_s&amp;lt;/code&amp;gt; se realiza mediante la función &amp;lt;code&amp;gt;filter(b,a,x_s)&amp;lt;/code&amp;gt;, siendo &amp;lt;code&amp;gt;b&amp;lt;/code&amp;gt; y &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; los coeficientes de la función de transferencia equivalente del canal. Asumiendo que el canal se comporta como un filtro FIR, los coeficientes &amp;lt;code&amp;gt;b&amp;lt;/code&amp;gt; coincidirán con la respuesta al impulso del canal y &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; será 1. &lt;br /&gt;
&lt;br /&gt;
A continuación se muestra el código completo de la función &amp;lt;code&amp;gt;multipath()&amp;lt;/code&amp;gt;:&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
function [x_mt,B] = multipath(x,Pmax,Tmax,sigma,Nt) &lt;br /&gt;
%% Función que simula la propagación multitrayecto&lt;br /&gt;
% Divide la señal de entrada en subtramas, a las que aplica respuestas al&lt;br /&gt;
% impulso variantes, mediante la función filter().&lt;br /&gt;
% Cada respuesta al impulso caracteriza la propagación multitrayecto en un&lt;br /&gt;
% intervalo de tiempo diferente.&lt;br /&gt;
% La caracterización se realiza mediante las variables aleatorias:&lt;br /&gt;
% - Número de trayectos (P): Distribución uniforme [1,Pmax]&lt;br /&gt;
% - Amplitud de trayectos secundarios (r): Distribución normal con d. típica sigma &lt;br /&gt;
% - Fase de trayectos secundarios (theta): Distribución uniforme [-pi,pi]&lt;br /&gt;
% - Retardo de los trayectos secundarios (tau): Distribución normal [2,Tmax]&lt;br /&gt;
% Se asume que el trayecto principal tiene amplitud 1, fase 0 y retardo 1.&lt;br /&gt;
&lt;br /&gt;
% ENTRADAS&lt;br /&gt;
% - x......Señal de entrada&lt;br /&gt;
% - Pmax...Nº máximo de componentes del multitrayecto&lt;br /&gt;
% - Tmax...Retardo máximo en nº de muestras &lt;br /&gt;
% - sigma..Desviación típica de la amplitud de los trayectos secundarios&lt;br /&gt;
% - Nt.....Número de subtramas con características de canal diferente&lt;br /&gt;
&lt;br /&gt;
% SALIDAS&lt;br /&gt;
% - x_mt...Señal con distorsión multitrayecto&lt;br /&gt;
% - B......Matriz de dimensiones [Nt x Tmax] con las respuestas al impulso para cada subtrama &lt;br /&gt;
&lt;br /&gt;
Nx = length(x);     % Longitud de la secuencia de entrada&lt;br /&gt;
T = floor(Nx/Nt);   % Longitud de las Nt-1 primeras subtramas. La última incluirá el resto&lt;br /&gt;
&lt;br /&gt;
% Vector de trayectos correspondientes a cada subtrama&lt;br /&gt;
P = randi([1,Pmax],Nt,1); &lt;br /&gt;
&lt;br /&gt;
% Generación de matrices tau, theta y r&lt;br /&gt;
tau = randi([2,Tmax],Nt,Pmax-1);    % Matriz de retardos de los trayectos secundarios&lt;br /&gt;
theta = rand(Nt,Pmax-1)*2*pi-pi;    % Matriz de fases de los trayectos secundarios&lt;br /&gt;
r = randn(Nt,Pmax-1)*sigma;         % Matriz de amplitudes de los trayectos secundarios&lt;br /&gt;
&lt;br /&gt;
% Filtro de suavizado sobre tau, theta y r&lt;br /&gt;
% [b,a] = butter(6,0.1); % Filtro para suavizar las variaciones de las variables aleatorias&lt;br /&gt;
% tau = filter(b,a,tau);&lt;br /&gt;
% tau = max(2, round(tau)); % Para asegurar que tau sea entero y &amp;gt;=2&lt;br /&gt;
% theta = filter(b,a,theta);&lt;br /&gt;
% r = filter(b,a,r);&lt;br /&gt;
&lt;br /&gt;
r_complejo = abs(r).*exp(1j*theta); % Matriz de amplitudes y fases conjuntas&lt;br /&gt;
&lt;br /&gt;
% Construcción de matriz B (coeficientes del filtro FIR) [Nt x Mmax]&lt;br /&gt;
&lt;br /&gt;
B = zeros(Nt, Tmax);    % Inicializar B con ceros&lt;br /&gt;
B(:,1)=1;               % Primera columna todo unos (trayecto principal)&lt;br /&gt;
&lt;br /&gt;
    % Recorrido de tau y asignación de B(indice según tau)=r_complejo&lt;br /&gt;
    for n = 1:Nt % Recorremos filas&lt;br /&gt;
        for k = 1:(P(n)-1) % Recorremos columnas solo hasta trayectos secundarios activos&lt;br /&gt;
            col = tau(n,k); % Retardo como índice&lt;br /&gt;
            B(n,col) = B(n,col) + r_complejo(n,k); % Si se repite valor de tau se añade&lt;br /&gt;
        end&lt;br /&gt;
    end&lt;br /&gt;
&lt;br /&gt;
zi = zeros(1,Tmax-1);       % Valores iniciales del estado del filtro&lt;br /&gt;
x_mt = zeros (1,length(x)); % Inicialización de salidas&lt;br /&gt;
&lt;br /&gt;
% Aplicación de filter() a subtramas (de primera a penúltima)&lt;br /&gt;
for i=1:Nt-1 % Esto se salta si Nt=1&lt;br /&gt;
    x_subtrama = x(((i-1)*T+1):i*T); % Recorrido de x mediante subtramas de tamaño T&lt;br /&gt;
    h = B(i,:); % Coeficientes del filtro correspondientes a cada subtrama&lt;br /&gt;
    [y,zf]=filter(h,1,x_subtrama,zi); % Llamada al filtro para cada subtrama&lt;br /&gt;
    x_mt(((i-1)*T+1):i*T) = real(y); % Resultado del filtro (parte real) a vector de salida&lt;br /&gt;
    zi=zf; % Paso de estado para siguiente iteración&lt;br /&gt;
end&lt;br /&gt;
&lt;br /&gt;
% Última subtrama. También es el caso de solo 1 subtrama (Nt=1)&lt;br /&gt;
x_subtrama = x(((Nt-1)*T+1):end); % Última subtrama (incluye resto)&lt;br /&gt;
h = B(Nt,:); % Última fila&lt;br /&gt;
[y,~]=filter(h,1,x_subtrama,zi); % Llamada al filtro para la última subtrama&lt;br /&gt;
x_mt(((Nt-1)*T+1):end) = real(y); % Resultado del filtro (parte real) a vector de salida&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;Para ejemplificar el efecto que produce esta función sobre una señal de entrada, se desarrolla un breve &#039;&#039;script&#039;&#039;, mostrado a continuación, que aplica la función sobre un tren de pulsos rectangulares y sobre un pulso de raíz cuadrada de coseno alzado, mostrando gráficamente los resultados en la figura 2.&lt;br /&gt;
&lt;br /&gt;
[[File:Efecto de multitrayecto.png|center|thumb|770x770px|&#039;&#039;Figura 2. Efecto de la función multipath() sobre distintas señales.&#039;&#039;]]&lt;br /&gt;
&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
% Efecto de la función multitrayecto&lt;br /&gt;
&lt;br /&gt;
% Parámetros de la función&lt;br /&gt;
Pmax=40; % Número máximo de trayectos&lt;br /&gt;
Tmax=100; % Retardo máximo de los trayectos secundarios (en muestras)&lt;br /&gt;
sigma=0.2; % Desviación típica de la maplitud de los trayectos secundarios&lt;br /&gt;
Nt=4; % Variaciones del canal&lt;br /&gt;
&lt;br /&gt;
% Señal de entrada 1: Tren de pulsos rectangulares&lt;br /&gt;
x1 = [ones(1,32) zeros(1,32) ones(1,32) zeros(1,32) ones(1,32) zeros(1,32)]*2 - 1;&lt;br /&gt;
&lt;br /&gt;
% Señal de entrada 2: Pulso RCCA&lt;br /&gt;
tipo=1; % Codificación NRZ&lt;br /&gt;
Ms=64; % Muestras por símbolo&lt;br /&gt;
Ns=6; % Nivel de entrelazado de símbolos&lt;br /&gt;
r=1; % Factor de redondeo&lt;br /&gt;
x2 = s_b(tipo,Ms,Ns,r); % Generación de pulso&lt;br /&gt;
&lt;br /&gt;
% Paso de las señales por multipath&lt;br /&gt;
y1 = multipath(x1,Pmax,Tmax,sigma,Nt);&lt;br /&gt;
y2 = multipath(x2,Pmax,Tmax,sigma,Nt);&lt;br /&gt;
&lt;br /&gt;
% Representaciones gráficas&lt;br /&gt;
t = tiledlayout(2,1);&lt;br /&gt;
nexttile&lt;br /&gt;
stem(x1,&#039;filled&#039;,&#039;markersize&#039;,4); grid on; hold on;&lt;br /&gt;
stem(y1,&#039;filled&#039;,&#039;markersize&#039;,4);&lt;br /&gt;
legend(&#039;Señal de entrada&#039;,&#039;Señal de salida&#039;);&lt;br /&gt;
nexttile&lt;br /&gt;
stem(x2,&#039;filled&#039;,&#039;markersize&#039;,4); grid on; hold on;&lt;br /&gt;
stem(y2,&#039;filled&#039;,&#039;markersize&#039;,4);&lt;br /&gt;
legend(&#039;Señal de entrada&#039;,&#039;Señal de salida&#039;);&lt;br /&gt;
title(t,&#039;Efecto de la función multitrayecto&#039;);&lt;br /&gt;
xlabel(t,&#039;Muestras (n)&#039;);&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=14109</id>
		<title>Desvanecimiento multitrayecto</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=14109"/>
		<updated>2025-08-23T18:28:18Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Código de multipath y representación gráfica&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[File:Multitrayecto.png|thumb|350x350px|&#039;&#039;Figura 1&#039;&#039;. &#039;&#039;Propagación multitrayecto.&#039;&#039;]]&lt;br /&gt;
En el análisis de un sistema de comunicación radioeléctrico, uno de los fenómenos que se debe considerar en la caracterización del canal es el producido cuando las señales transmitidas llegan al receptor a través de múltiples trayectorias, debidas a reflexiones, difracciones y dispersiones en el entorno. La recepción de estas señales, sumadas a la onda directa con distintos retardos, amplitudes y fases, puede degradar la calidad del enlace. A este efecto de degradación de la señal se le conoce como &#039;&#039;&#039;desvanecimiento multitrayecto&#039;&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La consecuencia directa de la recepción de señales con distintas amplitudes y retardos es la posible atenuación de la potencia recibida, por la recepción de señales en contrafase. Pero además, hay que considerar un factor que agrava la degradación del enlace en la propagación multitrayecto: la dispersión temporal. En una transmisión digital, la llegada de las señales retardadas va a producir un ensanchamiento de los símbolos recibidos que va a aumentar considerablemente la interferencia entre símbolos y en consecuencia los errores en la detección de estos. Sumado a eso, esta dispersión temporal influye directamente en la respuesta en frecuencia del canal. El aumento de la dispersión temporal reduce el ancho de banda de coherencia del canal, que se traduce en una respuesta más selectiva en frecuencia.&lt;br /&gt;
&lt;br /&gt;
El estudio del efecto del multitrayecto es especialmente sensible en los servicios de comunicaciones móviles, donde, además de la impredecibilidad de los condicionantes que afectan a la caracterización del canal, se añade que el receptor puede estar en movimiento. En las bandas de frecuencia utilizadas por estos sistemas, del orden de microondas, las longitudes de onda son centimétricas, por lo que pequeñas variaciones de posición del receptor suponen cambios bruscos de fase, que pueden llevar a desvanecimientos súbitos. Por ello, se considera que el canal varía en el tiempo de forma aleatoria. Para modelar su respuesta se recurre a procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
== Caracterización de la propagación en comunicaciones móviles ==&lt;br /&gt;
Para la caracterización del canal en comunicaciones móviles se puede distinguir entre el &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039;.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Sklar, B. y Harris, F. (2021). &#039;&#039;Digital Communications: Fundamentals and Applications&#039;&#039; (3ª edición). Londres: Pearson Education.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se considera &#039;&#039;desvanecimiento a gran escala&#039;&#039;, la variación de la señal recibida considerando las pérdidas por propagación en espacio libre y las pérdidas producidas por la interposición de obstáculos de gran tamaño respecto a la longitud de onda. Este desvanecimiento tiene variaciones lentas sobre su media y depende principalmente de la distancia entre transmisor y receptor.&lt;br /&gt;
&lt;br /&gt;
Hata&amp;lt;ref&amp;gt;Hata, M. (1980). Empirical Formulae for Propagation Loss in Land Mobile Radio Services, &#039;&#039;IEEE Transactions on Vehicular Technology, VT-29&#039;&#039;(3), 317–325.&amp;lt;/ref&amp;gt;, a partir del trabajo previo de Okumura&amp;lt;ref&amp;gt;Okumura, Y.; Ohmori, E.; Kawano, T. y Fukuda, K. (1968). Field Strength and Its Variability in VHF and UHF Land Mobile Radio Service. &#039;&#039;Review of the Electrical Communication Laboratory, 16&#039;&#039;(9-10), 825-873.&amp;lt;/ref&amp;gt;, desarrolló un modelo matemático para las pérdidas de propagación en canales multitrayecto en función del entorno. A partir de este modelo, se pueden representar las pérdidas del enlace por &#039;&#039;desvanecimiento a gran escala&#039;&#039;, como una variable aleatoria &amp;lt;math&amp;gt;L_P&amp;lt;/math&amp;gt;dependiente de la distancia &amp;lt;math&amp;gt;d&amp;lt;/math&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;L_P(d) = L_S(d_0) + 10 n \log\left(\frac{d}{d_0}\right) + X_\sigma \quad \text{[dB]}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo: &amp;lt;math&amp;gt;d_0&amp;lt;/math&amp;gt; una distancia de referencia en campo lejano, sobre la que se calculan las pérdidas por propagación en espacio libre &amp;lt;math&amp;gt;L_S&amp;lt;/math&amp;gt;, según &amp;lt;math&amp;gt;L_S = \left( {4\pi d}/{\lambda} \right)^2&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el exponente de pérdidas de propagación, que depende del tipo de entorno (rural, suburbano, urbano), la frecuencia y la altura de las antenas; y &amp;lt;math&amp;gt; X_\sigma&amp;lt;/math&amp;gt; es una variable aleatoria con distribución gaussiana de media 0, que representa las pérdidas específicas por la topología del área.&lt;br /&gt;
&lt;br /&gt;
El &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; se refiere a los cambios súbitos de nivel de señal motivados por pequeños cambios de posición del receptor, de hasta media longitud de onda. Las variaciones de señal por estos pequeños cambios se modelan con diferentes tipos de distribuciones de probabilidad dependiendo de la visibilidad entre receptor y emisor: &lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rayleigh.&#039;&#039; Cuando no hay visibilidad directa, no hay un componente dominante en el conjunto de señales recibidas de cada trayectoria, como suele ocurrir en entornos altamente urbanizados o en entornos &#039;&#039;indoor&#039;&#039;, donde tenemos un alto número de ondas reflejadas y no hay onda directa. En este caso, se modela estadísticamente la señal recibida con una distribución de probabilidad de Rayleigh.&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rice.&#039;&#039; En caso de no estar obstaculizada la línea de visión directa entre receptor y emisor, la onda directa es un componente dominante en el conjunto de señales recibidas de cada trayectoria. En este caso, se modela el nivel de señal recibida con una distribución de probabilidad de Rice.&lt;br /&gt;
&lt;br /&gt;
La suma del &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; caracteriza el nivel de señal en recepción en escenarios de comunicaciones móviles.&lt;br /&gt;
&lt;br /&gt;
== Dispersión temporal ==&lt;br /&gt;
La propagación por diferentes caminos va a producir que una señal transmitida llegue a su destino en diferentes instantes de tiempo. Se define el &#039;&#039;retardo máximo&#039;&#039; &amp;lt;math&amp;gt;T_m&amp;lt;/math&amp;gt; como el tiempo transcurrido entre la recepción de la primera versión de la señal y la última, suponiendo un umbral de potencia por debajo del cuál se desprecian las posteriores.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se define el &#039;&#039;ancho de banda de coherencia&#039;&#039; &amp;lt;math&amp;gt;f_0&amp;lt;/math&amp;gt; como el rango de frecuencias donde el canal deja pasar todas las componentes de la señal con la misma amplitud y fase lineal, por tanto, las componentes pertenecientes al mismo rango son afectadas por el canal de la mima forma ante el desvanecimiento. Como aproximación se puede considerar la siguiente relación entre el &#039;&#039;retardo máximo&#039;&#039; y el &#039;&#039;ancho de banda de coherencia&#039;&#039;: &amp;lt;math&amp;gt;f_0 \approx {1}/{T_m}&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Suponiendo una transmisión digital en la que la señal transmitida es un símbolo de periodo &amp;lt;math&amp;gt;T_s&amp;lt;/math&amp;gt; y ancho de banda aproximado &amp;lt;math&amp;gt;W \approx {1}/{T_s}&amp;lt;/math&amp;gt;, podemos clasificar el desvanecimiento en función de la relación entre el canal y el símbolo transmitido de la siguiente forma:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento selectivo en frecuencia&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;gt;T_s , f_0&amp;lt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se extienden en el tiempo más que el periodo del símbolo, provocando interferencia entre símbolos que causan distorsión en la señal recibida. La separación entre las componentes facilita su distinción por parte del receptor y puede mitigar su efecto utilizando ecualización adaptativa. Desde el punto de vista espectral, el ancho de banda de coherencia del canal es más estrecho que el de la señal, por lo que las diferentes componentes espectrales de la señal se ven afectados por	el canal de forma distinta.&lt;br /&gt;
* &#039;&#039;Desvanecimiento plano&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;lt;T_s , f_0&amp;gt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se reciben dentro del tiempo de un símbolo, por lo que el canal no introduce interferencia ente símbolos, aunque sí que puede mermar la relación señal a ruido. En este caso, el &#039;&#039;ancho de banda de coherencia&#039;&#039; del canal es mayor que el ancho de banda de la señal, por lo que todas sus componentes espectrales son tratadas por igual.&lt;br /&gt;
&lt;br /&gt;
== Caracterización del canal multitrayecto en la transmisión digital ==&lt;br /&gt;
En un escenario de transmisión digital, se parte de un símbolo representado en banda base por &amp;lt;math&amp;gt;s_l(t)&amp;lt;/math&amp;gt; y de su versión modulada &amp;lt;math&amp;gt;s(t)&amp;lt;/math&amp;gt;, que se puede expresar como &amp;lt;math&amp;gt;s(t) = \Re\left\{ s_l(t) e^{j2\pi f_c t} \right\}&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;f_c&amp;lt;/math&amp;gt; la frecuencia de la portadora.&amp;lt;ref&amp;gt;Proakis, J.G. y Salehi, S. (2008). &#039;&#039;Digital Communicactions&#039;&#039; (5ª edición). Nueva York, NY: McGraw-Hill.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Al enviar este símbolo a través del canal multitrayecto, en recepción obtenemos una respuesta que es la suma del símbolo atenuado y retrasado por los diferentes trayectos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \sum_{k} \alpha_k(t) s\left(t - \tau_k(t)\right)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt; el número de trayectos, y &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, respectivamente, las variaciones temporales de atenuación y retardo de cada trayectoria.&lt;br /&gt;
&lt;br /&gt;
Si expresamos la señal recibida en función del símbolo en banda base obtenemos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \Re\left\{ &lt;br /&gt;
        \left[ &lt;br /&gt;
        \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t)) &lt;br /&gt;
        \right] &lt;br /&gt;
        e^{j2\pi f_c t} &lt;br /&gt;
        \right\}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La demodulación de esta señal nos lleva a la expresión del símbolo recibido en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;z(t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
De la que deducimos la expresión de la respuesta al impulso del canal multitrayecto en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(\tau, t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} \delta(\tau - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt;, &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt; son procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
=== Discretización del modelo de respuesta impulsional ===&lt;br /&gt;
Para facilitar el análisis computacional del modelo, podemos representar su equivalente suponiendo señales y respuesta al impulso discretas.  El número de trayectos &amp;lt;math&amp;gt;p(t)&amp;lt;/math&amp;gt;, los retardos &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, las amplitudes &amp;lt;math&amp;gt;\rho_k(t)&amp;lt;/math&amp;gt; y las fases &amp;lt;math&amp;gt;\theta_k(t)&amp;lt;/math&amp;gt; de las señales que llegan al receptor se consideran procesos aleatorios dependientes del tiempo. Por lo tanto, la respuesta del canal es un proceso aleatorio que queda representado por:&amp;lt;ref&amp;gt;Díaz Nafría, J.M. (2021). Aplicaciones de filtrado adaptativo. &#039;&#039;Enunciado de actividad de la asignatura Traramiento Digital de la Señal&#039;&#039;. UDIMA.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(n, t) = \sum_{k=1}^{p(t)} \rho_k(t) e^{j\theta_k(t)} \delta(n - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
A partir del modelo discreto de respuesta al impulso del punto anterior, se construye una función que simula el efecto del canal multitrayecto sobre la señal de entrada. La función &amp;lt;code&amp;gt;multipath(x,Pmax,Tmax,sigma,Nt)&amp;lt;/code&amp;gt; divide la señal de entrada (&amp;lt;code&amp;gt;x&amp;lt;/code&amp;gt;) en un número determinado de subtramas (&amp;lt;code&amp;gt;Nt&amp;lt;/code&amp;gt;) y aplica una respuesta al impulso distinta a cada una de ellas, para simular la variabilidad del canal. Cada una de las respuestas al impulso ha sido generada previamente a partir de las variables aleatorias que representan el número de trayectos (&amp;lt;code&amp;gt;P&amp;lt;/code&amp;gt;), las amplitudes (&amp;lt;code&amp;gt;r&amp;lt;/code&amp;gt;), las fases (&amp;lt;code&amp;gt;theta&amp;lt;/code&amp;gt;) y los retardos (&amp;lt;code&amp;gt;tau&amp;lt;/code&amp;gt;). &lt;br /&gt;
&lt;br /&gt;
La generación de estas variables aleatorias dependen del resto de parámetros de entrada: &amp;lt;code&amp;gt;Pmax&amp;lt;/code&amp;gt;, número máximo de trayectos; &amp;lt;code&amp;gt;Tmax&amp;lt;/code&amp;gt;, retardo máximo de los retardos secundarios respecto al principal; y &amp;lt;code&amp;gt;sigma&amp;lt;/code&amp;gt;, desviación típica de la amplitud de los trayectos secundarios. Se asume que la atenuación, fase y retardo del trayecto principal son nulos, y que las amplitudes, fases y retardos de los secundarios son relativos a éste.&lt;br /&gt;
&lt;br /&gt;
La aplicación de la respuesta al impulso correspondiente a cada subtrama &amp;lt;code&amp;gt;x_s&amp;lt;/code&amp;gt; se realiza mediante la función &amp;lt;code&amp;gt;filter(b,a,x_s)&amp;lt;/code&amp;gt;, siendo &amp;lt;code&amp;gt;b&amp;lt;/code&amp;gt; y &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; los coeficientes de la función de transferencia equivalente del canal. Asumiendo que el canal se comporta como un filtro FIR, los coeficientes &amp;lt;code&amp;gt;b&amp;lt;/code&amp;gt; coincidirán con la respuesta al impulso del canal y &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; será 1. &lt;br /&gt;
&lt;br /&gt;
A continuación se muestra el código completo de la función &amp;lt;code&amp;gt;multipath()&amp;lt;/code&amp;gt;:&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
function [x_mt,B] = multipath(x,Pmax,Tmax,sigma,Nt) &lt;br /&gt;
%% Función que simula la propagación multitrayecto&lt;br /&gt;
% Divide la señal de entrada en subtramas, a las que aplica respuestas al&lt;br /&gt;
% impulso variantes, mediante la función filter().&lt;br /&gt;
% Cada respuesta al impulso caracteriza la propagación multitrayecto en un&lt;br /&gt;
% intervalo de tiempo diferente.&lt;br /&gt;
% La caracterización se realiza mediante las variables aleatorias:&lt;br /&gt;
% - Número de trayectos (P): Distribución uniforme [1,Pmax]&lt;br /&gt;
% - Amplitud de trayectos secundarios (r): Distribución normal con d. típica sigma &lt;br /&gt;
% - Fase de trayectos secundarios (theta): Distribución uniforme [-pi,pi]&lt;br /&gt;
% - Retardo de los trayectos secundarios (tau): Distribución normal [2,Tmax]&lt;br /&gt;
% Se asume que el trayecto principal tiene amplitud 1, fase 0 y retardo 1.&lt;br /&gt;
&lt;br /&gt;
% ENTRADAS&lt;br /&gt;
% - x......Señal de entrada&lt;br /&gt;
% - Pmax...Nº máximo de componentes del multitrayecto&lt;br /&gt;
% - Tmax...Retardo máximo en nº de muestras &lt;br /&gt;
% - sigma..Desviación típica de la amplitud de los trayectos secundarios&lt;br /&gt;
% - Nt.....Número de subtramas con características de canal diferente&lt;br /&gt;
&lt;br /&gt;
% SALIDAS&lt;br /&gt;
% - x_mt...Señal con distorsión multitrayecto&lt;br /&gt;
% - B......Matriz de dimensiones [Nt x Tmax] con las respuestas al impulso para cada subtrama &lt;br /&gt;
&lt;br /&gt;
Nx = length(x);     % Longitud de la secuencia de entrada&lt;br /&gt;
T = floor(Nx/Nt);   % Longitud de las Nt-1 primeras subtramas. La última incluirá el resto&lt;br /&gt;
&lt;br /&gt;
% Vector de trayectos correspondientes a cada subtrama&lt;br /&gt;
P = randi([1,Pmax],Nt,1); &lt;br /&gt;
&lt;br /&gt;
% Generación de matrices tau, theta y r&lt;br /&gt;
tau = randi([2,Tmax],Nt,Pmax-1);    % Matriz de retardos de los trayectos secundarios&lt;br /&gt;
theta = rand(Nt,Pmax-1)*2*pi-pi;    % Matriz de fases de los trayectos secundarios&lt;br /&gt;
r = randn(Nt,Pmax-1)*sigma;         % Matriz de amplitudes de los trayectos secundarios&lt;br /&gt;
&lt;br /&gt;
% Filtro de suavizado sobre tau, theta y r&lt;br /&gt;
% [b,a] = butter(6,0.1); % Filtro para suavizar las variaciones de las variables aleatorias&lt;br /&gt;
% tau = filter(b,a,tau);&lt;br /&gt;
% tau = max(2, round(tau)); % Para asegurar que tau sea entero y &amp;gt;=2&lt;br /&gt;
% theta = filter(b,a,theta);&lt;br /&gt;
% r = filter(b,a,r);&lt;br /&gt;
&lt;br /&gt;
r_complejo = abs(r).*exp(1j*theta); % Matriz de amplitudes y fases conjuntas&lt;br /&gt;
&lt;br /&gt;
% Construcción de matriz B (coeficientes del filtro FIR) [Nt x Mmax]&lt;br /&gt;
&lt;br /&gt;
B = zeros(Nt, Tmax);    % Inicializar B con ceros&lt;br /&gt;
B(:,1)=1;               % Primera columna todo unos (trayecto principal)&lt;br /&gt;
&lt;br /&gt;
    % Recorrido de tau y asignación de B(indice según tau)=r_complejo&lt;br /&gt;
    for n = 1:Nt % Recorremos filas&lt;br /&gt;
        for k = 1:(P(n)-1) % Recorremos columnas solo hasta trayectos secundarios activos&lt;br /&gt;
            col = tau(n,k); % Retardo como índice&lt;br /&gt;
            B(n,col) = B(n,col) + r_complejo(n,k); % Si se repite valor de tau se añade&lt;br /&gt;
        end&lt;br /&gt;
    end&lt;br /&gt;
&lt;br /&gt;
zi = zeros(1,Tmax-1);       % Valores iniciales del estado del filtro&lt;br /&gt;
x_mt = zeros (1,length(x)); % Inicialización de salidas&lt;br /&gt;
&lt;br /&gt;
% Aplicación de filter() a subtramas (de primera a penúltima)&lt;br /&gt;
for i=1:Nt-1 % Esto se salta si Nt=1&lt;br /&gt;
    x_subtrama = x(((i-1)*T+1):i*T); % Recorrido de x mediante subtramas de tamaño T&lt;br /&gt;
    h = B(i,:); % Coeficientes del filtro correspondientes a cada subtrama&lt;br /&gt;
    [y,zf]=filter(h,1,x_subtrama,zi); % Llamada al filtro para cada subtrama&lt;br /&gt;
    x_mt(((i-1)*T+1):i*T) = real(y); % Resultado del filtro (parte real) a vector de salida&lt;br /&gt;
    zi=zf; % Paso de estado para siguiente iteración&lt;br /&gt;
end&lt;br /&gt;
&lt;br /&gt;
% Última subtrama. También es el caso de solo 1 subtrama (Nt=1)&lt;br /&gt;
x_subtrama = x(((Nt-1)*T+1):end); % Última subtrama (incluye resto)&lt;br /&gt;
h = B(Nt,:); % Última fila&lt;br /&gt;
[y,~]=filter(h,1,x_subtrama,zi); % Llamada al filtro para la última subtrama&lt;br /&gt;
x_mt(((Nt-1)*T+1):end) = real(y); % Resultado del filtro (parte real) a vector de salida&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;Para ejemplificar el efecto que produce esta función sobre una señal de entrada, se desarrolla un breve &#039;&#039;script&#039;&#039;, mostrado a continuación, que aplica la función sobre un tren de pulsos rectangulares y sobre un pulso de raíz cuadrada de coseno alzado, mostrando gráficamente los resultados en la figura 2.&lt;br /&gt;
&lt;br /&gt;
[[File:Efecto de multitrayecto.png|center|thumb|770x770px|&#039;&#039;Figura 2. Efecto de la función multipath() sobre distintas señales.&#039;&#039;]]&lt;br /&gt;
&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
% Efecto de la función multitrayecto&lt;br /&gt;
&lt;br /&gt;
% Parámetros de la función&lt;br /&gt;
Pmax=40; % Número máximo de trayectos&lt;br /&gt;
Tmax=100; % Retardo máximo de los trayectos secundarios (en muestras)&lt;br /&gt;
sigma=0.2; % Desviación típica de la maplitud de los trayectos secundarios&lt;br /&gt;
Nt=4; % Variaciones del canal&lt;br /&gt;
&lt;br /&gt;
% Señal de entrada 1: Tren de pulsos rectangulares&lt;br /&gt;
x1 = [ones(1,32) zeros(1,32) ones(1,32) zeros(1,32) ones(1,32) zeros(1,32)]*2 - 1;&lt;br /&gt;
&lt;br /&gt;
% Señal de entrada 2: Pulso RCCA&lt;br /&gt;
tipo=1; % Codificación NRZ&lt;br /&gt;
Ms=64; % Muestras por símbolo&lt;br /&gt;
Ns=6; % Nivel de entrelazado de símbolos&lt;br /&gt;
r=1; % Factor de redondeo&lt;br /&gt;
x2 = s_b(tipo,Ms,Ns,r); % Generación de pulso&lt;br /&gt;
&lt;br /&gt;
% Paso de las señales por multipath&lt;br /&gt;
y1 = multipath4(x1,Pmax,Tmax,sigma,Nt);&lt;br /&gt;
y2 = multipath4(x2,Pmax,Tmax,sigma,Nt);&lt;br /&gt;
&lt;br /&gt;
% Representaciones gráficas&lt;br /&gt;
t = tiledlayout(2,1);&lt;br /&gt;
nexttile&lt;br /&gt;
stem(x1,&#039;filled&#039;,&#039;markersize&#039;,4); grid on; hold on;&lt;br /&gt;
stem(y1,&#039;filled&#039;,&#039;markersize&#039;,4);&lt;br /&gt;
legend(&#039;Señal de entrada&#039;,&#039;Señal de salida&#039;);&lt;br /&gt;
nexttile&lt;br /&gt;
stem(x2,&#039;filled&#039;,&#039;markersize&#039;,4); grid on; hold on;&lt;br /&gt;
stem(y2,&#039;filled&#039;,&#039;markersize&#039;,4);&lt;br /&gt;
legend(&#039;Señal de entrada&#039;,&#039;Señal de salida&#039;);&lt;br /&gt;
title(t,&#039;Efecto de la función multitrayecto&#039;);&lt;br /&gt;
xlabel(t,&#039;Muestras (n)&#039;);&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=14108</id>
		<title>Desvanecimiento multitrayecto</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=14108"/>
		<updated>2025-08-23T18:18:08Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[File:Multitrayecto.png|thumb|350x350px|&#039;&#039;Figura 1&#039;&#039;. &#039;&#039;Propagación multitrayecto&#039;&#039;]]&lt;br /&gt;
En el análisis de un sistema de comunicación radioeléctrico, uno de los fenómenos que se debe considerar en la caracterización del canal es el producido cuando las señales transmitidas llegan al receptor a través de múltiples trayectorias, debidas a reflexiones, difracciones y dispersiones en el entorno. La recepción de estas señales, sumadas a la onda directa con distintos retardos, amplitudes y fases, puede degradar la calidad del enlace. A este efecto de degradación de la señal se le conoce como &#039;&#039;&#039;desvanecimiento multitrayecto&#039;&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La consecuencia directa de la recepción de señales con distintas amplitudes y retardos es la posible atenuación de la potencia recibida, por la recepción de señales en contrafase. Pero además, hay que considerar un factor que agrava la degradación del enlace en la propagación multitrayecto: la dispersión temporal. En una transmisión digital, la llegada de las señales retardadas va a producir un ensanchamiento de los símbolos recibidos que va a aumentar considerablemente la interferencia entre símbolos y en consecuencia los errores en la detección de estos. Sumado a eso, esta dispersión temporal influye directamente en la respuesta en frecuencia del canal. El aumento de la dispersión temporal reduce el ancho de banda de coherencia del canal, que se traduce en una respuesta más selectiva en frecuencia.&lt;br /&gt;
&lt;br /&gt;
El estudio del efecto del multitrayecto es especialmente sensible en los servicios de comunicaciones móviles, donde, además de la impredecibilidad de los condicionantes que afectan a la caracterización del canal, se añade que el receptor puede estar en movimiento. En las bandas de frecuencia utilizadas por estos sistemas, del orden de microondas, las longitudes de onda son centimétricas, por lo que pequeñas variaciones de posición del receptor suponen cambios bruscos de fase, que pueden llevar a desvanecimientos súbitos. Por ello, se considera que el canal varía en el tiempo de forma aleatoria. Para modelar su respuesta se recurre a procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
== Caracterización de la propagación en comunicaciones móviles ==&lt;br /&gt;
Para la caracterización del canal en comunicaciones móviles se puede distinguir entre el &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039;.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Sklar, B. y Harris, F. (2021). &#039;&#039;Digital Communications: Fundamentals and Applications&#039;&#039; (3ª edición). Londres: Pearson Education.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se considera &#039;&#039;desvanecimiento a gran escala&#039;&#039;, la variación de la señal recibida considerando las pérdidas por propagación en espacio libre y las pérdidas producidas por la interposición de obstáculos de gran tamaño respecto a la longitud de onda. Este desvanecimiento tiene variaciones lentas sobre su media y depende principalmente de la distancia entre transmisor y receptor.&lt;br /&gt;
&lt;br /&gt;
Hata&amp;lt;ref&amp;gt;Hata, M. (1980). Empirical Formulae for Propagation Loss in Land Mobile Radio Services, &#039;&#039;IEEE Transactions on Vehicular Technology, VT-29&#039;&#039;(3), 317–325.&amp;lt;/ref&amp;gt;, a partir del trabajo previo de Okumura&amp;lt;ref&amp;gt;Okumura, Y.; Ohmori, E.; Kawano, T. y Fukuda, K. (1968). Field Strength and Its Variability in VHF and UHF Land Mobile Radio Service. &#039;&#039;Review of the Electrical Communication Laboratory, 16&#039;&#039;(9-10), 825-873.&amp;lt;/ref&amp;gt;, desarrolló un modelo matemático para las pérdidas de propagación en canales multitrayecto en función del entorno. A partir de este modelo, se pueden representar las pérdidas del enlace por &#039;&#039;desvanecimiento a gran escala&#039;&#039;, como una variable aleatoria &amp;lt;math&amp;gt;L_P&amp;lt;/math&amp;gt;dependiente de la distancia &amp;lt;math&amp;gt;d&amp;lt;/math&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;L_P(d) = L_S(d_0) + 10 n \log\left(\frac{d}{d_0}\right) + X_\sigma \quad \text{[dB]}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo: &amp;lt;math&amp;gt;d_0&amp;lt;/math&amp;gt; una distancia de referencia en campo lejano, sobre la que se calculan las pérdidas por propagación en espacio libre &amp;lt;math&amp;gt;L_S&amp;lt;/math&amp;gt;, según &amp;lt;math&amp;gt;L_S = \left( {4\pi d}/{\lambda} \right)^2&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el exponente de pérdidas de propagación, que depende del tipo de entorno (rural, suburbano, urbano), la frecuencia y la altura de las antenas; y &amp;lt;math&amp;gt; X_\sigma&amp;lt;/math&amp;gt; es una variable aleatoria con distribución gaussiana de media 0, que representa las pérdidas específicas por la topología del área.&lt;br /&gt;
&lt;br /&gt;
El &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; se refiere a los cambios súbitos de nivel de señal motivados por pequeños cambios de posición del receptor, de hasta media longitud de onda. Las variaciones de señal por estos pequeños cambios se modelan con diferentes tipos de distribuciones de probabilidad dependiendo de la visibilidad entre receptor y emisor: &lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rayleigh.&#039;&#039; Cuando no hay visibilidad directa, no hay un componente dominante en el conjunto de señales recibidas de cada trayectoria, como suele ocurrir en entornos altamente urbanizados o en entornos &#039;&#039;indoor&#039;&#039;, donde tenemos un alto número de ondas reflejadas y no hay onda directa. En este caso, se modela estadísticamente la señal recibida con una distribución de probabilidad de Rayleigh.&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rice.&#039;&#039; En caso de no estar obstaculizada la línea de visión directa entre receptor y emisor, la onda directa es un componente dominante en el conjunto de señales recibidas de cada trayectoria. En este caso, se modela el nivel de señal recibida con una distribución de probabilidad de Rice.&lt;br /&gt;
&lt;br /&gt;
La suma del &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; caracteriza el nivel de señal en recepción en escenarios de comunicaciones móviles.&lt;br /&gt;
&lt;br /&gt;
== Dispersión temporal ==&lt;br /&gt;
La propagación por diferentes caminos va a producir que una señal transmitida llegue a su destino en diferentes instantes de tiempo. Se define el &#039;&#039;retardo máximo&#039;&#039; &amp;lt;math&amp;gt;T_m&amp;lt;/math&amp;gt; como el tiempo transcurrido entre la recepción de la primera versión de la señal y la última, suponiendo un umbral de potencia por debajo del cuál se desprecian las posteriores.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se define el &#039;&#039;ancho de banda de coherencia&#039;&#039; &amp;lt;math&amp;gt;f_0&amp;lt;/math&amp;gt; como el rango de frecuencias donde el canal deja pasar todas las componentes de la señal con la misma amplitud y fase lineal, por tanto, las componentes pertenecientes al mismo rango son afectadas por el canal de la mima forma ante el desvanecimiento. Como aproximación se puede considerar la siguiente relación entre el &#039;&#039;retardo máximo&#039;&#039; y el &#039;&#039;ancho de banda de coherencia&#039;&#039;: &amp;lt;math&amp;gt;f_0 \approx {1}/{T_m}&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Suponiendo una transmisión digital en la que la señal transmitida es un símbolo de periodo &amp;lt;math&amp;gt;T_s&amp;lt;/math&amp;gt; y ancho de banda aproximado &amp;lt;math&amp;gt;W \approx {1}/{T_s}&amp;lt;/math&amp;gt;, podemos clasificar el desvanecimiento en función de la relación entre el canal y el símbolo transmitido de la siguiente forma:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento selectivo en frecuencia&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;gt;T_s , f_0&amp;lt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se extienden en el tiempo más que el periodo del símbolo, provocando interferencia entre símbolos que causan distorsión en la señal recibida. La separación entre las componentes facilita su distinción por parte del receptor y puede mitigar su efecto utilizando ecualización adaptativa. Desde el punto de vista espectral, el ancho de banda de coherencia del canal es más estrecho que el de la señal, por lo que las diferentes componentes espectrales de la señal se ven afectados por	el canal de forma distinta.&lt;br /&gt;
