forked from SofiaVillalobos21/Tema4
-
Notifications
You must be signed in to change notification settings - Fork 0
/
P4.py
417 lines (313 loc) · 13.1 KB
/
P4.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
# Para manipular imágenes (Python Imaging Library)
from PIL import Image
# Para manipular 'arrays' de pixeles y bits, señales y operaciones
import numpy as np
# Para visualizar imágenes y señales
import matplotlib.pyplot as plt
# Para medir el tiempo de simulación
import time
def fuente_info(imagen):
'''Una función que simula una fuente de
información al importar una imagen y
retornar un vector de NumPy con las
dimensiones de la imagen, incluidos los
canales RGB: alto x largo x 3 canales
:param imagen: Una imagen en formato JPG
:return: un vector de pixeles
'''
img = Image.open(imagen)
return np.array(img)
def rgb_a_bit(array_imagen):
'''Convierte los pixeles de base
decimal (de 0 a 255) a binaria
(de 00000000 a 11111111).
:param imagen: array de una imagen
:return: Un vector de (1 x k) bits 'int'
'''
# Obtener las dimensiones de la imagen
x, y, z = array_imagen.shape
# Número total de elementos (pixeles x canales)
n_elementos = x * y * z
# Convertir la imagen a un vector unidimensional de n_elementos
pixeles = np.reshape(array_imagen, n_elementos)
# Convertir los canales a base 2
bits = [format(pixel, '08b') for pixel in pixeles]
bits_Rx = np.array(list(''.join(bits)))
return bits_Rx.astype(int)
def canal_ruidoso(senal_Tx, Pm, SNR):
'''Un bloque que simula un medio de trans-
misión no ideal (ruidoso) empleando ruido
AWGN. Pide por parámetro un vector con la
señal provieniente de un modulador y un
valor en decibelios para la relación señal
a ruido.
:param senal_Tx: El vector del modulador
:param Pm: Potencia de la señal modulada
:param SNR: Relación señal-a-ruido en dB
:return: La señal modulada al dejar el canal
'''
# Potencia del ruido generado por el canal
Pn = Pm / pow(10, SNR/10)
# Generando ruido auditivo blanco gaussiano (potencia = varianza)
ruido = np.random.normal(0, np.sqrt(Pn), senal_Tx.shape)
# Señal distorsionada por el canal ruidoso
senal_Rx = senal_Tx + ruido
return senal_Rx
def bits_a_rgb(bits_Rx, dimensiones):
'''Un blque que decodifica el los bits
recuperados en el proceso de demodulación
:param: Un vector de bits 1 x k
:param dimensiones: Tupla con dimensiones de la img.
:return: Un array con los pixeles reconstruidos
'''
# Cantidad de bits
N = len(bits_Rx)
# Se reconstruyen los canales RGB
bits = np.split(bits_Rx, N / 8)
# Se decofican los canales:
canales = [int(''.join(map(str, canal)), 2) for canal in bits]
pixeles = np.reshape(canales, dimensiones)
return pixeles.astype(np.uint8)
# 4. - Asignaciones del proyecto
# 4.1. - Modulación 8-PSK
# 4.1.1 Se establecen las funciones necesarias**
import numpy as np
def modulador_8_PSK(bits, fc, mpp):
'''Un método que simula el esquema de modulación digital 8-PSK.
