Vous êtes sur la page 1sur 44

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Universidad del Per, Decana de Amrica



FACULTAD DE INGENIERIA ELECTRONICA Y
ELECTRICA


SERVICIOS DE TELECOMUNICACIONES II
LABORATORIO 3 Y 4

Profesor: MSc Jos Daz Zegarra

Alumno:

Sandoval Rodrguez Christopher 10190205

2014

LABORATORIO N03
ANALISIS DE METODOS DE ESTIMACION DE DENSIDAD ESPECTRAL DE POTENCIA POR
METODOS PARAMETRICOS

I. OBJETIVOS
Analizar los diferentes mtodos para la estimacin de la densidad espectral
de potencia.
Aplicaciones de los mtodos para hallar la PSD

II. INSTRUMENTOS Y COMPONENTES
Computadora personal
Programa MATLAB

III. FUNDAMENTO TEORICO
Existen mtodos de estimacin espectral como:
Mtodos no paramtricos
Mtodos paramtricos
Mtodos subespeciales

En matemticas y en fsica, la Densidad Espectral (Spectral Density) de una seal es una
funcin matemtica que nos informa de cmo est distribuida la potencia o la energa
(segn el caso) de dicha seal sobre las distintas frecuencias de las que est formada, es
decir formada, es decir, su espectro.
La definicin matemtica de la Densidad Espectral (DE) es diferente dependiendo de si se
trata de seales definidas en energa, en cuyo caso hablamos de Densidad Espectral de
Energa (DEE), o en potencia, en cuyo caso hablamos de Densidad Espectral de
Potencia(DEP).

Aunque la densidad espectral no es exactamente lo mismo que el espectro de una seal,
a veces ambos trminos se usan indistintamente, lo cual, en rigor, es incorrecto.
Las tcnicas de estimacin espectral pueden catalogarse atendiendo al siguiente criterio:
Mtodos clsicos o no paramtricos.
Estiman la secuencia de autocorrelacin r
x
(k) a partir de un conjunto de datos.
Calculando la transformada de Fourier de la secuencia de autocorrelacin estimada se
obtiene una estimacin del espectro.
Mtodos no clsicos o paramtricos. Utilizan un modelo del proceso para estimar el
espectro de potencia.
Dentro de los mtodos clsicos, encontramos:
Periodograma
Periodograma Modificado
Mtodo de Bartlett
Mtodo de Welch
Mtodo de Blackman-Tukey
El mtodo de Mnima Varianza disea un banco de filtros banda estrecha para generar
un conjunto de procesos aleatorios de banda estrecha. El espectro de potencia en la
frecuencia central de cada filtro paso-banda se estima a partir de la potencia del proceso
de banda estrecha y dividiendo por el ancho de banda del filtro.
Otra tcnica que consideraremos es la de Mxima Entropa, que resulta equivalente a
estimar con un modelo todo-polos.
A continuacin, estableceremos una interesante relacin entre estos dos ltimos
mtodos.
Vamos a demostrar que la estimacin MV de orden p es la media armnica de las
estimaciones MEM de los rdenes k = 0, 1 , ..., p. Para ello, utilizaremos la recursin que
permite expresar la inversa de una matriz Toeplitz R
p
de dimensiones (p+1) x (p+1) segn

Para un proceso aleatorio estacionario en sentido amplio (WSS) con una matriz de
autocorrelacin R
p
, la estimacin MV de orden p es

Multiplicando R
p
-1
por e
H
por la izquierda y por e por la derecha, obtenemos

y utilizando notacin vectorial

Observamos que los dos primeros trminos son proporcionales a la inversa de las
estimaciones MV de rdenes p y p-1, respectivamente. El ltimo trmino, por su parte, es
la inversa de la estimacin MEM de orden p. Por tanto,

Notamos que es una recursin de la estimacin MV de orden p en trminos de la
estimacin MV de orden (p-1) y del espectro MEM de orden p. Si resolvemos la recursin
para encontramos la relacin

La estimacin MV es la media armnica de las estimaciones MEM desde el menor
hasta el mayor orden de estimacin. Como resultado de este promedio (y, en
consecuencia, suavizado), para un proceso WSS formado por componentes de banda
estrecha en ruido, el mtodo MEM ofrecer una mayor resolucin en la estimacin
espectral que el mtodo MV.
Por ltimo, tambin existen mtodos basados en modelos paramtricos. Distinguimos
los siguientes: De Media Mvil (MA), Autorregresivos (AR), Autorregresivos de Media
Mvil (ARMA).