* &#039;&#039;Desvanecimiento plano&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;lt;T_s , f_0&amp;gt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se reciben dentro del tiempo de un símbolo, por lo que el canal no introduce interferencia ente símbolos, aunque sí que puede mermar la relación señal a ruido. En este caso, el &#039;&#039;ancho de banda de coherencia&#039;&#039; del canal es mayor que el ancho de banda de la señal, por lo que todas sus componentes espectrales son tratadas por igual.&lt;br /&gt;
&lt;br /&gt;
== Caracterización del canal multitrayecto en la transmisión digital ==&lt;br /&gt;
En un escenario de transmisión digital, se parte de un símbolo representado en banda base por &amp;lt;math&amp;gt;s_l(t)&amp;lt;/math&amp;gt; y de su versión modulada &amp;lt;math&amp;gt;s(t)&amp;lt;/math&amp;gt;, que se puede expresar como &amp;lt;math&amp;gt;s(t) = \Re\left\{ s_l(t) e^{j2\pi f_c t} \right\}&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;f_c&amp;lt;/math&amp;gt; la frecuencia de la portadora.&amp;lt;ref&amp;gt;Proakis, J.G. y Salehi, S. (2008). &#039;&#039;Digital Communicactions&#039;&#039; (5ª edición). Nueva York, NY: McGraw-Hill.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Al enviar este símbolo a través del canal multitrayecto, en recepción obtenemos una respuesta que es la suma del símbolo atenuado y retrasado por los diferentes trayectos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \sum_{k} \alpha_k(t) s\left(t - \tau_k(t)\right)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt; el número de trayectos, y &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, respectivamente, las variaciones temporales de atenuación y retardo de cada trayectoria.&lt;br /&gt;
&lt;br /&gt;
Si expresamos la señal recibida en función del símbolo en banda base obtenemos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \Re\left\{ &lt;br /&gt;
        \left[ &lt;br /&gt;
        \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t)) &lt;br /&gt;
        \right] &lt;br /&gt;
        e^{j2\pi f_c t} &lt;br /&gt;
        \right\}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La demodulación de esta señal nos lleva a la expresión del símbolo recibido en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;z(t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
De la que deducimos la expresión de la respuesta al impulso del canal multitrayecto en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(\tau, t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} \delta(\tau - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt;, &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt; son procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
=== Discretización del modelo de respuesta impulsional ===&lt;br /&gt;
Para facilitar el análisis computacional del modelo, podemos representar su equivalente suponiendo señales y respuesta al impulso discretas.  El número de trayectos &amp;lt;math&amp;gt;p(t)&amp;lt;/math&amp;gt;, los retardos &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, las amplitudes &amp;lt;math&amp;gt;\rho_k(t)&amp;lt;/math&amp;gt; y las fases &amp;lt;math&amp;gt;\theta_k(t)&amp;lt;/math&amp;gt; de las señales que llegan al receptor se consideran procesos aleatorios dependientes del tiempo. Por lo tanto, la respuesta del canal es un proceso aleatorio que queda representado por:&amp;lt;ref&amp;gt;Díaz Nafría, J.M. (2021). Aplicaciones de filtrado adaptativo. &#039;&#039;Enunciado de actividad de la asignatura Traramiento Digital de la Señal&#039;&#039;. UDIMA.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(n, t) = \sum_{k=1}^{p(t)} \rho_k(t) e^{j\theta_k(t)} \delta(n - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
A partir del modelo discreto de respuesta al impulso del punto anterior, se construye una función que simula el efecto del canal multitrayecto sobre la señal de entrada. La función &amp;lt;code&amp;gt;multipath(x,Pmax,Tmax,sigma,Nt)&amp;lt;/code&amp;gt; divide la señal de entrada (&amp;lt;code&amp;gt;x&amp;lt;/code&amp;gt;) en un número determinado de subtramas (&amp;lt;code&amp;gt;Nt&amp;lt;/code&amp;gt;) y aplica una respuesta al impulso distinta a cada una de ellas, para simular la variabilidad del canal. Cada una de las respuestas al impulso ha sido generada previamente a partir de las variables aleatorias que representan el número de trayectos (&amp;lt;code&amp;gt;P&amp;lt;/code&amp;gt;), las amplitudes (&amp;lt;code&amp;gt;r&amp;lt;/code&amp;gt;), las fases (&amp;lt;code&amp;gt;theta&amp;lt;/code&amp;gt;) y los retardos (&amp;lt;code&amp;gt;tau&amp;lt;/code&amp;gt;). &lt;br /&gt;
&lt;br /&gt;
La generación de estas variables aleatorias dependen del resto de parámetros de entrada: &amp;lt;code&amp;gt;Pmax&amp;lt;/code&amp;gt;, número máximo de trayectos; &amp;lt;code&amp;gt;Tmax&amp;lt;/code&amp;gt;, retardo máximo de los retardos secundarios respecto al principal; y &amp;lt;code&amp;gt;sigma&amp;lt;/code&amp;gt;, desviación típica de la amplitud de los trayectos secundarios. Se asume que la atenuación, fase y retardo del trayecto principal son nulos, y que las amplitudes, fases y retardos de los secundarios son relativos a éste.&lt;br /&gt;
&lt;br /&gt;
La aplicación de la respuesta al impulso correspondiente a cada subtrama &amp;lt;code&amp;gt;x_s&amp;lt;/code&amp;gt; se realiza mediante la función &amp;lt;code&amp;gt;filter(b,a,x_s)&amp;lt;/code&amp;gt;, siendo &amp;lt;code&amp;gt;b&amp;lt;/code&amp;gt; y &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; los coeficientes de la función de transferencia equivalente del canal. Asumiendo que el canal se comporta como un filtro FIR, los coeficientes &amp;lt;code&amp;gt;b&amp;lt;/code&amp;gt; coincidirán con la respuesta al impulso del canal y &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; será 1. &lt;br /&gt;
&lt;br /&gt;
A continuación se muestra el código completo de la función &amp;lt;code&amp;gt;multipath()&amp;lt;/code&amp;gt;:&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
function [x_mt,B] = multipath(x,Pmax,Tmax,sigma,Nt) &lt;br /&gt;
%% Función que simula la propagación multitrayecto&lt;br /&gt;
% Divide la señal de entrada en subtramas, a las que aplica respuestas al&lt;br /&gt;
% impulso variantes, mediante la función filter().&lt;br /&gt;
% Cada respuesta al impulso caracteriza la propagación multitrayecto en un&lt;br /&gt;
% intervalo de tiempo diferente.&lt;br /&gt;
% La caracterización se realiza mediante las variables aleatorias:&lt;br /&gt;
% - Número de trayectos (P): Distribución uniforme [1,Pmax]&lt;br /&gt;
% - Amplitud de trayectos secundarios (r): Distribución normal con d. típica sigma &lt;br /&gt;
% - Fase de trayectos secundarios (theta): Distribución uniforme [-pi,pi]&lt;br /&gt;
% - Retardo de los trayectos secundarios (tau): Distribución normal [2,Tmax]&lt;br /&gt;
% Se asume que el trayecto principal tiene amplitud 1, fase 0 y retardo 1.&lt;br /&gt;
&lt;br /&gt;
% ENTRADAS&lt;br /&gt;
% - x......Señal de entrada&lt;br /&gt;
% - Pmax...Nº máximo de componentes del multitrayecto&lt;br /&gt;
% - Tmax...Retardo máximo en nº de muestras &lt;br /&gt;
% - sigma..Desviación típica de la amplitud de los trayectos secundarios&lt;br /&gt;
% - Nt.....Número de subtramas con características de canal diferente&lt;br /&gt;
&lt;br /&gt;
% SALIDAS&lt;br /&gt;
% - x_mt...Señal con distorsión multitrayecto&lt;br /&gt;
% - B......Matriz de dimensiones [Nt x Tmax] con las respuestas al impulso para cada subtrama &lt;br /&gt;
&lt;br /&gt;
Nx = length(x);     % Longitud de la secuencia de entrada&lt;br /&gt;
T = floor(Nx/Nt);   % Longitud de las Nt-1 primeras subtramas. La última incluirá el resto&lt;br /&gt;
&lt;br /&gt;
% Vector de trayectos correspondientes a cada subtrama&lt;br /&gt;
P = randi([1,Pmax],Nt,1); &lt;br /&gt;
&lt;br /&gt;
% Generación de matrices tau, theta y r&lt;br /&gt;
tau = randi([2,Tmax],Nt,Pmax-1);    % Matriz de retardos de los trayectos secundarios&lt;br /&gt;
theta = rand(Nt,Pmax-1)*2*pi-pi;    % Matriz de fases de los trayectos secundarios&lt;br /&gt;
r = randn(Nt,Pmax-1)*sigma;         % Matriz de amplitudes de los trayectos secundarios&lt;br /&gt;
&lt;br /&gt;
% Filtro de suavizado sobre tau, theta y r&lt;br /&gt;
% [b,a] = butter(6,0.1); % Filtro para suavizar las variaciones de las variables aleatorias&lt;br /&gt;
% tau = filter(b,a,tau);&lt;br /&gt;
% tau = max(2, round(tau)); % Para asegurar que tau sea entero y &amp;gt;=2&lt;br /&gt;
% theta = filter(b,a,theta);&lt;br /&gt;
% r = filter(b,a,r);&lt;br /&gt;
&lt;br /&gt;
r_complejo = abs(r).*exp(1j*theta); % Matriz de amplitudes y fases conjuntas&lt;br /&gt;
&lt;br /&gt;
% Construcción de matriz B (coeficientes del filtro FIR) [Nt x Mmax]&lt;br /&gt;
&lt;br /&gt;
B = zeros(Nt, Tmax);    % Inicializar B con ceros&lt;br /&gt;
B(:,1)=1;               % Primera columna todo unos (trayecto principal)&lt;br /&gt;
&lt;br /&gt;
    % Recorrido de tau y asignación de B(indice según tau)=r_complejo&lt;br /&gt;
    for n = 1:Nt % Recorremos filas&lt;br /&gt;
        for k = 1:(P(n)-1) % Recorremos columnas solo hasta trayectos secundarios activos&lt;br /&gt;
            col = tau(n,k); % Retardo como índice&lt;br /&gt;
            B(n,col) = B(n,col) + r_complejo(n,k); % Si se repite valor de tau se añade&lt;br /&gt;
        end&lt;br /&gt;
    end&lt;br /&gt;
&lt;br /&gt;
zi = zeros(1,Tmax-1);       % Valores iniciales del estado del filtro&lt;br /&gt;
x_mt = zeros (1,length(x)); % Inicialización de salidas&lt;br /&gt;
&lt;br /&gt;
% Aplicación de filter() a subtramas (de primera a penúltima)&lt;br /&gt;
for i=1:Nt-1 % Esto se salta si Nt=1&lt;br /&gt;
    x_subtrama = x(((i-1)*T+1):i*T); % Recorrido de x mediante subtramas de tamaño T&lt;br /&gt;
    h = B(i,:); % Coeficientes del filtro correspondientes a cada subtrama&lt;br /&gt;
    [y,zf]=filter(h,1,x_subtrama,zi); % Llamada al filtro para cada subtrama&lt;br /&gt;
    x_mt(((i-1)*T+1):i*T) = real(y); % Resultado del filtro (parte real) a vector de salida&lt;br /&gt;
    zi=zf; % Paso de estado para siguiente iteración&lt;br /&gt;
end&lt;br /&gt;
&lt;br /&gt;
% Última subtrama. También es el caso de solo 1 subtrama (Nt=1)&lt;br /&gt;
x_subtrama = x(((Nt-1)*T+1):end); % Última subtrama (incluye resto)&lt;br /&gt;
h = B(Nt,:); % Última fila&lt;br /&gt;
[y,~]=filter(h,1,x_subtrama,zi); % Llamada al filtro para la última subtrama&lt;br /&gt;
x_mt(((Nt-1)*T+1):end) = real(y); % Resultado del filtro (parte real) a vector de salida&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;Para ejemplificar el efecto que produce esta función sobre una señal de entrada, se desarrolla un breve script que aplica la función sobre un tren de pulsos rectangulares y sobre un pulso RCCA, mostrando gráficamente los resultados en la figura adjunta.&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
% Efecto de la función multitrayecto&lt;br /&gt;
&lt;br /&gt;
% Parámetros de la función&lt;br /&gt;
Pmax=40; % Número máximo de trayectos&lt;br /&gt;
Tmax=100; % Retardo máximo de los trayectos secundarios (en muestras)&lt;br /&gt;
sigma=0.2; % Desviación típica de la maplitud de los trayectos secundarios&lt;br /&gt;
Nt=4; % Variaciones del canal&lt;br /&gt;
&lt;br /&gt;
% Señal de entrada 1: Tren de pulsos rectangulares&lt;br /&gt;
x1 = [ones(1,32) zeros(1,32) ones(1,32) zeros(1,32) ones(1,32) zeros(1,32)]*2 - 1;&lt;br /&gt;
&lt;br /&gt;
% Señal de entrada 2: Pulso RCCA&lt;br /&gt;
tipo=1; % Codificación NRZ&lt;br /&gt;
Ms=64; % Muestras por símbolo&lt;br /&gt;
Ns=6; % Nivel de entrelazado de símbolos&lt;br /&gt;
r=1; % Factor de redondeo&lt;br /&gt;
x2 = s_b(tipo,Ms,Ns,r); % Generación de pulso&lt;br /&gt;
&lt;br /&gt;
% Paso de las señales por multipath&lt;br /&gt;
y1 = multipath4(x1,Pmax,Tmax,sigma,Nt);&lt;br /&gt;
y2 = multipath4(x2,Pmax,Tmax,sigma,Nt);&lt;br /&gt;
&lt;br /&gt;
% Representaciones gráficas&lt;br /&gt;
t = tiledlayout(2,1);&lt;br /&gt;
nexttile&lt;br /&gt;
stem(x1,&#039;filled&#039;,&#039;markersize&#039;,4); grid on; hold on;&lt;br /&gt;
stem(y1,&#039;filled&#039;,&#039;markersize&#039;,4);&lt;br /&gt;
legend(&#039;Señal de entrada&#039;,&#039;Señal de salida&#039;);&lt;br /&gt;
nexttile&lt;br /&gt;
stem(x2,&#039;filled&#039;,&#039;markersize&#039;,4); grid on; hold on;&lt;br /&gt;
stem(y2,&#039;filled&#039;,&#039;markersize&#039;,4);&lt;br /&gt;
legend(&#039;Señal de entrada&#039;,&#039;Señal de salida&#039;);&lt;br /&gt;
title(t,&#039;Efecto de la función multitrayecto&#039;);&lt;br /&gt;
xlabel(t,&#039;Muestras (n)&#039;);&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=File:Efecto_de_multitrayecto.png&amp;diff=15258</id>
		<title>File:Efecto de multitrayecto.png</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=File:Efecto_de_multitrayecto.png&amp;diff=15258"/>
		<updated>2025-08-23T18:13:45Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Efecto de multipath() sobre señales&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=14107</id>
		<title>Desvanecimiento multitrayecto</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=14107"/>
		<updated>2025-08-23T18:07:01Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[File:Multitrayecto.png|thumb|350x350px|Propagación multitrayecto]]&lt;br /&gt;
En el análisis de un sistema de comunicación radioeléctrico, uno de los fenómenos que se debe considerar en la caracterización del canal es el producido cuando las señales transmitidas llegan al receptor a través de múltiples trayectorias, debidas a reflexiones, difracciones y dispersiones en el entorno. La recepción de estas señales, sumadas a la onda directa con distintos retardos, amplitudes y fases, puede degradar la calidad del enlace. A este efecto de degradación de la señal se le conoce como &#039;&#039;&#039;desvanecimiento multitrayecto&#039;&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La consecuencia directa de la recepción de señales con distintas amplitudes y retardos es la posible atenuación de la potencia recibida, por la recepción de señales en contrafase. Pero además, hay que considerar un factor que agrava la degradación del enlace en la propagación multitrayecto: la dispersión temporal. En una transmisión digital, la llegada de las señales retardadas va a producir un ensanchamiento de los símbolos recibidos que va a aumentar considerablemente la interferencia entre símbolos y en consecuencia los errores en la detección de estos. Sumado a eso, esta dispersión temporal influye directamente en la respuesta en frecuencia del canal. El aumento de la dispersión temporal reduce el ancho de banda de coherencia del canal, que se traduce en una respuesta más selectiva en frecuencia.&lt;br /&gt;
&lt;br /&gt;
El estudio del efecto del multitrayecto es especialmente sensible en los servicios de comunicaciones móviles, donde, además de la impredecibilidad de los condicionantes que afectan a la caracterización del canal, se añade que el receptor puede estar en movimiento. En las bandas de frecuencia utilizadas por estos sistemas, del orden de microondas, las longitudes de onda son centimétricas, por lo que pequeñas variaciones de posición del receptor suponen cambios bruscos de fase, que pueden llevar a desvanecimientos súbitos. Por ello, se considera que el canal varía en el tiempo de forma aleatoria. Para modelar su respuesta se recurre a procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
== Caracterización de la propagación en comunicaciones móviles ==&lt;br /&gt;
Para la caracterización del canal en comunicaciones móviles se puede distinguir entre el &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039;.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Sklar, B. y Harris, F. (2021). &#039;&#039;Digital Communications: Fundamentals and Applications&#039;&#039; (3ª edición). Londres: Pearson Education.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se considera &#039;&#039;desvanecimiento a gran escala&#039;&#039;, la variación de la señal recibida considerando las pérdidas por propagación en espacio libre y las pérdidas producidas por la interposición de obstáculos de gran tamaño respecto a la longitud de onda. Este desvanecimiento tiene variaciones lentas sobre su media y depende principalmente de la distancia entre transmisor y receptor.&lt;br /&gt;
&lt;br /&gt;
Hata&amp;lt;ref&amp;gt;Hata, M. (1980). Empirical Formulae for Propagation Loss in Land Mobile Radio Services, &#039;&#039;IEEE Transactions on Vehicular Technology, VT-29&#039;&#039;(3), 317–325.&amp;lt;/ref&amp;gt;, a partir del trabajo previo de Okumura&amp;lt;ref&amp;gt;Okumura, Y.; Ohmori, E.; Kawano, T. y Fukuda, K. (1968). Field Strength and Its Variability in VHF and UHF Land Mobile Radio Service. &#039;&#039;Review of the Electrical Communication Laboratory, 16&#039;&#039;(9-10), 825-873.&amp;lt;/ref&amp;gt;, desarrolló un modelo matemático para las pérdidas de propagación en canales multitrayecto en función del entorno. A partir de este modelo, se pueden representar las pérdidas del enlace por &#039;&#039;desvanecimiento a gran escala&#039;&#039;, como una variable aleatoria &amp;lt;math&amp;gt;L_P&amp;lt;/math&amp;gt;dependiente de la distancia &amp;lt;math&amp;gt;d&amp;lt;/math&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;L_P(d) = L_S(d_0) + 10 n \log\left(\frac{d}{d_0}\right) + X_\sigma \quad \text{[dB]}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo: &amp;lt;math&amp;gt;d_0&amp;lt;/math&amp;gt; una distancia de referencia en campo lejano, sobre la que se calculan las pérdidas por propagación en espacio libre &amp;lt;math&amp;gt;L_S&amp;lt;/math&amp;gt;, según &amp;lt;math&amp;gt;L_S = \left( {4\pi d}/{\lambda} \right)^2&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el exponente de pérdidas de propagación, que depende del tipo de entorno (rural, suburbano, urbano), la frecuencia y la altura de las antenas; y &amp;lt;math&amp;gt; X_\sigma&amp;lt;/math&amp;gt; es una variable aleatoria con distribución gaussiana de media 0, que representa las pérdidas específicas por la topología del área.&lt;br /&gt;
&lt;br /&gt;
El &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; se refiere a los cambios súbitos de nivel de señal motivados por pequeños cambios de posición del receptor, de hasta media longitud de onda. Las variaciones de señal por estos pequeños cambios se modelan con diferentes tipos de distribuciones de probabilidad dependiendo de la visibilidad entre receptor y emisor: &lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rayleigh.&#039;&#039; Cuando no hay visibilidad directa, no hay un componente dominante en el conjunto de señales recibidas de cada trayectoria, como suele ocurrir en entornos altamente urbanizados o en entornos &#039;&#039;indoor&#039;&#039;, donde tenemos un alto número de ondas reflejadas y no hay onda directa. En este caso, se modela estadísticamente la señal recibida con una distribución de probabilidad de Rayleigh.&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rice.&#039;&#039; En caso de no estar obstaculizada la línea de visión directa entre receptor y emisor, la onda directa es un componente dominante en el conjunto de señales recibidas de cada trayectoria. En este caso, se modela el nivel de señal recibida con una distribución de probabilidad de Rice.&lt;br /&gt;
&lt;br /&gt;
La suma del &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; caracteriza el nivel de señal en recepción en escenarios de comunicaciones móviles.&lt;br /&gt;
&lt;br /&gt;
== Dispersión temporal ==&lt;br /&gt;
La propagación por diferentes caminos va a producir que una señal transmitida llegue a su destino en diferentes instantes de tiempo. Se define el &#039;&#039;retardo máximo&#039;&#039; &amp;lt;math&amp;gt;T_m&amp;lt;/math&amp;gt; como el tiempo transcurrido entre la recepción de la primera versión de la señal y la última, suponiendo un umbral de potencia por debajo del cuál se desprecian las posteriores.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se define el &#039;&#039;ancho de banda de coherencia&#039;&#039; &amp;lt;math&amp;gt;f_0&amp;lt;/math&amp;gt; como el rango de frecuencias donde el canal deja pasar todas las componentes de la señal con la misma amplitud y fase lineal, por tanto, las componentes pertenecientes al mismo rango son afectadas por el canal de la mima forma ante el desvanecimiento. Como aproximación se puede considerar la siguiente relación entre el &#039;&#039;retardo máximo&#039;&#039; y el &#039;&#039;ancho de banda de coherencia&#039;&#039;: &amp;lt;math&amp;gt;f_0 \approx {1}/{T_m}&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Suponiendo una transmisión digital en la que la señal transmitida es un símbolo de periodo &amp;lt;math&amp;gt;T_s&amp;lt;/math&amp;gt; y ancho de banda aproximado &amp;lt;math&amp;gt;W \approx {1}/{T_s}&amp;lt;/math&amp;gt;, podemos clasificar el desvanecimiento en función de la relación entre el canal y el símbolo transmitido de la siguiente forma:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento selectivo en frecuencia&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;gt;T_s , f_0&amp;lt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se extienden en el tiempo más que el periodo del símbolo, provocando interferencia entre símbolos que causan distorsión en la señal recibida. La separación entre las componentes facilita su distinción por parte del receptor y puede mitigar su efecto utilizando ecualización adaptativa. Desde el punto de vista espectral, el ancho de banda de coherencia del canal es más estrecho que el de la señal, por lo que las diferentes componentes espectrales de la señal se ven afectados por	el canal de forma distinta.&lt;br /&gt;
* &#039;&#039;Desvanecimiento plano&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;lt;T_s , f_0&amp;gt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se reciben dentro del tiempo de un símbolo, por lo que el canal no introduce interferencia ente símbolos, aunque sí que puede mermar la relación señal a ruido. En este caso, el &#039;&#039;ancho de banda de coherencia&#039;&#039; del canal es mayor que el ancho de banda de la señal, por lo que todas sus componentes espectrales son tratadas por igual.&lt;br /&gt;
&lt;br /&gt;
== Caracterización del canal multitrayecto en la transmisión digital ==&lt;br /&gt;
En un escenario de transmisión digital, se parte de un símbolo representado en banda base por &amp;lt;math&amp;gt;s_l(t)&amp;lt;/math&amp;gt; y de su versión modulada &amp;lt;math&amp;gt;s(t)&amp;lt;/math&amp;gt;, que se puede expresar como &amp;lt;math&amp;gt;s(t) = \Re\left\{ s_l(t) e^{j2\pi f_c t} \right\}&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;f_c&amp;lt;/math&amp;gt; la frecuencia de la portadora.&amp;lt;ref&amp;gt;Proakis, J.G. y Salehi, S. (2008). &#039;&#039;Digital Communicactions&#039;&#039; (5ª edición). Nueva York, NY: McGraw-Hill.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Al enviar este símbolo a través del canal multitrayecto, en recepción obtenemos una respuesta que es la suma del símbolo atenuado y retrasado por los diferentes trayectos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \sum_{k} \alpha_k(t) s\left(t - \tau_k(t)\right)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt; el número de trayectos, y &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, respectivamente, las variaciones temporales de atenuación y retardo de cada trayectoria.&lt;br /&gt;
&lt;br /&gt;
Si expresamos la señal recibida en función del símbolo en banda base obtenemos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \Re\left\{ &lt;br /&gt;
        \left[ &lt;br /&gt;
        \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t)) &lt;br /&gt;
        \right] &lt;br /&gt;
        e^{j2\pi f_c t} &lt;br /&gt;
        \right\}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La demodulación de esta señal nos lleva a la expresión del símbolo recibido en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;z(t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
De la que deducimos la expresión de la respuesta al impulso del canal multitrayecto en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(\tau, t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} \delta(\tau - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt;, &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt; son procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
=== Discretización del modelo de respuesta impulsional ===&lt;br /&gt;
Para facilitar el análisis computacional del modelo, podemos representar su equivalente suponiendo señales y respuesta al impulso discretas.  El número de trayectos &amp;lt;math&amp;gt;p(t)&amp;lt;/math&amp;gt;, los retardos &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, las amplitudes &amp;lt;math&amp;gt;\rho_k(t)&amp;lt;/math&amp;gt; y las fases &amp;lt;math&amp;gt;\theta_k(t)&amp;lt;/math&amp;gt; de las señales que llegan al receptor se consideran procesos aleatorios dependientes del tiempo. Por lo tanto, la respuesta del canal es un proceso aleatorio que queda representado por:&amp;lt;ref&amp;gt;Díaz Nafría, J.M. (2021). Aplicaciones de filtrado adaptativo. &#039;&#039;Enunciado de actividad de la asignatura Traramiento Digital de la Señal&#039;&#039;. UDIMA.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(n, t) = \sum_{k=1}^{p(t)} \rho_k(t) e^{j\theta_k(t)} \delta(n - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
A partir del modelo discreto de respuesta al impulso del punto anterior, se construye una función que simula el efecto del canal multitrayecto sobre la señal de entrada. La función &amp;lt;code&amp;gt;multipath(x,Pmax,Tmax,sigma,Nt)&amp;lt;/code&amp;gt; divide la señal de entrada (&amp;lt;code&amp;gt;x&amp;lt;/code&amp;gt;) en un número determinado de subtramas (&amp;lt;code&amp;gt;Nt&amp;lt;/code&amp;gt;) y aplica una respuesta al impulso distinta a cada una de ellas, para simular la variabilidad del canal. Cada una de las respuestas al impulso ha sido generada previamente a partir de las variables aleatorias que representan el número de trayectos (&amp;lt;code&amp;gt;P&amp;lt;/code&amp;gt;), las amplitudes (&amp;lt;code&amp;gt;r&amp;lt;/code&amp;gt;), las fases (&amp;lt;code&amp;gt;theta&amp;lt;/code&amp;gt;) y los retardos (&amp;lt;code&amp;gt;tau&amp;lt;/code&amp;gt;). &lt;br /&gt;
&lt;br /&gt;
La generación de estas variables aleatorias dependen del resto de parámetros de entrada: &amp;lt;code&amp;gt;Pmax&amp;lt;/code&amp;gt;, número máximo de trayectos; &amp;lt;code&amp;gt;Tmax&amp;lt;/code&amp;gt;, retardo máximo de los retardos secundarios respecto al principal; y &amp;lt;code&amp;gt;sigma&amp;lt;/code&amp;gt;, desviación típica de la amplitud de los trayectos secundarios. Se asume que la atenuación, fase y retardo del trayecto principal son nulos, y que las amplitudes, fases y retardos de los secundarios son relativos a éste.&lt;br /&gt;
&lt;br /&gt;
La aplicación de la respuesta al impulso correspondiente a cada subtrama &amp;lt;code&amp;gt;x_s&amp;lt;/code&amp;gt; se realiza mediante la función &amp;lt;code&amp;gt;filter(b,a,x_s)&amp;lt;/code&amp;gt;, siendo &amp;lt;code&amp;gt;b&amp;lt;/code&amp;gt; y &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; los coeficientes de la función de transferencia equivalente del canal. Asumiendo que el canal se comporta como un filtro FIR, los coeficientes &amp;lt;code&amp;gt;b&amp;lt;/code&amp;gt; coincidirán con la respuesta al impulso del canal y &amp;lt;code&amp;gt;a&amp;lt;/code&amp;gt; será 1. &lt;br /&gt;
&lt;br /&gt;
A continuación se muestra el código completo de la función &amp;lt;code&amp;gt;multipath()&amp;lt;/code&amp;gt;:&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
function [x_mt,B] = multipath(x,Pmax,Tmax,sigma,Nt) &lt;br /&gt;
%% Función que simula la propagación multitrayecto&lt;br /&gt;
% Divide la señal de entrada en subtramas, a las que aplica respuestas al&lt;br /&gt;
% impulso variantes, mediante la función filter().&lt;br /&gt;
% Cada respuesta al impulso caracteriza la propagación multitrayecto en un&lt;br /&gt;
% intervalo de tiempo diferente.&lt;br /&gt;
% La caracterización se realiza mediante las variables aleatorias:&lt;br /&gt;
% - Número de trayectos (P): Distribución uniforme [1,Pmax]&lt;br /&gt;
% - Amplitud de trayectos secundarios (r): Distribución normal con d. típica sigma &lt;br /&gt;
% - Fase de trayectos secundarios (theta): Distribución uniforme [-pi,pi]&lt;br /&gt;
% - Retardo de los trayectos secundarios (tau): Distribución normal [2,Tmax]&lt;br /&gt;
% Se asume que el trayecto principal tiene amplitud 1, fase 0 y retardo 1.&lt;br /&gt;
&lt;br /&gt;
% ENTRADAS&lt;br /&gt;
% - x......Señal de entrada&lt;br /&gt;
% - Pmax...Nº máximo de componentes del multitrayecto&lt;br /&gt;
% - Tmax...Retardo máximo en nº de muestras &lt;br /&gt;
% - sigma..Desviación típica de la amplitud de los trayectos secundarios&lt;br /&gt;
% - Nt.....Número de subtramas con características de canal diferente&lt;br /&gt;
&lt;br /&gt;
% SALIDAS&lt;br /&gt;
% - x_mt...Señal con distorsión multitrayecto&lt;br /&gt;
% - B......Matriz de dimensiones [Nt x Tmax] con las respuestas al impulso para cada subtrama &lt;br /&gt;
&lt;br /&gt;
Nx = length(x);     % Longitud de la secuencia de entrada&lt;br /&gt;
T = floor(Nx/Nt);   % Longitud de las Nt-1 primeras subtramas. La última incluirá el resto&lt;br /&gt;
&lt;br /&gt;
% Vector de trayectos correspondientes a cada subtrama&lt;br /&gt;
P = randi([1,Pmax],Nt,1); &lt;br /&gt;
&lt;br /&gt;
% Generación de matrices tau, theta y r&lt;br /&gt;
tau = randi([2,Tmax],Nt,Pmax-1);    % Matriz de retardos de los trayectos secundarios&lt;br /&gt;
theta = rand(Nt,Pmax-1)*2*pi-pi;    % Matriz de fases de los trayectos secundarios&lt;br /&gt;
r = randn(Nt,Pmax-1)*sigma;         % Matriz de amplitudes de los trayectos secundarios&lt;br /&gt;
&lt;br /&gt;
% Filtro de suavizado sobre tau, theta y r&lt;br /&gt;
% [b,a] = butter(6,0.1); % Filtro para suavizar las variaciones de las variables aleatorias&lt;br /&gt;
% tau = filter(b,a,tau);&lt;br /&gt;
% tau = max(2, round(tau)); % Para asegurar que tau sea entero y &amp;gt;=2&lt;br /&gt;
% theta = filter(b,a,theta);&lt;br /&gt;
% r = filter(b,a,r);&lt;br /&gt;
&lt;br /&gt;
r_complejo = abs(r).*exp(1j*theta); % Matriz de amplitudes y fases conjuntas&lt;br /&gt;
&lt;br /&gt;
% Construcción de matriz B (coeficientes del filtro FIR) [Nt x Mmax]&lt;br /&gt;
&lt;br /&gt;
B = zeros(Nt, Tmax);    % Inicializar B con ceros&lt;br /&gt;
B(:,1)=1;               % Primera columna todo unos (trayecto principal)&lt;br /&gt;
&lt;br /&gt;
    % Recorrido de tau y asignación de B(indice según tau)=r_complejo&lt;br /&gt;
    for n = 1:Nt % Recorremos filas&lt;br /&gt;
        for k = 1:(P(n)-1) % Recorremos columnas solo hasta trayectos secundarios activos&lt;br /&gt;
            col = tau(n,k); % Retardo como índice&lt;br /&gt;
            B(n,col) = B(n,col) + r_complejo(n,k); % Si se repite valor de tau se añade&lt;br /&gt;
        end&lt;br /&gt;
    end&lt;br /&gt;
&lt;br /&gt;
zi = zeros(1,Tmax-1);       % Valores iniciales del estado del filtro&lt;br /&gt;
x_mt = zeros (1,length(x)); % Inicialización de salidas&lt;br /&gt;
&lt;br /&gt;
% Aplicación de filter() a subtramas (de primera a penúltima)&lt;br /&gt;
for i=1:Nt-1 % Esto se salta si Nt=1&lt;br /&gt;
    x_subtrama = x(((i-1)*T+1):i*T); % Recorrido de x mediante subtramas de tamaño T&lt;br /&gt;
    h = B(i,:); % Coeficientes del filtro correspondientes a cada subtrama&lt;br /&gt;
    [y,zf]=filter(h,1,x_subtrama,zi); % Llamada al filtro para cada subtrama&lt;br /&gt;
    x_mt(((i-1)*T+1):i*T) = real(y); % Resultado del filtro (parte real) a vector de salida&lt;br /&gt;
    zi=zf; % Paso de estado para siguiente iteración&lt;br /&gt;
end&lt;br /&gt;
&lt;br /&gt;
% Última subtrama. También es el caso de solo 1 subtrama (Nt=1)&lt;br /&gt;
x_subtrama = x(((Nt-1)*T+1):end); % Última subtrama (incluye resto)&lt;br /&gt;
h = B(Nt,:); % Última fila&lt;br /&gt;
[y,~]=filter(h,1,x_subtrama,zi); % Llamada al filtro para la última subtrama&lt;br /&gt;
x_mt(((Nt-1)*T+1):end) = real(y); % Resultado del filtro (parte real) a vector de salida&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;Para ejemplificar el efecto que produce esta función sobre una señal de entrada, se desarrolla un breve script que aplica la función sobre un tren de pulsos rectangulares y sobre un pulso RCCA, mostrando gráficamente los resultados en la figura adjunta.&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
% Efecto de la función multitrayecto&lt;br /&gt;
&lt;br /&gt;
% Parámetros de la función&lt;br /&gt;
Pmax=40; % Número máximo de trayectos&lt;br /&gt;
Tmax=100; % Retardo máximo de los trayectos secundarios (en muestras)&lt;br /&gt;
sigma=0.2; % Desviación típica de la maplitud de los trayectos secundarios&lt;br /&gt;
Nt=4; % Variaciones del canal&lt;br /&gt;
&lt;br /&gt;
% Señal de entrada 1: Tren de pulsos rectangulares&lt;br /&gt;
x1 = [ones(1,32) zeros(1,32) ones(1,32) zeros(1,32) ones(1,32) zeros(1,32)]*2 - 1;&lt;br /&gt;
&lt;br /&gt;
% Señal de entrada 2: Pulso RCCA&lt;br /&gt;
tipo=1; % Codificación NRZ&lt;br /&gt;
Ms=64; % Muestras por símbolo&lt;br /&gt;
Ns=6; % Nivel de entrelazado de símbolos&lt;br /&gt;
r=1; % Factor de redondeo&lt;br /&gt;
x2 = s_b(tipo,Ms,Ns,r); % Generación de pulso&lt;br /&gt;
&lt;br /&gt;
% Paso de las señales por multipath&lt;br /&gt;
y1 = multipath4(x1,Pmax,Tmax,sigma,Nt);&lt;br /&gt;
y2 = multipath4(x2,Pmax,Tmax,sigma,Nt);&lt;br /&gt;
&lt;br /&gt;
% Representaciones gráficas&lt;br /&gt;
t = tiledlayout(2,1);&lt;br /&gt;
nexttile&lt;br /&gt;
stem(x1,&#039;filled&#039;,&#039;markersize&#039;,4); grid on; hold on;&lt;br /&gt;
stem(y1,&#039;filled&#039;,&#039;markersize&#039;,4);&lt;br /&gt;
legend(&#039;Señal de entrada&#039;,&#039;Señal de salida&#039;);&lt;br /&gt;
nexttile&lt;br /&gt;
stem(x2,&#039;filled&#039;,&#039;markersize&#039;,4); grid on; hold on;&lt;br /&gt;
stem(y2,&#039;filled&#039;,&#039;markersize&#039;,4);&lt;br /&gt;
legend(&#039;Señal de entrada&#039;,&#039;Señal de salida&#039;);&lt;br /&gt;
title(t,&#039;Efecto de la función multitrayecto&#039;);&lt;br /&gt;
xlabel(t,&#039;Muestras (n)&#039;);&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=14106</id>
		<title>Desvanecimiento multitrayecto</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=14106"/>
		<updated>2025-08-23T17:00:39Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[File:Multitrayecto.png|thumb|350x350px|Propagación multitrayecto]]&lt;br /&gt;
En el análisis de un sistema de comunicación radioeléctrico, uno de los fenómenos que se debe considerar en la caracterización del canal es el producido cuando las señales transmitidas llegan al receptor a través de múltiples trayectorias, debidas a reflexiones, difracciones y dispersiones en el entorno. La recepción de estas señales, sumadas a la onda directa con distintos retardos, amplitudes y fases, puede degradar la calidad del enlace. A este efecto de degradación de la señal se le conoce como &#039;&#039;&#039;desvanecimiento multitrayecto&#039;&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La consecuencia directa de la recepción de señales con distintas amplitudes y retardos es la posible atenuación de la potencia recibida, por la recepción de señales en contrafase. Pero además, hay que considerar un factor que agrava la degradación del enlace en la propagación multitrayecto: la dispersión temporal. En una transmisión digital, la llegada de las señales retardadas va a producir un ensanchamiento de los símbolos recibidos que va a aumentar considerablemente la interferencia entre símbolos y en consecuencia los errores en la detección de estos. Sumado a eso, esta dispersión temporal influye directamente en la respuesta en frecuencia del canal. El aumento de la dispersión temporal reduce el ancho de banda de coherencia del canal, que se traduce en una respuesta más selectiva en frecuencia.&lt;br /&gt;
&lt;br /&gt;
El estudio del efecto del multitrayecto es especialmente sensible en los servicios de comunicaciones móviles, donde, además de la impredecibilidad de los condicionantes que afectan a la caracterización del canal, se añade que el receptor puede estar en movimiento. En las bandas de frecuencia utilizadas por estos sistemas, del orden de microondas, las longitudes de onda son centimétricas, por lo que pequeñas variaciones de posición del receptor suponen cambios bruscos de fase, que pueden llevar a desvanecimientos súbitos. Por ello, se considera que el canal varía en el tiempo de forma aleatoria. Para modelar su respuesta se recurre a procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
== Caracterización de la propagación en comunicaciones móviles ==&lt;br /&gt;
Para la caracterización del canal en comunicaciones móviles se puede distinguir entre el &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039;.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Sklar, B. y Harris, F. (2021). &#039;&#039;Digital Communications: Fundamentals and Applications&#039;&#039; (3ª edición). Londres: Pearson Education.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se considera &#039;&#039;desvanecimiento a gran escala&#039;&#039;, la variación de la señal recibida considerando las pérdidas por propagación en espacio libre y las pérdidas producidas por la interposición de obstáculos de gran tamaño respecto a la longitud de onda. Este desvanecimiento tiene variaciones lentas sobre su media y depende principalmente de la distancia entre transmisor y receptor.&lt;br /&gt;
&lt;br /&gt;