:param bits: Vector unidimensional de bits
:param fc: Frecuencia de la portadora en Hz
:param mpp: Cantidad de muestras por periodo de onda portadora
:return: Un vector con la señal modulada
:return: Un valor con la potencia promedio [W]
:return: La onda portadora1 c1(t) = cos(2πfct)
:return: La onda portadora2 c2(t) = sin(2πfct)
'''
# 1. Parámetros de la 'señal' de información (bits)
N = len(bits) # Cantidad de bits
# 2. Construyendo un periodo de la señal portadora c(t)
Tc = 1 / fc # periodo [s]
t_periodo = np.linspace(0, Tc, mpp) # mpp: muestras por período
portadora1 = np.cos(2*np.pi*fc*t_periodo) # cos(2πfct)
portadora2 = np.sin(2*np.pi*fc*t_periodo) # sin(2πfct)
# 3. Inicializar la señal modulada s(t)
t_simulacion = np.linspace(0, N*Tc, N*mpp)
senal_Tx = np.zeros(t_simulacion.shape)
# 4. Asignar las formas de onda según los bits (8-PSK)
h = np.sqrt(2)/2
for i in range(0, N, 3):
if bits[i] == 1 and bits[i+1] == 1 and bits[i+2] == 1:
senal_Tx[i*mpp: (i+1)*mpp] = portadora1 * 1 + portadora2 * 0
elif bits[i] == 1 and bits[i+1] == 1 and bits[i+2] == 0:
senal_Tx[i*mpp: (i+1)*mpp] = portadora1 * h + portadora2 * h
elif bits[i] == 0 and bits[i+1] == 1 and bits[i+2] == 0:
senal_Tx[i*mpp: (i+1)*mpp] = portadora1 * 0 + portadora2 * 1
elif bits[i] == 0 and bits[i+1] == 1 and bits[i+2] == 1:
senal_Tx[i*mpp: (i+1)*mpp] = portadora1 * -h + portadora2 * h
elif bits[i] == 0 and bits[i+1] == 0 and bits[i+2] == 1:
senal_Tx[i*mpp: (i+1)*mpp] = portadora1 * -1 + portadora2 * 0
elif bits[i] == 0 and bits[i+1] == 0 and bits[i+2] == 0:
senal_Tx[i*mpp: (i+1)*mpp] = portadora1 * -h + portadora2 * -h
elif bits[i] == 1 and bits[i+1] == 0 and bits[i+2] == 0:
senal_Tx[i*mpp: (i+1)*mpp] = portadora1 * 0 + portadora2 * -1
else:
senal_Tx[i*mpp: (i+1)*mpp] = portadora1 * h + portadora2 * -h
# 5. Calcular la potencia promedio de la señal modulada
Pm = (1 / (N*Tc)) * np.trapz(pow(senal_Tx, 2), t_simulacion)
return senal_Tx, Pm, portadora1, portadora2
def demodulador_8_PSK(senal_Rx, portadora1, portadora2, mpp):
'''Un método que simula un bloque demodulador
de señales, bajo un esquema BPSK. El criterio
de demodulación se basa en decodificación por
detección de energía.
:param senal_Rx: La señal recibida del canal
:param portadora: La onda portadora c(t)
:param mpp: Número de muestras por periodo
:return: Los bits de la señal demodulada
'''
# Cantidad de muestras en senal_Rx
M = len(senal_Rx)
# Cantidad de bits (símbolos) en transmisión
N = int(M / mpp)
# Vector para bits obtenidos por la demodulación
bits_Rx = np.zeros(N)
# Vector para la señal demodulada
senal_demodulada = np.zeros(senal_Rx.shape)
# Pseudo-energía de un período de la portadora1
Es1 = np.sum(portadora1 * portadora1)
# Pseudo-energía de un período de la portadora2
Es2 = np.sum(portadora2 * portadora2)
h = np.sqrt(2)/2
# Demodulación
for i in range(N):
# Producto interno de dos funciones
producto1 = senal_Rx[i*mpp: (i+1)*mpp] * portadora1
Ep1 = np.sum(producto1)
producto2 = senal_Rx[i*mpp: (i+1)*mpp] * portadora2