IV. SIMULACION

COMPARACIN DE MTODOS PARA HALLAR LA DENSIDAD ESPECTRAL DE
POTENCIA
CONSTRUIR EL SIGUIENTE MODELO EN SIMULINK


Entrar a SIMULINK, ingresar en la lnea de comandos usando SIMULINK
Ingresar al Blockset de SIGNAL PROCESSING BLOCKSET
Signal Processing Sources, elegir Random Source y Colocar los siguientes parmetros





Signal Processing Blockset, Filtering, Filter Design y Elegir Digital Filter y colocar los
siguientes parmetros




Primera Compilacin errada:







Segunda Compilacin y respuesta final del sistema:







Signal Processing Blockset, Estimation, Power Spectrum Stimation y Elegir Magnitude FFT2,
periodogram, Burg, Yule Walker, Covariance, Covariance Modified.













Entrar a Simulink, Math Operations y Elegir Math Concatenate, Colocar los siguientes
parmetros




Signal Processing Sinks, elegir Vector Scope






Entrar a Simulink, Math Operators, Elegir Gain.




A

Signal Processing Sources, Elegir Constant y asignar los valores:







V. CUESTIONARIO Y PROBLEMAS

1. Si se Incluye una fuente de Sonido (archivo de sonido) utilice un proceso de
digitalizacin para luego mostrar su densidad espectral de potencia. (Utilice el
proceso PCM, la transformada de Fourier, puede usar cdigo o Simulink). Usando
los mtodos utilizados en el laboratorio.

No se tiene mucha informacin para poder utilizar el proceso PCM e incluirlo en el sistema
que hemos armado, se trat de buscar fuentes de sonido para poder incluirlas
(reemplazando por la fuente aleatoria), se obtuvo informacin de distintos tipos de PCM y
aun as no se pudo acoplar.

2. Describir los algoritmos para los mtodos descritos en la Tabla 1 (ej.
Periodograma, Welch, etc.).

Periodograma
El espectro de potencia de un proceso aleatorio estacionario en sentido amplio (WSS) es
la transformada de Fourier de la secuencia de autocorrelacin:

De esta forma, la estimacin espectral puede considerarse como un problema de
estimacin de la autocorrelacin.
Para un proceso ergdico en autocorrelacin y una cantidad ilimitada de datos, la
secuencia de autocorrelacin puede ser obtenida mediante el promedio temporal:

Pero si la seal x(n) es conocida nicamente en un intervalo finito (para n = 0, 1, ..., N-
1), entonces la secuencia de autocorrelacin se ha de estimar mediante una suma finita:

Con el fin de asegurar que los valores de x(n) fuera del intervalo [0, N-1] estn
excluidos del sumatorio, escribimos la ecuacin anterior de la forma siguiente:

para valores negativos de k, se aplica la propiedad de simetra conjugada:

y para valores fuera del intervalo [-N+1, N-1], se iguala a cero:

Aplicando la transformada de Fourier a la secuencia de autocorrelacin calculada,
obtenemos el estimador espectral de potencia denominado Periodograma:

En ocasiones, puede resultar ms conveniente expresar el Periodograma en funcin
del proceso x(n). Supongamos que x
N
(n) es una secuencia de longitud N, igual a x(n) en
el intervalo [0,N-1], y cero fuera de este intervalo.


