Proyecto 1: DISEÑO EFICIENTE DE FILTROS DE DECIMACIÓN USANDO LOS RESULTADOS MATEMÁTICOS DE POLINOMIOS PALINDRÓMICOS Y OPTIMIZACIÓN DE ENJAMBRE DE PARTÍCULAS (PSO)

Resumen:

En este proyecto se diseñan filtros de baja complejidad basados en filtros CIC con alto rechazo al aliasing. Demostramos que ciertos polinomios palindrómicos podrían ser muy útiles para crear filtros de diezmado basados en CIC con un rechazo de aliasing mejorado. Desarrollamos antecedentes teóricos y propusimos varios métodos de diseño nuevos. También se ofrecen estructuras de varias etapas. También consideramos una mejora de la característica de banda de paso deteriorada al aumentar el rechazo de aliasing. Sugerimos el diseño de filtros de compensación de banda de paso utilizando optimización de enjambre de partículas (PSO).

Proyecto 2: USO DE APRENDIZAJE AUTOMÁTICO y PROCESAMIENTO DE IMÁGENES PARA LA DETECCIÓN DE ESPECTRO

Participantes: Andres Bustos Bolivar Rojas, Estudiante doctoral.

Resumen:

La necesidad de utilizar el espectro de radiofrecuencia (RF) aumenta constantemente debido al rápido crecimiento de los usuarios, las aplicaciones y los requisitos de ancho de banda de los modernos sistemas de comunicación inalámbrica. Varias tecnologías, especialmente el despliegue de la red 5G y el Internet de las cosas (IoT), provocan una alta demanda de recursos del espectro inalámbrico para muchos dispositivos. La mayor parte del espectro de RF disponible ya ha sido asignado a sistemas inalámbricos, lo que provoca que solo una pequeña parte de este espectro pueda ser utilizado para nuevas aplicaciones. Debido al esquema de licencias vigente, se producen bandas de frecuencias asignadas a usuarios licenciados o usuarios primarios (PU) no utilizadas en algunos lugares o instantes de tiempo, denominados agujeros de espectro.

Por lo tanto, los usuarios sin licencia o secundarios (SU) pueden utilizar este espectro. La tendencia actual es ubicar más bandas para usuarios sin licencia para mejorar la utilización del espectro. La radio cognitiva (CR) es una solución prometedora para las crecientes demandas de espectro de RF y la insuficiencia de espectro provocada por las asignaciones de frecuencias fijas.

La detección de espectro es uno de los componentes críticos en las redes de radio cognitivas.

Antes de utilizar el espectro licenciado, las SU deben identificar si alguna UP está ocupando la banda. Este monitoreo de la actividad del usuario en el rango autorizado permite la explotación del espectro infrautilizado sin causar interferencia destructiva a las PU.

Los enfoques principales incluyen la detección de espectro cooperativo, de banda estrecha y de banda ancha.

A partir de esta revisión bibliográfica se identifican algunos problemas a resolver, en especial los sistemas que aplican imágenes o series temporales como entrada para diferentes arquitecturas de aprendizaje profundo.

En este momento tenemos los resultados para la detección de espectro de banda estrecha. La detección de espectro de banda estrecha se utiliza para encontrar el estado de ocupación de una sola banda con licencia PU. El término banda estrecha implica que el ancho de banda de la señal es lo suficientemente pequeño como para que la respuesta del canal se considere plana. El objetivo es decidir si la porción estrecha del espectro PU está disponible para la SU. El rendimiento de los algoritmos de detección de espectro de banda estrecha se mide en términos de probabilidad de detección (PD) y probabilidad de falsa alarma (PF). El PD representa la probabilidad de detectar correctamente la señal de la PU cuando está presente.

Proyecto 3: APRENDIZAJE POR MACHINA EN UN SISTEMA DE MARCA DE AGUA EN AUDIO SISTEMASPECTRUM EXPANDIDO (SS) PARA MEJORAR SU RENDIMIENTO

Participante Carlos Jair Santin Cruz, estudiante doctoral.

Resumen:

La protección de archivos de audio contra copias y distribución no autorizadas es una necesidad debido al creciente tráfico de este tipo de archivos y el constante plagio que estos sufren. Una solución a este problema se encuentra en los sistemas de marca de agua. Sin embargo, el diseñar estos sistemas resulta un reto debido a los compromisos existentes en los criterios de rendimiento. Dada la naturaleza de estos compromisos y las aplicaciones de Aprendizaje por machina (ML) que han sido reportadas en trabajos con señales de audio, la incorporación de ML hace posible el reconocer patrones de comportamiento y mejorar el rendimiento de un sistema de marca de agua en audio.

A pesar de que los criterios de rendimiento para un sistema de marca de agua de audio dependen de la aplicación específica, los criterios de rendimiento comunes se pueden resumir en los siguientes: Imperceptibilidad, robustez, seguridad, capacidad, complejidad computacional.

Sin embargo, existe un compromiso donde el mejorar el rendimiento de cualquiera de los criterios anteriores van en detrimento de algún (o algunos) otro(s). Resulta un reto diseñar una marca de agua que cumpla con los requerimientos necesarios para alguna aplicación en específico. El trabajo a realizar propone lo siguiente:

• Proponer un nuevo sistema de marca de agua de audio, con el impacto reducido de compromisos.
• Uno de los retos al diseñar un sistema de marca de agua en señales de audio, es que las características de la señales de audio a las que se les incrustara la marca de agua varían demasiado de una a otra señal, por lo que uno de los objetivos de este trabajo es que la incrustación se adapte a la señal a proteger.

El sistema propuesto debe obtener un rendimiento que cumpla con un alto grado de confiabilidad, robustez, imperceptibilidad y una tasa de incrustación competitiva con los sistemas de marca de agua reportados en la literatura.