Ep2 = np.sum(producto2)
senal_demodulada[i*mpp: (i+1)*mpp] = producto1 + producto2
# Criterio de decisión por detección de energía
if i % 3 == 0:
if (Ep1 >= (1+h)/2*Es1 and -h/2*Es2 <= Ep2 <= h/2*Es2):
bits_Rx[i] = 1
bits_Rx[i+1] = 1
bits_Rx[i+2] = 1
elif (h/2*Es1 <= Ep1 <= (1+h)/2*Es1 and
h/2*Es2 <= Ep2 <= (1+h)/2*Es2):
bits_Rx[i] = 1
bits_Rx[i+1] = 1
bits_Rx[i+2] = 0
elif (-h/2*Es1 <= Ep1 <= h/2*Es1 and Ep2 >= (1+h)/2*Es2):
bits_Rx[i] = 0
bits_Rx[i+1] = 1
bits_Rx[i+2] = 0
elif (-(1+h)/2*Es1 <= Ep1 <= -h/2*Es1 and
h/2*Es2 <= Ep2 <= (1+h)/2*Es2):
bits_Rx[i] = 0
bits_Rx[i+1] = 1
bits_Rx[i+2] = 1
elif (Ep1 <= -(1+h)/2*Es1 and -h/2*Es1 <= Ep2 <= h/2*Es2):
bits_Rx[i] = 0
bits_Rx[i+1] = 0
bits_Rx[i+2] = 1
elif (-(1+h)/2*Es1 <= Ep1 <= -h/2*Es1 and
-(1+h)/2*Es2 <= Ep2 <= -h/2*Es2):
bits_Rx[i] = 0
bits_Rx[i+1] = 0
bits_Rx[i+2] = 0
elif (-h/2*Es1 <= Ep1 <= h/2*Es1 and Ep2 <= -(1+h)/2*Es2):
bits_Rx[i] = 1
bits_Rx[i+1] = 0
bits_Rx[i+2] = 0
else:
bits_Rx[i] = 1
bits_Rx[i+1] = 0
bits_Rx[i+2] = 1
return bits_Rx.astype(int), senal_demodulada
import numpy as np
import matplotlib.pyplot as plt
import time
def Modulacion_8PSK(SNR):
# Parámetros
fc = 5000 # frecuencia de la portadora
mpp = 20 # muestras por periodo de la portadora
# Iniciar medición del tiempo de simulación
inicio = time.time()
# 1. Importar y convertir la imagen a trasmitir
imagen_Tx = fuente_info(requests.get(
'https://github.com/DavidMairena/Tema4/blob/main/arenal.jpg?raw=true',
stream=True).raw)
dimensiones = imagen_Tx.shape
# 2. Codificar los pixeles de la imagen
bits_Tx = rgb_a_bit(imagen_Tx)
# 3. Modular la cadena de bits usando el esquema BPSK
senal_Tx, Pm, portadora1, portadora2 = modulador_8_PSK(bits_Tx, fc, mpp)
# 4. Se transmite la señal modulada, por un canal ruidoso
senal_Rx = canal_ruidoso(senal_Tx, Pm, SNR)
# 5. Se desmodula la señal recibida del canal
bits_Rx, senal_demodulada = demodulador_8_PSK(senal_Rx, portadora1,
portadora2, mpp)
# 6. Se visualiza la imagen recibida
imagen_Rx = bits_a_rgb(bits_Rx, dimensiones)
Fig = plt.figure(figsize=(10, 6))
# Cálculo del tiempo de simulación
print('Duración de la simulación: ', time.time() - inicio)
# 7. Calcular número de errores
errores = sum(abs(bits_Tx - bits_Rx))
BER = errores/len(bits_Tx)
print('{} errores, para un BER de {:0.4f}.'.format(errores, BER))
# Mostrar imagen transmitida
ax = Fig.add_subplot(1, 2, 1)
imgplot = plt.imshow(imagen_Tx)
ax.set_title('Transmitido')
# Mostrar imagen recuperada
ax = Fig.add_subplot(1, 2, 2)
imgplot = plt.imshow(imagen_Rx)
ax.set_title('Recuperado')
Fig.tight_layout()
plt.imshow(imagen_Rx)
# Visualizar el cambio entre las señales
fig, (ax1, ax2, ax3) = plt.subplots(nrows=3, sharex=True, figsize=(14, 7))
# La señal modulada por (8-PSK)
ax1.plot(senal_Tx[0:600], color='g', lw=2)
ax1.set_ylabel('$s(t)$')
# La señal modulada al dejar el canal
ax2.plot(senal_Rx[0:600], color='b', lw=2)
ax2.set_ylabel('$s(t) + n(t)$')
# La señal demodulada
ax3.plot(senal_demodulada[0:600], color='m', lw=2)