x
N
(n) =
x(n) ; 0 <= n <= N-1
0 ; para otros
valores
De esta manera, podemos considerar x
N
(n) como el producto de x(n) con una ventana
rectangular w
R
(n):

Y en trminos de x
N
(n), podemos expresar la secuencia de autocorrelacin estimada
como:

Tomando la transformada de Fourier y aplicando el teorema de la convolucin, el
periodograma adquiere la forma:

donde X
N
(e
jw
) es la transformada discreta de Fourier de la secuencia x
N
(n):

As, el periodograma es proporcional al cuadrado de la transformada discreta de x
N
(n),
y puede calcularse fcilmente de la siguiente manera:

Metodo de Welch
Welch, en 1967, propuso dos modificaciones al mtodo de Bartlett.
En primer lugar, permiti el solapamiento de segmentos de datos. Este efecto
se conoce como overlap.
Suponiendo que entre dos secuencias sucesivas existe un desplazamiento de D puntos
y que cada secuencia consta de L puntos de longitud, la secuencia i-sima viene
determinada por la expresin:
x
i
(n) = x(n + iD) ; n = 0, 1, ..., L-1
El solapamiento entre dos secuencias consecutivas x
i
(n) y x
i+1
(n) es de L-D puntos, y si
las K secuencias cubren una longitud de N puntos, entonces:
N = L +D(K-1)
Supongamos que no existe solape entre las secuencias (D = L); tendremos K =
N/L secciones de longitud L, como en el mtodo de Bartlett. Si permitimos que las
secuencias posean un solape del 50% (D = L/2), el nmero de secciones K de
longitud L es:
K = 2N/L - 1
De esta manera, se mantiene la resolucin (la longitud de la secuencia no vara) del
mtodo de Bartlett, pero al doblar el nmero de periodogramas modificados que van a
promediarse, se reduce la varianza.
Con un 50% de solape entre las secuencias, tambin podemos formar K secuencias de
longitud 2L, donde K es:
K = N/L - 1
As, mejoramos la resolucin manteniendo la misma varianza que en el mtodo de
Bartlett.
Con el overlap o solapamiento es posible incrementar el nmero y/o la longitud de las
secuencias que van a ser promediadas, logrando de esta forma una reduccin en la
varianza, siempre con un compromiso en la resolucin del mtodo de estimacin
espectral.


La segunda propuesta consiste en enventanar cada secuencia x
i
(n) con una
ventana general w(n) (no slo con la ventana rectangular), antes de calcular el
periodograma. De esta manera se obtiene un periodograma modificado por cada
secuencia enventanada:

El estimador de Welch es el promedio de los periodogramas modificados:

y su expresin general es:

donde U:


Metodo Multitaper

El periodograma puede ser interpretado como un filtrado de la seal L de longitud , xl [ n ]
, a travs de un banco de filtros ( un conjunto de filtros en paralelo ) de L filtros FIR de
paso de banda . El ancho de banda de 3 dB de cada uno de estos filtros de paso de
banda puede demostrarse que es aproximadamente igual a fs / L. El ofeach respuesta de
magnitud uno de estos filtros de paso de banda se asemeja a la de la ventana rectangular
discutido en fuga espectral . El periodograma por lo tanto puede ser visto como un clculo
de la potencia de cada seal filtrada ( es decir , la salida de cada filtro de paso de banda )
que utiliza slo una muestra de cada seal filtrada y se supone que el PSD de xL [ n] es
constante a lo largo del ancho de banda de cada filtro de paso de banda .
Como la longitud de la seal aumenta , el ancho de banda de cada filtro de paso de banda
disminuye , por lo que es un filtro ms selectivo , y la mejora de la aproximacin de PSD
constante en el ancho de banda del filtro . Esto proporciona otra interpretacin de por qu
la estimacin de la PSD periodograma mejora a medida que la longitud de la seal
aumenta . Sin embargo , hay dos factores evidentes a partir de este punto de vista que
comprometer la exactitud de la estimacin periodograma . En primer lugar, la ventana
rectangular se obtiene un filtro de paso de banda pobres . En segundo lugar, el clculo de
la potencia en la salida de cada filtro de paso de banda se basa en una sola muestra de la
seal de salida , produciendo una aproximacin muy crudo .
Mtodo de Welch se puede dar una interpretacin similar en trminos de un banco de
filtros . En la aplicacin de Welch , varias muestras se utilizan para calcular la potencia de
salida , lo que resulta en una reduccin de la varianza de la estimacin . Por otro lado , el
ancho de banda de cada filtro de paso de banda es mayor que la correspondiente al
mtodo periodograma , lo que se traduce en una prdida de resolucin . El modelo de
banco de filtros por lo tanto proporciona una nueva interpretacin del compromiso entre la
varianza y la resolucin.