Hata&amp;lt;ref&amp;gt;Hata, M. (1980). Empirical Formulae for Propagation Loss in Land Mobile Radio Services, &#039;&#039;IEEE Transactions on Vehicular Technology, VT-29&#039;&#039;(3), 317–325.&amp;lt;/ref&amp;gt;, a partir del trabajo previo de Okumura&amp;lt;ref&amp;gt;Okumura, Y.; Ohmori, E.; Kawano, T. y Fukuda, K. (1968). Field Strength and Its Variability in VHF and UHF Land Mobile Radio Service. &#039;&#039;Review of the Electrical Communication Laboratory, 16&#039;&#039;(9-10), 825-873.&amp;lt;/ref&amp;gt;, desarrolló un modelo matemático para las pérdidas de propagación en canales multitrayecto en función del entorno. A partir de este modelo, se pueden representar las pérdidas del enlace por &#039;&#039;desvanecimiento a gran escala&#039;&#039;, como una variable aleatoria &amp;lt;math&amp;gt;L_P&amp;lt;/math&amp;gt;dependiente de la distancia &amp;lt;math&amp;gt;d&amp;lt;/math&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;L_P(d) = L_S(d_0) + 10 n \log\left(\frac{d}{d_0}\right) + X_\sigma \quad \text{[dB]}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo: &amp;lt;math&amp;gt;d_0&amp;lt;/math&amp;gt; una distancia de referencia en campo lejano, sobre la que se calculan las pérdidas por propagación en espacio libre &amp;lt;math&amp;gt;L_S&amp;lt;/math&amp;gt;, según &amp;lt;math&amp;gt;L_S = \left( {4\pi d}/{\lambda} \right)^2&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el exponente de pérdidas de propagación, que depende del tipo de entorno (rural, suburbano, urbano), la frecuencia y la altura de las antenas; y &amp;lt;math&amp;gt; X_\sigma&amp;lt;/math&amp;gt; es una variable aleatoria con distribución gaussiana de media 0, que representa las pérdidas específicas por la topología del área.&lt;br /&gt;
&lt;br /&gt;
El &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; se refiere a los cambios súbitos de nivel de señal motivados por pequeños cambios de posición del receptor, de hasta media longitud de onda. Las variaciones de señal por estos pequeños cambios se modelan con diferentes tipos de distribuciones de probabilidad dependiendo de la visibilidad entre receptor y emisor: &lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rayleigh.&#039;&#039; Cuando no hay visibilidad directa, no hay un componente dominante en el conjunto de señales recibidas de cada trayectoria, como suele ocurrir en entornos altamente urbanizados o en entornos &#039;&#039;indoor&#039;&#039;, donde tenemos un alto número de ondas reflejadas y no hay onda directa. En este caso, se modela estadísticamente la señal recibida con una distribución de probabilidad de Rayleigh.&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rice.&#039;&#039; En caso de no estar obstaculizada la línea de visión directa entre receptor y emisor, la onda directa es un componente dominante en el conjunto de señales recibidas de cada trayectoria. En este caso, se modela el nivel de señal recibida con una distribución de probabilidad de Rice.&lt;br /&gt;
&lt;br /&gt;
La suma del &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; caracteriza el nivel de señal en recepción en escenarios de comunicaciones móviles.&lt;br /&gt;
&lt;br /&gt;
== Dispersión temporal ==&lt;br /&gt;
La propagación por diferentes caminos va a producir que una señal transmitida llegue a su destino en diferentes instantes de tiempo. Se define el &#039;&#039;retardo máximo&#039;&#039; &amp;lt;math&amp;gt;T_m&amp;lt;/math&amp;gt; como el tiempo transcurrido entre la recepción de la primera versión de la señal y la última, suponiendo un umbral de potencia por debajo del cuál se desprecian las posteriores.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se define el &#039;&#039;ancho de banda de coherencia&#039;&#039; &amp;lt;math&amp;gt;f_0&amp;lt;/math&amp;gt; como el rango de frecuencias donde el canal deja pasar todas las componentes de la señal con la misma amplitud y fase lineal, por tanto, las componentes pertenecientes al mismo rango son afectadas por el canal de la mima forma ante el desvanecimiento. Como aproximación se puede considerar la siguiente relación entre el &#039;&#039;retardo máximo&#039;&#039; y el &#039;&#039;ancho de banda de coherencia&#039;&#039;: &amp;lt;math&amp;gt;f_0 \approx {1}/{T_m}&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Suponiendo una transmisión digital en la que la señal transmitida es un símbolo de periodo &amp;lt;math&amp;gt;T_s&amp;lt;/math&amp;gt; y ancho de banda aproximado &amp;lt;math&amp;gt;W \approx {1}/{T_s}&amp;lt;/math&amp;gt;, podemos clasificar el desvanecimiento en función de la relación entre el canal y el símbolo transmitido de la siguiente forma:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento selectivo en frecuencia&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;gt;T_s , f_0&amp;lt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se extienden en el tiempo más que el periodo del símbolo, provocando interferencia entre símbolos que causan distorsión en la señal recibida. La separación entre las componentes facilita su distinción por parte del receptor y puede mitigar su efecto utilizando ecualización adaptativa. Desde el punto de vista espectral, el ancho de banda de coherencia del canal es más estrecho que el de la señal, por lo que las diferentes componentes espectrales de la señal se ven afectados por	el canal de forma distinta.&lt;br /&gt;
* &#039;&#039;Desvanecimiento plano&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;lt;T_s , f_0&amp;gt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se reciben dentro del tiempo de un símbolo, por lo que el canal no introduce interferencia ente símbolos, aunque sí que puede mermar la relación señal a ruido. En este caso, el &#039;&#039;ancho de banda de coherencia&#039;&#039; del canal es mayor que el ancho de banda de la señal, por lo que todas sus componentes espectrales son tratadas por igual.&lt;br /&gt;
&lt;br /&gt;
== Caracterización del canal multitrayecto en la transmisión digital ==&lt;br /&gt;
En un escenario de transmisión digital, se parte de un símbolo representado en banda base por &amp;lt;math&amp;gt;s_l(t)&amp;lt;/math&amp;gt; y de su versión modulada &amp;lt;math&amp;gt;s(t)&amp;lt;/math&amp;gt;, que se puede expresar como &amp;lt;math&amp;gt;s(t) = \Re\left\{ s_l(t) e^{j2\pi f_c t} \right\}&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;f_c&amp;lt;/math&amp;gt; la frecuencia de la portadora.&amp;lt;ref&amp;gt;Proakis, J.G. y Salehi, S. (2008). &#039;&#039;Digital Communicactions&#039;&#039; (5ª edición). Nueva York, NY: McGraw-Hill.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Al enviar este símbolo a través del canal multitrayecto, en recepción obtenemos una respuesta que es la suma del símbolo atenuado y retrasado por los diferentes trayectos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \sum_{k} \alpha_k(t) s\left(t - \tau_k(t)\right)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt; el número de trayectos, y &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, respectivamente, las variaciones temporales de atenuación y retardo de cada trayectoria.&lt;br /&gt;
&lt;br /&gt;
Si expresamos la señal recibida en función del símbolo en banda base obtenemos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \Re\left\{ &lt;br /&gt;
        \left[ &lt;br /&gt;
        \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t)) &lt;br /&gt;
        \right] &lt;br /&gt;
        e^{j2\pi f_c t} &lt;br /&gt;
        \right\}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La demodulación de esta señal nos lleva a la expresión del símbolo recibido en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;z(t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
De la que deducimos la expresión de la respuesta al impulso del canal multitrayecto en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(\tau, t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} \delta(\tau - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt;, &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt; son procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
=== Discretización del modelo de respuesta impulsional ===&lt;br /&gt;
Para facilitar el análisis computacional del modelo, podemos representar su equivalente suponiendo señales y respuesta al impulso discretas.  El número de trayectos &amp;lt;math&amp;gt;p(t)&amp;lt;/math&amp;gt;, los retardos &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, las amplitudes &amp;lt;math&amp;gt;\rho_k(t)&amp;lt;/math&amp;gt; y las fases &amp;lt;math&amp;gt;\theta_k(t)&amp;lt;/math&amp;gt; de las señales que llegan al receptor se consideran procesos aleatorios dependientes del tiempo. Por lo tanto, la respuesta del canal es un proceso aleatorio que queda representado por:&amp;lt;ref&amp;gt;Díaz Nafría, J.M. (2021). Aplicaciones de filtrado adaptativo. &#039;&#039;Enunciado de actividad de la asignatura Traramiento Digital de la Señal&#039;&#039;. UDIMA.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(n, t) = \sum_{k=1}^{p(t)} \rho_k(t) e^{j\theta_k(t)} \delta(n - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12461</id>
		<title>Filtrado adaptativo</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12461"/>
		<updated>2025-04-21T07:44:28Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Correcciones en algoritmo&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
El &#039;&#039;&#039;filtrado adaptativo&#039;&#039;&#039; es una técnica de procesamiento de señales, donde un filtro tiene la capacidad de adaptar sus coeficientes de forma dinámica ante las condiciones cambiantes de la señal o de su entorno. Para ello, los filtros adaptativos implementan algoritmos que buscan la minimización de una función de error determinada.&lt;br /&gt;
&lt;br /&gt;
Existen dos algoritmos fundamentales en el filtrado adaptativo: &#039;&#039;&#039;LMS&#039;&#039;&#039; (&#039;&#039;Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) y &#039;&#039;&#039;RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos). Ambos buscan la minimización del error cuadrático medio entre la señal deseada y la señal filtrada, pero lo abordan de forma diferente. En líneas generales, LMS implementa una solución iterativa por el método de gradiente descendiente, mientras RLS utiliza una método recursivo de actualización de la solución óptima en base a todas las muestras previas. RLS requiere de mayor complejidad y coste computacional, pero a cambio converge de forma más rápida a los coeficientes óptimos.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Proakis, J.G. y Manolakis, D.G. (2007). &#039;&#039;Tratamiento digital de señales&#039;&#039; (4ª edición). Madrid: Pearson Educación.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Ejemplos ===&lt;br /&gt;
Cuando las características de las señales y el entorno son variantes, debemos recurrir a métodos con capacidad de adaptación y seguimiento a estos cambios. Los filtros adaptativos son soluciones ideales para sistemas que deben trabajar en tiempo real en entornos no estacionarios. Estas son algunas de las múltiples aplicaciones que implementan técnicas de filtrado adaptativo:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Identificación de sistemas&#039;&#039;. La comparación de las señales a la salida de un filtro adaptativo en paralelo con un sistema desconocido variante en	el tiempo nos permitirá identificar la respuesta del sistema en base a los coeficientes obtenidos en el filtro.&lt;br /&gt;
* &#039;&#039;Ecualización adaptativa del canal&#039;&#039;. Utilizado para mitigar la distorsión producida en la señal por un canal de comunicación de condiciones variantes en el tiempo. Este es el caso de las comunicaciones móviles, donde debido al multitrayecto, la distorsión de los símbolos transmitidos aumenta la interferencia entre estos.&lt;br /&gt;
* &#039;&#039;Cancelación de eco&#039;&#039;. En las comunicaciones &#039;&#039;full-duplex&#039;&#039;, como la telefónica, parte de la señal del emisor puede introducirse en el canal de vuelta. Ésta se puede suprimir mediante filtrado adaptativo.&lt;br /&gt;
&lt;br /&gt;
== Planteamiento general ==&lt;br /&gt;
[[File:Filtro adaptativo.png|thumb|440x440px|Filtro FIR adaptativo genérico]]&lt;br /&gt;
Los filtros FIR son los más ampliamente utilizados en el filtrado adaptativo. Por lo tanto partimos de un filtro FIR de coeficientes adaptativos implementado en su estructura directa (ver figura), donde &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; es la señal a la entrada del filtro, &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; la señal a su salida, &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; la señal deseada y &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; es la respuesta al impulso del filtro de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; coeficientes &amp;lt;math&amp;gt;h(0),h(1),...,h(M-1)&amp;lt;/math&amp;gt; .&lt;br /&gt;
&lt;br /&gt;
La señal a salida del filtro se puede expresar como la convolución entre  la señal a la entrada y la  respuesta al impulso:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) \, h(n-k)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El error está determinado por &amp;lt;math&amp;gt;e( n)=d(n)-y(n)&amp;lt;/math&amp;gt;, y el objetivo es encontrar el valor de los parámetros del filtro que minimicen el error cuadrático medio, según la siguiente función de costo:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J = E[e^2(n)] = E\left[\left(d(n) - y(n)\right)^2\right] = E\left[\left(d(n) - \sum_{k=0}^{M-1} x(k) h(n-k)\right)^2\right]&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La optimización de esta función nos lleva al siguiente conjunto de ecuaciones lineales, conocido como la &#039;&#039;ecuación de Wiener-Hopf&#039;&#039;:&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) \gamma_{xx}(l-k) = \gamma_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
En esta ecuación se consideran &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; como procesos aleatorios, siendo &amp;lt;math&amp;gt;\gamma_{xx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\gamma_{dx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación cruzada entre &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. La solución a este ecuación da como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;óptimos&#039;&#039; del filtro que minimizan el error cuadrático medio, pero desconocemos los valores estadísticos de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; para poder resolverla. Sin embargo, podemos considerar una ecuación muy similar a partir de los valores reales de las señales:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) r_{xx}(l-k) =r_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt; r_{xx}&amp;lt;/math&amp;gt; es la autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt; r_{dx}&amp;lt;/math&amp;gt; la correlación cruzada entre las secuencias &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. Estos valores reales son estimaciones de los valores estadísticos de las señales y la resolución de este sistema de ecuaciones, muestra a muestra, dará como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;estimados&#039;&#039; en cada instante.&lt;br /&gt;
&lt;br /&gt;
El objetivo de los algoritmos adaptativos como el LMS es acercarse a la solución &#039;&#039;óptima&#039;&#039; de la ecuación de Wiener-Hopf a partir de los datos reales de las secuencias, haciendo que los datos &#039;&#039;estimados&#039;&#039; obtenidos a partir de estos converjan hacia la solución &#039;&#039;óptima&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo LMS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo LMS&#039;&#039;&#039; &#039;&#039;(Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) es un método iterativo basado en el gradiente descendente para adaptar los coeficientes de un filtro y minimizar el error cuadrático medio entre la salida filtrada y la señal deseada. &lt;br /&gt;
&lt;br /&gt;
Para ello, propone la actualización iterativa de los coeficientes en dirección del gradiente negativo según la regla:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo:&lt;br /&gt;
&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{h}(n) = [ h_0(n), h_1(n), \ldots, h_{M-1}(n) ]^T&amp;lt;/math&amp;gt;, el vector de coeficientes del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;, el vector de entrada deslizante de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; muestras de la señal &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;, el error en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;. Siendo &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; el valor deseado de la muestra, e &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; el valor de la salida del filtro en ese instante, donde &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt;, la &#039;&#039;tasa de aprendizaje&#039;&#039;, parámetro que condiciona la velocidad de convergencia y la estabilidad del algoritmo.&lt;br /&gt;
&lt;br /&gt;
La elección de &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt; es determinante. Una tasa de aprendizaje mayor produce una convergencia más rápida, pero no puede superar la condición de estabilidad del algoritmo dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{2}{\lambda_{\text{max}}}&amp;lt;/math&amp;gt;. Donde &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt; es el autovalor máximo de &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; (matriz de autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;) . Ante la dificultad de conocer &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt;, se suele utilizar la aproximación dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{1}{M P_x}&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; es el número de coeficientes del filtro y &amp;lt;math&amp;gt;P_x&amp;lt;/math&amp;gt; es la potencia media de la señal de entrada.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento del algoritmo se puede sintetizar en los siguientes pasos:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de los coeficientes del filtro &amp;lt;math&amp;gt;\mathbf{h}(0) = \left[ h_0(0), h_1(0), \ldots, h_{M-1}(0) \right]^T&amp;lt;/math&amp;gt;. Si fuera posible se tomarían los valores calculados previamente a partir de una señal de referencia conocida por el receptor. Si no, se inicializan normalmente a &amp;lt;math&amp;gt;0&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización del vector de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo RLS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos) actualiza los coeficientes del filtro mediante la minimización de la suma del error cuadrático hacia el pasado según una ponderación decreciente exponencial. RLS tiene una convergencia más rápida, pero a costa de mayor complejidad computacional. &lt;br /&gt;
&lt;br /&gt;
RLS trata de encontrar los coeficientes que minimizan la función de costo siguiente:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J(n) = \sum_{l=0}^{n} \lambda^{n-l} e^2(l) = \sum_{l=0}^{n} \lambda^{n-l} \big(d(l) - y(l)\big)^2 = \sum_{l=0}^{n} \lambda^{n-l} \big(d(l) - \mathbf{x}^T(l) \mathbf{h}(n)\big)^2&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde: &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el instante actual; &amp;lt;math&amp;gt;l&amp;lt;/math&amp;gt; es el índice que recorre las muestras pasadas desde &amp;lt;math&amp;gt;0&amp;lt;/math&amp;gt; hasta &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;, suponiendo &amp;lt;math&amp;gt;x(n)=0&amp;lt;/math&amp;gt; para &amp;lt;math&amp;gt;n&amp;lt;0&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;d(l)&amp;lt;/math&amp;gt; e &amp;lt;math&amp;gt;y(l)&amp;lt;/math&amp;gt; son el valor deseado de la muestra y el valor a la salida del filtro, respectivamente; y &amp;lt;math&amp;gt;\lambda&amp;lt;/math&amp;gt; es un parámetro conocido como &#039;&#039;factor de olvido&#039;&#039; (&amp;lt;math&amp;gt;0&amp;lt;\lambda&amp;lt;1&amp;lt;/math&amp;gt;, típicamente muy cercano a &amp;lt;math&amp;gt;1&amp;lt;/math&amp;gt;, por encima de &amp;lt;math&amp;gt;0.9&amp;lt;/math&amp;gt;) que pondera las muestras de forma exponencial decreciente desde la actual a la más antigua. &lt;br /&gt;
&lt;br /&gt;
Se puede observar que a diferencia del planteamiento inicial que llevó a LMS, donde la función de costo era estadística, RLS plantea una función de costo determinista. &lt;br /&gt;
&lt;br /&gt;
La optimización de la dicha función nos llevará a la resolución de un conjunto de ecuaciones lineales &amp;lt;math&amp;gt;\mathbf{R}_{xx} \mathbf{h} = \mathbf{r}_{xd}&amp;lt;/math&amp;gt;, con el que obtendremos el vector de coeficientes del filtro para cada instante &amp;lt;math&amp;gt;\mathbf{h}(n) = [h_0(n), h_1(n), \ldots, h_{M-1}(n)]^T&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; la matriz de correlación de dimensión &amp;lt;math&amp;gt;M \times M&amp;lt;/math&amp;gt; a partir de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt;\mathbf{r}_{xd}&amp;lt;/math&amp;gt; el vector columna de dimensión &amp;lt;math&amp;gt;M \times 1&amp;lt;/math&amp;gt; dado por la correlación cruzada de las secuencias &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Para ello, se emplea un método recursivo en el cuál la &#039;&#039;ecuación de actualización&#039;&#039; de los coeficientes viene dada por &amp;lt;math&amp;gt;\mathbf{h}(n) = \mathbf{h}(n-1) + \mathbf{k}(n)  e(n)&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt; es el error entre el valor de la muestra deseada y el valor a la salida del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt;\mathbf{k}(n)&amp;lt;/math&amp;gt; es el &#039;&#039;vector de ganancia de Kalman&#039;&#039;, dado por la expresión:&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{k}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}{\lambda + \mathbf{x}^T(n) \mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento recursivo del cálculo de coeficientes según el algoritmo RLS se puede sintetizar como:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de &amp;lt;math&amp;gt;\mathbf{h}(-1) = \mathbf{0}&amp;lt;/math&amp;gt; y de &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(-1) = \delta \mathbf{I}&amp;lt;/math&amp;gt; (&amp;lt;math&amp;gt;\delta&amp;lt;/math&amp;gt; número positivo pequeño, &amp;lt;math&amp;gt;\mathbf{I}&amp;lt;/math&amp;gt; matriz identidad &amp;lt;math&amp;gt;M \times M&amp;lt;/math&amp;gt;).&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n-1)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del vector de ganancia de Kalman. Según la expresión &amp;lt;math&amp;gt;\mathbf{k}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}{\lambda + \mathbf{x}^T(n) \mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización de la inversa de la matriz de autocorrelación. Según &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) - \mathbf{k}(n)\mathbf{x}^T(n)\mathbf{R}_{xx}^{-1}(n-1)}{\lambda}&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización del vector de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n) = \mathbf{h}(n-1) + \mathbf{k}(n)  e(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12398</id>
		<title>Filtrado adaptativo</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12398"/>
		<updated>2025-04-05T14:01:36Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
El &#039;&#039;&#039;filtrado adaptativo&#039;&#039;&#039; es una técnica de procesamiento de señales, donde un filtro tiene la capacidad de adaptar sus coeficientes de forma dinámica ante las condiciones cambiantes de la señal o de su entorno. Para ello, los filtros adaptativos implementan algoritmos que buscan la minimización de una función de error determinada.&lt;br /&gt;
&lt;br /&gt;
Existen dos algoritmos fundamentales en el filtrado adaptativo: &#039;&#039;&#039;LMS&#039;&#039;&#039; (&#039;&#039;Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) y &#039;&#039;&#039;RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos). Ambos buscan la minimización del error cuadrático medio entre la señal deseada y la señal filtrada, pero lo abordan de forma diferente. En líneas generales, LMS implementa una solución iterativa por el método de gradiente descendiente, mientras RLS utiliza una método recursivo de actualización de la solución óptima en base a todas las muestras previas. RLS requiere de mayor complejidad y coste computacional, pero a cambio converge de forma más rápida a los coeficientes óptimos.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Proakis, J.G. y Manolakis, D.G. (2007). &#039;&#039;Tratamiento digital de señales&#039;&#039; (4ª edición). Madrid: Pearson Educación.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Ejemplos ===&lt;br /&gt;
Cuando las características de las señales y el entorno son variantes, debemos recurrir a métodos con capacidad de adaptación y seguimiento a estos cambios. Los filtros adaptativos son soluciones ideales para sistemas que deben trabajar en tiempo real en entornos no estacionarios. Estas son algunas de las múltiples aplicaciones que implementan técnicas de filtrado adaptativo:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Identificación de sistemas&#039;&#039;. La comparación de las señales a la salida de un filtro adaptativo en paralelo con un sistema desconocido variante en	el tiempo nos permitirá identificar la respuesta del sistema en base a los coeficientes obtenidos en el filtro.&lt;br /&gt;
* &#039;&#039;Ecualización adaptativa del canal&#039;&#039;. Utilizado para mitigar la distorsión producida en la señal por un canal de comunicación de condiciones variantes en el tiempo. Este es el caso de las comunicaciones móviles, donde debido al multitrayecto, la distorsión de los símbolos transmitidos aumenta la interferencia entre estos.&lt;br /&gt;
* &#039;&#039;Cancelación de eco&#039;&#039;. En las comunicaciones &#039;&#039;full-duplex&#039;&#039;, como la telefónica, parte de la señal del emisor puede introducirse en el canal de vuelta. Ésta se puede suprimir mediante filtrado adaptativo.&lt;br /&gt;
&lt;br /&gt;
== Planteamiento general ==&lt;br /&gt;
[[File:Filtro adaptativo.png|thumb|440x440px|Filtro FIR adaptativo genérico]]&lt;br /&gt;
Los filtros FIR son los más ampliamente utilizados en el filtrado adaptativo. Por lo tanto partimos de un filtro FIR de coeficientes adaptativos implementado en su estructura directa (ver figura), donde &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; es la señal a la entrada del filtro, &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; la señal a su salida, &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; la señal deseada y &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; es la respuesta al impulso del filtro de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; coeficientes &amp;lt;math&amp;gt;h(0),h(1),...,h(M-1)&amp;lt;/math&amp;gt; .&lt;br /&gt;
&lt;br /&gt;
La señal a salida del filtro se puede expresar como la convolución entre  la señal a la entrada y la  respuesta al impulso:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) \, h(n-k)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El error está determinado por &amp;lt;math&amp;gt;e( n)=d(n)-y(n)&amp;lt;/math&amp;gt;, y el objetivo es encontrar el valor de los parámetros del filtro que minimicen el error cuadrático medio, según la siguiente función de costo:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J = E[e^2(n)] = E\left[\left(d(n) - y(n)\right)^2\right] = E\left[\left(d(n) - \sum_{k=0}^{M-1} x(k) h(n-k)\right)^2\right]&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La optimización de esta función nos lleva al siguiente conjunto de ecuaciones lineales, conocido como la &#039;&#039;ecuación de Wiener-Hopf&#039;&#039;:&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) \gamma_{xx}(l-k) = \gamma_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
En esta ecuación se consideran &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; como procesos aleatorios, siendo &amp;lt;math&amp;gt;\gamma_{xx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\gamma_{dx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación cruzada entre &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. La solución a este ecuación da como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;óptimos&#039;&#039; del filtro que minimizan el error cuadrático medio, pero desconocemos los valores estadísticos de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; para poder resolverla. Sin embargo, podemos considerar una ecuación muy similar a partir de los valores reales de las señales:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) r_{xx}(l-k) =r_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt; r_{xx}&amp;lt;/math&amp;gt; es la autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt; r_{dx}&amp;lt;/math&amp;gt; la correlación cruzada entre las secuencias &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. Estos valores reales son estimaciones de los valores estadísticos de las señales y la resolución de este sistema de ecuaciones, muestra a muestra, dará como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;estimados&#039;&#039; en cada instante.&lt;br /&gt;
&lt;br /&gt;
El objetivo de los algoritmos adaptativos como el LMS es acercarse a la solución &#039;&#039;óptima&#039;&#039; de la ecuación de Wiener-Hopf a partir de los datos reales de las secuencias, haciendo que los datos &#039;&#039;estimados&#039;&#039; obtenidos a partir de estos converjan hacia la solución &#039;&#039;óptima&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo LMS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo LMS&#039;&#039;&#039; &#039;&#039;(Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) es un método iterativo basado en el gradiente descendente para adaptar los coeficientes de un filtro y minimizar el error cuadrático medio entre la salida filtrada y la señal deseada. &lt;br /&gt;
&lt;br /&gt;
Para ello, propone la actualización iterativa de los coeficientes en dirección del gradiente negativo según la regla:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo:&lt;br /&gt;
&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{h}(n) = [ h_0(n), h_1(n), \ldots, h_{M-1}(n) ]^T&amp;lt;/math&amp;gt;, el vector de coeficientes del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;, el vector de entrada deslizante de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; muestras de la señal &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;, el error en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;. Siendo &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; el valor deseado de la muestra, e &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; el valor de la salida del filtro en ese instante, donde &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt;, la &#039;&#039;tasa de aprendizaje&#039;&#039;, parámetro que condiciona la velocidad de convergencia y la estabilidad del algoritmo.&lt;br /&gt;
&lt;br /&gt;
La elección de &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt; es determinante. Una tasa de aprendizaje mayor produce una convergencia más rápida, pero no puede superar la condición de estabilidad del algoritmo dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{2}{\lambda_{\text{max}}}&amp;lt;/math&amp;gt;. Donde &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt; es el autovalor máximo de &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; (matriz de autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;) . Ante la dificultad de conocer &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt;, se suele utilizar la aproximación dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{1}{M P_x}&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; es el número de coeficientes del filtro y &amp;lt;math&amp;gt;P_x&amp;lt;/math&amp;gt; es la potencia media de la señal de entrada.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento del algoritmo se puede sintetizar en los siguientes pasos:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de los coeficientes del filtro &amp;lt;math&amp;gt;\mathbf{h}(-1) = \left[ h_0(-1), h_1(-1), \ldots, h_{M-1}(-1) \right]^T&amp;lt;/math&amp;gt;. Si fuera posible se tomarían los valores calculados previamente a partir de una señal de referencia conocida por el receptor. Si no, se inicializan normalmente a &amp;lt;math&amp;gt;0&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización del vector de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo RLS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos) actualiza los coeficientes del filtro mediante la minimización de la suma del error cuadrático hacia el pasado según una ponderación decreciente exponencial. RLS tiene una convergencia más rápida, pero a costa de mayor complejidad computacional. &lt;br /&gt;
&lt;br /&gt;
RLS trata de encontrar los coeficientes que minimizan la función de costo siguiente:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J(n) = \sum_{l=0}^{n} \lambda^{n-l} e^2(l) = \sum_{l=0}^{n} \lambda^{n-l} \big(d(l) - y(l)\big)^2 = \sum_{l=0}^{n} \lambda^{n-l} \big(d(l) - \mathbf{x}^T(l) \mathbf{h}(n)\big)^2&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde: &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el instante actual; &amp;lt;math&amp;gt;l&amp;lt;/math&amp;gt; es el índice que recorre las muestras pasadas desde &amp;lt;math&amp;gt;0&amp;lt;/math&amp;gt; hasta &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;, suponiendo &amp;lt;math&amp;gt;x(n)=0&amp;lt;/math&amp;gt; para &amp;lt;math&amp;gt;n&amp;lt;0&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;d(l)&amp;lt;/math&amp;gt; e &amp;lt;math&amp;gt;y(l)&amp;lt;/math&amp;gt; son el valor deseado de la muestra y el valor a la salida del filtro, respectivamente; y &amp;lt;math&amp;gt;\lambda&amp;lt;/math&amp;gt; es un parámetro conocido como &#039;&#039;factor de olvido&#039;&#039; (&amp;lt;math&amp;gt;0&amp;lt;\lambda&amp;lt;1&amp;lt;/math&amp;gt;, típicamente muy cercano a &amp;lt;math&amp;gt;1&amp;lt;/math&amp;gt;, por encima de &amp;lt;math&amp;gt;0.9&amp;lt;/math&amp;gt;) que pondera las muestras de forma exponencial decreciente desde la actual a la más antigua. &lt;br /&gt;
&lt;br /&gt;
Se puede observar que a diferencia del planteamiento inicial que llevó a LMS, donde la función de costo era estadística, RLS plantea una función de costo determinista. &lt;br /&gt;
&lt;br /&gt;
La optimización de la dicha función nos llevará a la resolución de un conjunto de ecuaciones lineales &amp;lt;math&amp;gt;\mathbf{R}_{xx} \mathbf{h} = \mathbf{r}_{xd}&amp;lt;/math&amp;gt;, con el que obtendremos el vector de coeficientes del filtro para cada instante &amp;lt;math&amp;gt;\mathbf{h}(n) = [h_0(n), h_1(n), \ldots, h_{M-1}(n)]^T&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; la matriz de correlación de dimensión &amp;lt;math&amp;gt;M \times M&amp;lt;/math&amp;gt; a partir de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt;\mathbf{r}_{xd}&amp;lt;/math&amp;gt; el vector columna de dimensión &amp;lt;math&amp;gt;M \times 1&amp;lt;/math&amp;gt; dado por la correlación cruzada de las secuencias &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Para ello, se emplea un método recursivo en el cuál la &#039;&#039;ecuación de actualización&#039;&#039; de los coeficientes viene dada por &amp;lt;math&amp;gt;\mathbf{h}(n) = \mathbf{h}(n-1) + \mathbf{k}(n)  e(n)&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt; es el error entre el valor de la muestra deseada y el valor a la salida del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt;\mathbf{k}(n)&amp;lt;/math&amp;gt; es el &#039;&#039;vector de ganancia de Kalman&#039;&#039;, dado por la expresión:&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{k}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}{\lambda + \mathbf{x}^T(n) \mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento recursivo del cálculo de coeficientes según el algoritmo RLS se puede sintetizar como:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de &amp;lt;math&amp;gt;\mathbf{h}(-1) = \mathbf{0}&amp;lt;/math&amp;gt; y de &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(-1) = \delta \mathbf{I}&amp;lt;/math&amp;gt; (&amp;lt;math&amp;gt;\delta&amp;lt;/math&amp;gt; número positivo pequeño, &amp;lt;math&amp;gt;\mathbf{I}&amp;lt;/math&amp;gt; matriz identidad &amp;lt;math&amp;gt;M \times M&amp;lt;/math&amp;gt;).&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del vector de ganancia de Kalman. Según la expresión &amp;lt;math&amp;gt;\mathbf{k}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}{\lambda + \mathbf{x}^T(n) \mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización de la inversa de la matriz de autocorrelación. Según &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) - \mathbf{k}(n)\mathbf{x}^T(n)\mathbf{R}_{xx}^{-1}(n-1)}{\lambda}&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización del vector de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n) = \mathbf{h}(n-1) + \mathbf{k}(n)  e(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12397</id>
		<title>Filtrado adaptativo</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12397"/>
		<updated>2025-04-05T13:56:53Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Primera versión a falta de código&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
El &#039;&#039;&#039;filtrado adaptativo&#039;&#039;&#039; es una técnica de procesamiento de señales, donde un filtro tiene la capacidad de adaptar sus coeficientes de forma dinámica ante las condiciones cambiantes de la señal o de su entorno. Para ello, los filtros adaptativos implementan algoritmos que buscan la minimización de una función de error determinada.&lt;br /&gt;
&lt;br /&gt;
Existen dos algoritmos fundamentales en el filtrado adaptativo: &#039;&#039;&#039;LMS&#039;&#039;&#039; (&#039;&#039;Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) y &#039;&#039;&#039;RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos). Ambos buscan la minimización del error cuadrático medio entre la señal deseada y la señal filtrada, pero lo abordan de forma diferente. En líneas generales, LMS implementa una solución iterativa por el método de gradiente descendiente, mientras RLS utiliza una método recursivo de actualización de la solución óptima en base a todas las muestras previas. RLS requiere de mayor complejidad y coste computacional, pero a cambio converge de forma más rápida a los coeficientes óptimos.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Proakis, J.G. y Manolakis, D.G. (2007). &#039;&#039;Tratamiento digital de señales&#039;&#039; (4ª edición). Madrid: Pearson Educación.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Ejemplos ===&lt;br /&gt;