ax3.set_ylabel('$b^{\prime}(t)$')
ax3.set_xlabel('$t$ / milisegundos')
fig.tight_layout()
plt.show()
return senal_Tx
# 4.1.3 Simulación para la modulación 8-PSK:
# Se realizan la prueba con diferentes relaciones señal-a-ruido del canal (SNR)
SNR1 = -5 # Mayor ruido que la señal, va a tener muchos errores
senal_Tx1 = Modulacion_8PSK(SNR1)
SNR2 = 5 # Una proporción entre la señal y el ruido
senal_Tx2 = Modulacion_8PSK(SNR2)
SNR3 = 15 # La señal es mucho clara que el ruido
# En este caso si la demodulación está bien hecha no debería haber ningún error
senal_Tx = Modulacion_8PSK(SNR3)
### 4.2. - Estacionaridad y ergodicidad
import numpy as np
import matplotlib.pyplot as plt
# Tiempo de muestreo
t_x = np.linspace(0, 0.01, 100)
R = [1, -1]
# Formas de la onda:
X_t = np.empty((4, len(t_x)))
# Nueva figura
plt.figure()
# Matriz con los posibles valores de cada función
for i in R:
x1 = i * np.cos(2 * (np.pi) * fc * t_x) + i * np.sin(2 * (np.pi) * fc * t_x)
x2 = -i * np.cos(2 * (np.pi) * fc * t_x) + i * np.sin(2 * (np.pi) * fc * t_x)
X_t[i, :] = x1
X_t[i+1, :] = x2
plt.plot(t_x, x1, lw=4, color='g')
plt.plot(t_x, x2, lw=4, color='c')
# Se determina un promedio de las 4 realizaciones para cada instante:
PR = [np.mean(X_t[:, i]) for i in range(len(t_x))]
plt.plot(t_x, PR, lw=6, color='k', label='Promedio de realizaciones')
# Se grafica el resultado teórico del valor esperado:
S = senal_Tx.astype('float')
RT = np.mean(S) * t_x
plt.plot(t_x, RT, '-.', lw=3, color='y', label='Valor teórico esperado')
# Se muestran las realizaciones, junto al promedio calculado y teórico:
plt.title('Realizaciones del proceso aleatorio $X(t)$')
plt.xlabel('$t$')
plt.ylabel('$x_i(t)$')
plt.legend()
plt.show()
# La estacionaridad está relacionada con la repetición de los patrones de la onda a lo
# largo del tiempo. Es decir, su variancia, media y posición no tendrán cambios
# abruptos a lo largo de un tiempo indefinido. A paritr de la gráfica generada, notamos
# que tanto su promedio como las ondas generadas serán invariables y continuarán con el
# patrón observado. Cuando hablamos de ergodicidad, estamos hablando de un efecto que
# ocurre en algunos sistemas mecánicos en donde el promedio de las realizaciones a cada
# instante es igual al promedio del sistema a largo plazo. Esto se demuestra en la gráfica
# generada en donde ambos se mantienen constante a traves del tiempo.
4.3. - Densidad espectral de potenci
### 4.3. - Densidad espectral de potencia
from scipy import fft
# Transformada de Fourier
senal_f = fft(senal_Tx)
# Muestras de la señal
Nm = len(senal_Tx)
# Número de símbolos (198 x 89 x 8 x 3)
Ns = Nm // mpp
# Tiempo del símbolo = periodo de la onda portadora
Tc = 1 / fc
# Tiempo entre muestras (período de muestreo)
Tm = Tc / mpp
# Tiempo de la simulación
T = Ns * Tc
# Espacio de frecuencias
f = np.linspace(0.0, 1.0/(2.0*Tm), Nm//2)
# Gráfica
plt.figure(figsize=(18,10))
plt.plot(f, 2.0/Nm * np.power(np.abs(senal_f[0:Nm//2]), 2))
plt.xlim(0, 20000)
plt.grid()
plt.show()