Metodo AR Yule-Walker

El mtodo AR Yule-Walker de estimacin espectral calcula los parmetros AR resolviendo
el siguiente sistema lineal, que dan las ecuaciones de Yule-Walker en forma matricial:

En la prctica, la estimacin sesgada de la autocorrelacin se utiliza para el verdadero
mtodo AR autocorrelation.The Yule-Walker desconocido produce los mismos resultados
que un estimador de mxima entropa. Para obtener ms informacin, consulte la pgina
155 del artculo [2] en la Bibliografa Selecta.
El uso de una estimacin sesgada de la funcin de autocorrelacin se asegura de que la
matriz de autocorrelacin de arriba es definida positiva. Por lo tanto, la matriz es invertible
y est garantizada una solucin de existir. Por otra parte, los parmetros AR as
calculadas siempre resultan en un modelo para todos los polos estable. Las ecuaciones
de Yule-Walker se pueden resolver de manera eficiente a travs de algoritmo de
Levinson, que se aprovecha de la estructura Toeplitz hermitiana de la matriz de
autocorrelacin.

Metodo de Burg

El mtodo para la estimacin espectral de Burg AR se basa en la minimizacin de los
errores de prediccin hacia adelante y hacia atrs al tiempo que satisface la recursin de
Levinson - Durbin. En contraste con otros mtodos de estimacin de AR , el mtodo de
Burg evita el clculo de la funcin de autocorrelacin , y en su lugar estima directamente
los coeficientes de reflexin .
Las principales ventajas del mtodo de Burg estn resolviendo sinusoides muy prximas
entre s en las seales con bajos niveles de ruido , y la estimacin de los registros de
datos cortos, en cuyo caso las estimaciones de la densidad espectral de potencia AR son
muy cercanos a los valores reales . Adems , el mtodo de Burg asegura un modelo AR
estable y es computacionalmente eficiente .
La exactitud del mtodo de Burg es menor para los modelos de orden superior , los
registros de datos largos , y altas proporciones de seal a ruido ( que puede causar la
divisin de lnea o la generacin de picos extraos en la estimacin del espectro ) . La
estimacin de la densidad espectral calculado por el mtodo de Burg es tambin
susceptible a cambios de frecuencia ( con relacin a la frecuencia verdadera ) resultantes
de la fase inicial de seales sinusoidales ruidosos . Este efecto se magnifica en el anlisis
de secuencias de datos cortas.

Metodos de Covarianza y covarianza Modificados

El mtodo de covarianza para la estimacin espectral AR se basa en minimizar el error de
prediccin hacia delante. El mtodo de covarianza modificado se basa en la minimizacin
de los errores de prediccin hacia delante y hacia atrs. La caja de herramientas objeto
spectrum.cov y funcin PCOV y objeto spectrum.mcov y funcin pmcov implementar los
mtodos respectivos.
Comparar el espectro de la seal de voz generada por tanto el mtodo de covarianza y el
mtodo de covarianza modificada. Son casi idnticas, aunque sea por un seal de
duracin corta:
load mtlb
pcov(mtlb(1:64),14,1024,fs)







pmcov(mtlb(1:64),14,1024,fs)