Cuando las características de las señales y el entorno son variantes, debemos recurrir a métodos con capacidad de adaptación y seguimiento a estos cambios. Los filtros adaptativos son soluciones ideales para sistemas que deben trabajar en tiempo real en entornos no estacionarios. Estas son algunas de las múltiples aplicaciones que implementan técnicas de filtrado adaptativo:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Identificación de sistemas&#039;&#039;. La comparación de las señales a la salida de un filtro adaptativo en paralelo con un sistema desconocido variante en	el tiempo nos permitirá identificar la respuesta del sistema en base a los coeficientes obtenidos en el filtro.&lt;br /&gt;
* &#039;&#039;Ecualización adaptativa del canal&#039;&#039;. Utilizado para mitigar la distorsión producida en la señal por un canal de comunicación de condiciones variantes en el tiempo. Este es el caso de las comunicaciones móviles, donde debido al multitrayecto, la distorsión de los símbolos transmitidos aumenta la interferencia entre estos.&lt;br /&gt;
* &#039;&#039;Cancelación de eco&#039;&#039;. En las comunicaciones &#039;&#039;full-duplex&#039;&#039;, como la telefónica, parte de la señal del emisor puede introducirse en el canal de vuelta. Ésta se puede suprimir mediante filtrado adaptativo.&lt;br /&gt;
&lt;br /&gt;
== Planteamiento general ==&lt;br /&gt;
[[File:Filtro adaptativo.png|thumb|440x440px|Filtro FIR adaptativo genérico]]&lt;br /&gt;
Los filtros FIR son los más ampliamente utilizados en el filtrado adaptativo. Por lo tanto partimos de un filtro FIR de coeficientes adaptativos implementado en su estructura directa (ver figura), donde &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; es la señal a la entrada del filtro, &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; la señal a su salida, &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; la señal deseada y &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; es la respuesta al impulso del filtro de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; coeficientes &amp;lt;math&amp;gt;h(n),h(1),...,h(M-1)&amp;lt;/math&amp;gt; .&lt;br /&gt;
&lt;br /&gt;
La señal a salida del filtro se puede expresar como la convolución entre  la señal a la entrada y la  respuesta al impulso:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) \, h(n-k)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El error está determinado por &amp;lt;math&amp;gt;e( n)=d(n)-y(n)&amp;lt;/math&amp;gt;, y el objetivo es encontrar el valor de los parámetros del filtro que minimicen el error cuadrático medio, según la siguiente función de costo:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J = E[e^2(n)] = E\left[\left(d(n) - y(n)\right)^2\right] = E\left[\left(d(n) - \sum_{k=0}^{M-1} x(k) h(n-k)\right)^2\right]&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La optimización de esta función nos lleva al siguiente conjunto de ecuaciones lineales, conocido como la &#039;&#039;ecuación de Wiener-Hopf&#039;&#039;:&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) \gamma_{xx}(l-k) = \gamma_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
En esta ecuación se consideran &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; como procesos aleatorios, siendo &amp;lt;math&amp;gt;\gamma_{xx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\gamma_{dx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación cruzada entre &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. La solución a este ecuación da como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;óptimos&#039;&#039; del filtro que minimizan el error cuadrático medio, pero desconocemos los valores estadísticos de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; para poder resolverla. Sin embargo, podemos considerar una ecuación muy similar a partir de los valores reales de las señales:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) r_{xx}(l-k) =r_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt; r_{xx}&amp;lt;/math&amp;gt; es la autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt; r_{dx}&amp;lt;/math&amp;gt; la correlación cruzada entre las secuencias &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. Estos valores reales son estimaciones de los valores estadísticos de las señales y la resolución de este sistema de ecuaciones, muestra a muestra, dará como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;estimados&#039;&#039; en cada instante.&lt;br /&gt;
&lt;br /&gt;
El objetivo de los algoritmos adaptativos como el LMS es acercarse a la solución &#039;&#039;óptima&#039;&#039; de la ecuación de Wiener-Hopf a partir de los datos reales de las secuencias, haciendo que los datos &#039;&#039;estimados&#039;&#039; obtenidos a partir de estos converjan hacia la solución &#039;&#039;óptima&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo LMS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo LMS&#039;&#039;&#039; &#039;&#039;(Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) es un método iterativo basado en el gradiente descendente para adaptar los coeficientes de un filtro y minimizar el error cuadrático medio entre la salida filtrada y la señal deseada. &lt;br /&gt;
&lt;br /&gt;
Para ello, propone la actualización iterativa de los coeficientes en dirección del gradiente negativo según la regla:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo:&lt;br /&gt;
&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{h}(n) = [ h_0(n), h_1(n), \ldots, h_{M-1}(n) ]^T&amp;lt;/math&amp;gt;, el vector de coeficientes del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;, el vector de entrada deslizante de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; muestras de la señal &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;, el error en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;. Siendo &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; el valor deseado de la muestra, e &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; el valor de la salida del filtro en ese instante, donde &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt;, la &#039;&#039;tasa de aprendizaje&#039;&#039;, parámetro que condiciona la velocidad de convergencia y la estabilidad del algoritmo.&lt;br /&gt;
&lt;br /&gt;
La elección de &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt; es determinante. Una tasa de aprendizaje mayor produce una convergencia más rápida, pero no puede superar la condición de estabilidad del algoritmo dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{2}{\lambda_{\text{max}}}&amp;lt;/math&amp;gt;. Donde &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt; es el autovalor máximo de &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; (matriz de autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;) . Ante la dificultad de conocer &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt;, se suele utilizar la aproximación dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{1}{M P_x}&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; es el número de coeficientes del filtro y &amp;lt;math&amp;gt;P_x&amp;lt;/math&amp;gt; es la potencia media de la señal de entrada.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento del algoritmo se puede sintetizar en los siguientes pasos:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de los coeficientes del filtro &amp;lt;math&amp;gt;\mathbf{h}(-1) = \left[ h_0(-1), h_1(-1), \ldots, h_{M-1}(-1) \right]^T&amp;lt;/math&amp;gt;. Si fuera posible se tomarían los valores calculados previamente a partir de una señal de referencia conocida por el receptor. Si no, se inicializan normalmente a &amp;lt;math&amp;gt;0&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización del vector de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo RLS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos) actualiza los coeficientes del filtro mediante la minimización de la suma del error cuadrático hacia el pasado según una ponderación decreciente exponencial. RLS tiene una convergencia más rápida, pero a costa de mayor complejidad computacional. &lt;br /&gt;
&lt;br /&gt;
RLS trata de encontrar los coeficientes que minimizan la función de costo siguiente:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J(n) = \sum_{l=0}^{n} \lambda^{n-l} e^2(l) = \sum_{l=0}^{n} \lambda^{n-l} \big(d(l) - y(l)\big)^2 = \sum_{l=0}^{n} \lambda^{n-l} \big(d(l) - \mathbf{x}^T(l) \mathbf{h}(n)\big)^2&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde: &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el instante actual; &amp;lt;math&amp;gt;l&amp;lt;/math&amp;gt; es el índice que recorre las muestras pasadas desde &amp;lt;math&amp;gt;0&amp;lt;/math&amp;gt; hasta &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;, suponiendo &amp;lt;math&amp;gt;x(n)=0&amp;lt;/math&amp;gt; para &amp;lt;math&amp;gt;n&amp;lt;0&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;d(l)&amp;lt;/math&amp;gt; e &amp;lt;math&amp;gt;y(l)&amp;lt;/math&amp;gt; son el valor deseado de la muestra y el valor a la salida del filtro, respectivamente; y &amp;lt;math&amp;gt;\lambda&amp;lt;/math&amp;gt; es un parámetro conocido como &#039;&#039;factor de olvido&#039;&#039; (&amp;lt;math&amp;gt;0&amp;lt;\lambda&amp;lt;1&amp;lt;/math&amp;gt;, típicamente muy cercano a &amp;lt;math&amp;gt;1&amp;lt;/math&amp;gt;, por encima de &amp;lt;math&amp;gt;0.9&amp;lt;/math&amp;gt;) que pondera las muestras de forma exponencial decreciente desde la actual a la más antigua. &lt;br /&gt;
&lt;br /&gt;
Se puede observar que a diferencia del planteamiento inicial que llevó a LMS, donde la función de costo era estadística, RLS plantea una función de costo determinista. &lt;br /&gt;
&lt;br /&gt;
La optimización de la dicha función nos llevará a la resolución de un conjunto de ecuaciones lineales &amp;lt;math&amp;gt;\mathbf{R}_{xx} \mathbf{h} = \mathbf{r}_{xd}&amp;lt;/math&amp;gt;, con el que obtendremos el vector de coeficientes del filtro para cada instante &amp;lt;math&amp;gt;\mathbf{h}(n) = [h_0(n), h_1(n), \ldots, h_{M-1}(n)]^T&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; la matriz de correlación de dimensión &amp;lt;math&amp;gt;M \times M&amp;lt;/math&amp;gt; a partir de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt;\mathbf{r}_{xd}&amp;lt;/math&amp;gt; el vector columna de dimensión &amp;lt;math&amp;gt;M \times 1&amp;lt;/math&amp;gt; dado por la correlación cruzada de las secuencias &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Para ello, se emplea un método recursivo en el cuál la &#039;&#039;ecuación de actualización&#039;&#039; de los coeficientes viene dada por &amp;lt;math&amp;gt;\mathbf{h}(n) = \mathbf{h}(n-1) + \mathbf{k}(n)  e(n)&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt; es el error entre el valor de la muestra deseada y el valor a la salida del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt;\mathbf{k}(n)&amp;lt;/math&amp;gt; es el &#039;&#039;vector de ganancia de Kalman&#039;&#039;, dado por la expresión:&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{k}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}{\lambda + \mathbf{x}^T(n) \mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento recursivo del cálculo de coeficientes según el algoritmo RLS se puede sintetizar como:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de &amp;lt;math&amp;gt;\mathbf{h}(-1) = \mathbf{0}&amp;lt;/math&amp;gt; y de &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(-1) = \delta \mathbf{I}&amp;lt;/math&amp;gt; (&amp;lt;math&amp;gt;\delta&amp;lt;/math&amp;gt; número positivo pequeño, &amp;lt;math&amp;gt;\mathbf{I}&amp;lt;/math&amp;gt; matriz identidad &amp;lt;math&amp;gt;M \times M&amp;lt;/math&amp;gt;).&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del vector de ganancia de Kalman. Según la expresión &amp;lt;math&amp;gt;\mathbf{k}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}{\lambda + \mathbf{x}^T(n) \mathbf{R}_{xx}^{-1}(n-1) \mathbf{x}^*(n)}&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización de la inversa de la matriz de autocorrelación. Según &amp;lt;math&amp;gt;\mathbf{R}_{xx}^{-1}(n) = \frac{\mathbf{R}_{xx}^{-1}(n-1) - \mathbf{k}(n)\mathbf{x}^T(n)\mathbf{R}_{xx}^{-1}(n-1)}{\lambda}&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización del vector de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n) = \mathbf{h}(n-1) + \mathbf{k}(n)  e(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12396</id>
		<title>Filtrado adaptativo</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12396"/>
		<updated>2025-04-05T10:55:56Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
El &#039;&#039;&#039;filtrado adaptativo&#039;&#039;&#039; es una técnica de procesamiento de señales, donde un filtro tiene la capacidad de adaptar sus coeficientes de forma dinámica ante las condiciones cambiantes de la señal o de su entorno. Para ello, los filtros adaptativos implementan algoritmos que buscan la minimización de una función de error determinada.&lt;br /&gt;
&lt;br /&gt;
Existen dos algoritmos fundamentales en el filtrado adaptativo: &#039;&#039;&#039;LMS&#039;&#039;&#039; (&#039;&#039;Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) y &#039;&#039;&#039;RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos). Ambos buscan la minimización del error cuadrático medio entre la señal deseada y la señal filtrada, pero lo abordan de forma diferente. En líneas generales, LMS implementa una solución iterativa por el método de gradiente descendiente, mientras RLS utiliza una método recursivo de actualización de la solución óptima en base a todas las muestras previas. RLS requiere de mayor complejidad y coste computacional, pero a cambio converge de forma más rápida a los coeficientes óptimos.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Proakis, J.G. y Manolakis, D.G. (2007). &#039;&#039;Tratamiento digital de señales&#039;&#039; (4ª edición). Madrid: Pearson Educación.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Ejemplos ===&lt;br /&gt;
Cuando las características de las señales y el entorno son variantes, debemos recurrir a métodos con capacidad de adaptación y seguimiento a estos cambios. Los filtros adaptativos son soluciones ideales para sistemas que deben trabajar en tiempo real en entornos no estacionarios. Estas son algunas de las múltiples aplicaciones que implementan técnicas de filtrado adaptativo:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Identificación de sistemas&#039;&#039;. La comparación de las señales a la salida de un filtro adaptativo en paralelo con un sistema desconocido variante en	el tiempo nos permitirá identificar la respuesta del sistema en base a los coeficientes obtenidos en el filtro.&lt;br /&gt;
* &#039;&#039;Ecualización adaptativa del canal&#039;&#039;. Utilizado para mitigar la distorsión producida en la señal por un canal de comunicación de condiciones variantes en el tiempo. Este es el caso de las comunicaciones móviles, donde debido al multitrayecto, la distorsión de los símbolos transmitidos aumenta la interferencia entre estos.&lt;br /&gt;
* &#039;&#039;Cancelación de eco&#039;&#039;. En las comunicaciones &#039;&#039;full-duplex&#039;&#039;, como la telefónica, parte de la señal del emisor puede introducirse en el canal de vuelta. Ésta se puede suprimir mediante filtrado adaptativo.&lt;br /&gt;
&lt;br /&gt;
== Planteamiento general ==&lt;br /&gt;
[[File:Filtro adaptativo.png|thumb|440x440px|Filtro FIR adaptativo genérico]]&lt;br /&gt;
Los filtros FIR son los más ampliamente utilizados en el filtrado adaptativo. Por lo tanto partimos de un filtro FIR de coeficientes adaptativos implementado en su estructura directa (ver figura), donde &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; es la señal a la entrada del filtro, &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; la señal a su salida, &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; la señal deseada y &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; es la respuesta al impulso del filtro de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; coeficientes &amp;lt;math&amp;gt;h(n),h(1),...,h(M-1)&amp;lt;/math&amp;gt; .&lt;br /&gt;
&lt;br /&gt;
La señal a salida del filtro se puede expresar como la convolución entre  la señal a la entrada y la  respuesta al impulso:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) \, h(n-k)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El error está determinado por &amp;lt;math&amp;gt;e( n)=d(n)-y(n)&amp;lt;/math&amp;gt;, y el objetivo es encontrar el valor de los parámetros del filtro que minimicen el error cuadrático medio, según la siguiente función de costo:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J = E[e^2(n)] = E\left[\left(d(n) - y(n)\right)^2\right] = E\left[\left(d(n) - \sum_{k=0}^{M-1} x(k) h(n-k)\right)^2\right]&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La optimización de esta función nos lleva al siguiente conjunto de ecuaciones lineales, conocido como la &#039;&#039;ecuación de Wiener-Hopf&#039;&#039;&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) \gamma_{xx}(l-k) = \gamma_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
En esta ecuación se consideran &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; como procesos aleatorios, siendo &amp;lt;math&amp;gt;\gamma_{xx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\gamma_{dx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación cruzada entre &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. La solución a este ecuación da como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;óptimos&#039;&#039; del filtro que minimizan el error cuadrático medio, pero desconocemos los valores estadísticos de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; para poder resolverla. Sin embargo, podemos considerar una ecuación muy similar a partir de los valores reales de las señales:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) r_{xx}(l-k) =r_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt; r_{xx}&amp;lt;/math&amp;gt; es la autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt; r_{dx}&amp;lt;/math&amp;gt; la correlación cruzada entre las secuencias &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. Estos valores reales son estimaciones de los valores estadísticos de las señales y la resolución de este sistema de ecuaciones, muestra a muestra, dará como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;estimados&#039;&#039; en cada instante.&lt;br /&gt;
&lt;br /&gt;
El objetivo de los algoritmos adaptativos como el LMS es acercarse a la solución &#039;&#039;óptima&#039;&#039; de la ecuación de Wiener-Hopf a partir de los datos reales de las secuencias, haciendo que los datos &#039;&#039;estimados&#039;&#039; obtenidos a partir de estos converjan hacia la solución &#039;&#039;óptima&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo LMS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo LMS&#039;&#039;&#039; &#039;&#039;(Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) es un método iterativo basado en el gradiente descendente para adaptar los coeficientes de un filtro y minimizar el error cuadrático medio entre la salida filtrada y la señal deseada. &lt;br /&gt;
&lt;br /&gt;
Para ello, propone la actualización iterativa de los coeficientes en dirección del gradiente negativo según la regla:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo:&lt;br /&gt;
&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{h}(n) = [ h_0(n), h_1(n), \ldots, h_{M-1}(n) ]^T&amp;lt;/math&amp;gt;, el vector de coeficientes del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;, el vector de entrada deslizante de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; muestras de la señal &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;, el error en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;. Siendo &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; el valor deseado de la muestra, e &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; el valor de la salida del filtro en ese instante, donde &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt;, la &#039;&#039;tasa de aprendizaje&#039;&#039;, parámetro que condiciona la velocidad de convergencia y la estabilidad del algoritmo.&lt;br /&gt;
&lt;br /&gt;
La elección de &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt; es determinante. Una tasa de aprendizaje mayor produce una convergencia más rápida, pero no puede superar la condición de estabilidad del algoritmo dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{2}{\lambda_{\text{max}}}&amp;lt;/math&amp;gt;. Donde &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt; es el autovalor máximo de &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; (matriz de autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;) . Ante la dificultad de conocer &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt;, se suele utilizar la aproximación dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{1}{M P_x}&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; es el número de coeficientes del filtro y &amp;lt;math&amp;gt;P_x&amp;lt;/math&amp;gt; es la potencia media de la señal de entrada.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento del algoritmo se puede sintetizar en los siguientes pasos:&lt;br /&gt;
&lt;br /&gt;
# Inicialización de los coeficientes del filtro &amp;lt;math&amp;gt;\mathbf{h}(-1) = \left[ h_0(-1), h_1(-1), \ldots, h_{M-1}(-1) \right]^T&amp;lt;/math&amp;gt;. Si fuera posible se tomarían los valores calculados previamente a partir de una señal de referencia conocida por el receptor. Si no, se inicializan normalmente a 0.&lt;br /&gt;
# Entrada de datos. Se toma la muestra &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y se construye el vector &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo de la salida estimada del filtro mediante &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Cálculo del error mediante &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Actualización de coeficientes. Según la regla &amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
# Incremento del índice temporal &amp;lt;math&amp;gt;n=n+1&amp;lt;/math&amp;gt; y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo RLS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos) actualiza los coeficientes del filtro mediante la minimización de la suma del error cuadrático hacia el pasado según una ponderación decreciente exponencial. RLS tiene una convergencia más rápida, pero a costa de mayor complejidad computacional. &lt;br /&gt;
&lt;br /&gt;
RLS trata de encontrar los coeficientes que minimizan la función de costo siguiente:&lt;br /&gt;
&lt;br /&gt;
Donde:  es el instante actual; es el índice que recorre las muestras pasadas desde  hasta , suponiendo  para ;  e  son el valor deseado de la muestra y el valor a la salida del filtro, respectivamente; y  es un parámetro conocido como &#039;&#039;factor de olvido&#039;&#039; (, típicamente muy cercano a 1, por encima de 0.9) que pondera las muestras de forma exponencial decreciente desde la actual a la más antigua. &lt;br /&gt;
&lt;br /&gt;
Se puede observar que a diferencia del planteamiento inicial que llevó a LMS, donde la función de costo era estadística, RLS plantea una función de costo determinista. &lt;br /&gt;
&lt;br /&gt;
La optimización de la dicha función nos llevará a la resolución de un conjunto de ecuaciones lineales , con el que obtendremos el vector de coeficientes del filtro para cada instante , siendo  la matriz de correlación de dimensión  a partir de la secuencia , y  el vector columna de dimensión  dado por la correlación cruzada de las secuencias  y .&lt;br /&gt;
&lt;br /&gt;
Para ello, se emplea un método recursivo en el cuál la &#039;&#039;ecuación de actualización&#039;&#039; de los coeficientes viene dada por , donde  es el error entre el valor de la muestra deseada y el valor a la salida del filtro en el instante , y es el &#039;&#039;vector de ganancia de Kalman&#039;&#039; (Proakis y Manolakis, 2007) dado por la expresión:&lt;br /&gt;
&lt;br /&gt;
El procedimiento recursivo del cálculo de coeficientes según el algoritmo RLS se puede sintetizar como:&lt;br /&gt;
&lt;br /&gt;
# Inicialización	de  y de  ( número positivo pequeño,  matriz identidad ).&lt;br /&gt;
# Entrada de datos. Se toma la muestra  y se	construye el vector .&lt;br /&gt;
# Cálculo de la salida. Según la	expresión .&lt;br /&gt;
# Cálculo del error. Según la	expresión .&lt;br /&gt;
# Cálculo del vector de ganancia	de Kalman. Según la expresión .&lt;br /&gt;
# Actualización de 	la inversa de la matriz de autocorrelación. Según .&lt;br /&gt;
# Actualización del vector	de coeficientes del filtro. Según .&lt;br /&gt;
# Incremento del índice temporal  y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12395</id>
		<title>Filtrado adaptativo</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12395"/>
		<updated>2025-04-05T10:44:30Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
El &#039;&#039;&#039;filtrado adaptativo&#039;&#039;&#039; es una técnica de procesamiento de señales, donde un filtro tiene la capacidad de adaptar sus coeficientes de forma dinámica ante las condiciones cambiantes de la señal o de su entorno. Para ello, los filtros adaptativos implementan algoritmos que buscan la minimización de una función de error determinada.&lt;br /&gt;
&lt;br /&gt;
Existen dos algoritmos fundamentales en el filtrado adaptativo: &#039;&#039;&#039;LMS&#039;&#039;&#039; (&#039;&#039;Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) y &#039;&#039;&#039;RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos). Ambos buscan la minimización del error cuadrático medio entre la señal deseada y la señal filtrada, pero lo abordan de forma diferente. En líneas generales, LMS implementa una solución iterativa por el método de gradiente descendiente, mientras RLS utiliza una método recursivo de actualización de la solución óptima en base a todas las muestras previas. RLS requiere de mayor complejidad y coste computacional, pero a cambio converge de forma más rápida a los coeficientes óptimos.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Proakis, J.G. y Manolakis, D.G. (2007). &#039;&#039;Tratamiento digital de señales&#039;&#039; (4ª edición). Madrid: Pearson Educación.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
=== Ejemplos ===&lt;br /&gt;
Cuando las características de las señales y el entorno son variantes, debemos recurrir a métodos con capacidad de adaptación y seguimiento a estos cambios. Los filtros adaptativos son soluciones ideales para sistemas que deben trabajar en tiempo real en entornos no estacionarios. Estas son algunas de las múltiples aplicaciones que implementan técnicas de filtrado adaptativo:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Identificación de sistemas&#039;&#039;. La comparación de las señales a la salida de un filtro adaptativo en paralelo con un sistema desconocido variante en	el tiempo nos permitirá identificar la respuesta del sistema en base a los coeficientes obtenidos en el filtro.&lt;br /&gt;
* &#039;&#039;Ecualización adaptativa del canal&#039;&#039;. Utilizado para mitigar la distorsión producida en la señal por un canal de comunicación de condiciones variantes en el tiempo. Este es el caso de las comunicaciones móviles, donde debido al multitrayecto, la distorsión de los símbolos transmitidos aumenta la interferencia entre estos.&lt;br /&gt;
* &#039;&#039;Cancelación de eco&#039;&#039;. En las comunicaciones &#039;&#039;full-duplex&#039;&#039;, como la telefónica, parte de la señal del emisor puede introducirse en el canal de vuelta. Ésta se puede suprimir mediante filtrado adaptativo.&lt;br /&gt;
&lt;br /&gt;
== Planteamiento general ==&lt;br /&gt;
[[File:Filtro adaptativo.png|thumb|440x440px|Filtro FIR adaptativo genérico]]&lt;br /&gt;
Los filtros FIR son los más ampliamente utilizados en el filtrado adaptativo. Por lo tanto partimos de un filtro FIR de coeficientes adaptativos implementado en su estructura directa (ver figura), donde &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; es la señal a la entrada del filtro, &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; la señal a su salida, &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; la señal deseada y &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; es la respuesta al impulso del filtro de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; coeficientes &amp;lt;math&amp;gt;h(n),h(1),...,h(M-1)&amp;lt;/math&amp;gt; .&lt;br /&gt;
&lt;br /&gt;
La señal a salida del filtro se puede expresar como la convolución entre  la señal a la entrada y la  respuesta al impulso:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) \, h(n-k)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El error está determinado por &amp;lt;math&amp;gt;e( n)=d(n)-y(n)&amp;lt;/math&amp;gt;, y el objetivo es encontrar el valor de los parámetros del filtro que minimicen el error cuadrático medio, según la siguiente función de costo:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J = E[e^2(n)] = E\left[\left(d(n) - y(n)\right)^2\right] = E\left[\left(d(n) - \sum_{k=0}^{M-1} x(k) h(n-k)\right)^2\right]&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La optimización de esta función nos lleva al siguiente conjunto de ecuaciones lineales, conocido como la &#039;&#039;ecuación de Wiener-Hopf&#039;&#039; (Proakis y Manolakis, 2007):&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) \gamma_{xx}(l-k) = \gamma_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
En esta ecuación se consideran &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; como procesos aleatorios, siendo &amp;lt;math&amp;gt;\gamma_{xx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\gamma_{dx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación cruzada entre &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. La solución a este ecuación da como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;óptimos&#039;&#039; del filtro que minimizan el error cuadrático medio, pero desconocemos los valores estadísticos de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; para poder resolverla. Sin embargo, podemos considerar una ecuación muy similar a partir de los valores reales de las señales:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) r_{xx}(l-k) =r_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt; r_{xx}&amp;lt;/math&amp;gt; es la autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt; r_{dx}&amp;lt;/math&amp;gt; la correlación cruzada entre las secuencias &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. Estos valores reales son estimaciones de los valores estadísticos de las señales y la resolución de este sistema de ecuaciones, muestra a muestra, dará como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;estimados&#039;&#039; en cada instante.&lt;br /&gt;
&lt;br /&gt;
El objetivo de los algoritmos adaptativos como el LMS es acercarse a la solución &#039;&#039;óptima&#039;&#039; de la ecuación de Wiener-Hopf a partir de los datos reales de las secuencias, haciendo que los datos &#039;&#039;estimados&#039;&#039; obtenidos a partir de estos converjan hacia la solución &#039;&#039;óptima&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo LMS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo LMS&#039;&#039;&#039; &#039;&#039;(Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) es un método iterativo basado en el gradiente descendente para adaptar los coeficientes de un filtro y minimizar el error cuadrático medio entre la salida filtrada y la señal deseada. &lt;br /&gt;
&lt;br /&gt;
Para ello, propone la actualización iterativa de los coeficientes en dirección del gradiente negativo según la regla:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\mathbf{h}(n+1) = \mathbf{h}(n) + \mu e(n) \mathbf{x}(n)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo:&lt;br /&gt;
&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{h}(n) = [ h_0(n), h_1(n), \ldots, h_{M-1}(n) ]^T&amp;lt;/math&amp;gt;, el vector de coeficientes del filtro en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mathbf{x}(n) = \left[ x(n), x(n-1), \dots, x(n-M+1) \right]^T&amp;lt;/math&amp;gt;, el vector de entrada deslizante de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; muestras de la señal &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;e(n)=d(n)-y(n)&amp;lt;/math&amp;gt;, el error en el instante &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt;. Siendo &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; el valor deseado de la muestra, e &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; el valor de la salida del filtro en ese instante, donde &amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) h(n-k) = \mathbf{x}^T(n) \mathbf{h}(n)&amp;lt;/math&amp;gt;.&lt;br /&gt;
* &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt;, la &#039;&#039;tasa de aprendizaje&#039;&#039;, parámetro que condiciona la velocidad de convergencia y la estabilidad del algoritmo.&lt;br /&gt;
&lt;br /&gt;
La elección de &amp;lt;math&amp;gt;\mu&amp;lt;/math&amp;gt; es determinante. Una tasa de aprendizaje mayor produce una convergencia más rápida, pero no puede superar la condición de estabilidad del algoritmo dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{2}{\lambda_{\text{max}}}&amp;lt;/math&amp;gt;. Donde &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt; es el autovalor máximo de &amp;lt;math&amp;gt;\mathbf{R}_{xx}&amp;lt;/math&amp;gt; (matriz de autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;) . Ante la dificultad de conocer &amp;lt;math&amp;gt;\lambda_{\text{max}}&amp;lt;/math&amp;gt;, se suele utilizar la aproximación dada por &amp;lt;math&amp;gt;0 &amp;lt; \mu &amp;lt; \frac{1}{M P_x}&amp;lt;/math&amp;gt;, donde &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; es el número de coeficientes del filtro y &amp;lt;math&amp;gt;P_x&amp;lt;/math&amp;gt; es la potencia media de la señal de entrada.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El procedimiento del algoritmo se puede sintetizar en los siguientes pasos:&lt;br /&gt;
&lt;br /&gt;
# Inicialización	de los coeficientes del filtro . Si fuera posible se tomarían los	valores calculados previamente a partir de una señal de referencia	conocida por el receptor. Si no, se inicializan normalmente a 0.&lt;br /&gt;
# Entrada de	datos. Se toma la muestra  y se construye el vector .&lt;br /&gt;
# Cálculo de la	salida. Se calcula la	salida estimada del filtro	mediante .&lt;br /&gt;
# Cálculo del error. Se	calcula mediante .&lt;br /&gt;
# Actualización de	coeficientes. Según la regla .&lt;br /&gt;
# Incremento	del	índice temporal  y salto	al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Algoritmo RLS ==&lt;br /&gt;
El &#039;&#039;&#039;algoritmo RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos) actualiza los coeficientes del filtro mediante la minimización de la suma del error cuadrático hacia el pasado según una ponderación decreciente exponencial. RLS tiene una convergencia más rápida, pero a costa de mayor complejidad computacional. &lt;br /&gt;
&lt;br /&gt;
RLS trata de encontrar los coeficientes que minimizan la función de costo siguiente:&lt;br /&gt;
&lt;br /&gt;
Donde:  es el instante actual; es el índice que recorre las muestras pasadas desde  hasta , suponiendo  para ;  e  son el valor deseado de la muestra y el valor a la salida del filtro, respectivamente; y  es un parámetro conocido como &#039;&#039;factor de olvido&#039;&#039; (, típicamente muy cercano a 1, por encima de 0.9) que pondera las muestras de forma exponencial decreciente desde la actual a la más antigua. &lt;br /&gt;
&lt;br /&gt;
Se puede observar que a diferencia del planteamiento inicial que llevó a LMS, donde la función de costo era estadística, RLS plantea una función de costo determinista. &lt;br /&gt;
&lt;br /&gt;
La optimización de la dicha función nos llevará a la resolución de un conjunto de ecuaciones lineales , con el que obtendremos el vector de coeficientes del filtro para cada instante , siendo  la matriz de correlación de dimensión  a partir de la secuencia , y  el vector columna de dimensión  dado por la correlación cruzada de las secuencias  y .&lt;br /&gt;
&lt;br /&gt;
Para ello, se emplea un método recursivo en el cuál la &#039;&#039;ecuación de actualización&#039;&#039; de los coeficientes viene dada por , donde  es el error entre el valor de la muestra deseada y el valor a la salida del filtro en el instante , y es el &#039;&#039;vector de ganancia de Kalman&#039;&#039; (Proakis y Manolakis, 2007) dado por la expresión:&lt;br /&gt;
&lt;br /&gt;
El procedimiento recursivo del cálculo de coeficientes según el algoritmo RLS se puede sintetizar como:&lt;br /&gt;
&lt;br /&gt;
# Inicialización	de  y de  ( número positivo pequeño,  matriz identidad ).&lt;br /&gt;
# Entrada de datos. Se toma la muestra  y se	construye el vector .&lt;br /&gt;
# Cálculo de la salida. Según la	expresión .&lt;br /&gt;
# Cálculo del error. Según la	expresión .&lt;br /&gt;
# Cálculo del vector de ganancia	de Kalman. Según la expresión .&lt;br /&gt;
# Actualización de 	la inversa de la matriz de autocorrelación. Según .&lt;br /&gt;
# Actualización del vector	de coeficientes del filtro. Según .&lt;br /&gt;
# Incremento del índice temporal  y salto al paso 2.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12394</id>
		<title>Filtrado adaptativo</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12394"/>
		<updated>2025-04-04T21:34:59Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
El &#039;&#039;&#039;filtrado adaptativo&#039;&#039;&#039; es una técnica de procesamiento de señales, donde un filtro tiene la capacidad de adaptar sus coeficientes de forma dinámica ante las condiciones cambiantes de la señal o de su entorno. Para ello, los filtros adaptativos implementan algoritmos que buscan la minimización de una función de error determinada.&lt;br /&gt;
&lt;br /&gt;
Existen dos algoritmos fundamentales en el filtrado adaptativo: &#039;&#039;&#039;LMS&#039;&#039;&#039; (&#039;&#039;Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) y &#039;&#039;&#039;RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos). Ambos buscan la minimización del error cuadrático medio entre la señal deseada y la señal filtrada, pero lo abordan de forma diferente. En líneas generales, LMS implementa una solución iterativa por el método de gradiente descendiente, mientras RLS utiliza una método recursivo de actualización de la solución óptima en base a todas las muestras previas. RLS requiere de mayor complejidad y coste computacional, pero a cambio converge de forma más rápida a los coeficientes óptimos (Proakis y Manolakis, 2007).&lt;br /&gt;
&lt;br /&gt;
=== Ejemplos ===&lt;br /&gt;
Cuando las características de las señales y el entorno son variantes, debemos recurrir a métodos con capacidad de adaptación y seguimiento a estos cambios. Los filtros adaptativos son soluciones ideales para sistemas que deben trabajar en tiempo real en entornos no estacionarios. Estas son algunas de las múltiples aplicaciones que implementan técnicas de filtrado adaptativo:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Identificación de sistemas&#039;&#039;. La comparación de las señales a la salida de un filtro adaptativo en paralelo con un sistema desconocido variante en	el tiempo nos permitirá identificar la respuesta del sistema en base a los coeficientes obtenidos en el filtro.&lt;br /&gt;
* &#039;&#039;Ecualización adaptativa del canal&#039;&#039;. Utilizado para mitigar la distorsión producida en la señal por un canal de comunicación de condiciones variantes en el tiempo. Este es el caso de las comunicaciones móviles, donde debido al multitrayecto, la distorsión de los símbolos transmitidos aumenta la interferencia entre estos.&lt;br /&gt;
* &#039;&#039;Cancelación de eco&#039;&#039;. En las comunicaciones &#039;&#039;full-duplex&#039;&#039;, como la telefónica, parte de la señal del emisor puede introducirse en el canal de vuelta. Ésta se puede suprimir mediante filtrado adaptativo.&lt;br /&gt;
&lt;br /&gt;
== Planteamiento general ==&lt;br /&gt;
[[File:Filtro adaptativo.png|thumb|440x440px|Filtro FIR adaptativo genérico]]&lt;br /&gt;
Los filtros FIR son los más ampliamente utilizados en el filtrado adaptativo. Por lo tanto partimos de un filtro FIR de coeficientes adaptativos implementado en su estructura directa (ver figura), donde &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; es la señal a la entrada del filtro, &amp;lt;math&amp;gt;y(n)&amp;lt;/math&amp;gt; la señal a su salida, &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; la señal deseada y &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; es la respuesta al impulso del filtro de &amp;lt;math&amp;gt;M&amp;lt;/math&amp;gt; coeficientes &amp;lt;math&amp;gt;h(n),h(1),...,h(M-1)&amp;lt;/math&amp;gt; .&lt;br /&gt;
&lt;br /&gt;
La señal a salida del filtro se puede expresar como la convolución entre  la señal a la entrada y la  respuesta al impulso:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;y(n) = \sum_{k=0}^{M-1} x(k) \, h(n-k)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
El error está determinado por &amp;lt;math&amp;gt;e( n)=d(n)-y(n)&amp;lt;/math&amp;gt;, y el objetivo es encontrar el valor de los parámetros del filtro que minimicen el error cuadrático medio, según la siguiente función de costo:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;J = E[e^2(n)] = E\left[\left(d(n) - y(n)\right)^2\right] = E\left[\left(d(n) - \sum_{k=0}^{M-1} x(k) h(n-k)\right)^2\right]&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La optimización de esta función nos lleva al siguiente conjunto de ecuaciones lineales, conocido como la &#039;&#039;ecuación de Wiener-Hopf&#039;&#039; (Proakis y Manolakis, 2007):&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) \gamma_{xx}(l-k) = \gamma_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
En esta ecuación se consideran &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; como procesos aleatorios, siendo &amp;lt;math&amp;gt;\gamma_{xx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\gamma_{dx}(l)&amp;lt;/math&amp;gt; la función de autocorrelación cruzada entre &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. La solución a este ecuación da como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;óptimos&#039;&#039; del filtro que minimizan el error cuadrático medio, pero desconocemos los valores estadísticos de &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; para poder resolverla. Sin embargo, podemos considerar una ecuación muy similar a partir de los valores reales de las señales:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;\sum_{k=0}^{M-1} h(k) r_{xx}(l-k) =r_{dx}(l) \quad \quad \quad l = 0, 1, \dots, M-1&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt; r_{xx}&amp;lt;/math&amp;gt; es la autocorrelación de la secuencia &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;, y &amp;lt;math&amp;gt; r_{dx}&amp;lt;/math&amp;gt; la correlación cruzada entre las secuencias &amp;lt;math&amp;gt;d(n)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;x(n)&amp;lt;/math&amp;gt;. Estos valores reales son estimaciones de los valores estadísticos de las señales y la resolución de este sistema de ecuaciones, muestra a muestra, dará como resultado los coeficientes &amp;lt;math&amp;gt;h(n)&amp;lt;/math&amp;gt; &#039;&#039;estimados&#039;&#039; en cada instante.&lt;br /&gt;
&lt;br /&gt;
El objetivo de los algoritmos adaptativos como el LMS es acercarse a la solución &#039;&#039;óptima&#039;&#039; de la ecuación de Wiener-Hopf a partir de los datos reales de las secuencias, haciendo que los datos &#039;&#039;estimados&#039;&#039; obtenidos a partir de estos converjan hacia la solución &#039;&#039;óptima&#039;&#039;.&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=File:Filtro_adaptativo.png&amp;diff=12393</id>
		<title>File:Filtro adaptativo.png</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=File:Filtro_adaptativo.png&amp;diff=12393"/>
		<updated>2025-04-04T21:08:23Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Filtro adaptativo genérico&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12392</id>
		<title>Filtrado adaptativo</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12392"/>
		<updated>2025-04-04T21:05:15Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
El &#039;&#039;&#039;filtrado adaptativo&#039;&#039;&#039; es una técnica de procesamiento de señales, donde un filtro tiene la capacidad de adaptar sus coeficientes de forma dinámica ante las condiciones cambiantes de la señal o de su entorno. Para ello, los filtros adaptativos implementan algoritmos que buscan la minimización de una función de error determinada.&lt;br /&gt;
&lt;br /&gt;
Existen dos algoritmos fundamentales en el filtrado adaptativo: &#039;&#039;&#039;LMS&#039;&#039;&#039; (&#039;&#039;Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) y &#039;&#039;&#039;RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos). Ambos buscan la minimización del error cuadrático medio entre la señal deseada y la señal filtrada, pero lo abordan de forma diferente. En líneas generales, LMS implementa una solución iterativa por el método de gradiente descendiente, mientras RLS utiliza una método recursivo de actualización de la solución óptima en base a todas las muestras previas. RLS requiere de mayor complejidad y coste computacional, pero a cambio converge de forma más rápida a los coeficientes óptimos (Proakis y Manolakis, 2007).&lt;br /&gt;
&lt;br /&gt;
=== Ejemplos ===&lt;br /&gt;
Cuando las características de las señales y el entorno son variantes, debemos recurrir a métodos con capacidad de adaptación y seguimiento a estos cambios. Los filtros adaptativos son soluciones ideales para sistemas que deben trabajar en tiempo real en entornos no estacionarios. Estas son algunas de las múltiples aplicaciones que implementan técnicas de filtrado adaptativo:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Identificación de sistemas&#039;&#039;. La comparación de las señales a la salida de un filtro adaptativo en paralelo con un sistema desconocido variante en	el tiempo nos permitirá identificar la respuesta del sistema en base a los coeficientes obtenidos en el filtro.&lt;br /&gt;
* &#039;&#039;Ecualización adaptativa del canal&#039;&#039;. Utilizado para mitigar la distorsión producida en la señal por un canal de comunicación de condiciones variantes en el tiempo. Este es el caso de las comunicaciones móviles, donde debido al multitrayecto, la distorsión de los símbolos transmitidos aumenta la interferencia entre estos.&lt;br /&gt;
* &#039;&#039;Cancelación de eco&#039;&#039;. En las comunicaciones &#039;&#039;full-duplex&#039;&#039;, como la telefónica, parte de la señal del emisor puede introducirse en el canal de vuelta. Ésta se puede suprimir mediante filtrado adaptativo.&lt;br /&gt;
&lt;br /&gt;
== Planteamiento general ==&lt;br /&gt;
Los filtros FIR son los más ampliamente utilizados en el filtrado adaptativo. Por lo tanto partimos de un filtro FIR de coeficientes adaptativos implementado en su estructura directa (ver figura), donde  es la señal a la entrada del filtro,  la señal a su salida,  la señal deseada y  es la respuesta al impulso del filtro de  coeficientes .&lt;br /&gt;
&lt;br /&gt;
La señal a salida del filtro se puede expresar como la convolución entre  la señal a la entrada y la  respuesta al impulso: .&lt;br /&gt;
&lt;br /&gt;
El error está determinado por , y el objetivo es encontrar el valor de los parámetros del filtro que minimicen el error cuadrático medio, según la siguiente función de costo:&lt;br /&gt;
&lt;br /&gt;
La optimización de esta función nos lleva al siguiente conjunto de ecuaciones lineales, conocido como la &#039;&#039;ecuación de Wiener-Hopf&#039;&#039; (Proakis y Manolakis, 2007):&lt;br /&gt;
&lt;br /&gt;
En esta ecuación se consideran  y  como procesos aleatorios, siendo  la función de autocorrelación de  y  la función de autocorrelación cruzada entre  y . La solución a este ecuación da como resultado los coeficientes  &#039;&#039;óptimos&#039;&#039; del filtro que minimizan el error cuadrático medio, pero desconocemos los valores estadísticos de  y  para poder resolverla. Sin embargo, podemos considerar una ecuación muy similar a partir de los valores reales de las señales:&lt;br /&gt;
&lt;br /&gt;
Donde  es la autocorrelación de la secuencia , y  la correlación cruzada entre las secuencias  y . Estos valores reales son estimaciones de los valores estadísticos de las señales y la resolución de este sistema de ecuaciones, muestra a muestra, dará como resultado los coeficientes  &#039;&#039;estimados&#039;&#039; en cada instante.&lt;br /&gt;
&lt;br /&gt;
El objetivo de los algoritmos adaptativos como el LMS es acercarse a la solución &#039;&#039;óptima&#039;&#039; de la ecuación de Wiener-Hopf a partir de los datos reales de las secuencias, haciendo que los datos &#039;&#039;estimados&#039;&#039; obtenidos a partir de estos converjan hacia la solución &#039;&#039;óptima&#039;&#039;.&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12391</id>
		<title>Filtrado adaptativo</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Filtrado_adaptativo&amp;diff=12391"/>
		<updated>2025-04-04T20:58:28Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Primer borrador&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
El &#039;&#039;&#039;filtrado adaptativo&#039;&#039;&#039; es una técnica de procesamiento de señales, donde un filtro tiene la capacidad de adaptar sus coeficientes de forma dinámica ante las condiciones cambiantes de la señal o de su entorno. Para ello, los filtros adaptativos implementan algoritmos que buscan la minimización de una función de error determinada.&lt;br /&gt;
&lt;br /&gt;
Existen dos algoritmos fundamentales en el filtrado adaptativo: &#039;&#039;&#039;LMS&#039;&#039;&#039; (&#039;&#039;Least Mean Squares&#039;&#039;, Mínimos cuadrados medios) y &#039;&#039;&#039;RLS&#039;&#039;&#039; (&#039;&#039;Recursive Least Squares&#039;&#039;, Mínimos cuadrados recursivos). Ambos buscan la minimización del error cuadrático medio entre la señal deseada y la señal filtrada, pero lo abordan de forma diferente. En líneas generales, LMS implementa una solución iterativa por el método de gradiente descendiente, mientras RLS utiliza una método recursivo de actualización de la solución óptima en base a todas las muestras previas. RLS requiere de mayor complejidad y coste computacional, pero a cambio converge de forma más rápida a los coeficientes óptimos (Proakis y Manolakis, 2007).&lt;br /&gt;
&lt;br /&gt;
Cuando las características de las señales y el entorno son variantes, debemos recurrir a métodos con capacidad de adaptación y seguimiento a estos. Los filtros adaptativos son soluciones ideales para sistemas que deben trabajar en tiempo real en entornos no estacionarios. Estas son algunas de las múltiples, aplicaciones que implementan técnicas de filtrado adaptativo:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Identificación de sistemas&#039;&#039;. La comparación de las señales a la salida de un filtro adaptativo en paralelo con un sistema desconocido variante en	el tiempo nos permitirá identificar la respuesta del sistema en base a los coeficientes obtenidos en el filtro. &lt;br /&gt;
* &#039;&#039;Ecualización adaptativa del canal&#039;&#039;. Utilizado para mitigar la distorsión producida en la señal por un canal de comunicación de condicionesvariantes en el tiempo. Este es el caso de las comunicaciones móviles, donde debido al multitrayecto, la distorsión de los símbolos transmitidos aumenta la interferencia entre estos. &lt;br /&gt;
* &#039;&#039;Cancelación de eco&#039;&#039;. En las comunicaciones &#039;&#039;full-duplex&#039;&#039;, como la telefónica, parte de la señal del emisor puede introducirse en el canal de vuelta. Ésta se puede suprimir mediante filtrado adaptativo.&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=12381</id>
		<title>Desvanecimiento multitrayecto</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=12381"/>
		<updated>2025-04-01T22:20:23Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Referencias&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[File:Multitrayecto.png|thumb|350x350px|Propagación multitrayecto]]&lt;br /&gt;
En el análisis de un sistema de comunicación radioeléctrico, uno de los fenómenos que se debe considerar en la caracterización del canal es el producido cuando las señales transmitidas llegan al receptor a través de múltiples trayectorias, debidas a reflexiones, difracciones y dispersiones en el entorno. La recepción de estas señales, sumadas a la onda directa con distintos retardos, amplitudes y fases, puede degradar la calidad del enlace. A este efecto de degradación de la señal se le conoce como &#039;&#039;&#039;desvanecimiento multitrayecto&#039;&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La consecuencia directa de la recepción de señales con distintas amplitudes y retardos es la posible atenuación de la potencia recibida, por la recepción de señales en contrafase. Pero además, hay que considerar un factor que agrava la degradación del enlace en la propagación multitrayecto: la dispersión temporal. En una transmisión digital, la llegada de las señales retardadas va a producir un ensanchamiento de los símbolos recibidos que va a aumentar considerablemente la interferencia entre símbolos y en consecuencia los errores en la detección de estos. Sumado a eso, esta dispersión temporal influye directamente en la respuesta en frecuencia del canal. El aumento de la dispersión temporal reduce el ancho de banda de coherencia del canal, que se traduce en una respuesta más selectiva en frecuencia.&lt;br /&gt;
&lt;br /&gt;
El estudio del efecto del multitrayecto es especialmente sensible en los servicios de comunicaciones móviles, donde, además de la impredecibilidad de los condicionantes que afectan a la caracterización del canal, se añade que el receptor puede estar en movimiento. En las bandas de frecuencia utilizadas por estos sistemas, del orden de microondas, las longitudes de onda son centimétricas, por lo que pequeñas variaciones de posición del receptor suponen cambios bruscos de fase, que pueden llevar a desvanecimientos súbitos. Por ello, se considera que el canal varía en el tiempo de forma aleatoria. Para modelar su respuesta se recurre a procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
== Caracterización de la propagación en comunicaciones móviles ==&lt;br /&gt;
Para la caracterización del canal en comunicaciones móviles se puede distinguir entre el &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039;.&amp;lt;ref name=&amp;quot;:0&amp;quot;&amp;gt;Sklar, B. y Harris, F. (2021). &#039;&#039;Digital Communications: Fundamentals and Applications&#039;&#039; (3ª edición). Londres: Pearson Education.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se considera &#039;&#039;desvanecimiento a gran escala&#039;&#039;, la variación de la señal recibida considerando las pérdidas por propagación en espacio libre y las pérdidas producidas por la interposición de obstáculos de gran tamaño respecto a la longitud de onda. Este desvanecimiento tiene variaciones lentas sobre su media y depende principalmente de la distancia entre transmisor y receptor.&lt;br /&gt;
&lt;br /&gt;
Hata&amp;lt;ref&amp;gt;Hata, M. (1980). Empirical Formulae for Propagation Loss in Land Mobile Radio Services, &#039;&#039;IEEE Transactions on Vehicular Technology, VT-29&#039;&#039;(3), 317–325.&amp;lt;/ref&amp;gt;, a partir del trabajo previo de Okumura&amp;lt;ref&amp;gt;Okumura, Y.; Ohmori, E.; Kawano, T. y Fukuda, K. (1968). Field Strength and Its Variability in VHF and UHF Land Mobile Radio Service. &#039;&#039;Review of the Electrical Communication Laboratory, 16&#039;&#039;(9-10), 825-873.&amp;lt;/ref&amp;gt;, desarrolló un modelo matemático para las pérdidas de propagación en canales multitrayecto en función del entorno. A partir de este modelo, se pueden representar las pérdidas del enlace por &#039;&#039;desvanecimiento a gran escala&#039;&#039;, como una variable aleatoria &amp;lt;math&amp;gt;L_P&amp;lt;/math&amp;gt;dependiente de la distancia &amp;lt;math&amp;gt;d&amp;lt;/math&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;L_P(d) = L_S(d_0) + 10 n \log\left(\frac{d}{d_0}\right) + X_\sigma \quad \text{[dB]}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo: &amp;lt;math&amp;gt;d_0&amp;lt;/math&amp;gt; una distancia de referencia en campo lejano, sobre la que se calculan las pérdidas por propagación en espacio libre &amp;lt;math&amp;gt;L_S&amp;lt;/math&amp;gt;, según &amp;lt;math&amp;gt;L_S = \left( {4\pi d}/{\lambda} \right)^2&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el exponente de pérdidas de propagación, que depende del tipo de entorno (rural, suburbano, urbano), la frecuencia y la altura de las antenas; y &amp;lt;math&amp;gt; X_\sigma&amp;lt;/math&amp;gt; es una variable aleatoria con distribución gaussiana de media 0, que representa las pérdidas específicas por la topología del área.&lt;br /&gt;
&lt;br /&gt;
El &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; se refiere a los cambios súbitos de nivel de señal motivados por pequeños cambios de posición del receptor, de hasta media longitud de onda. Las variaciones de señal por estos pequeños cambios se modelan con diferentes tipos de distribuciones de probabilidad dependiendo de la visibilidad entre receptor y emisor: &lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rayleigh.&#039;&#039; Cuando no hay visibilidad directa, no hay un componente dominante en el conjunto de señales recibidas de cada trayectoria, como suele ocurrir en entornos altamente urbanizados o en entornos &#039;&#039;indoor&#039;&#039;, donde tenemos un alto número de ondas reflejadas y no hay onda directa. En este caso, se modela estadísticamente la señal recibida con una distribución de probabilidad de Rayleigh.&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rice.&#039;&#039; En caso de no estar obstaculizada la línea de visión directa entre receptor y emisor, la onda directa es un componente dominante en el conjunto de señales recibidas de cada trayectoria. En este caso, se modela el nivel de señal recibida con una distribución de probabilidad de Rice.&lt;br /&gt;
&lt;br /&gt;
La suma del &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; caracteriza el nivel de señal en recepción en escenarios de comunicaciones móviles.&lt;br /&gt;
&lt;br /&gt;
== Dispersión temporal ==&lt;br /&gt;
La propagación por diferentes caminos va a producir que una señal transmitida llegue a su destino en diferentes instantes de tiempo. Se define el &#039;&#039;retardo máximo&#039;&#039; &amp;lt;math&amp;gt;T_m&amp;lt;/math&amp;gt; como el tiempo transcurrido entre la recepción de la primera versión de la señal y la última, suponiendo un umbral de potencia por debajo del cuál se desprecian las posteriores.&amp;lt;ref name=&amp;quot;:0&amp;quot; /&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Se define el &#039;&#039;ancho de banda de coherencia&#039;&#039; &amp;lt;math&amp;gt;f_0&amp;lt;/math&amp;gt; como el rango de frecuencias donde el canal deja pasar todas las componentes de la señal con la misma amplitud y fase lineal, por tanto, las componentes pertenecientes al mismo rango son afectadas por el canal de la mima forma ante el desvanecimiento. Como aproximación se puede considerar la siguiente relación entre el &#039;&#039;retardo máximo&#039;&#039; y el &#039;&#039;ancho de banda de coherencia&#039;&#039;: &amp;lt;math&amp;gt;f_0 \approx {1}/{T_m}&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Suponiendo una transmisión digital en la que la señal transmitida es un símbolo de periodo &amp;lt;math&amp;gt;T_s&amp;lt;/math&amp;gt; y ancho de banda aproximado &amp;lt;math&amp;gt;W \approx {1}/{T_s}&amp;lt;/math&amp;gt;, podemos clasificar el desvanecimiento en función de la relación entre el canal y el símbolo transmitido de la siguiente forma:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento selectivo en frecuencia&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;gt;T_s , f_0&amp;lt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se extienden en el tiempo más que el periodo del símbolo, provocando interferencia entre símbolos que causan distorsión en la señal recibida. La separación entre las componentes facilita su distinción por parte del receptor y puede mitigar su efecto utilizando ecualización adaptativa. Desde el punto de vista espectral, el ancho de banda de coherencia del canal es más estrecho que el de la señal, por lo que las diferentes componentes espectrales de la señal se ven afectados por	el canal de forma distinta.&lt;br /&gt;
* &#039;&#039;Desvanecimiento plano&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;lt;T_s , f_0&amp;gt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se reciben dentro del tiempo de un símbolo, por lo que el canal no introduce interferencia ente símbolos, aunque sí que puede mermar la relación señal a ruido. En este caso, el &#039;&#039;ancho de banda de coherencia&#039;&#039; del canal es mayor que el ancho de banda de la señal, por lo que todas sus componentes espectrales son tratadas por igual.&lt;br /&gt;
&lt;br /&gt;
== Caracterización del canal multitrayecto en la transmisión digital ==&lt;br /&gt;
En un escenario de transmisión digital, se parte de un símbolo representado en banda base por &amp;lt;math&amp;gt;s_l(t)&amp;lt;/math&amp;gt; y de su versión modulada &amp;lt;math&amp;gt;s(t)&amp;lt;/math&amp;gt;, que se puede expresar como &amp;lt;math&amp;gt;s(t) = \Re\left\{ s_l(t) e^{j2\pi f_c t} \right\}&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;f_c&amp;lt;/math&amp;gt; la frecuencia de la portadora.&amp;lt;ref&amp;gt;Proakis, J.G. y Salehi, S. (2008). &#039;&#039;Digital Communicactions&#039;&#039; (5ª edición). Nueva York, NY: McGraw-Hill.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Al enviar este símbolo a través del canal multitrayecto, en recepción obtenemos una respuesta que es la suma del símbolo atenuado y retrasado por los diferentes trayectos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \sum_{k} \alpha_k(t) s\left(t - \tau_k(t)\right)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt; el número de trayectos, y &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, respectivamente, las variaciones temporales de atenuación y retardo de cada trayectoria.&lt;br /&gt;
&lt;br /&gt;
Si expresamos la señal recibida en función del símbolo en banda base obtenemos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \Re\left\{ &lt;br /&gt;
        \left[ &lt;br /&gt;
        \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t)) &lt;br /&gt;
        \right] &lt;br /&gt;
        e^{j2\pi f_c t} &lt;br /&gt;
        \right\}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La demodulación de esta señal nos lleva a la expresión del símbolo recibido en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;z(t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
De la que deducimos la expresión de la respuesta al impulso del canal multitrayecto en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(\tau, t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} \delta(\tau - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt;, &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt; son procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
=== Discretización del modelo de respuesta impulsional ===&lt;br /&gt;
Para facilitar el análisis computacional del modelo, podemos representar su equivalente suponiendo señales y respuesta al impulso discretas.  El número de trayectos &amp;lt;math&amp;gt;p(t)&amp;lt;/math&amp;gt;, los retardos &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, las amplitudes &amp;lt;math&amp;gt;\rho_k(t)&amp;lt;/math&amp;gt; y las fases &amp;lt;math&amp;gt;\theta_k(t)&amp;lt;/math&amp;gt; de las señales que llegan al receptor se consideran procesos aleatorios dependientes del tiempo. Por lo tanto, la respuesta del canal es un proceso aleatorio que queda representado por:&amp;lt;ref&amp;gt;Díaz Nafría, J.M. (2021). Aplicaciones de filtrado adaptativo. &#039;&#039;Enunciado de actividad de la asignatura Traramiento Digital de la Señal&#039;&#039;. UDIMA.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(n, t) = \sum_{k=1}^{p(t)} \rho_k(t) e^{j\theta_k(t)} \delta(n - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=12380</id>
		<title>Desvanecimiento multitrayecto</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=12380"/>
		<updated>2025-04-01T21:12:01Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[File:Multitrayecto.png|thumb|350x350px|Propagación multitrayecto]]&lt;br /&gt;
En el análisis de un sistema de comunicación radioeléctrico, uno de los fenómenos que se debe considerar en la caracterización del canal es el producido cuando las señales transmitidas llegan al receptor a través de múltiples trayectorias, debidas a reflexiones, difracciones y dispersiones en el entorno. La recepción de estas señales, sumadas a la onda directa con distintos retardos, amplitudes y fases, puede degradar la calidad del enlace. A este efecto de degradación de la señal se le conoce como &#039;&#039;&#039;desvanecimiento multitrayecto&#039;&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La consecuencia directa de la recepción de señales con distintas amplitudes y retardos es la posible atenuación de la potencia recibida, por la recepción de señales en contrafase. Pero además, hay que considerar un factor que agrava la degradación del enlace en la propagación multitrayecto: la dispersión temporal. En una transmisión digital, la llegada de las señales retardadas va a producir un ensanchamiento de los símbolos recibidos que va a aumentar considerablemente la interferencia entre símbolos y en consecuencia los errores en la detección de estos. Sumado a eso, esta dispersión temporal influye directamente en la respuesta en frecuencia del canal. El aumento de la dispersión temporal reduce el ancho de banda de coherencia del canal, que se traduce en una respuesta más selectiva en frecuencia.&lt;br /&gt;
&lt;br /&gt;
El estudio del efecto del multitrayecto es especialmente sensible en los servicios de comunicaciones móviles, donde, además de la impredecibilidad de los condicionantes que afectan a la caracterización del canal, se añade que el receptor puede estar en movimiento. En las bandas de frecuencia utilizadas por estos sistemas, del orden de microondas, las longitudes de onda son centimétricas, por lo que pequeñas variaciones de posición del receptor suponen cambios bruscos de fase, que pueden llevar a desvanecimientos súbitos. Por ello, se considera que el canal varía en el tiempo de forma aleatoria. Para modelar su respuesta se recurre a procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
== Caracterización de la propagación en comunicaciones móviles ==&lt;br /&gt;
Para la caracterización del canal en comunicaciones móviles se puede distinguir entre el &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; (Sklar y Harris, 2021).&lt;br /&gt;
&lt;br /&gt;
Se considera &#039;&#039;desvanecimiento a gran escala&#039;&#039;, la variación de la señal recibida considerando las pérdidas por propagación en espacio libre y las pérdidas producidas por la interposición de obstáculos de gran tamaño respecto a la longitud de onda. Este desvanecimiento tiene variaciones lentas sobre su media y depende principalmente de la distancia entre transmisor y receptor.&lt;br /&gt;
&lt;br /&gt;
Hata (1980), a partir del trabajo previo de Okumura (1968), desarrolló un modelo matemático para las pérdidas de propagación en canales multitrayecto en función del entorno. A partir de este modelo, se pueden representar las pérdidas del enlace por &#039;&#039;desvanecimiento a gran escala&#039;&#039;, como una variable aleatoria &amp;lt;math&amp;gt;L_P&amp;lt;/math&amp;gt;dependiente de la distancia &amp;lt;math&amp;gt;d&amp;lt;/math&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;L_P(d) = L_S(d_0) + 10 n \log\left(\frac{d}{d_0}\right) + X_\sigma \quad \text{[dB]}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo: &amp;lt;math&amp;gt;d_0&amp;lt;/math&amp;gt; una distancia de referencia en campo lejano, sobre la que se calculan las pérdidas por propagación en espacio libre &amp;lt;math&amp;gt;L_S&amp;lt;/math&amp;gt;, según &amp;lt;math&amp;gt;L_S = \left( {4\pi d}/{\lambda} \right)^2&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el exponente de pérdidas de propagación, que depende del tipo de entorno (rural, suburbano, urbano), la frecuencia y la altura de las antenas; y &amp;lt;math&amp;gt; X_\sigma&amp;lt;/math&amp;gt; es una variable aleatoria con distribución gaussiana de media 0, que representa las pérdidas específicas por la topología del área.&lt;br /&gt;
&lt;br /&gt;
El &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; se refiere a los cambios súbitos de nivel de señal motivados por pequeños cambios de posición del receptor, de hasta media longitud de onda. Las variaciones de señal por estos pequeños cambios se modelan con diferentes tipos de distribuciones de probabilidad dependiendo de la visibilidad entre receptor y emisor: &lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rayleigh.&#039;&#039; Cuando no hay visibilidad directa, no hay un componente dominante en el conjunto de señales recibidas de cada trayectoria, como suele ocurrir en entornos altamente urbanizados o en entornos &#039;&#039;indoor&#039;&#039;, donde tenemos un alto número de ondas reflejadas y no hay onda directa. En este caso, se modela estadísticamente la señal recibida con una distribución de probabilidad de Rayleigh.&lt;br /&gt;
* &#039;&#039;Desvanecimiento de Rice.&#039;&#039; En caso de no estar obstaculizada la línea de visión directa entre receptor y emisor, la onda directa es un componente dominante en el conjunto de señales recibidas de cada trayectoria. En este caso, se modela el nivel de señal recibida con una distribución de probabilidad de Rice.&lt;br /&gt;
&lt;br /&gt;
La suma del &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; caracteriza el nivel de señal en recepción en escenarios de comunicaciones móviles.&lt;br /&gt;
&lt;br /&gt;
== Dispersión temporal ==&lt;br /&gt;
La propagación por diferentes caminos va a producir que una señal transmitida llegue a su destino en diferentes instantes de tiempo. Se define el &#039;&#039;retardo máximo&#039;&#039; &amp;lt;math&amp;gt;T_m&amp;lt;/math&amp;gt; como el tiempo transcurrido entre la recepción de la primera versión de la señal y la última, suponiendo un umbral de potencia por debajo del cuál se desprecian las posteriores (Sklar y Harris, 2021).&lt;br /&gt;
&lt;br /&gt;
Se define el &#039;&#039;ancho de banda de coherencia&#039;&#039; &amp;lt;math&amp;gt;f_0&amp;lt;/math&amp;gt; como el rango de frecuencias donde el canal deja pasar todas las componentes de la señal con la misma amplitud y fase lineal, por tanto, las componentes pertenecientes al mismo rango son afectadas por el canal de la mima forma ante el desvanecimiento. Como aproximación se puede considerar la siguiente relación entre el &#039;&#039;retardo máximo&#039;&#039; y el &#039;&#039;ancho de banda de coherencia&#039;&#039;: &amp;lt;math&amp;gt;f_0 \approx {1}/{T_m}&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Suponiendo una transmisión digital en la que la señal transmitida es un símbolo de periodo &amp;lt;math&amp;gt;T_s&amp;lt;/math&amp;gt; y ancho de banda aproximado &amp;lt;math&amp;gt;W \approx {1}/{T_s}&amp;lt;/math&amp;gt;, podemos clasificar el desvanecimiento en función de la relación entre el canal y el símbolo transmitido de la siguiente forma:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento selectivo en frecuencia&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;gt;T_s , f_0&amp;lt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se extienden en el tiempo más que el periodo del símbolo, provocando interferencia entre símbolos que causan distorsión en la señal recibida. La separación entre las componentes facilita su distinción por parte del receptor y puede mitigar su efecto utilizando ecualización adaptativa. Desde el punto de vista espectral, el ancho de banda de coherencia del canal es más estrecho que el de la señal, por lo que las diferentes componentes espectrales de la señal se ven afectados por	el canal de forma distinta.&lt;br /&gt;
* &#039;&#039;Desvanecimiento plano&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;lt;T_s , f_0&amp;gt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se reciben dentro del tiempo de un símbolo, por lo que el canal no introduce interferencia ente símbolos, aunque sí que puede mermar la relación señal a ruido. En este caso, el &#039;&#039;ancho de banda de coherencia&#039;&#039; del canal es mayor que el ancho de banda de la señal, por lo que todas sus componentes espectrales son tratadas por igual.&lt;br /&gt;
&lt;br /&gt;
== Caracterización del canal multitrayecto en la transmisión digital ==&lt;br /&gt;
En un escenario de transmisión digital, se parte de un símbolo representado en banda base por &amp;lt;math&amp;gt;s_l(t)&amp;lt;/math&amp;gt; y de su versión modulada &amp;lt;math&amp;gt;s(t)&amp;lt;/math&amp;gt;, que se puede expresar como &amp;lt;math&amp;gt;s(t) = \Re\left\{ s_l(t) e^{j2\pi f_c t} \right\}&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;f_c&amp;lt;/math&amp;gt; la frecuencia de la portadora (Proakis y Salehi, 2008).&lt;br /&gt;
&lt;br /&gt;
Al enviar este símbolo a través del canal multitrayecto, en recepción obtenemos una respuesta que es la suma del símbolo atenuado y retrasado por los diferentes trayectos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \sum_{k} \alpha_k(t) s\left(t - \tau_k(t)\right)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt; el número de trayectos, y &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, respectivamente, las variaciones temporales de atenuación y retardo de cada trayectoria.&lt;br /&gt;
&lt;br /&gt;
Si expresamos la señal recibida en función del símbolo en banda base obtenemos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \Re\left\{ &lt;br /&gt;
        \left[ &lt;br /&gt;
        \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t)) &lt;br /&gt;
        \right] &lt;br /&gt;
        e^{j2\pi f_c t} &lt;br /&gt;
        \right\}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La demodulación de esta señal nos lleva a la expresión del símbolo recibido en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;z(t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
De la que deducimos la expresión de la respuesta al impulso del canal multitrayecto en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(\tau, t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} \delta(\tau - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt;, &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt; son procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
=== Discretización del modelo de respuesta impulsional ===&lt;br /&gt;