Mtodos de Msica y Anlisis de vector propio
La funcin pmusic y funciones PEIG proporcionan dos mtodos de anlisis espectrales
relacionados:
pmusic proporciona la clasificacin de la seal mltiple (MUSIC) mtodo desarrollado
por Schmidt
Peig proporciona el mtodo de vector propio (EV) desarrollado por Johnson
Ambos de estos mtodos son tcnicas estimador de frecuencia sobre la base de anlisis
propio de la matriz de autocorrelacin. Este tipo de spectralanalysis clasifica la
informacin en una matriz de correlacin o de datos, la informacin de asignacin para ya
sea un subespacio de seal o un subespacio de ruido.

Descripcin del anlisis propio

Considere la posibilidad de una serie de sinusoides complejas incrustadas en el ruido
blanco. Usted puede escribir la matriz de autocorrelacin R para este sistema que el
sumof la matriz de autocorrelacin de la seal (S) y la matriz de autocorrelacin del ruido
(W):
R = S W. Existe una estrecha relacin entre los vectores propios de la matriz de
autocorrelacin de la seal y la seal de ruido y subespacios. Los vectores propios de S v
abarcan el mismo subespacio de seal como los vectores de seal. Si el sistema contiene
sinusoides complejas M y el orden de la matriz de autocorrelacin es p, vectores propios
vM 1 a vp 1 abarcan el subespacio de ruido de la matriz de autocorrelacin.


3. Qu mtodos de estimacin de la densidad espectral de potencia son ms
eficientes?

Los mtodos no parametricos en los que se encuentran:

Periodograma
Cross-spectrum

Ventajas:

Son computacionalmente eficientes.
El PSD obtenido es directamente proporcional a la potencia de las componentes
espectrales del proceso.

Inconvenientes:

Introduccin de distorsin en el espectro debido a la aparicin de lbulos laterales
asociados con el enventanado de la seal. Estos lbulos pueden enmascarar la
contribucin de armnicos de baja amplitud situados junto a armnicos de gran amplitud.
Resolucin de frecuencia limitada por la duracin de la seal disponible,
independientemente de las caractersticas de la misma.
Necesidad de algn tipo de promediado para obtener estimaciones
estadsticamente consistentes.

VI. CONCLUSIONES
La Densidad Espectral sirve para identificar periodicidades escondidas en una
funcin de variable continua o de variable discreta (secuencia de nmeros)
Proporciona informacin muy valiosa sobre la dinmica interna de muchos
sistemas fsicos. Sirve para identificar elementos o compuestos qumicos
(espectroscopia). Tambin sirve para la identificacin de modelos matemticos
lineales en teora de control.





LABORATORIO N04-A
MODULACION DIGITAL

I. OBJETIVOS
Comprender el proceso de modulacin digital
Generar varios mtodos de modulacin digital

II. INSTRUMENTOS Y COMPONENTES
Computadora Personal
Programa MATLAB

III. FUNDAMENTO TERICO
La industria de las comunicaciones electrnicas ha venido reemplazando poco a
poco las tcnicas convencionales analgicas de modulacin, como son AM
(modulacin de amplitud), FM (modulacin de frecuencia) y PM (modulacin de
fase) por sistemas digitales de comunicaciones. Esto, debido a las ventajas que
presenta la modulacin digital: mayor inmunidad al ruido, sencillez de
procesamiento, alta seguridad de los datos y multicanalizacin.
Algunas de las modulaciones digitales son: ASK (amplitude shift keying), OOK
(On-Off keying), FSK (frequency shift keying), BPSK (binary phase shift keying),
QPSK (quadrature phase shift keying), 8PSK (8 phase shift keying).






ASK



FSK








PSK


Asumir las funciones de muestra de un proceso aleatorio como:


IV. SIMULACIN
Correr los siguientes cdigos en Matlab:
MODULACIN ASK
function askd(g,f)
%Modulacion ASK
%Ejemplo:
% askd([1 0 1 1 0],2)
if nargin > 2
error('hay muchos argumentos')
elseif nargin==1
f=1;
end
if f<1;
error('Frecuencia debe ser mayor que 1');
end
t=0:2*pi/99:2*pi;
cp=[];sp=[];
mod=[];mod1=[];bit=[];
for n=1:length(g);
if g(n)==0;
die=ones(1,100);
se=zeros(1,100);
else g(n)=1;
die=2*ones(1,100);
se=ones(1,100);
end
c=sin(f*t);
cp=[cp die];
mod=[mod c];
bit=[bit se];
end
ask=cp.*mod;


















subplot(2,1,1);plot(bit,'LineWidth',1.5);grid on;
title(' SealBinaria ');
axis([0 100*length(g) -2.5 2.5]);
subplot(2,1,2);plot(ask,'LineWidth',1.5);grid on;
title(' modulacion ASK ');
axis([0 100*length(g) -2.5 2.5]);

MODULACIN OOK
function ookd(g,f)
%Modulacion OOK
% Ejemplo:
% ookd([1 1 0 1 0],2)

if nargin > 2
error('hay demasiados agumentos');
elseif nargin==1
f=1;
end
if f<1;
error('Freuencia debe ser mayor que
1');
end
t=0:2*pi/99:2*pi;
cp=[];sp=[];
mod=[];mod1=[];bit=[];
for n=1:length(g);
if g(n)==0;
die=zeros(1,100); %Modulante
se=zeros(1,100); %Seal
else g(n)==1;
die=ones(1,100); %Modulante
se=ones(1,100); %Seal
end
c=sin(f*t);
cp=[cp die];
mod=[mod c];
bit=[bit se];
end
ook=cp.*mod;
subplot(2,1,1);plot(bit,'LineWidth',1.5);grid on;
title('Binary Signal');
axis([0 100*length(g) -2.5 2.5]);
subplot(2,1,2);plot(ook,'LineWidth',1.5);grid on;
title('OOK modulation');
axis([0 100*length(g) -2.5 2.5]);



MODULACIN BPSK
function bpskd(g,f)
%Modulacion BPSK
%Ejemplo:
%bpskd([1 0 1 1 0],2)
if nargin > 2
error(' hay muchos argumentos ');
elseif nargin==1
f=1;
end
if f<1;
error(' Frecuencia debe ser mayor que
1');
end
t=0:2*pi/99:2*pi;
cp=[];sp=[];
mod=[];mod1=[];bit=[];
for n=1:length(g);
if g(n)==0;
die=-ones(1,100); %Modulante
se=zeros(1,100); %Seal
else g(n)==1;
die=ones(1,100); %Modulante
se=ones(1,100); %Seal
end
c=sin(f*t);
cp=[cp die];
mod=[mod c];
bit=[bit se];
end
bpsk=cp.*mod;
subplot(2,1,1);plot(bit,'LineWidth',1.5);grid on;
title('Binary Signal');
axis([0 100*length(g) -2.5 2.5]);
subplot(2,1,2);plot(bpsk,'LineWidth',1.5);grid on;
title('ASK modulation');
axis([0 100*length(g) -2.5 2.5]);


MODULACIN FSKD
function fskd(g,f0,f1)
%FSK modulation
%Ejemplo:(f0 y f1 deben ser enteros)
%fskd([1 0 1 1 0],1,2)
if nargin > 3
error(' hay muchos argumentos ')
elseif nargin==1
f0=1;f1=2;
elseif nargin==2
f1=2;
end
val0=ceil(f0)-f0;
val1=ceil(f1)-f1;
if val0 ~=0 || val1 ~=0;
error(' Frecuencia debe ser mayor
que 1');
end
if f0<1 || f1<1;
error(' Frecuencia debe ser mayor
que 1');
end
t=0:2*pi/99:2*pi;
cp=[];sp=[];
mod=[];mod1=[];bit=[];
for n=1:length(g);
if g(n)==0;
die=ones(1,100);
c=sin(f0*t);
se=zeros(1,100);
else g(n)==1;
die=ones(1,100);
c=sin(f1*t);
se=ones(1,100);
end
cp=[cp die];
mod=[mod c];
bit=[bit se];
end
ask=cp.*mod;
subplot(2,1,1);plot(bit,'LineWidth',1.5);grid on;
title(' Seal Binaria ');
axis([0 100*length(g) -2.5 2.5]);
subplot(2,1,2);plot(ask,'LineWidth',1.5);grid on;
title(' modulacion FSK ');
axis([0 100*length(g) -2.5 2.5]);