Para facilitar el análisis computacional del modelo, podemos representar su equivalente suponiendo señales y respuesta al impulso discretas.  El número de trayectos &amp;lt;math&amp;gt;p(t)&amp;lt;/math&amp;gt;, los retardos &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, las amplitudes &amp;lt;math&amp;gt;\rho_k(t)&amp;lt;/math&amp;gt; y las fases &amp;lt;math&amp;gt;\theta_k(t)&amp;lt;/math&amp;gt; de las señales que llegan al receptor se consideran procesos aleatorios dependientes del tiempo. Por lo tanto, la respuesta del canal es un proceso aleatorio que queda representado por (Díaz-Nafría, 2021):&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(n, t) = \sum_{k=1}^{p(t)} \rho_k(t) e^{j\theta_k(t)} \delta(n - \tau_k(t))&amp;lt;/math&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=12379</id>
		<title>Desvanecimiento multitrayecto</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=12379"/>
		<updated>2025-04-01T20:59:38Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[File:Multitrayecto.png|thumb|350x350px|Propagación multitrayecto]]&lt;br /&gt;
En el análisis de un sistema de comunicación radioeléctrico, uno de los fenómenos que se debe considerar en la caracterización del canal es el producido cuando las señales transmitidas llegan al receptor a través de múltiples trayectorias, debidas a reflexiones, difracciones y dispersiones en el entorno. La recepción de estas señales, sumadas a la onda directa con distintos retardos, amplitudes y fases, puede degradar la calidad del enlace. A este efecto de degradación de la señal se le conoce como &#039;&#039;&#039;desvanecimiento multitrayecto&#039;&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La consecuencia directa de la recepción de señales con distintas amplitudes y retardos es la posible atenuación de la potencia recibida, por la recepción de señales en contrafase. Pero además, hay que considerar un factor que agrava la degradación del enlace en la propagación multitrayecto: la dispersión temporal. En una transmisión digital, la llegada de las señales retardadas va a producir un ensanchamiento de los símbolos recibidos que va a aumentar considerablemente la interferencia entre símbolos y en consecuencia los errores en la detección de estos. Sumado a eso, esta dispersión temporal influye directamente en la respuesta en frecuencia del canal. El aumento de la dispersión temporal reduce el ancho de banda de coherencia del canal, que se traduce en una respuesta más selectiva en frecuencia.&lt;br /&gt;
&lt;br /&gt;
El estudio del efecto del multitrayecto es especialmente sensible en los servicios de comunicaciones móviles, donde, además de la impredecibilidad de los condicionantes que afectan a la caracterización del canal, se añade que el receptor puede estar en movimiento. En las bandas de frecuencia utilizadas por estos sistemas, del orden de microondas, las longitudes de onda son centimétricas, por lo que pequeñas variaciones de posición del receptor suponen cambios bruscos de fase, que pueden llevar a desvanecimientos súbitos. Por ello, se considera que el canal varía en el tiempo de forma aleatoria. Para modelar su respuesta se recurre a procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
== Caracterización de la propagación en comunicaciones móviles ==&lt;br /&gt;
Para la caracterización del canal en comunicaciones móviles se puede distinguir entre el &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; (Sklar y Harris, 2021).&lt;br /&gt;
&lt;br /&gt;
Se considera &#039;&#039;desvanecimiento a gran escala&#039;&#039;, la variación de la señal recibida considerando las pérdidas por propagación en espacio libre y las pérdidas producidas por la interposición de obstáculos de gran tamaño respecto a la longitud de onda. Este desvanecimiento tiene variaciones lentas sobre su media y depende principalmente de la distancia entre transmisor y receptor.&lt;br /&gt;
&lt;br /&gt;
Hata (1980), a partir del trabajo previo de Okumura (1968), desarrolló un modelo matemático para las pérdidas de propagación en canales multitrayecto en función del entorno. A partir de este modelo, se pueden representar las pérdidas del enlace por &#039;&#039;desvanecimiento a gran escala&#039;&#039;, como una variable aleatoria &amp;lt;math&amp;gt;L_P&amp;lt;/math&amp;gt;dependiente de la distancia &amp;lt;math&amp;gt;d&amp;lt;/math&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;L_P(d) = L_S(d_0) + 10 n \log\left(\frac{d}{d_0}\right) + X_\sigma \quad \text{[dB]}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo: &amp;lt;math&amp;gt;d_0&amp;lt;/math&amp;gt; una distancia de referencia en campo lejano, sobre la que se calculan las pérdidas por propagación en espacio libre &amp;lt;math&amp;gt;L_S&amp;lt;/math&amp;gt;, según &amp;lt;math&amp;gt;L_S = \left( {4\pi d}/{\lambda} \right)^2&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el exponente de pérdidas de propagación, que depende del tipo de entorno (rural, suburbano, urbano), la frecuencia y la altura de las antenas; y &amp;lt;math&amp;gt; X_\sigma&amp;lt;/math&amp;gt; es una variable aleatoria con distribución gaussiana de media 0, que representa las pérdidas específicas por la topología del área.&lt;br /&gt;
&lt;br /&gt;
El &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; se refiere a los cambios súbitos de nivel de señal motivados por pequeños cambios de posición del receptor, de hasta media longitud de onda. Las variaciones de señal por estos pequeños cambios se modelan con diferentes tipos de distribuciones de probabilidad dependiendo de la visibilidad entre receptor y emisor: &lt;br /&gt;
&lt;br /&gt;
* Cuando no hay visibilidad directa, no hay un componente dominante en el conjunto de señales recibidas de cada trayectoria, como suele ocurrir en entornos altamente urbanizados o en entornos &#039;&#039;indoor&#039;&#039;, donde tenemos un alto número de ondas reflejadas y no hay onda directa. Este caso, conocido como &#039;&#039;desvanecimiento de Rayleigh&#039;&#039;, se modela estadísticamente la señal recibida con una distribución de probabilidad de Rayleigh.&lt;br /&gt;
* En caso de no estar obstaculizada la línea de visión directa entre receptor y emisor,  la onda directa es un componente dominante en el conjunto de señales recibidas de cada trayectoria. En este caso, se modela el nivel de señal recibida con una distribución de probabilidad de Rice, y se conoce como &#039;&#039;desvanecimiento de Rice&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La suma del &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; caracteriza el nivel de señal en recepción en escenarios de comunicaciones móviles.&lt;br /&gt;
&lt;br /&gt;
== Dispersión temporal ==&lt;br /&gt;
La propagación por diferentes caminos va a producir que una señal transmitida llegue a su destino en diferentes instantes de tiempo. Se define el &#039;&#039;retardo máximo&#039;&#039; &amp;lt;math&amp;gt;T_m&amp;lt;/math&amp;gt; como el tiempo transcurrido entre la recepción de la primera versión de la señal y la última, suponiendo un umbral de potencia por debajo del cuál se desprecian las posteriores (Sklar y Harris, 2021).&lt;br /&gt;
&lt;br /&gt;
Se define el &#039;&#039;ancho de banda de coherencia&#039;&#039; &amp;lt;math&amp;gt;f_0&amp;lt;/math&amp;gt; como el rango de frecuencias donde el canal deja pasar todas las componentes de la señal con la misma amplitud y fase lineal, por tanto, las componentes pertenecientes al mismo rango son afectadas por el canal de la mima forma ante el desvanecimiento. Como aproximación se puede considerar la siguiente relación entre el &#039;&#039;retardo máximo&#039;&#039; y el &#039;&#039;ancho de banda de coherencia&#039;&#039;: &amp;lt;math&amp;gt;f_0 \approx {1}/{T_m}&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Suponiendo una transmisión digital en la que la señal transmitida es un símbolo de periodo &amp;lt;math&amp;gt;T_s&amp;lt;/math&amp;gt; y ancho de banda aproximado &amp;lt;math&amp;gt;W \approx {1}/{T_s}&amp;lt;/math&amp;gt;, podemos clasificar el desvanecimiento en función de la relación entre el canal y el símbolo transmitido de la siguiente forma:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento selectivo en frecuencia&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;gt;T_s , f_0&amp;lt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se extienden en el tiempo más que el periodo del símbolo, provocando interferencia entre símbolos que causan distorsión en la señal recibida. La separación entre las componentes facilita su distinción por parte del receptor y puede mitigar su efecto utilizando ecualización adaptativa. Desde el punto de vista espectral, el ancho de banda de coherencia del canal es más estrecho que el de la señal, por lo que las diferentes componentes espectrales de la señal se ven afectados por	el canal de forma distinta.&lt;br /&gt;
* &#039;&#039;Desvanecimiento plano&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;lt;T_s , f_0&amp;gt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se reciben dentro del tiempo de un símbolo, por lo que el canal no introduce interferencia ente símbolos, aunque sí que puede mermar la relación señal a ruido. En este caso, el &#039;&#039;ancho de banda de coherencia&#039;&#039; del canal es mayor que el ancho de banda de la señal, por lo que todas sus componentes espectrales son tratadas por igual.&lt;br /&gt;
&lt;br /&gt;
== Caracterización del canal multitrayecto en la transmisión digital ==&lt;br /&gt;
En un escenario de transmisión digital, se parte de un símbolo representado en banda base por &amp;lt;math&amp;gt;s_l(t)&amp;lt;/math&amp;gt; y de su versión modulada &amp;lt;math&amp;gt;s(t)&amp;lt;/math&amp;gt;, que se puede expresar como &amp;lt;math&amp;gt;s(t) = \Re\left\{ s_l(t) e^{j2\pi f_c t} \right\}&amp;lt;/math&amp;gt;, siendo &amp;lt;math&amp;gt;f_c&amp;lt;/math&amp;gt; la frecuencia de la portadora (Proakis y Salehi, 2008).&lt;br /&gt;
&lt;br /&gt;
Al enviar este símbolo a través del canal multitrayecto, en recepción obtenemos una respuesta que es la suma del símbolo atenuado y retrasado por los diferentes trayectos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \sum_{k} \alpha_k(t) s\left(t - \tau_k(t)\right)&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt; el número de trayectos, y &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, respectivamente, las variaciones temporales de atenuación y retardo de cada trayectoria.&lt;br /&gt;
&lt;br /&gt;
Si expresamos la señal recibida en función del símbolo en banda base obtenemos:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;r(t) = \Re\left\{ &lt;br /&gt;
        \left[ &lt;br /&gt;
        \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t)) &lt;br /&gt;
        \right] &lt;br /&gt;
        e^{j2\pi f_c t} &lt;br /&gt;
        \right\}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
La demodulación de esta señal nos lleva a la expresión del símbolo recibido en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;z(t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} s_l(t - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
De la que deducimos la expresión de la respuesta al impulso del canal multitrayecto en banda base:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(\tau, t) = \sum_{k} \alpha_k(t) e^{-j2\pi f_c \tau_k(t)} \delta(\tau - \tau_k(t))&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Donde &amp;lt;math&amp;gt;k&amp;lt;/math&amp;gt;, &amp;lt;math&amp;gt;\alpha_k(t)&amp;lt;/math&amp;gt; y &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt; son procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
=== Discretización del modelo de respuesta impulsional ===&lt;br /&gt;
Para facilitar el análisis computacional del modelo, podemos representar su equivalente suponiendo señales y respuesta al impulso discretas.  El número de trayectos &amp;lt;math&amp;gt;p(t)&amp;lt;/math&amp;gt;, los retardos &amp;lt;math&amp;gt;\tau_k(t)&amp;lt;/math&amp;gt;, las amplitudes &amp;lt;math&amp;gt;\rho_k(t)&amp;lt;/math&amp;gt; y las fases &amp;lt;math&amp;gt;\theta_k(t)&amp;lt;/math&amp;gt; de las señales que llegan al receptor se consideran procesos aleatorios dependientes del tiempo. Por lo tanto, la respuesta del canal es un proceso aleatorio que queda representado por (Díaz-Nafría, 2021):&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;h(n, t) = \sum_{k=1}^{p(t)} \rho_k(t) e^{j\theta_k(t)} \delta(n - \tau_k(t))&amp;lt;/math&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=12378</id>
		<title>Desvanecimiento multitrayecto</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=12378"/>
		<updated>2025-04-01T19:12:08Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[File:Multitrayecto.png|thumb|350x350px|Propagación multitrayecto]]&lt;br /&gt;
En el análisis de un sistema de comunicación radioeléctrico, uno de los fenómenos que se debe considerar en la caracterización del canal es el producido cuando las señales transmitidas llegan al receptor a través de múltiples trayectorias, debidas a reflexiones, difracciones y dispersiones en el entorno. La recepción de estas señales, sumadas a la onda directa con distintos retardos, amplitudes y fases, puede degradar la calidad del enlace. A este efecto de degradación de la señal se le conoce como &#039;&#039;&#039;desvanecimiento multitrayecto&#039;&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La consecuencia directa de la recepción de señales con distintas amplitudes y retardos es la posible atenuación de la potencia recibida, por la recepción de señales en contrafase. Pero además, hay que considerar un factor que agrava la degradación del enlace en la propagación multitrayecto: la dispersión temporal. En una transmisión digital, la llegada de las señales retardadas va a producir un ensanchamiento de los símbolos recibidos que va a aumentar considerablemente la interferencia entre símbolos y en consecuencia los errores en la detección de estos. Sumado a eso, esta dispersión temporal influye directamente en la respuesta en frecuencia del canal. El aumento de la dispersión temporal reduce el ancho de banda de coherencia del canal, que se traduce en una respuesta más selectiva en frecuencia.&lt;br /&gt;
&lt;br /&gt;
El estudio del efecto del multitrayecto es especialmente sensible en los servicios de comunicaciones móviles, donde, además de la impredecibilidad de los condicionantes que afectan a la caracterización del canal, se añade que el receptor puede estar en movimiento. En las bandas de frecuencia utilizadas por estos sistemas, del orden de microondas, las longitudes de onda son centimétricas, por lo que pequeñas variaciones de posición del receptor suponen cambios bruscos de fase, que pueden llevar a desvanecimientos súbitos. Por ello, se considera que el canal varía en el tiempo de forma aleatoria. Para modelar su respuesta se recurre a procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
== Caracterización de la propagación en comunicaciones móviles ==&lt;br /&gt;
Para la caracterización del canal en comunicaciones móviles se puede distinguir entre el &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; (Sklar y Harris, 2021).&lt;br /&gt;
&lt;br /&gt;
Se considera como &#039;&#039;desvanecimiento a gran escala&#039;&#039;, la variación de la señal recibida considerando las pérdidas por propagación en espacio libre y las pérdidas producidas por la interposición de obstáculos de gran tamaño respecto a la longitud de onda. Este desvanecimiento tiene variaciones lentas sobre su media y depende principalmente de la distancia entre transmisor y receptor.&lt;br /&gt;
&lt;br /&gt;
Hata (1980), a partir del trabajo previo de Okumura (1968), desarrolló un modelo matemático para las pérdidas de propagación en canales multitrayecto en función del entorno. A partir de este modelo, se pueden representar las pérdidas del enlace por &#039;&#039;desvanecimiento a gran escala&#039;&#039;, como una variable aleatoria &amp;lt;math&amp;gt;L_P&amp;lt;/math&amp;gt;dependiente de la distancia &amp;lt;math&amp;gt;d&amp;lt;/math&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;L_P(d) = L_S(d_0) + 10 n \log\left(\frac{d}{d_0}\right) + X_\sigma \quad \text{[dB]}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo: &amp;lt;math&amp;gt;d_0&amp;lt;/math&amp;gt; una distancia de referencia en campo lejano, sobre la que se calculan las pérdidas por propagación en espacio libre &amp;lt;math&amp;gt;L_S&amp;lt;/math&amp;gt;, según &amp;lt;math&amp;gt;L_S = \left( {4\pi d}/{\lambda} \right)^2&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el exponente de pérdidas de propagación, que depende del tipo de entorno (rural, suburbano, urbano), la frecuencia y la altura de las antenas; y &amp;lt;math&amp;gt; X_\sigma&amp;lt;/math&amp;gt; es una variable aleatoria con distribución gaussiana de media 0, que representa las pérdidas específicas por la topología del área.&lt;br /&gt;
&lt;br /&gt;
El &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; se refiere a los cambios súbitos de nivel de señal motivados por pequeños cambios de posición del receptor, de hasta media longitud de onda. Las variaciones de señal por estos pequeños cambios se modelan con diferentes tipos de distribuciones de probabilidad dependiendo de la visibilidad entre receptor y emisor: &lt;br /&gt;
&lt;br /&gt;
* Cuando no hay visibilidad directa, no hay un componente dominante en el conjunto de señales recibidas de cada trayectoria, como suele ocurrir en entornos altamente urbanizados o en entornos &#039;&#039;indoor&#039;&#039;, donde tenemos un alto número de ondas reflejadas y no hay onda directa. Este caso, conocido como &#039;&#039;desvanecimiento de Rayleigh&#039;&#039;, se modela estadísticamente la señal recibida con una distribución de probabilidad de Rayleigh.&lt;br /&gt;
* En caso de no estar obstaculizada la línea de visión directa entre receptor y emisor,  la onda directa es un componente dominante en el conjunto de señales recibidas de cada trayectoria. En este caso, se modela el nivel de señal recibida con una distribución de probabilidad de Rice, y se conoce como &#039;&#039;desvanecimiento de Rice&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La suma del &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; caracteriza el nivel de señal en recepción en escenarios de comunicaciones móviles.&lt;br /&gt;
&lt;br /&gt;
== Dispersión temporal ==&lt;br /&gt;
La propagación por diferentes caminos va a producir que una señal transmitida llegue a su destino en diferentes instantes de tiempo. Se define el &#039;&#039;retardo máximo&#039;&#039; &amp;lt;math&amp;gt;T_m&amp;lt;/math&amp;gt; como el tiempo transcurrido entre la recepción de la primera versión de la señal y la última, suponiendo un umbral de potencia por debajo del cuál se desprecian las posteriores.&lt;br /&gt;
&lt;br /&gt;
Se define el &#039;&#039;ancho de banda de coherencia&#039;&#039; &amp;lt;math&amp;gt;f_0&amp;lt;/math&amp;gt; como el rango de frecuencias donde el canal deja pasar todas las componentes de la señal con la misma amplitud y fase lineal, por tanto, las componentes pertenecientes al mismo rango son afectadas por el canal de la mima forma ante el desvanecimiento. Como aproximación se puede considerar la siguiente relación entre el &#039;&#039;retardo máximo&#039;&#039; y el &#039;&#039;ancho de banda de coherencia&#039;&#039;: &amp;lt;math&amp;gt;f_0 \approx {1}/{T_m}&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
Suponiendo una transmisión digital en la que la señal transmitida es un símbolo de periodo &amp;lt;math&amp;gt;T_s&amp;lt;/math&amp;gt; y ancho de banda aproximado &amp;lt;math&amp;gt;W \approx {1}/{T_s}&amp;lt;/math&amp;gt;, podemos clasificar el desvanecimiento en función de la relación entre el canal y el símbolo transmitido de la siguiente forma:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento selectivo en frecuencia&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;gt;T_s , f_0&amp;lt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se extienden en el tiempo más que el periodo del símbolo, provocando interferencia entre símbolos que causan distorsión en la señal recibida. La separación entre las componentes facilita su distinción por parte del receptor y puede mitigar su efecto utilizando ecualización adaptativa. Desde el punto de vista espectral, el ancho de banda de coherencia del canal es más estrecho que el de la señal, por lo que las diferentes componentes espectrales de la señal se ven afectados por	el canal de forma distinta.&lt;br /&gt;
* &#039;&#039;Desvanecimiento plano&#039;&#039; (cuando &amp;lt;math&amp;gt;T_m&amp;lt;T_s , f_0&amp;gt;W&amp;lt;/math&amp;gt;): Las componentes de la señal multitrayecto se reciben dentro del tiempo de un símbolo, por lo que el canal no introduce interferencia ente símbolos, aunque sí que puede mermar la relación señal a ruido. En este caso, el &#039;&#039;ancho de banda de coherencia&#039;&#039; del canal es mayor que el ancho de banda de la señal, por lo que todas sus componentes espectrales son tratadas por igual.&lt;br /&gt;
&lt;br /&gt;
== Caracterización del canal multitrayecto en la transmisión digital ==&lt;br /&gt;
En un escenario de transmisión digital, se parte de un pulso representado en banda base por  y de su versión modulada , que se puede expresar como , siendo  la frecuencia de la portadora (Proakis y Salehi, 2008).&lt;br /&gt;
&lt;br /&gt;
Al enviar este pulso a través del canal multitrayecto, en recepción obtenemos una respuesta que es la suma de los pulsos atenuados y retrasados por los diferentes trayectos:&lt;br /&gt;
&lt;br /&gt;
Siendo  el número de trayectos, y  y , respectivamente, las variaciones temporales de atenuación y retardo de cada trayectoria.&lt;br /&gt;
&lt;br /&gt;
Si expresamos la señal recibida en función del pulso en banda base obtenemos:&lt;br /&gt;
&lt;br /&gt;
La demodulación de esta señal nos lleva a la expresión del pulso recibido en banda base:&lt;br /&gt;
&lt;br /&gt;
De la que deducimos la expresión de la respuesta al impulso del canal multitrayecto en banda base:&lt;br /&gt;
&lt;br /&gt;
Donde ,  y  son procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
=== Discretización del modelo de respuesta impulsional ===&lt;br /&gt;
Para facilitar el análisis del modelo en sistemas de computación, podemos representar su equivalente suponiendo señales y respuesta al impulso discretas.  El número de trayectos , los retardos , las amplitudes y las fases  de las señales que llegan al receptor se consideran procesos aleatorios dependientes del tiempo. Por lo tanto, la respuesta del canal es un proceso aleatorio que queda representado por (Díaz-Nafría, 2021) :&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=12377</id>
		<title>Desvanecimiento multitrayecto</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=12377"/>
		<updated>2025-04-01T18:59:54Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[File:Multitrayecto.png|thumb|350x350px|Propagación multitrayecto]]&lt;br /&gt;
En el análisis de un sistema de comunicación radioeléctrico, uno de los fenómenos que se debe considerar en la caracterización del canal es el producido cuando las señales transmitidas llegan al receptor a través de múltiples trayectorias, debidas a reflexiones, difracciones y dispersiones en el entorno. La recepción de estas señales, sumadas a la onda directa con distintos retardos, amplitudes y fases, puede degradar la calidad del enlace. A este efecto de degradación de la señal se le conoce como &#039;&#039;&#039;desvanecimiento multitrayecto&#039;&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La consecuencia directa de la recepción de señales con distintas amplitudes y retardos es la posible atenuación de la potencia recibida, por la recepción de señales en contrafase. Pero además, hay que considerar un factor que agrava la degradación del enlace en la propagación multitrayecto: la dispersión temporal. En una transmisión digital, la llegada de las señales retardadas va a producir un ensanchamiento de los símbolos recibidos que va a aumentar considerablemente la interferencia entre símbolos y en consecuencia los errores en la detección de estos. Sumado a eso, esta dispersión temporal influye directamente en la respuesta en frecuencia del canal. El aumento de la dispersión temporal reduce el ancho de banda de coherencia del canal, que se traduce en una respuesta más selectiva en frecuencia.&lt;br /&gt;
&lt;br /&gt;
El estudio del efecto del multitrayecto es especialmente sensible en los servicios de comunicaciones móviles, donde, además de la impredecibilidad de los condicionantes que afectan a la caracterización del canal, se añade que el receptor puede estar en movimiento. En las bandas de frecuencia utilizadas por estos sistemas, del orden de microondas, las longitudes de onda son centimétricas, por lo que pequeñas variaciones de posición del receptor suponen cambios bruscos de fase, que pueden llevar a desvanecimientos súbitos. Por ello, se considera que el canal varía en el tiempo de forma aleatoria. Para modelar su respuesta se recurre a procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
== Caracterización de la propagación en comunicaciones móviles ==&lt;br /&gt;
Para la caracterización del canal en comunicaciones móviles se puede distinguir entre el &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; (Sklar y Harris, 2021).&lt;br /&gt;
&lt;br /&gt;
Se considera como &#039;&#039;desvanecimiento a gran escala&#039;&#039;, la variación de la señal recibida considerando las pérdidas por propagación en espacio libre y las pérdidas producidas por la interposición de obstáculos de gran tamaño respecto a la longitud de onda. Este desvanecimiento tiene variaciones lentas sobre su media y depende principalmente de la distancia entre transmisor y receptor.&lt;br /&gt;
&lt;br /&gt;
Hata (1980), a partir del trabajo previo de Okumura (1968), desarrolló un modelo matemático para las pérdidas de propagación en canales multitrayecto en función del entorno. A partir de este modelo, se pueden representar las pérdidas del enlace por &#039;&#039;desvanecimiento a gran escala&#039;&#039;, como una variable aleatoria &amp;lt;math&amp;gt;L_P&amp;lt;/math&amp;gt;dependiente de la distancia &amp;lt;math&amp;gt;d&amp;lt;/math&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;L_P(d) = L_S(d_0) + 10 n \log\left(\frac{d}{d_0}\right) + X_\sigma \quad \text{[dB]}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo: &amp;lt;math&amp;gt;d_0&amp;lt;/math&amp;gt; una distancia de referencia en campo lejano, sobre la que se calculan las pérdidas por propagación en espacio libre &amp;lt;math&amp;gt;L_S&amp;lt;/math&amp;gt;, según &amp;lt;math&amp;gt;L_S = \left( {4\pi d}/{\lambda} \right)^2&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el exponente de pérdidas de propagación, que depende del tipo de entorno (rural, suburbano, urbano), la frecuencia y la altura de las antenas; y &amp;lt;math&amp;gt; X_\sigma&amp;lt;/math&amp;gt; es una variable aleatoria con distribución gaussiana de media 0, que representa las pérdidas específicas por la topología del área.&lt;br /&gt;
&lt;br /&gt;
El &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; se refiere a los cambios súbitos de nivel de señal motivados por pequeños cambios de posición del receptor, de hasta media longitud de onda. Las variaciones de señal por estos pequeños cambios se modelan con diferentes tipos de distribuciones de probabilidad dependiendo de la visibilidad entre receptor y emisor. &lt;br /&gt;
&lt;br /&gt;
Cuando no hay visibilidad directa, no hay un componente dominante en el conjunto de señales recibidas de cada trayectoria, como suele ocurrir en entornos altamente urbanizados o en entornos &#039;&#039;indoor&#039;&#039;, donde tenemos un alto número de ondas reflejadas y no hay onda directa. Este caso, conocido como &#039;&#039;desvanecimiento de Rayleigh&#039;&#039;, se modela estadísticamente la señal recibida con una distribución de probabilidad de Rayleigh.&lt;br /&gt;
&lt;br /&gt;
En caso de no estar obstaculizada la línea de visión directa entre receptor y emisor,  la onda directa es un componente dominante en el conjunto de señales recibidas de cada trayectoria. En este caso, se modela el nivel de señal recibida con una distribución de probabilidad de Rice, y se conoce como &#039;&#039;desvanecimiento de Rice&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La suma del &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; caracteriza el nivel de señal en recepción en escenarios de comunicaciones móviles.&lt;br /&gt;
&lt;br /&gt;
== Dispersión temporal ==&lt;br /&gt;
La propagación por diferentes caminos va a producir que una señal transmitida llegue a su destino en diferentes instantes de tiempo. Se define el &#039;&#039;retardo máximo&#039;&#039; como el tiempo transcurrido entre la recepción de la primera versión de la señal y la última, suponiendo un umbral de potencia por debajo del cuál se desprecian las posteriores.&lt;br /&gt;
&lt;br /&gt;
Se define el &#039;&#039;ancho de banda de coherencia&#039;&#039;  como el rango de frecuencias donde el canal deja pasar todas las componentes de la señal con la misma amplitud y fase lineal, por tanto, las componentes pertenecientes al mismo rango son afectadas por el canal de la mima forma ante el desvanecimiento. Como aproximación se puede considerar la siguiente relación entre el &#039;&#039;retardo máximo&#039;&#039; y el &#039;&#039;ancho de banda de coherencia&#039;&#039;: .&lt;br /&gt;
&lt;br /&gt;
Suponiendo una transmisión digital en la que la señal transmitida es un símbolo de periodo  y ancho de banda aproximado , podemos clasificar el desvanecimiento en función de la relación entre el canal y el símbolo transmitido de la siguiente forma:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento selectivo en frecuencia&#039;&#039; (cuando ): Las componentes de la señal multitrayecto se extienden en el tiempo más que el periodo del símbolo, provocando interferencia entre símbolos que causan distorsión en la señal recibida. La separación entre las componentes facilita su distinción por parte del receptor y puede mitigar su efecto utilizando ecualización adaptativa. Desde el punto de vista espectral, el ancho de banda de coherencia del canal es más estrecho que el de la señal, por lo que las diferentes componentes espectrales de la señal se ven afectados por	el canal de forma distinta.&lt;br /&gt;
* &#039;&#039;Desvanecimiento plano&#039;&#039; (cuando ): Las componentes de la señal multitrayecto se reciben dentro del tiempo de un símbolo, por lo que el canal no introduce interferencia ente símbolos, aunque sí que puede mermar la relación señal a ruido. En este caso, el ancho de banda de coherencia del canal es mayor que el ancho de banda de la señal, por lo que todas sus componentes espectrales son tratadas por igual.&lt;br /&gt;
&lt;br /&gt;
== Caracterización del canal multitrayecto en la transmisión digital ==&lt;br /&gt;
En un escenario de transmisión digital, se parte de un pulso representado en banda base por  y de su versión modulada , que se puede expresar como , siendo  la frecuencia de la portadora (Proakis y Salehi, 2008).&lt;br /&gt;
&lt;br /&gt;
Al enviar este pulso a través del canal multitrayecto, en recepción obtenemos una respuesta que es la suma de los pulsos atenuados y retrasados por los diferentes trayectos:&lt;br /&gt;
&lt;br /&gt;
Siendo  el número de trayectos, y  y , respectivamente, las variaciones temporales de atenuación y retardo de cada trayectoria.&lt;br /&gt;
&lt;br /&gt;
Si expresamos la señal recibida en función del pulso en banda base obtenemos:&lt;br /&gt;
&lt;br /&gt;
La demodulación de esta señal nos lleva a la expresión del pulso recibido en banda base:&lt;br /&gt;
&lt;br /&gt;
De la que deducimos la expresión de la respuesta al impulso del canal multitrayecto en banda base:&lt;br /&gt;
&lt;br /&gt;
Donde ,  y  son procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
=== Discretización del modelo de respuesta impulsional ===&lt;br /&gt;
Para facilitar el análisis del modelo en sistemas de computación, podemos representar su equivalente suponiendo señales y respuesta al impulso discretas.  El número de trayectos , los retardos , las amplitudes y las fases  de las señales que llegan al receptor se consideran procesos aleatorios dependientes del tiempo. Por lo tanto, la respuesta del canal es un proceso aleatorio que queda representado por (Díaz-Nafría, 2021) :&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=File:Multitrayecto.png&amp;diff=12376</id>
		<title>File:Multitrayecto.png</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=File:Multitrayecto.png&amp;diff=12376"/>
		<updated>2025-04-01T18:57:43Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Propagación multitrayecto&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=12375</id>
		<title>Desvanecimiento multitrayecto</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Desvanecimiento_multitrayecto&amp;diff=12375"/>
		<updated>2025-04-01T18:55:10Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Primer borrador&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;En el análisis de un sistema de comunicación radioeléctrico, uno de los fenómenos que se debe considerar en la caracterización del canal es el producido cuando las señales transmitidas llegan al receptor a través de múltiples trayectorias, debidas a reflexiones, difracciones y dispersiones en el entorno. La recepción de estas señales, sumadas a la onda directa con distintos retardos, amplitudes y fases, puede degradar la calidad del enlace. A este efecto de degradación de la señal se le conoce como &#039;&#039;&#039;desvanecimiento multitrayecto&#039;&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La consecuencia directa de la recepción de señales con distintas amplitudes y retardos es la posible atenuación de la potencia recibida, por la recepción de señales en contrafase. Pero además, hay que considerar un factor que agrava la degradación del enlace en la propagación multitrayecto: la dispersión temporal. En una transmisión digital, la llegada de las señales retardadas va a producir un ensanchamiento de los símbolos recibidos que va a aumentar considerablemente la interferencia entre símbolos y en consecuencia los errores en la detección de estos. Sumado a eso, esta dispersión temporal influye directamente en la respuesta en frecuencia del canal. El aumento de la dispersión temporal reduce el ancho de banda de coherencia del canal, que se traduce en una respuesta más selectiva en frecuencia.&lt;br /&gt;
&lt;br /&gt;
El estudio del efecto del multitrayecto es especialmente sensible en los servicios de comunicaciones móviles, donde, además de la impredecibilidad de los condicionantes que afectan a la caracterización del canal, se añade que el receptor puede estar en movimiento. En las bandas de frecuencia utilizadas por estos sistemas, del orden de microondas, las longitudes de onda son centimétricas, por lo que pequeñas variaciones de posición del receptor suponen cambios bruscos de fase, que pueden llevar a desvanecimientos súbitos. Por ello, se considera que el canal varía en el tiempo de forma aleatoria. Para modelar su respuesta se recurre a procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
== Caracterización de la propagación en comunicaciones móviles ==&lt;br /&gt;
Para la caracterización del canal en comunicaciones móviles se puede distinguir entre el &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; (Sklar y Harris, 2021).&lt;br /&gt;
&lt;br /&gt;
Se considera como &#039;&#039;desvanecimiento a gran escala&#039;&#039;, la variación de la señal recibida considerando las pérdidas por propagación en espacio libre y las pérdidas producidas por la interposición de obstáculos de gran tamaño respecto a la longitud de onda. Este desvanecimiento tiene variaciones lentas sobre su media y depende principalmente de la distancia entre transmisor y receptor.&lt;br /&gt;
&lt;br /&gt;
Hata (1980), a partir del trabajo previo de Okumura (1968), desarrolló un modelo matemático para las pérdidas de propagación en canales multitrayecto en función del entorno. A partir de este modelo, se pueden representar las pérdidas del enlace por &#039;&#039;desvanecimiento a gran escala&#039;&#039;, como una variable aleatoria &amp;lt;math&amp;gt;L_P&amp;lt;/math&amp;gt;dependiente de la distancia &amp;lt;math&amp;gt;d&amp;lt;/math&amp;gt;:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;L_P(d) = L_S(d_0) + 10 n \log\left(\frac{d}{d_0}\right) + X_\sigma \quad \text{[dB]}&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Siendo: &amp;lt;math&amp;gt;d_0&amp;lt;/math&amp;gt; una distancia de referencia en campo lejano, sobre la que se calculan las pérdidas por propagación en espacio libre &amp;lt;math&amp;gt;L_S&amp;lt;/math&amp;gt;, según &amp;lt;math&amp;gt;L_S = \left( {4\pi d}/{\lambda} \right)^2&amp;lt;/math&amp;gt;; &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; es el exponente de pérdidas de propagación, que depende del tipo de entorno (rural, suburbano, urbano), la frecuencia y la altura de las antenas; y &amp;lt;math&amp;gt; X_\sigma&amp;lt;/math&amp;gt; es una variable aleatoria con distribución gaussiana de media 0, que representa las pérdidas específicas por la topología del área.&lt;br /&gt;
&lt;br /&gt;
El &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; se refiere a los cambios súbitos de nivel de señal motivados por pequeños cambios de posición del receptor, de hasta media longitud de onda. Las variaciones de señal por estos pequeños cambios se modelan con diferentes tipos de distribuciones de probabilidad dependiendo de la visibilidad entre receptor y emisor. &lt;br /&gt;
&lt;br /&gt;
Cuando no hay visibilidad directa, no hay un componente dominante en el conjunto de señales recibidas de cada trayectoria, como suele ocurrir en entornos altamente urbanizados o en entornos &#039;&#039;indoor&#039;&#039;, donde tenemos un alto número de ondas reflejadas y no hay onda directa. Este caso, conocido como &#039;&#039;desvanecimiento de Rayleigh&#039;&#039;, se modela estadísticamente la señal recibida con una distribución de probabilidad de Rayleigh.&lt;br /&gt;
&lt;br /&gt;
En caso de no estar obstaculizada la línea de visión directa entre receptor y emisor,  la onda directa es un componente dominante en el conjunto de señales recibidas de cada trayectoria. En este caso, se modela el nivel de señal recibida con una distribución de probabilidad de Rice, y se conoce como &#039;&#039;desvanecimiento de Rice&#039;&#039;.&lt;br /&gt;
&lt;br /&gt;
La suma del &#039;&#039;desvanecimiento a gran escala&#039;&#039; y el &#039;&#039;desvanecimiento a pequeña escala&#039;&#039; caracteriza el nivel de señal en recepción en escenarios de comunicaciones móviles.&lt;br /&gt;
&lt;br /&gt;
== Dispersión temporal ==&lt;br /&gt;
La propagación por diferentes caminos va a producir que una señal transmitida llegue a su destino en diferentes instantes de tiempo. Se define el &#039;&#039;retardo máximo&#039;&#039; como el tiempo transcurrido entre la recepción de la primera versión de la señal y la última, suponiendo un umbral de potencia por debajo del cuál se desprecian las posteriores.&lt;br /&gt;
&lt;br /&gt;
Se define el &#039;&#039;ancho de banda de coherencia&#039;&#039;  como el rango de frecuencias donde el canal deja pasar todas las componentes de la señal con la misma amplitud y fase lineal, por tanto, las componentes pertenecientes al mismo rango son afectadas por el canal de la mima forma ante el desvanecimiento. Como aproximación se puede considerar la siguiente relación entre el &#039;&#039;retardo máximo&#039;&#039; y el &#039;&#039;ancho de banda de coherencia&#039;&#039;: .&lt;br /&gt;
&lt;br /&gt;
Suponiendo una transmisión digital en la que la señal transmitida es un símbolo de periodo  y ancho de banda aproximado , podemos clasificar el desvanecimiento en función de la relación entre el canal y el símbolo transmitido de la siguiente forma:&lt;br /&gt;
&lt;br /&gt;
* &#039;&#039;Desvanecimiento selectivo en frecuencia&#039;&#039; (cuando ): Las componentes de la señal multitrayecto se extienden en el tiempo más que el periodo del símbolo, provocando interferencia entre símbolos que causan distorsión en la señal recibida. La separación entre las componentes facilita su distinción por parte del receptor y puede mitigar su efecto utilizando ecualización adaptativa. Desde el punto de vista espectral, el ancho de banda de coherencia del canal es más estrecho que el de la señal, por lo que las diferentes componentes espectrales de la señal se ven afectados por	el canal de forma distinta.&lt;br /&gt;
* &#039;&#039;Desvanecimiento plano&#039;&#039; (cuando ): Las componentes de la señal multitrayecto se reciben dentro del tiempo de un símbolo, por lo que el canal no introduce interferencia ente símbolos, aunque sí que puede mermar la relación señal a ruido. En este caso, el ancho de banda de coherencia del canal es mayor que el ancho de banda de la señal, por lo que todas sus componentes espectrales son tratadas por igual.&lt;br /&gt;
&lt;br /&gt;
== Caracterización del canal multitrayecto en la transmisión digital ==&lt;br /&gt;
En un escenario de transmisión digital, se parte de un pulso representado en banda base por  y de su versión modulada , que se puede expresar como , siendo  la frecuencia de la portadora (Proakis y Salehi, 2008).&lt;br /&gt;
&lt;br /&gt;
Al enviar este pulso a través del canal multitrayecto, en recepción obtenemos una respuesta que es la suma de los pulsos atenuados y retrasados por los diferentes trayectos:&lt;br /&gt;
&lt;br /&gt;
Siendo  el número de trayectos, y  y , respectivamente, las variaciones temporales de atenuación y retardo de cada trayectoria.&lt;br /&gt;
&lt;br /&gt;
Si expresamos la señal recibida en función del pulso en banda base obtenemos:&lt;br /&gt;
&lt;br /&gt;
La demodulación de esta señal nos lleva a la expresión del pulso recibido en banda base:&lt;br /&gt;
&lt;br /&gt;
De la que deducimos la expresión de la respuesta al impulso del canal multitrayecto en banda base:&lt;br /&gt;
&lt;br /&gt;
Donde ,  y  son procesos aleatorios dependientes del tiempo.&lt;br /&gt;
&lt;br /&gt;
=== Discretización del modelo de respuesta impulsional ===&lt;br /&gt;
Para facilitar el análisis del modelo en sistemas de computación, podemos representar su equivalente suponiendo señales y respuesta al impulso discretas.  El número de trayectos , los retardos , las amplitudes y las fases  de las señales que llegan al receptor se consideran procesos aleatorios dependientes del tiempo. Por lo tanto, la respuesta del canal es un proceso aleatorio que queda representado por (Díaz-Nafría, 2021) :&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Talk:Multiplexaci%C3%B3n&amp;diff=12157</id>
		<title>Talk:Multiplexación</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Talk:Multiplexaci%C3%B3n&amp;diff=12157"/>
		<updated>2025-03-04T19:07:56Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: /* Código añadido */ new section&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Hola, además de la descripción de la multiplexación estadística se podría añadir el esquema que propone Santos Gonzalez &amp;lt;ref&amp;gt;SANTOS GONZÁLEZ, M. Diseño de redes telemáticas. ed. Madrid: RA-MA Editorial, 2015. 272 p. Available in: &amp;lt;nowiki&amp;gt;https://elibro.net/en/ereader/udima/62506?page=74&amp;lt;/nowiki&amp;gt;. Consulted in: 03 Mar 2025&amp;lt;/ref&amp;gt; y que se muestra a continuación:&lt;br /&gt;
&lt;br /&gt;
[[File:TDM Asíncrona.png|thumb|Multiplexor estadístico.]]&lt;br /&gt;
En caso de no poder usarse esa imagen se puede elaborar una propia.&lt;br /&gt;
&lt;br /&gt;
== Código añadido ==&lt;br /&gt;
&lt;br /&gt;
Se ha añadido al final del artículo un código de Matlab para ejemplificar la TDM síncrona.&lt;br /&gt;
&lt;br /&gt;
La primera referencia se podría suprimir, por no ser pública y redundar con las otras referencias.&lt;br /&gt;
&lt;br /&gt;
[[User:Rubén Guzmán|Rubén Guzmán]] ([[User talk:Rubén Guzmán|talk]]) 20:07, 4 March 2025 (CET)&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Multiplexaci%C3%B3n&amp;diff=12156</id>
		<title>Multiplexación</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Multiplexaci%C3%B3n&amp;diff=12156"/>
		<updated>2025-03-04T18:58:09Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Código que ejemplifica TDM síncrona&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;{{Cab_TSC&lt;br /&gt;
|Autores=José Antonio Salmerón Marín, [[User:Daniel Francisco Naranjo]]&lt;br /&gt;
|Docentes=[[User:JDíaz]]&lt;br /&gt;
|Observaciones=&lt;br /&gt;
* Sería conveniente ampliar el contenido hablando de la multiplexación estadística o asíncrona.&lt;br /&gt;
* Debe asegurarse que las figuras 3 y 4 estén libres de derechos de autor, o bien sustituirlas por imágenes que lo estén o de alaboración propia.&lt;br /&gt;
* Una de las referencias no es pública.&lt;br /&gt;
}}&lt;br /&gt;
==Definiciones==&lt;br /&gt;
Es la combinación de dos o más canales de información en un solo medio de transmisión usando un dispositivo llamado &#039;&#039;&#039;multiplexor&#039;&#039;&#039;. Permite así combinar en un mismo medio varias señales portadoras de información en un mismo medio de transmisión, distribuyendo entre ellas los recursos disponibles del medio.&amp;lt;ref name=&amp;quot;Díaz&amp;quot;/&amp;gt; &amp;lt;ref name=&amp;quot;Cerón&amp;quot;/&amp;gt; &amp;lt;ref name=&amp;quot;Benedito&amp;quot;/&amp;gt; Por lo tanto, la multiplexación permite compartir la capacidad de transmisión de información de un medio dado, cuyo límite superior viene determinado por la capacidad de canal de Shannon (ver [[Canal de transmisión|canal de transmisión]]), aumentando así la &#039;&#039;eficiencia&#039;&#039; de su uso y minimizando la cantidad de líneas físicas requeridas.&lt;br /&gt;
&lt;br /&gt;
[[File:MDF.png|thumbnail|&#039;&#039;&#039;Figura 1&#039;&#039;&#039;: Multiplexación por división en la frecuencia (Fuente: Wikimedia)]]&lt;br /&gt;
Existen los siguientes tipos de multiplexación:&lt;br /&gt;
&lt;br /&gt;
* por división en la &#039;&#039;&#039;frecuencia&#039;&#039;&#039; (MDF o FDM): cada señal se modula para que ocupe diferentes bandas de frecuencia. Cada usuario tiene posesión exclusiva de su banda de frecuencia. Se debe tener en cuenta que el ancho de banda del medio debe ser mayor que el ancho de banda de la señal transmitida y que además se han de guardar bandas de guarda para facilitar la separación y evitar la interferencia entre bandas adyacentes.&lt;br /&gt;
[[File:TDM.jpg|thumbnail|&#039;&#039;&#039;Figura 2&#039;&#039;&#039;: Multiplexación por división en el tiempo (Fuente: Wikimedia)]]&lt;br /&gt;
* por división en el &#039;&#039;&#039;tiempo&#039;&#039;&#039; (MDT o TDM): las muestras de la señal se distribuyen consecutivamente en los periodos entre muestras. Es una técnica para compartir el canal de transmisión entre varios usuarios. Cada usuario, durante unas determinadas “ranuras de tiempo”, dispone de la totalidad del ancho de banda. 	&lt;br /&gt;
[[File:WDM operating principle.png|thumbnail|&#039;&#039;&#039;Figura 3&#039;&#039;&#039;: Multiplexación por división en longitud de onda]]&lt;br /&gt;
* por división en la &#039;&#039;&#039;longitud de onda&#039;&#039;&#039; (WDM). Se diseñó para utilizar la capacidad de alta tasa de datos de la fibra óptica. La idea es combinar múltiples haces de luz dentro de una única luz en el multiplexor, haciendo la operación inversa en el demultiplexor.	&lt;br /&gt;
[[File:CDM.jpg|thumbnail|&#039;&#039;&#039;Figura 4&#039;&#039;&#039;: Multiplexación por división en el código]]&lt;br /&gt;
* por división en el &#039;&#039;&#039;espacio&#039;&#039;&#039; (SDM). También se conoce como acceso múltiple por división de espacio. En esta técnica se utilizan varios medios físicos, separados unos de otros (aislamiento, guías de onda, espacios) y contenidos en un medio mayor. 	&lt;br /&gt;
* por división en el &#039;&#039;&#039;código&#039;&#039;&#039; (CDM). Basado en la tecnología de espectro expandido, por el que a cada transmisor se le asigna un código único, escogido de forma que sea ortogonal respecto al del resto. La señal se emite con un ancho de banda mucho mayor que el precisado por los datos a transmitir. Por este motivo, la división por código es una técnica de acceso múltiple de espectro expandido.&lt;br /&gt;
* &#039;&#039;&#039;Estadística&#039;&#039;&#039; o asíncrona: &amp;lt;ref&amp;gt;Santos González, M. (2015). &#039;&#039;Diseño de redes telemáticas:&#039;&#039; ( ed.). RA-MA Editorial. &amp;lt;nowiki&amp;gt;https://elibro.net/en/ereader/udima/62506?page=74&amp;lt;/nowiki&amp;gt;&amp;lt;/ref&amp;gt;Se trata de una multiplexación del tipo a la de división en el tiempo, con la diferencia de que no se asigna una &amp;quot;ranura de tiempo&amp;quot; fija a cada canal sino que cada ranura de tiempo de la trama se ocupará por el canal que tenga información a transmitir. Por tanto, en este metodo de multiplexación el número de &amp;quot;ranuras de tiempo&amp;quot; no se asocia al número de canales que comparten el medio sino al número de canales que estadísticamente transmiten simultaneamente,  de esta forma se obtiene un mayor aprovechamiento de la capacidad del medio. Como inconvenientes tiene la complejidad de implementación, ya que requerirá de memorias de almacenamiento para cubrir posibles congestiones además de la información que debe llevar asociada cada &amp;quot;ranura de tiempo&amp;quot; para saber a que canal corresponde la información.  Estas características hacen de la multiplexación estadística, un método muy válido para transmisión de datos.&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
[[File:TDM síncrona.png|thumb|429x429px|Resultado gráfico del código que simula la TDM síncrona]]&lt;br /&gt;
En el siguiente código de Matlab ejemplificamos la multiplexación TDM síncrona. Se generan tres señales de diferentes tipos (senoidal, cuadrada y diente de sierra) y se asignan intervalos de tiempo fijos a cada señal de manera cíclica para simular la multiplexación por división de tiempo síncrona. La señal multiplexada se almacena en un solo vector. Finalmente se representan gráficamente las señales originales y la señal multiplexada mediante &amp;lt;code&amp;gt;stem&amp;lt;/code&amp;gt;, aplicando la base de tiempos correspondiente a cada caso.&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
% Definición de parámetros&lt;br /&gt;
fs = 100;  % Frecuencia de muestreo&lt;br /&gt;
t = 0:1/fs:1;  % Vector de tiempo original (1 segundo)&lt;br /&gt;
&lt;br /&gt;
% Definición de señales de entrada&lt;br /&gt;
s1 = sin(2*pi*5*t);     % Señal 1: Senoidal de 5 Hz&lt;br /&gt;
s2 = square(2*pi*3*t);  % Señal 2: Cuadrada de 3 Hz&lt;br /&gt;
s3 = sawtooth(2*pi*2*t); % Señal 3: Diente de sierra de 2 Hz&lt;br /&gt;
&lt;br /&gt;
% Multiplexación por división de tiempo (TDM)&lt;br /&gt;
N = length(t);  % Número de muestras por señal&lt;br /&gt;
t_mux = 0:1/fs:(3*N-1)/fs; % Base de tiempo para la multiplexada (3 segundos)&lt;br /&gt;
&lt;br /&gt;
mux_signal = zeros(1, 3*N);&lt;br /&gt;
mux_signal(1:3:end) = s1;  % Asignar muestras de la señal 1&lt;br /&gt;
mux_signal(2:3:end) = s2;  % Asignar muestras de la señal 2&lt;br /&gt;
mux_signal(3:3:end) = s3;  % Asignar muestras de la señal 3&lt;br /&gt;
&lt;br /&gt;
% Representación gráfica con stem&lt;br /&gt;
figure;&lt;br /&gt;
&lt;br /&gt;
subplot(2,1,1);&lt;br /&gt;
stem(t, s1, &#039;r&#039;); hold on;&lt;br /&gt;
stem(t, s2, &#039;g&#039;);&lt;br /&gt;
stem(t, s3, &#039;b&#039;);&lt;br /&gt;
title(&#039;Señales de Entrada&#039;);&lt;br /&gt;
legend(&#039;Señal 1&#039;, &#039;Señal 2&#039;, &#039;Señal 3&#039;);&lt;br /&gt;
xlabel(&#039;Tiempo (s)&#039;);&lt;br /&gt;
ylabel(&#039;Amplitud&#039;);&lt;br /&gt;
xlim([0 1]);&lt;br /&gt;
&lt;br /&gt;
subplot(2,1,2);&lt;br /&gt;
stem(t_mux, mux_signal, &#039;k&#039;);&lt;br /&gt;
title(&#039;Señal Multiplexada (TDM)&#039;);&lt;br /&gt;
xlabel(&#039;Tiempo (s)&#039;);&lt;br /&gt;
ylabel(&#039;Amplitud&#039;);&lt;br /&gt;
xlim([0 3]);&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;&lt;br /&gt;
&lt;br /&gt;
==Referencias==&lt;br /&gt;
&amp;lt;references&amp;gt;&lt;br /&gt;
   &amp;lt;ref name=&amp;quot;Díaz&amp;quot;&amp;gt;&lt;br /&gt;
     Díaz Nafría, J.M. (2020). &#039;&#039;Unidad 1: Caracterización de la señal&#039;&#039;. Presentación disponible en el aula virtual de la asignatura &lt;br /&gt;
     “Sistemas de transmisión. Comunicaciones ópticas.” de la UDIMA.&lt;br /&gt;
   &amp;lt;/ref&amp;gt;&lt;br /&gt;
   &amp;lt;ref name=&amp;quot;Cerón&amp;quot;&amp;gt;&lt;br /&gt;
     Cerón López, M.T. (2019). Multiplexación. Presentación disponible en el blog &#039;&#039;Teoría de las telecomunicaciones&#039;&#039;. Recuperado el 22 de marzo de 2020, de&lt;br /&gt;
     https://teoriadelastelecomunicaciones.files.wordpress.com/2011/11/multiplexacion.pdf&lt;br /&gt;
   &amp;lt;/ref&amp;gt;&lt;br /&gt;
   &amp;lt;ref name=&amp;quot;Benedito&amp;quot;&amp;gt;&lt;br /&gt;
     Benedito Guerrero, C. (2009). Multiplexación, parte 1. Entrada en el blog &#039;&#039;Vida Teleeco&#039;&#039;. Recuperado el 22 de marzo de 2020, de&lt;br /&gt;
     https://vidateleco.wordpress.com/2009/09/16/multiplexacion-parte-1/&lt;br /&gt;
   &amp;lt;/ref&amp;gt;&lt;br /&gt;
&amp;lt;/references&amp;gt;&lt;br /&gt;
&lt;br /&gt;
[[Category:65) Telecomunicación y telecontrol]]&lt;br /&gt;
[[Category:GlossaLAB.edu]]&lt;br /&gt;
[[Category:Sistemas de transmisión]]&lt;br /&gt;
[[Category:Teoría de la señal y la comunicación]]&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=File:TDM_s%C3%ADncrona.png&amp;diff=12155</id>
		<title>File:TDM síncrona.png</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=File:TDM_s%C3%ADncrona.png&amp;diff=12155"/>
		<updated>2025-03-04T18:53:18Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Gráfica de Matlab que simula la TDM síncrona&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14100</id>
		<title>Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14100"/>
		<updated>2025-03-04T12:05:01Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|448x448px|Diagrama de Shannon para un sistema general de comunicación según &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo definido por [[Shannon, Claude Elwood|Claude E. Shannon]] en &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948) &amp;lt;ref&amp;gt;Shannon, C.E. (1948). A Mathematical Theory of Communication. &#039;&#039;The Bell System Technical Journal&#039;&#039;, 27, 379–423, 623–656.&amp;lt;/ref&amp;gt;, que sienta las bases de la teoría de la información.&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Las señales que atraviesan el canal pueden verse modificadas por fuentes de ruido. El receptor realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia, entendiendo los mensajes generados por la fuente como sucesiones de símbolos. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la definición de [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;br /&gt;
&lt;br /&gt;
Si se representa la probabilidad de ocurrencia de cada uno de los &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; símbolos que puede producir la fuente mediante &amp;lt;math&amp;gt;p_i&amp;lt;/math&amp;gt;, se define [[entropía o cantidad de información]] de la fuente (expresada en bits) como: &amp;lt;math display=&amp;quot;inline&amp;quot;&amp;gt;H=- \sum_{i=1}^n p_i \log_2 p_i&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
La aplicación de este modelo requiere que los mensajes de la fuente sean discretos.&lt;br /&gt;
&lt;br /&gt;
== Clasificación de las fuentes y digitalización ==&lt;br /&gt;
Los mensajes proporcionados por la fuente de información a lo largo del tiempo están representados mediante señales. Según la naturaleza de estas señales, las fuentes de información se pueden clasificar en:&lt;br /&gt;
&lt;br /&gt;
* Analógicas. Generan señales continuas en el tiempo que toman valores en un intervalo continuo (por ejemplo, la voz que se envía en un sistema telefónico).&lt;br /&gt;
* Digitales. Generan señales discretas en el tiempo que toman valores entre un conjunto de valores discretos (por ejemplo, el texto que se envía en un sistema telegráfico).&lt;br /&gt;
Las fuentes de información naturales son analógicas y requieren de un proceso de digitalización para poder aplicar los modelos matemáticos de la teoría de la información. La digitalización de la señal de una fuente analógica se consigue en tres etapas:&lt;br /&gt;
* Muestreo. Toma de muestras de una señal continua en el tiempo en instantes discretos de tiempo, obteniendo una señal de valores continuos en instantes de tiempo discretos.&lt;br /&gt;
* Cuantificación. Conversión de los valores continuos tomados en el muestreo a valores discretos, obteniendo una señal de valores discretos en instantes de tiempo discretos.&lt;br /&gt;
* Codificación. Representación del valor cuantificado como una secuencia de símbolos.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12154</id>
		<title>Draft:Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12154"/>
		<updated>2025-03-04T12:05:01Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|448x448px|Diagrama de Shannon para un sistema general de comunicación según &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo definido por [[Shannon, Claude Elwood|Claude E. Shannon]] en &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948) &amp;lt;ref&amp;gt;Shannon, C.E. (1948). A Mathematical Theory of Communication. &#039;&#039;The Bell System Technical Journal&#039;&#039;, 27, 379–423, 623–656.&amp;lt;/ref&amp;gt;, que sienta las bases de la teoría de la información.&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Las señales que atraviesan el canal pueden verse modificadas por fuentes de ruido. El receptor realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia, entendiendo los mensajes generados por la fuente como sucesiones de símbolos. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la definición de [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;br /&gt;
&lt;br /&gt;
Si se representa la probabilidad de ocurrencia de cada uno de los &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; símbolos que puede producir la fuente mediante &amp;lt;math&amp;gt;p_i&amp;lt;/math&amp;gt;, se define [[entropía o cantidad de información]] de la fuente (expresada en bits) como: &amp;lt;math display=&amp;quot;inline&amp;quot;&amp;gt;H=- \sum_{i=1}^n p_i \log_2 p_i&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
La aplicación de este modelo requiere que los mensajes de la fuente sean discretos.&lt;br /&gt;
&lt;br /&gt;
== Clasificación de las fuentes y digitalización ==&lt;br /&gt;
Los mensajes proporcionados por la fuente de información a lo largo del tiempo están representados mediante señales. Según la naturaleza de estas señales, las fuentes de información se pueden clasificar en:&lt;br /&gt;
&lt;br /&gt;
* Analógicas. Generan señales continuas en el tiempo que toman valores en un intervalo continuo (por ejemplo, la voz que se envía en un sistema telefónico).&lt;br /&gt;
* Digitales. Generan señales discretas en el tiempo que toman valores entre un conjunto de valores discretos (por ejemplo, el texto que se envía en un sistema telegráfico).&lt;br /&gt;
Las fuentes de información naturales son analógicas y requieren de un proceso de digitalización para poder aplicar los modelos matemáticos de la teoría de la información. La digitalización de la señal de una fuente analógica se consigue en tres etapas:&lt;br /&gt;
* Muestreo. Toma de muestras de una señal continua en el tiempo en instantes discretos de tiempo, obteniendo una señal de valores continuos en instantes de tiempo discretos.&lt;br /&gt;
* Cuantificación. Conversión de los valores continuos tomados en el muestreo a valores discretos, obteniendo una señal de valores discretos en instantes de tiempo discretos.&lt;br /&gt;
* Codificación. Representación del valor cuantificado como una secuencia de símbolos.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14099</id>
		<title>Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14099"/>
		<updated>2025-03-04T11:42:39Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|436x436px|Diagrama de Shannon para un sistema general de comunicación según &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&amp;lt;ref&amp;gt;Shannon, C.E. (1948). A Mathematical Theory of Communication. &#039;&#039;The Bell System Technical Journal&#039;&#039;, 27, 379–423, 623–656.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia, entendiendo los mensajes generados por la fuente como sucesiones de símbolos. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la definición de [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;br /&gt;
&lt;br /&gt;
Si se representa la probabilidad de ocurrencia de cada uno de los &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; símbolos que puede producir la fuente mediante &amp;lt;math&amp;gt;p_i&amp;lt;/math&amp;gt;, se define [[entropía o cantidad de información]] de la fuente (expresada en bits) como: &amp;lt;math display=&amp;quot;inline&amp;quot;&amp;gt;H=- \sum_{i=1}^n p_i \log_2 p_i&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
La aplicación de este modelo requiere que los mensajes de la fuente sean discretos.&lt;br /&gt;
&lt;br /&gt;
== Clasificación de las fuentes y digitalización ==&lt;br /&gt;
Los mensajes proporcionados por la fuente de información a lo largo del tiempo están representados mediante señales. Según la naturaleza de estas señales, las fuentes de información se pueden clasificar en:&lt;br /&gt;
&lt;br /&gt;
* Analógicas. Generan señales continuas en el tiempo que toman valores en un intervalo continuo (por ejemplo, la voz que se envía en un sistema telefónico).&lt;br /&gt;
* Digitales. Generan señales discretas en el tiempo que toman valores un conjunto de valores discretos (por ejemplo, el texto que se envía en un sistema telegráfico).&lt;br /&gt;
Las fuentes de información naturales son analógicas y requieren de un proceso de digitalización para poder aplicar los modelos matemáticos de la teoría de la información. La digitalización de la señal de una fuente analógica se consigue en tres etapas:&lt;br /&gt;
* Muestreo. Toma de muestras de una señal continua en el tiempo en instantes discretos de tiempo, obteniendo una señal de valores continuos en instantes de tiempo discretos.&lt;br /&gt;
* Cuantificación. Conversión de los valores continuos tomados en el muestreo a valores discretos, obteniendo una señal de valores discretos en instantes de tiempo discretos.&lt;br /&gt;
* Codificación. Representación del valor cuantificado como una secuencia de símbolos.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12153</id>
		<title>Draft:Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12153"/>
		<updated>2025-03-04T11:42:39Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|436x436px|Diagrama de Shannon para un sistema general de comunicación según &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&amp;lt;ref&amp;gt;Shannon, C.E. (1948). A Mathematical Theory of Communication. &#039;&#039;The Bell System Technical Journal&#039;&#039;, 27, 379–423, 623–656.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia, entendiendo los mensajes generados por la fuente como sucesiones de símbolos. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la definición de [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;br /&gt;
&lt;br /&gt;
Si se representa la probabilidad de ocurrencia de cada uno de los &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; símbolos que puede producir la fuente mediante &amp;lt;math&amp;gt;p_i&amp;lt;/math&amp;gt;, se define [[entropía o cantidad de información]] de la fuente (expresada en bits) como: &amp;lt;math display=&amp;quot;inline&amp;quot;&amp;gt;H=- \sum_{i=1}^n p_i \log_2 p_i&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
La aplicación de este modelo requiere que los mensajes de la fuente sean discretos.&lt;br /&gt;
&lt;br /&gt;
== Clasificación de las fuentes y digitalización ==&lt;br /&gt;
Los mensajes proporcionados por la fuente de información a lo largo del tiempo están representados mediante señales. Según la naturaleza de estas señales, las fuentes de información se pueden clasificar en:&lt;br /&gt;
&lt;br /&gt;
* Analógicas. Generan señales continuas en el tiempo que toman valores en un intervalo continuo (por ejemplo, la voz que se envía en un sistema telefónico).&lt;br /&gt;
* Digitales. Generan señales discretas en el tiempo que toman valores un conjunto de valores discretos (por ejemplo, el texto que se envía en un sistema telegráfico).&lt;br /&gt;
Las fuentes de información naturales son analógicas y requieren de un proceso de digitalización para poder aplicar los modelos matemáticos de la teoría de la información. La digitalización de la señal de una fuente analógica se consigue en tres etapas:&lt;br /&gt;
* Muestreo. Toma de muestras de una señal continua en el tiempo en instantes discretos de tiempo, obteniendo una señal de valores continuos en instantes de tiempo discretos.&lt;br /&gt;
* Cuantificación. Conversión de los valores continuos tomados en el muestreo a valores discretos, obteniendo una señal de valores discretos en instantes de tiempo discretos.&lt;br /&gt;
* Codificación. Representación del valor cuantificado como una secuencia de símbolos.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14098</id>
		<title>Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14098"/>
		<updated>2025-03-04T11:41:32Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|436x436px|Diagrama de Shannon para un sistema general de comunicación según &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&amp;lt;ref&amp;gt;Shannon, C.E. (1948). A Mathematical Theory of Communication. &#039;&#039;The Bell System Technical Journal&#039;&#039;, 27, 379–423, 623–656.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia, entendiendo los mensajes generados por la fuente como sucesiones de símbolos. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la definición de [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;br /&gt;
&lt;br /&gt;
Si se representa la probabilidad de ocurrencia de cada uno de los &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; símbolos que puede producir la fuente mediante &amp;lt;math&amp;gt;p_i&amp;lt;/math&amp;gt;, se define [[entropía o cantidad de información]] de la fuente (expresada en bits) como: &amp;lt;math display=&amp;quot;inline&amp;quot;&amp;gt;H=- \sum_{i=1}^n p_i \log_2 p_i&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
La aplicación de este modelo requiere que los mensajes de la fuente sean discretos.&lt;br /&gt;
&lt;br /&gt;
== Clasificación de las fuentes y digitalización ==&lt;br /&gt;
Los mensajes proporcionados por la fuente de información a lo largo del tiempo están representados mediante señales. Según la naturaleza de estas señales, las fuentes de información se pueden clasificar en:&lt;br /&gt;
&lt;br /&gt;
* Analógicas. Generan señales continuas en el tiempo que toman valores en un intervalo continuo (por ejemplo, la voz que se envía en un sistema telefónico).&lt;br /&gt;
* Digitales. Generan señales discretas en el tiempo que toman valores un conjunto de valores discretos (por ejemplo, el texto que se envía en un sistema telegráfico).&lt;br /&gt;
Las fuentes de información naturales son analógicas y requieren de un proceso de digitalización para poder aplicar los modelos matemáticos de la teoría de la información. La digitalización de la señal de una fuente analógica se consigue en tres etapas:&lt;br /&gt;
* Muestreo. Toma de muestras de una señal continua en el tiempo en instantes discretos de tiempo, obteniendo una señal de valores continuos en instantes de tiempo discretos.&lt;br /&gt;
* Cuantificación. Conversión de los valores continuos tomados en el muestreo a valores discretos, obteniendo una señal de valores discretos en instantes de tiempo discretos.&lt;br /&gt;
* Codificación. Representación del valor cuantificado como una secuencia símbolos.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12152</id>
		<title>Draft:Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12152"/>
		<updated>2025-03-04T11:41:32Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|436x436px|Diagrama de Shannon para un sistema general de comunicación según &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&amp;lt;ref&amp;gt;Shannon, C.E. (1948). A Mathematical Theory of Communication. &#039;&#039;The Bell System Technical Journal&#039;&#039;, 27, 379–423, 623–656.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia, entendiendo los mensajes generados por la fuente como sucesiones de símbolos. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la definición de [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;br /&gt;
&lt;br /&gt;
Si se representa la probabilidad de ocurrencia de cada uno de los &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; símbolos que puede producir la fuente mediante &amp;lt;math&amp;gt;p_i&amp;lt;/math&amp;gt;, se define [[entropía o cantidad de información]] de la fuente (expresada en bits) como: &amp;lt;math display=&amp;quot;inline&amp;quot;&amp;gt;H=- \sum_{i=1}^n p_i \log_2 p_i&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
La aplicación de este modelo requiere que los mensajes de la fuente sean discretos.&lt;br /&gt;
&lt;br /&gt;
== Clasificación de las fuentes y digitalización ==&lt;br /&gt;
Los mensajes proporcionados por la fuente de información a lo largo del tiempo están representados mediante señales. Según la naturaleza de estas señales, las fuentes de información se pueden clasificar en:&lt;br /&gt;
&lt;br /&gt;
* Analógicas. Generan señales continuas en el tiempo que toman valores en un intervalo continuo (por ejemplo, la voz que se envía en un sistema telefónico).&lt;br /&gt;
* Digitales. Generan señales discretas en el tiempo que toman valores un conjunto de valores discretos (por ejemplo, el texto que se envía en un sistema telegráfico).&lt;br /&gt;
Las fuentes de información naturales son analógicas y requieren de un proceso de digitalización para poder aplicar los modelos matemáticos de la teoría de la información. La digitalización de la señal de una fuente analógica se consigue en tres etapas:&lt;br /&gt;
* Muestreo. Toma de muestras de una señal continua en el tiempo en instantes discretos de tiempo, obteniendo una señal de valores continuos en instantes de tiempo discretos.&lt;br /&gt;
* Cuantificación. Conversión de los valores continuos tomados en el muestreo a valores discretos, obteniendo una señal de valores discretos en instantes de tiempo discretos.&lt;br /&gt;
* Codificación. Representación del valor cuantificado como una secuencia símbolos.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14097</id>
		<title>Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14097"/>
		<updated>2025-03-04T11:39:25Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Ampliación&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|436x436px|Diagrama de Shannon para un sistema general de comunicación según &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&amp;lt;ref&amp;gt;Shannon, C.E. (1948). A Mathematical Theory of Communication. &#039;&#039;The Bell System Technical Journal&#039;&#039;, 27, 379–423, 623–656.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia, entendiendo los mensajes generados por la fuente como sucesiones de símbolos. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la definición de [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;br /&gt;
&lt;br /&gt;
Si se representa la probabilidad de ocurrencia de cada uno de los &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; símbolos que puede producir la fuente mediante &amp;lt;math&amp;gt;p_i&amp;lt;/math&amp;gt;, se define [[entropía o cantidad de información]] de la fuente (expresada en bits) como: &amp;lt;math display=&amp;quot;inline&amp;quot;&amp;gt;H=- \sum_{i=1}^n p_i \log_2 p_i&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
La aplicación de este modelo requiere que los mensajes de la fuente sean discretos.&lt;br /&gt;
&lt;br /&gt;
== Clasificación de las fuentes y digitalización ==&lt;br /&gt;
Los mensajes proporcionados por la fuente de información a lo largo del tiempo están representados mediante señales. Según la naturaleza de estas señales, las fuentes de información se pueden clasificar en:&lt;br /&gt;
&lt;br /&gt;
* Analógicas. Generan señales continuas en el tiempo que toman valores en un intervalo continuo (por ejemplo, la voz que se envía en un sistema telefónico).&lt;br /&gt;
* Digitales. Generan señales discretas en el tiempo que toman valores un conjunto de valores discretos (por ejemplo, el texto que se envía en un sistema telegráfico).Las fuentes de información naturales son analógicas y requieren de un proceso de digitalización para poder aplicar los modelos matemáticos de la teoría de la información. Esto se consigue en tres etapas:&lt;br /&gt;
&lt;br /&gt;
* Muestreo. Toma de muestras de una señal continua en el tiempo en instantes discretos de tiempo, obteniendo una señal de valores continuos en instantes de tiempo discretos.&lt;br /&gt;
* Cuantificación. Conversión de los valores continuos tomados en el muestreo a valores discretos, obteniendo una señal de valores discretos en instantes de tiempo discretos.&lt;br /&gt;
* Codificación. Representación del valor cuantificado como una secuencia símbolos.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12151</id>
		<title>Draft:Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12151"/>
		<updated>2025-03-04T11:39:25Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Ampliación&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|436x436px|Diagrama de Shannon para un sistema general de comunicación según &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&amp;lt;ref&amp;gt;Shannon, C.E. (1948). A Mathematical Theory of Communication. &#039;&#039;The Bell System Technical Journal&#039;&#039;, 27, 379–423, 623–656.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia, entendiendo los mensajes generados por la fuente como sucesiones de símbolos. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la definición de [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;br /&gt;
&lt;br /&gt;
Si se representa la probabilidad de ocurrencia de cada uno de los &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; símbolos que puede producir la fuente mediante &amp;lt;math&amp;gt;p_i&amp;lt;/math&amp;gt;, se define [[entropía o cantidad de información]] de la fuente (expresada en bits) como: &amp;lt;math display=&amp;quot;inline&amp;quot;&amp;gt;H=- \sum_{i=1}^n p_i \log_2 p_i&amp;lt;/math&amp;gt;.&lt;br /&gt;
&lt;br /&gt;
La aplicación de este modelo requiere que los mensajes de la fuente sean discretos.&lt;br /&gt;
&lt;br /&gt;
== Clasificación de las fuentes y digitalización ==&lt;br /&gt;
Los mensajes proporcionados por la fuente de información a lo largo del tiempo están representados mediante señales. Según la naturaleza de estas señales, las fuentes de información se pueden clasificar en:&lt;br /&gt;
&lt;br /&gt;
* Analógicas. Generan señales continuas en el tiempo que toman valores en un intervalo continuo (por ejemplo, la voz que se envía en un sistema telefónico).&lt;br /&gt;
* Digitales. Generan señales discretas en el tiempo que toman valores un conjunto de valores discretos (por ejemplo, el texto que se envía en un sistema telegráfico).Las fuentes de información naturales son analógicas y requieren de un proceso de digitalización para poder aplicar los modelos matemáticos de la teoría de la información. Esto se consigue en tres etapas:&lt;br /&gt;
&lt;br /&gt;
* Muestreo. Toma de muestras de una señal continua en el tiempo en instantes discretos de tiempo, obteniendo una señal de valores continuos en instantes de tiempo discretos.&lt;br /&gt;
* Cuantificación. Conversión de los valores continuos tomados en el muestreo a valores discretos, obteniendo una señal de valores discretos en instantes de tiempo discretos.&lt;br /&gt;
* Codificación. Representación del valor cuantificado como una secuencia símbolos.&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14096</id>
		<title>Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14096"/>
		<updated>2025-03-04T09:33:42Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Ampliación y referencias&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|436x436px|Diagrama de Shannon para un sistema general de comunicación según &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&amp;lt;ref&amp;gt;Shannon, C.E. (1948). A Mathematical Theory of Communication. &#039;&#039;The Bell System Technical Journal&#039;&#039;, 27, 379–423, 623–656.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;br /&gt;
&lt;br /&gt;
Si representamos la probabilidad de ocurrencia de cada uno de los &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; símbolos que puede producir la fuente mediante &amp;lt;math&amp;gt;p_i&amp;lt;/math&amp;gt;, definimos entropía o cantidad de información de la fuente (expresada en bits) como:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;H=- \sum_{i=1}^n p_i \log_2 p_i&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12150</id>
		<title>Draft:Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12150"/>
		<updated>2025-03-04T09:33:42Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Ampliación y referencias&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|436x436px|Diagrama de Shannon para un sistema general de comunicación según &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&amp;lt;ref&amp;gt;Shannon, C.E. (1948). A Mathematical Theory of Communication. &#039;&#039;The Bell System Technical Journal&#039;&#039;, 27, 379–423, 623–656.&amp;lt;/ref&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;br /&gt;
&lt;br /&gt;
Si representamos la probabilidad de ocurrencia de cada uno de los &amp;lt;math&amp;gt;n&amp;lt;/math&amp;gt; símbolos que puede producir la fuente mediante &amp;lt;math&amp;gt;p_i&amp;lt;/math&amp;gt;, definimos entropía o cantidad de información de la fuente (expresada en bits) como:&lt;br /&gt;
&lt;br /&gt;
&amp;lt;math&amp;gt;H=- \sum_{i=1}^n p_i \log_2 p_i&amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
== Referencias ==&lt;br /&gt;
&amp;lt;references /&amp;gt;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14095</id>
		<title>Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14095"/>
		<updated>2025-03-03T12:20:34Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|436x436px|Diagrama de Shannon para un sistema general de comunicación según &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12146</id>
		<title>Draft:Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12146"/>
		<updated>2025-03-03T12:20:34Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|436x436px|Diagrama de Shannon para un sistema general de comunicación según &#039;&#039;A Mathematical Theory of Communication&#039;&#039; (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14094</id>
		<title>Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14094"/>
		<updated>2025-03-03T11:58:48Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|436x436px|Diagrama de Shannon para un sistema general de comunicación según A Mathematical Theory of Communication (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12145</id>
		<title>Draft:Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12145"/>
		<updated>2025-03-03T11:58:48Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
[[File:Shannon&#039;s diagram.png|thumb|436x436px|Diagrama de Shannon para un sistema general de comunicación según A Mathematical Theory of Communication (1948)]]&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=File:Shannon%27s_diagram.png&amp;diff=12144</id>
		<title>File:Shannon&#039;s diagram.png</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=File:Shannon%27s_diagram.png&amp;diff=12144"/>
		<updated>2025-03-03T11:55:26Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Diagrama de Shannon para un sistema de comunicación&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14093</id>
		<title>Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Fuente_de_informaci%C3%B3n&amp;diff=14093"/>
		<updated>2025-03-03T11:50:58Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Creación de borrador&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12143</id>
		<title>Draft:Fuente de información</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Draft:Fuente_de_informaci%C3%B3n&amp;diff=12143"/>
		<updated>2025-03-03T11:50:58Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Creación de borrador&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;== Definición ==&lt;br /&gt;
En el ámbito de las telecomunicaciones, una &#039;&#039;&#039;fuente de información&#039;&#039;&#039; se refiere a cualquier entidad que genera mensajes para ser transmitidos a través de un sistema de comunicación, según el modelo de éste definido por [[Shannon, Claude Elwood|Shannon]].&lt;br /&gt;
&lt;br /&gt;
Estos mensajes son procesados por el transmisor para generar señales que puedan ser emitidas por el canal de comunicación, que es el medio usado para su transmisión al receptor. Éste realiza el proceso inverso del transmisor para recuperar los mensajes originales y entregarlos al destino.&lt;br /&gt;
La fuente de información puede modelarse matemáticamente mediante un conjunto de símbolos y sus probabilidades de ocurrencia. Esto nos permite cuantificar la cantidad de información proporcionada por la fuente mediante la [[Entropía o cantidad de información|entropía]]&#039;&#039;&#039;.&#039;&#039;&#039;&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Draft:Propagaci%C3%B3n_radioel%C3%A9ctrica&amp;diff=11050</id>
		<title>Draft:Propagación radioeléctrica</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Draft:Propagaci%C3%B3n_radioel%C3%A9ctrica&amp;diff=11050"/>
		<updated>2024-11-05T18:33:54Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;{{Cab0_IT&lt;br /&gt;
|Autores=[[User:Daniel Francisco Naranjo Dávila]]&lt;br /&gt;
}}&lt;br /&gt;
&lt;br /&gt;
Las ondas de radio se propagan desde la antena transmisora hasta la receptora de diversas formas en función de su frecuencia y del tipo y características del terreno. &lt;br /&gt;
&lt;br /&gt;
A parte de las características eléctricas del terreno y la frecuencia de la onda, la propagación también depende de la situación del trayecto de propagación respecto a los obstáculos (suelo, montañas, edificio, vegetación), de las propiedades físicas del medio (presencia e intensidad de precipitaciones, absorción por gases y vapores, calima, ionización del plasma ionosférico, etc) y de la polarización de la onda.&amp;lt;ref name=&amp;quot;Viera&amp;quot;/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
==Tipos de propagación radioeléctrica==&lt;br /&gt;
Dependiendo del modo de propagación que predomine en la transmisión radioeléctrica entre la antena transmisora y la receptora se habla de&amp;lt;ref name=&amp;quot;HR&amp;quot;/&amp;gt;: &lt;br /&gt;
* &#039;&#039;&#039;Onda de superficie&#039;&#039;&#039;.&lt;br /&gt;
* &#039;&#039;&#039;Onda ionosférica&#039;&#039;&#039; o propagación por reflexión ionosférica.&lt;br /&gt;
* &#039;&#039;&#039;Onda espacial&#039;&#039;&#039; por capas bajas de la atmósfera, ya sea onda directa, reflejada o multitrayecto.&lt;br /&gt;
* &#039;&#039;&#039;Onda de dispersión troposférica&#039;&#039;&#039;, que se propaga por la troposfera al igual que la onda espacial, pero en lugar de influir el terreno y las reflexiones en las capas frontera entre troposfera y estratosfera, la propagación se ve causada por las variaciones de la propia troposfera produciendo reflexiones dispersivas.&lt;br /&gt;
&lt;br /&gt;
En la siguiente tabla, elaborada a partir de la obra de Hernando Rábanos&amp;lt;ref name=&amp;quot;HR&amp;quot;/&amp;gt;, pueden verse los modos de propagación que predominan en la diferentes bandas de frecuencia, su alcance, disponibilidad y los servicios radioeléctricos asociados.&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;text-align: center&amp;quot;&lt;br /&gt;
!Banda&lt;br /&gt;
!Modo de propagación&lt;br /&gt;
!Alcance típico&lt;br /&gt;
!Tiempo de disponibilidad&lt;br /&gt;
!Utilización típica&lt;br /&gt;
|-&lt;br /&gt;
|VLF&lt;br /&gt;
|Guíaondas tierra ionosfera&lt;br /&gt;
|&lt;br /&gt;
|Cualquier hora&lt;br /&gt;
|Radionavegación&amp;lt;br&amp;gt;Servicio móvil marítimo&lt;br /&gt;
|-&lt;br /&gt;
|LF&lt;br /&gt;
|Onda de superficie&lt;br /&gt;
|&amp;gt;1.000 km (sobre agua) &lt;br /&gt;
|Cualquier hora&lt;br /&gt;
|Frecuencias patrón&lt;br /&gt;
|-&lt;br /&gt;
|MF&lt;br /&gt;
|Onda de superficie&amp;lt;br&amp;gt;Onda ionosférica&lt;br /&gt;
|Distancias cortas (&amp;lt;100 km)&amp;lt;br&amp;gt;Distancias largas (&amp;gt; 500 km, sujeta a desvanecimiento)&lt;br /&gt;
|Cualquier hora&amp;lt;br&amp;gt;Noche&lt;br /&gt;
|Radiodifusión&lt;br /&gt;
|-&lt;br /&gt;
|HF&lt;br /&gt;
|Onda ionosférica&amp;lt;br&amp;gt;(3-8 Mhz)&amp;lt;br&amp;gt;(3-12 Mhz)&amp;lt;br&amp;gt;(6-25 Mhz)&amp;lt;br&amp;gt;Onda superficie(3-30 Mhz)&lt;br /&gt;
|&amp;lt;br&amp;gt;&amp;lt;300 km&amp;lt;br&amp;gt;&amp;gt;500 km&amp;lt;br&amp;gt;&amp;gt;500 km&amp;lt;br&amp;gt;Distancias cortas (&amp;lt;100 km )&lt;br /&gt;
|&amp;lt;br&amp;gt;Día&amp;lt;br&amp;gt;Noche&amp;lt;br&amp;gt;Día&amp;lt;br&amp;gt;Cualquier hora&lt;br /&gt;
|Servicio fijo&amp;lt;br&amp;gt;Servicios móviles&amp;lt;br&amp;gt;Radiodifusión&lt;br /&gt;
|-&lt;br /&gt;
|VHF&lt;br /&gt;
|Onda espacial (troposférica)&amp;lt;br&amp;gt;Dispersión ionosférica(f &amp;lt; 50 MHz)&lt;br /&gt;
|Visión directa (50 km)&amp;lt;br&amp;gt;2.000 km&lt;br /&gt;
|Cualquier hora&lt;br /&gt;
|Servicios móviles&amp;lt;br&amp;gt;Radiodifusión sonora y TV&amp;lt;br&amp;gt;Radionavegación&amp;lt;br&amp;gt;Servicio fijo&lt;br /&gt;
|-&lt;br /&gt;
|UHF&lt;br /&gt;
|Onda espacial (troposférica)&amp;lt;br&amp;gt;Dispersión troposférica (f &amp;gt; 500 MHz)&lt;br /&gt;
|Visión directa (40 km)&amp;lt;br&amp;gt;600 km&lt;br /&gt;
|Cualquier hora&lt;br /&gt;
|Servicio fijo (Radioenlaces)&amp;lt;br&amp;gt;Servicios móviles&amp;lt;br&amp;gt;Radiodifusión TV&amp;lt;br&amp;gt;Radiolocalización&amp;lt;br&amp;gt;Servicio fijo&lt;br /&gt;
|-&lt;br /&gt;
| SHF&lt;br /&gt;
|Onda espacial (troposférica)&lt;br /&gt;
|Visión directa (40 km)&lt;br /&gt;
|&lt;br /&gt;
|Servicio fijo (Radioenlaces terrenales)&amp;lt;br&amp;gt;Telecomunicación y radiodifusión por satélite&amp;lt;br&amp;gt;Radionavegación&lt;br /&gt;
|-&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
===Ondas de superficie===&lt;br /&gt;
Es el modo de propagación que más se maniefiesta en frecuencias bajas (10Khz-10Mhz), aunque sólo con polarización vertical ya que las componentes horizontales del campo son absorbidas por el suelo. En este tipo de propagación y para esas frecuencias la onda rodea los obstáculos y se curva con la difracción por lo que no se ve muy afectada por la curvatura de la tierra y tiene bastante alcance, sin necesidad de línea de visión entre antenas.&lt;br /&gt;
&lt;br /&gt;
Sobre el agua aumenta su alcance debido a la conductividad pero se pueden dar fenómenos como fading o ecos debido a las reflexiones sobre el agua aunque para estas bajas frecuencias es menos acusado que para frecuencias de bandas superiores cuando se reflejan en el agua. Obviamente el alcance depende, de la frecuencia y potencia de emisión además de la polarización y características del terreno o superficie.&lt;br /&gt;
&lt;br /&gt;
===Onda ionosférica===&lt;br /&gt;
La ionosfera es una zona de la atmósfera que comienza a partir de unos 60 Km sobre la superficie terrestre y que se divide en varias capas que varían en grosor o incluso se unen entre si según la radiación que reciben durante el día. Esto hace que este tipo de propagación esté sujeto a bastantes interferencia debidas al ruido, propagación multitrayecto y desvanecimientos debidos a lo aleatorio de su estructura debido a la radiación variante e interferencias por el alto uso que se hace de este tipo de propagación.&lt;br /&gt;
&lt;br /&gt;
La idea es usar la ionosfera como repetidor pasivo, haciendo incidir las ondas electromagnéticas en ella y conseguir así mayores alcances. Esto es posible para frecuencias entre 3 y 30 Mhz, a partir de 30 Mhz las ondas traspasan la ionosfera y no se reflejan.&lt;br /&gt;
&lt;br /&gt;
Estos enlaces se deben calcular en base a modelos de la variación de la ionosfera durante el día y durante las distintas épocas del año para poder determinar qué frecuencias son usables durante el año y poder mantener ese enlace operativo.&lt;br /&gt;
&lt;br /&gt;
===Onda espacial===&lt;br /&gt;
A frecuencias por encima de 30 Mhz la onda se propaga por la troposfera, pudiendo también propagarse por onda de superficie hasta 150 Mhz y polarización vertical.&lt;br /&gt;
&lt;br /&gt;
En este tipo de propagación las ondas pueden propagarse de forma directa entre antenas, reflejadas en el terreno o por multitrayecto debido a reflexiones en capas bajas de la atmósfera. El alcance suele ser el de visión óptica aunque puede verse modificado por reflexiones o desvanecimientos que lo aumentan o disminuyen (por ejemplo aumento del alcance por formación de conductos troposféricos), y también por difracción en objetos interpuestos en la línea de visión directa.&lt;br /&gt;
&lt;br /&gt;
===Dispersión troposférica===&lt;br /&gt;
&lt;br /&gt;
En este caso la onda se propaga por las capas bajas de la atmósfera pero sufriendo difracciones debido a los cambios o discontinuidades en el índice de refracción de la troposfera, lo que produce que las ondas cambien de dirección y se dispersen llegando a distancias mayores que el horizonte óptico o por el contrario sufriendo desvanecimientos.&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
La siguiente función de Matlab calcula las pérdidas por propagación en espacio libre (FSPL, &#039;&#039;Free Space Path Loss&#039;&#039;) a partir de la frecuencia &amp;lt;math&amp;gt;f&lt;br /&gt;
&amp;lt;/math&amp;gt; de la señal transmitida en Hz y de la distancia &amp;lt;math&amp;gt;d&lt;br /&gt;
&amp;lt;/math&amp;gt; al emisor en metros, según la expresión &amp;lt;math&amp;gt;FSPL (dB) = 20  log ( \frac{4 \pi d}{\lambda})&amp;lt;/math&amp;gt;. Siendo &amp;lt;math&amp;gt;\lambda&lt;br /&gt;
&amp;lt;/math&amp;gt; la longitud de onda, que está relacionada con la frecuencia mediante &amp;lt;math&amp;gt;\lambda = c/f&lt;br /&gt;
&amp;lt;/math&amp;gt;.&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
function L = FSPL (f, d)&lt;br /&gt;
    % Calcula la pérdida de potencia por propagación en espacio libre (FSPL) en dB&lt;br /&gt;
    % Inputs:&lt;br /&gt;
    %   f - Frecuencia de la señal en Hz&lt;br /&gt;
    %   d - Distancia entre el transmisor y el receptor en metros&lt;br /&gt;
    % Output:&lt;br /&gt;
    %   L - Pérdida de potencia en el espacio libre en dB&lt;br /&gt;
&lt;br /&gt;
    % Constante: velocidad de la luz en el vacío&lt;br /&gt;
    c = 3e8;  % m/s&lt;br /&gt;
&lt;br /&gt;
    % Cálculo de la pérdida en el espacio libre (FSPL) en dB&lt;br /&gt;
    L = 20*log10(4*pi*d*f/c);&lt;br /&gt;
end&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;Por ejemplo, para d=100 km y f=4 MHz:&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
&amp;gt;&amp;gt; d=100000;&lt;br /&gt;
&amp;gt;&amp;gt; f=40000000;&lt;br /&gt;
&amp;gt;&amp;gt; FSPL(f,d)&lt;br /&gt;
&lt;br /&gt;
ans =&lt;br /&gt;
&lt;br /&gt;
  104.4830&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;&lt;br /&gt;
&lt;br /&gt;
==Referencias==&lt;br /&gt;
&amp;lt;references&amp;gt;&lt;br /&gt;
   &amp;lt;ref name=&amp;quot;HR&amp;quot;&amp;gt;&lt;br /&gt;
     Hernando Rábanos, J.M. (2006). &#039;&#039;Transmisión por Radio&#039;&#039;. Madrid: Editorial Universitaria Ramón Areces.&lt;br /&gt;
   &amp;lt;/ref&amp;gt;&lt;br /&gt;
   &amp;lt;ref name=&amp;quot;Viera&amp;quot;&amp;gt;&lt;br /&gt;
     Viera Santana, J.G. (1999). &#039;&#039;Apuntes de Emisión y Recepción de T.V.&#039;&#039; Las Palmas de Gran Canaria: EUITT ULPGC.&lt;br /&gt;
   &amp;lt;/ref&amp;gt;&lt;br /&gt;
&amp;lt;/references&amp;gt;&lt;br /&gt;
&lt;br /&gt;
[[Category:65) Telecomunicación y telecontrol]]&lt;br /&gt;
[[Category:GlossaLAB.edu]]&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Draft:Propagaci%C3%B3n_radioel%C3%A9ctrica&amp;diff=11049</id>
		<title>Draft:Propagación radioeléctrica</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Draft:Propagaci%C3%B3n_radioel%C3%A9ctrica&amp;diff=11049"/>
		<updated>2024-11-05T18:31:40Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;{{Cab0_IT&lt;br /&gt;
|Autores=[[User:Daniel Francisco Naranjo Dávila]]&lt;br /&gt;
}}&lt;br /&gt;
&lt;br /&gt;
Las ondas de radio se propagan desde la antena transmisora hasta la receptora de diversas formas en función de su frecuencia y del tipo y características del terreno. &lt;br /&gt;
&lt;br /&gt;
A parte de las características eléctricas del terreno y la frecuencia de la onda, la propagación también depende de la situación del trayecto de propagación respecto a los obstáculos (suelo, montañas, edificio, vegetación), de las propiedades físicas del medio (presencia e intensidad de precipitaciones, absorción por gases y vapores, calima, ionización del plasma ionosférico, etc) y de la polarización de la onda.&amp;lt;ref name=&amp;quot;Viera&amp;quot;/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
==Tipos de propagación radioeléctrica==&lt;br /&gt;
Dependiendo del modo de propagación que predomine en la transmisión radioeléctrica entre la antena transmisora y la receptora se habla de&amp;lt;ref name=&amp;quot;HR&amp;quot;/&amp;gt;: &lt;br /&gt;
* &#039;&#039;&#039;Onda de superficie&#039;&#039;&#039;.&lt;br /&gt;
* &#039;&#039;&#039;Onda ionosférica&#039;&#039;&#039; o propagación por reflexión ionosférica.&lt;br /&gt;
* &#039;&#039;&#039;Onda espacial&#039;&#039;&#039; por capas bajas de la atmósfera, ya sea onda directa, reflejada o multitrayecto.&lt;br /&gt;
* &#039;&#039;&#039;Onda de dispersión troposférica&#039;&#039;&#039;, que se propaga por la troposfera al igual que la onda espacial, pero en lugar de influir el terreno y las reflexiones en las capas frontera entre troposfera y estratosfera, la propagación se ve causada por las variaciones de la propia troposfera produciendo reflexiones dispersivas.&lt;br /&gt;
&lt;br /&gt;
En la siguiente tabla, elaborada a partir de la obra de Hernando Rábanos&amp;lt;ref name=&amp;quot;HR&amp;quot;/&amp;gt;, pueden verse los modos de propagación que predominan en la diferentes bandas de frecuencia, su alcance, disponibilidad y los servicios radioeléctricos asociados.&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;text-align: center&amp;quot;&lt;br /&gt;
!Banda&lt;br /&gt;
!Modo de propagación&lt;br /&gt;
!Alcance típico&lt;br /&gt;
!Tiempo de disponibilidad&lt;br /&gt;
!Utilización típica&lt;br /&gt;
|-&lt;br /&gt;
|VLF&lt;br /&gt;
|Guíaondas tierra ionosfera&lt;br /&gt;
|&lt;br /&gt;
|Cualquier hora&lt;br /&gt;
|Radionavegación&amp;lt;br&amp;gt;Servicio móvil marítimo&lt;br /&gt;
|-&lt;br /&gt;
|LF&lt;br /&gt;
|Onda de superficie&lt;br /&gt;
|&amp;gt;1.000 km (sobre agua) &lt;br /&gt;
|Cualquier hora&lt;br /&gt;
|Frecuencias patrón&lt;br /&gt;
|-&lt;br /&gt;
|MF&lt;br /&gt;
|Onda de superficie&amp;lt;br&amp;gt;Onda ionosférica&lt;br /&gt;
|Distancias cortas (&amp;lt;100 km)&amp;lt;br&amp;gt;Distancias largas (&amp;gt; 500 km, sujeta a desvanecimiento)&lt;br /&gt;
|Cualquier hora&amp;lt;br&amp;gt;Noche&lt;br /&gt;
|Radiodifusión&lt;br /&gt;
|-&lt;br /&gt;
|HF&lt;br /&gt;
|Onda ionosférica&amp;lt;br&amp;gt;(3-8 Mhz)&amp;lt;br&amp;gt;(3-12 Mhz)&amp;lt;br&amp;gt;(6-25 Mhz)&amp;lt;br&amp;gt;Onda superficie(3-30 Mhz)&lt;br /&gt;
|&amp;lt;br&amp;gt;&amp;lt;300 km&amp;lt;br&amp;gt;&amp;gt;500 km&amp;lt;br&amp;gt;&amp;gt;500 km&amp;lt;br&amp;gt;Distancias cortas (&amp;lt;100 km )&lt;br /&gt;
|&amp;lt;br&amp;gt;Día&amp;lt;br&amp;gt;Noche&amp;lt;br&amp;gt;Día&amp;lt;br&amp;gt;Cualquier hora&lt;br /&gt;
|Servicio fijo&amp;lt;br&amp;gt;Servicios móviles&amp;lt;br&amp;gt;Radiodifusión&lt;br /&gt;
|-&lt;br /&gt;
|VHF&lt;br /&gt;
|Onda espacial (troposférica)&amp;lt;br&amp;gt;Dispersión ionosférica(f &amp;lt; 50 MHz)&lt;br /&gt;
|Visión directa (50 km)&amp;lt;br&amp;gt;2.000 km&lt;br /&gt;
|Cualquier hora&lt;br /&gt;
|Servicios móviles&amp;lt;br&amp;gt;Radiodifusión sonora y TV&amp;lt;br&amp;gt;Radionavegación&amp;lt;br&amp;gt;Servicio fijo&lt;br /&gt;
|-&lt;br /&gt;
|UHF&lt;br /&gt;
|Onda espacial (troposférica)&amp;lt;br&amp;gt;Dispersión troposférica (f &amp;gt; 500 MHz)&lt;br /&gt;
|Visión directa (40 km)&amp;lt;br&amp;gt;600 km&lt;br /&gt;
|Cualquier hora&lt;br /&gt;
|Servicio fijo (Radioenlaces)&amp;lt;br&amp;gt;Servicios móviles&amp;lt;br&amp;gt;Radiodifusión TV&amp;lt;br&amp;gt;Radiolocalización&amp;lt;br&amp;gt;Servicio fijo&lt;br /&gt;
|-&lt;br /&gt;
| SHF&lt;br /&gt;
|Onda espacial (troposférica)&lt;br /&gt;
|Visión directa (40 km)&lt;br /&gt;
|&lt;br /&gt;
|Servicio fijo (Radioenlaces terrenales)&amp;lt;br&amp;gt;Telecomunicación y radiodifusión por satélite&amp;lt;br&amp;gt;Radionavegación&lt;br /&gt;
|-&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
===Ondas de superficie===&lt;br /&gt;
Es el modo de propagación que más se maniefiesta en frecuencias bajas (10Khz-10Mhz), aunque sólo con polarización vertical ya que las componentes horizontales del campo son absorbidas por el suelo. En este tipo de propagación y para esas frecuencias la onda rodea los obstáculos y se curva con la difracción por lo que no se ve muy afectada por la curvatura de la tierra y tiene bastante alcance, sin necesidad de línea de visión entre antenas.&lt;br /&gt;
&lt;br /&gt;
Sobre el agua aumenta su alcance debido a la conductividad pero se pueden dar fenómenos como fading o ecos debido a las reflexiones sobre el agua aunque para estas bajas frecuencias es menos acusado que para frecuencias de bandas superiores cuando se reflejan en el agua. Obviamente el alcance depende, de la frecuencia y potencia de emisión además de la polarización y características del terreno o superficie.&lt;br /&gt;
&lt;br /&gt;
===Onda ionosférica===&lt;br /&gt;
La ionosfera es una zona de la atmósfera que comienza a partir de unos 60 Km sobre la superficie terrestre y que se divide en varias capas que varían en grosor o incluso se unen entre si según la radiación que reciben durante el día. Esto hace que este tipo de propagación esté sujeto a bastantes interferencia debidas al ruido, propagación multitrayecto y desvanecimientos debidos a lo aleatorio de su estructura debido a la radiación variante e interferencias por el alto uso que se hace de este tipo de propagación.&lt;br /&gt;
&lt;br /&gt;
La idea es usar la ionosfera como repetidor pasivo, haciendo incidir las ondas electromagnéticas en ella y conseguir así mayores alcances. Esto es posible para frecuencias entre 3 y 30 Mhz, a partir de 30 Mhz las ondas traspasan la ionosfera y no se reflejan.&lt;br /&gt;
&lt;br /&gt;
Estos enlaces se deben calcular en base a modelos de la variación de la ionosfera durante el día y durante las distintas épocas del año para poder determinar qué frecuencias son usables durante el año y poder mantener ese enlace operativo.&lt;br /&gt;
&lt;br /&gt;
===Onda espacial===&lt;br /&gt;
A frecuencias por encima de 30 Mhz la onda se propaga por la troposfera, pudiendo también propagarse por onda de superficie hasta 150 Mhz y polarización vertical.&lt;br /&gt;
&lt;br /&gt;
En este tipo de propagación las ondas pueden propagarse de forma directa entre antenas, reflejadas en el terreno o por multitrayecto debido a reflexiones en capas bajas de la atmósfera. El alcance suele ser el de visión óptica aunque puede verse modificado por reflexiones o desvanecimientos que lo aumentan o disminuyen (por ejemplo aumento del alcance por formación de conductos troposféricos), y también por difracción en objetos interpuestos en la línea de visión directa.&lt;br /&gt;
&lt;br /&gt;
===Dispersión troposférica===&lt;br /&gt;
&lt;br /&gt;
En este caso la onda se propaga por las capas bajas de la atmósfera pero sufriendo difracciones debido a los cambios o discontinuidades en el índice de refracción de la troposfera, lo que produce que las ondas cambien de dirección y se dispersen llegando a distancias mayores que el horizonte óptico o por el contrario sufriendo desvanecimientos.&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
La siguiente función de Matlab calcula las pérdidas por propagación en espacio libre (FSPL, &#039;&#039;Free Space Path Loss&#039;&#039;) a partir de la frecuencia &amp;lt;math&amp;gt;f&lt;br /&gt;
&amp;lt;/math&amp;gt; de la señal transmitida en Hz y de la distancia &amp;lt;math&amp;gt;d&lt;br /&gt;
&amp;lt;/math&amp;gt; al emisor en metros, según la expresión &amp;lt;math&amp;gt;FSPL (dB) = 20  log ( \frac{4 \pi d}{\lambda})&amp;lt;/math&amp;gt;. Siendo &amp;lt;math&amp;gt;\lambda&lt;br /&gt;
&amp;lt;/math&amp;gt; la longitud de onda, que está relacionada con la frecuencia mediante &amp;lt;math&amp;gt;\lambda = c/f&lt;br /&gt;
&amp;lt;/math&amp;gt;.&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
function L = FSPL (f, d)&lt;br /&gt;
    % Calcula la pérdida de potencia por propagación en espacio libre (FSPL) en dB&lt;br /&gt;
    % Inputs:&lt;br /&gt;
    %   f - Frecuencia de la señal en Hz&lt;br /&gt;
    %   d - Distancia entre el transmisor y el receptor en metros&lt;br /&gt;
    % Output:&lt;br /&gt;
    %   L - Pérdida de potencia en el espacio libre en dB&lt;br /&gt;
&lt;br /&gt;
    % Constante: velocidad de la luz en el vacío&lt;br /&gt;
    c = 3e8;  % m/s&lt;br /&gt;
&lt;br /&gt;
    % Cálculo de la pérdida en el espacio libre (FSPL) en dB&lt;br /&gt;
    L = 20*log10(4*pi*d*f/c);&lt;br /&gt;
end&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;Por ejemplo, para d=100 km y f=4 MHz:&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
&amp;gt;&amp;gt; d=100000;&lt;br /&gt;
&amp;gt;&amp;gt; f=40000000;&lt;br /&gt;
&amp;gt;&amp;gt; FSPL(d,f)&lt;br /&gt;
&lt;br /&gt;
ans =&lt;br /&gt;
&lt;br /&gt;
  104.4830&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;&lt;br /&gt;
&lt;br /&gt;
==Referencias==&lt;br /&gt;
&amp;lt;references&amp;gt;&lt;br /&gt;
   &amp;lt;ref name=&amp;quot;HR&amp;quot;&amp;gt;&lt;br /&gt;
     Hernando Rábanos, J.M. (2006). &#039;&#039;Transmisión por Radio&#039;&#039;. Madrid: Editorial Universitaria Ramón Areces.&lt;br /&gt;
   &amp;lt;/ref&amp;gt;&lt;br /&gt;
   &amp;lt;ref name=&amp;quot;Viera&amp;quot;&amp;gt;&lt;br /&gt;
     Viera Santana, J.G. (1999). &#039;&#039;Apuntes de Emisión y Recepción de T.V.&#039;&#039; Las Palmas de Gran Canaria: EUITT ULPGC.&lt;br /&gt;
   &amp;lt;/ref&amp;gt;&lt;br /&gt;
&amp;lt;/references&amp;gt;&lt;br /&gt;
&lt;br /&gt;
[[Category:65) Telecomunicación y telecontrol]]&lt;br /&gt;
[[Category:GlossaLAB.edu]]&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
	<entry>
		<id>https://www.glossalab.org/w/index.php?title=Draft:Propagaci%C3%B3n_radioel%C3%A9ctrica&amp;diff=11048</id>
		<title>Draft:Propagación radioeléctrica</title>
		<link rel="alternate" type="text/html" href="https://www.glossalab.org/w/index.php?title=Draft:Propagaci%C3%B3n_radioel%C3%A9ctrica&amp;diff=11048"/>
		<updated>2024-11-05T18:21:02Z</updated>

		<summary type="html">&lt;p&gt;Rubén Guzmán: Código para el cálculo de pérdidas por propagación en espacio libre&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;{{Cab0_IT&lt;br /&gt;
|Autores=[[User:Daniel Francisco Naranjo Dávila]]&lt;br /&gt;
}}&lt;br /&gt;
&lt;br /&gt;
Las ondas de radio se propagan desde la antena transmisora hasta la receptora de diversas formas en función de su frecuencia y del tipo y características del terreno. &lt;br /&gt;
&lt;br /&gt;
A parte de las características eléctricas del terreno y la frecuencia de la onda, la propagación también depende de la situación del trayecto de propagación respecto a los obstáculos (suelo, montañas, edificio, vegetación), de las propiedades físicas del medio (presencia e intensidad de precipitaciones, absorción por gases y vapores, calima, ionización del plasma ionosférico, etc) y de la polarización de la onda.&amp;lt;ref name=&amp;quot;Viera&amp;quot;/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
==Tipos de propagación radioeléctrica==&lt;br /&gt;
Dependiendo del modo de propagación que predomine en la transmisión radioeléctrica entre la antena transmisora y la receptora se habla de&amp;lt;ref name=&amp;quot;HR&amp;quot;/&amp;gt;: &lt;br /&gt;
* &#039;&#039;&#039;Onda de superficie&#039;&#039;&#039;.&lt;br /&gt;
* &#039;&#039;&#039;Onda ionosférica&#039;&#039;&#039; o propagación por reflexión ionosférica.&lt;br /&gt;
* &#039;&#039;&#039;Onda espacial&#039;&#039;&#039; por capas bajas de la atmósfera, ya sea onda directa, reflejada o multitrayecto.&lt;br /&gt;
* &#039;&#039;&#039;Onda de dispersión troposférica&#039;&#039;&#039;, que se propaga por la troposfera al igual que la onda espacial, pero en lugar de influir el terreno y las reflexiones en las capas frontera entre troposfera y estratosfera, la propagación se ve causada por las variaciones de la propia troposfera produciendo reflexiones dispersivas.&lt;br /&gt;
&lt;br /&gt;
En la siguiente tabla, elaborada a partir de la obra de Hernando Rábanos&amp;lt;ref name=&amp;quot;HR&amp;quot;/&amp;gt;, pueden verse los modos de propagación que predominan en la diferentes bandas de frecuencia, su alcance, disponibilidad y los servicios radioeléctricos asociados.&lt;br /&gt;
{| class=&amp;quot;wikitable&amp;quot; style=&amp;quot;text-align: center&amp;quot;&lt;br /&gt;
!Banda&lt;br /&gt;
!Modo de propagación&lt;br /&gt;
!Alcance típico&lt;br /&gt;
!Tiempo de disponibilidad&lt;br /&gt;
!Utilización típica&lt;br /&gt;
|-&lt;br /&gt;
|VLF&lt;br /&gt;
|Guíaondas tierra ionosfera&lt;br /&gt;
|&lt;br /&gt;
|Cualquier hora&lt;br /&gt;
|Radionavegación&amp;lt;br&amp;gt;Servicio móvil marítimo&lt;br /&gt;
|-&lt;br /&gt;
|LF&lt;br /&gt;
|Onda de superficie&lt;br /&gt;
|&amp;gt;1.000 km (sobre agua) &lt;br /&gt;
|Cualquier hora&lt;br /&gt;
|Frecuencias patrón&lt;br /&gt;
|-&lt;br /&gt;
|MF&lt;br /&gt;
|Onda de superficie&amp;lt;br&amp;gt;Onda ionosférica&lt;br /&gt;
|Distancias cortas (&amp;lt;100 km)&amp;lt;br&amp;gt;Distancias largas (&amp;gt; 500 km, sujeta a desvanecimiento)&lt;br /&gt;
|Cualquier hora&amp;lt;br&amp;gt;Noche&lt;br /&gt;
|Radiodifusión&lt;br /&gt;
|-&lt;br /&gt;
|HF&lt;br /&gt;
|Onda ionosférica&amp;lt;br&amp;gt;(3-8 Mhz)&amp;lt;br&amp;gt;(3-12 Mhz)&amp;lt;br&amp;gt;(6-25 Mhz)&amp;lt;br&amp;gt;Onda superficie(3-30 Mhz)&lt;br /&gt;
|&amp;lt;br&amp;gt;&amp;lt;300 km&amp;lt;br&amp;gt;&amp;gt;500 km&amp;lt;br&amp;gt;&amp;gt;500 km&amp;lt;br&amp;gt;Distancias cortas (&amp;lt;100 km )&lt;br /&gt;
|&amp;lt;br&amp;gt;Día&amp;lt;br&amp;gt;Noche&amp;lt;br&amp;gt;Día&amp;lt;br&amp;gt;Cualquier hora&lt;br /&gt;
|Servicio fijo&amp;lt;br&amp;gt;Servicios móviles&amp;lt;br&amp;gt;Radiodifusión&lt;br /&gt;
|-&lt;br /&gt;
|VHF&lt;br /&gt;
|Onda espacial (troposférica)&amp;lt;br&amp;gt;Dispersión ionosférica(f &amp;lt; 50 MHz)&lt;br /&gt;
|Visión directa (50 km)&amp;lt;br&amp;gt;2.000 km&lt;br /&gt;
|Cualquier hora&lt;br /&gt;
|Servicios móviles&amp;lt;br&amp;gt;Radiodifusión sonora y TV&amp;lt;br&amp;gt;Radionavegación&amp;lt;br&amp;gt;Servicio fijo&lt;br /&gt;
|-&lt;br /&gt;
|UHF&lt;br /&gt;
|Onda espacial (troposférica)&amp;lt;br&amp;gt;Dispersión troposférica (f &amp;gt; 500 MHz)&lt;br /&gt;
|Visión directa (40 km)&amp;lt;br&amp;gt;600 km&lt;br /&gt;
|Cualquier hora&lt;br /&gt;
|Servicio fijo (Radioenlaces)&amp;lt;br&amp;gt;Servicios móviles&amp;lt;br&amp;gt;Radiodifusión TV&amp;lt;br&amp;gt;Radiolocalización&amp;lt;br&amp;gt;Servicio fijo&lt;br /&gt;
|-&lt;br /&gt;
| SHF&lt;br /&gt;
|Onda espacial (troposférica)&lt;br /&gt;
|Visión directa (40 km)&lt;br /&gt;
|&lt;br /&gt;
|Servicio fijo (Radioenlaces terrenales)&amp;lt;br&amp;gt;Telecomunicación y radiodifusión por satélite&amp;lt;br&amp;gt;Radionavegación&lt;br /&gt;
|-&lt;br /&gt;
|}&lt;br /&gt;
&lt;br /&gt;
===Ondas de superficie===&lt;br /&gt;
Es el modo de propagación que más se maniefiesta en frecuencias bajas (10Khz-10Mhz), aunque sólo con polarización vertical ya que las componentes horizontales del campo son absorbidas por el suelo. En este tipo de propagación y para esas frecuencias la onda rodea los obstáculos y se curva con la difracción por lo que no se ve muy afectada por la curvatura de la tierra y tiene bastante alcance, sin necesidad de línea de visión entre antenas.&lt;br /&gt;
&lt;br /&gt;
Sobre el agua aumenta su alcance debido a la conductividad pero se pueden dar fenómenos como fading o ecos debido a las reflexiones sobre el agua aunque para estas bajas frecuencias es menos acusado que para frecuencias de bandas superiores cuando se reflejan en el agua. Obviamente el alcance depende, de la frecuencia y potencia de emisión además de la polarización y características del terreno o superficie.&lt;br /&gt;
&lt;br /&gt;
===Onda ionosférica===&lt;br /&gt;
La ionosfera es una zona de la atmósfera que comienza a partir de unos 60 Km sobre la superficie terrestre y que se divide en varias capas que varían en grosor o incluso se unen entre si según la radiación que reciben durante el día. Esto hace que este tipo de propagación esté sujeto a bastantes interferencia debidas al ruido, propagación multitrayecto y desvanecimientos debidos a lo aleatorio de su estructura debido a la radiación variante e interferencias por el alto uso que se hace de este tipo de propagación.&lt;br /&gt;
&lt;br /&gt;
La idea es usar la ionosfera como repetidor pasivo, haciendo incidir las ondas electromagnéticas en ella y conseguir así mayores alcances. Esto es posible para frecuencias entre 3 y 30 Mhz, a partir de 30 Mhz las ondas traspasan la ionosfera y no se reflejan.&lt;br /&gt;
&lt;br /&gt;
Estos enlaces se deben calcular en base a modelos de la variación de la ionosfera durante el día y durante las distintas épocas del año para poder determinar qué frecuencias son usables durante el año y poder mantener ese enlace operativo.&lt;br /&gt;
&lt;br /&gt;
===Onda espacial===&lt;br /&gt;
A frecuencias por encima de 30 Mhz la onda se propaga por la troposfera, pudiendo también propagarse por onda de superficie hasta 150 Mhz y polarización vertical.&lt;br /&gt;
&lt;br /&gt;
En este tipo de propagación las ondas pueden propagarse de forma directa entre antenas, reflejadas en el terreno o por multitrayecto debido a reflexiones en capas bajas de la atmósfera. El alcance suele ser el de visión óptica aunque puede verse modificado por reflexiones o desvanecimientos que lo aumentan o disminuyen (por ejemplo aumento del alcance por formación de conductos troposféricos), y también por difracción en objetos interpuestos en la línea de visión directa.&lt;br /&gt;
&lt;br /&gt;
===Dispersión troposférica===&lt;br /&gt;
&lt;br /&gt;
En este caso la onda se propaga por las capas bajas de la atmósfera pero sufriendo difracciones debido a los cambios o discontinuidades en el índice de refracción de la troposfera, lo que produce que las ondas cambien de dirección y se dispersen llegando a distancias mayores que el horizonte óptico o por el contrario sufriendo desvanecimientos.&lt;br /&gt;
&lt;br /&gt;
== Código ==&lt;br /&gt;
La siguiente función de Matlab calcula las pérdidas por propagación en espacio libre (FSPL, &#039;&#039;Free Space Path Loss&#039;&#039;) a partir de la frecuencia &amp;lt;math&amp;gt;f&lt;br /&gt;
&amp;lt;/math&amp;gt; de la señal transmitida en Hz y de la distancia &amp;lt;math&amp;gt;d&lt;br /&gt;
&amp;lt;/math&amp;gt; al emisor en metros, según la expresión &amp;lt;math&amp;gt;FSPL (dB) = 20  log ( \frac{4 \pi d}{\lambda})&amp;lt;/math&amp;gt;. Siendo &amp;lt;math&amp;gt;\lambda&lt;br /&gt;
&amp;lt;/math&amp;gt; la longitud de onda que está relacionada con la frecuencia mediante &amp;lt;math&amp;gt;\lambda = c/f&lt;br /&gt;
&amp;lt;/math&amp;gt;.&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
function L = FSPL (f, d)&lt;br /&gt;
    % Calcula la pérdida de potencia por propagación en espacio libre (FSPL) en dB&lt;br /&gt;
    % Inputs:&lt;br /&gt;
    %   f - Frecuencia de la señal en Hz&lt;br /&gt;
    %   d - Distancia entre el transmisor y el receptor en metros&lt;br /&gt;
    % Output:&lt;br /&gt;
    %   L - Pérdida de potencia en el espacio libre en dB&lt;br /&gt;
&lt;br /&gt;
    % Constante: velocidad de la luz en el vacío&lt;br /&gt;
    c = 3e8;  % m/s&lt;br /&gt;
&lt;br /&gt;
    % Cálculo de la pérdida en el espacio libre (FSPL) en dB&lt;br /&gt;
    L = 20*log10(4*pi*d*f/c);&lt;br /&gt;
end&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;Por ejemplo, para d=100 km y f=4 MHz:&amp;lt;syntaxhighlight lang=&amp;quot;matlab&amp;quot;&amp;gt;&lt;br /&gt;
&amp;gt;&amp;gt; d=100000;&lt;br /&gt;
&amp;gt;&amp;gt; f=40000000;&lt;br /&gt;
&amp;gt;&amp;gt; FSPL(d,f)&lt;br /&gt;
&lt;br /&gt;
ans =&lt;br /&gt;
&lt;br /&gt;
  104.4830&lt;br /&gt;
&amp;lt;/syntaxhighlight&amp;gt;&lt;br /&gt;
&lt;br /&gt;
==Referencias==&lt;br /&gt;
&amp;lt;references&amp;gt;&lt;br /&gt;
   &amp;lt;ref name=&amp;quot;HR&amp;quot;&amp;gt;&lt;br /&gt;
     Hernando Rábanos, J.M. (2006). &#039;&#039;Transmisión por Radio&#039;&#039;. Madrid: Editorial Universitaria Ramón Areces.&lt;br /&gt;
   &amp;lt;/ref&amp;gt;&lt;br /&gt;
   &amp;lt;ref name=&amp;quot;Viera&amp;quot;&amp;gt;&lt;br /&gt;
     Viera Santana, J.G. (1999). &#039;&#039;Apuntes de Emisión y Recepción de T.V.&#039;&#039; Las Palmas de Gran Canaria: EUITT ULPGC.&lt;br /&gt;
   &amp;lt;/ref&amp;gt;&lt;br /&gt;
&amp;lt;/references&amp;gt;&lt;br /&gt;
&lt;br /&gt;
[[Category:65) Telecomunicación y telecontrol]]&lt;br /&gt;
[[Category:GlossaLAB.edu]]&lt;/div&gt;</summary>
		<author><name>Rubén Guzmán</name></author>
	</entry>
</feed>