MODULACION QPSK
function qpskd(g,f)
%Modulacion QPSK
%Ejemplo: g es un vector binario; f es la frecuencia portadora.
%qpskd([1 0 1 1 0 0],2)
if nargin > 2
error(' hay muchos argumentos ');
elseif nargin==1
f=1;
end
if f<1;
error(' Frecuencia debe ser mayor
que 1');
end
%*-*-*-*-*-*
l=length(g);
r=l/2;
re=ceil(r);
val=re-r;
if val~=0;
error('Por favor ingrese un vector
divisible por 2');
end
%*-*-*-*-*-*
t=0:2*pi/99:2*pi;
cp=[];sp=[];
mod=[];mod1=[];bit=[];
for n=1:2:length(g);
if g(n)==0 && g(n+1)==1;
die=sqrt(2)/2*ones(1,100);
die1=-sqrt(2)/2*ones(1,100);
se=[zeros(1,50) ones(1,50)];
elseif g(n)==0 && g(n+1)==0;
die=-sqrt(2)/2*ones(1,100);
die1=-sqrt(2)/2*ones(1,100);
se=[zeros(1,50) zeros(1,50)];
elseif g(n)==1 && g(n+1)==0;
die=-sqrt(2)/2*ones(1,100);
die1=sqrt(2)/2*ones(1,100);
se=[ones(1,50) zeros(1,50)];
elseif g(n)==1 && g(n+1)==1;
die=sqrt(2)/2*ones(1,100);
die1=sqrt(2)/2*ones(1,100);
se=[ones(1,50) ones(1,50)];
end
c=cos(f*t);
s=sin(f*t);
cp=[cp die]; %Amplitud del coseno
sp=[sp die1]; %Amplitud del seno
mod=[mod c]; %portador coseno (Q)
mod1=[mod1 s]; % carrier seno (I)
bit=[bit se];
end
bpsk=cp.*mod+sp.*mod1;
subplot(2,1,1);plot(bit,'LineWidth',1.5);grid on;
title(' Seal Binaria ')
axis([0 50*length(g) -1.5 1.5]);
subplot(2,1,2);plot(bpsk,'LineWidth',1.5);grid on;
title(' modulacion QPSK ')
axis([0 50*length(g) -1.5 1.5]);
LABORATORIO N04-B
MODULACION DIGITAL II

I. OBJETIVOS
Comprender el proceso de modulacin digital
Generar varios mtodos de modulacin digital

II. INSTRUMENTOS Y COMPONENTES
Computadora Personal
Programa MATLAB

III. FUNDAMENTO TERICO
La industria de las comunicaciones electrnicas ha venido reemplazando poco a
poco las tcnicas convencionales analgicas de modulacin, como son AM
(modulacin de amplitud), FM (modulacin de frecuencia) y PM (modulacin de
fase) por sistemas digitales de comunicaciones. Esto, debido a las ventajas que
presenta la modulacin digital: mayor inmunidad al ruido, sencillez de
procesamiento, alta seguridad de los datos y multicanalizacin.
Algunas de las modulaciones digitales son: ASK (amplitude shift keying), OOK
(On-Off keying), FSK (frequency shift keying), BPSK (binary phase shift keying),
QPSK (quadrature phase shift keying), 8PSK (8 phase shift keying).
























La simulacin es la siguiente:





La simulacin es la siguiente:










La simulacin vendra a ser:











La simulacin es la siguiente:













La ultima grafica es la siguiente: