1.

Planteamiento del Problema

1.1 Determinación del problema

En el presente Proyecto de Investigación se muestra la Fragmentación Mental de

la Ingeniera Electrónica, en el cual se presenta el tema a investigar.

1.1.1 Fragmentación Mental de la Ingeniería Electrónica

Ingeniera Electrónica

Programas sub-programas Líneas de investigación

 Inalámbricas
o WLAN
o Wi-fi
Redes o Radiofrecuencia
o Microondas
o Satelital
 Cableadas
o Línea Telefónica
o Cable UTP
o Cable Coaxial
Telecomunicaciones o Fibra Óptica
 Radiodifusión
o Circuitos de Alta Frecuencia
o Modulación Digital
Servicios o Modulación FM, AM
 Telefonía
o Fija
o Móvil
 Televisión
o Analógica
o Digital
 Sistemas de Integración
o Diseño de Sistemas Digitales
o Diseño Digital CMOS
o VHDL
o Proceso de Fabricación
 Microcontroladores
o Puertos
Microelectrónica o Memorias
o Periféricos
 Microprocesadores
o Puertos
o Buses de Transmisión
o Memorias
o Periféricos

1
  Procesamiento Digital de
Señales
o Procesamiento Digital de la
Voz
- Reconocimiento de la
voz
- Sintetizador de voz
Instrumentación - Identificador de locutor
Electrónica - Análisis de voz
- Compresión de la voz
- Codificación de la voz
Electrónica Digital - Detección de patologías
- Diseño de ayudas para
la audición
o Procesamiento Digital de
Imágenes
o Filtros Digitales
 Tratamiento de Señales
Analógicas
o Compresión de Señales
Analógicas
o Amplificación de Señales
Analógicas
o Modulación y Demodulación
de Señales Analógicas
o Análisis de Ruido
 Arquitectura de Computadores
(Hardware)
o Arquitectura de
Computación e Microprocesadores
Informática o Buses de Computadoras
o Memorias de la Computadora
o Periféricos de la
Computadora
 Sistemas Operativos(Software)
o Sistemas Operativos para
Usuarios (LINUX,
WINDOWS, MAC).
o Sistemas Operativos para
Servidores (LINUX,
WINDOWS).
o Lenguajes de Programación
 Automatización
o Control Robusto
o Control Adaptativo
o Control Difuso
o Control Óptimo
o Control no lineal
o Control Predictivo

2
  Controladores Lógicos
Programables
Control Industrial  Robótica
Electrónica de Control o Poliarticulados
o Móviles
o Androides
o Zoomórficos
o Híbridos

 Redes Industriales
Arquitecturas:
o SCADA
o DCS
o PLC
 Buses:
o ASI (Actuator Sensor
Interface)
o BITBUS
o Profibus (PROcess FIeld BUS)
o FieldBus en OSI
Domótica  Sistemas de control a Distancia
 Sistemas de Potencia Electrónicos
 Amplificadores y Dispositivos de
Electrónica de Potencia
Potencia  Maquinas Eléctricas
o Motores
o Transformadores
 Circuitos Eléctricos
 Electrónica Analógica Integrada
Electrónica Industrial Electrónica  Optoelectrónica
Analógica
o Foto detector
o Foto transmisor
o Opto acopladores
 Sensores
o De nivel
o De presión
o De caudal
o De temperatura
o De aceleración
o De desplazamiento
o De presencia
o De velocidad lineal o angular
Electrónica de  Equipos Clínicos
equipos clínicos
Señales  Señales bioelectricas
biomédicas
 Técnicas cerebrales
Biomagnetismo
 Creación de Imágenes

3
 Bioelectronica  Órganos Humanos
 Tejidos Humanos
 Biotransporte
Biomateriales
 Biología de Sistemas
1.1.2 Selección General y Especifica de la Sub-línea de Investigación

¿Qué problema voy a investigar?

El problema que se va investigar pertenece al programa de Electrónica

Digital, al sub-programa de Instrumentación Electrónica, a la línea de
Investigación de Procesamiento digital de señales y a la Sub-línea de
Investigación de Reconocimiento de la voz.

Programa Electrónica Digital

Sub-programa Instrumentación Electrónica

Línea de Investigación Procesamiento digital de señales

Sub-línea de Investigación Reconocimiento de la voz por MLP

1.2 Formulación del Problema

Aquí se expondrán los conceptos necesarios para el entendimiento de la

formulación del proyecto

1.2.1 Fundamento Básico

En la actualidad el uso de diferentes tipos de interfaces usuarios para

la comunicación entre el hombre y la maquina han sido muchos y de
diferentes tipos, formas y funciones algunos ejemplos de estos serian los
teclados, pantallas táctiles, controles remotos, entre otros.

4
 Para iniciar con la explicación es necesario conocer un poco sobre el
reconocimiento de voz y como se puede realizar este proceso.

Un sistema de reconocimiento de voz como su nombre lo indica

reconoce la voz o un patrón de voz de un individuo para luego utilizar
este patrón de voz en diferentes aplicaciones, pero este proceso de
reconocimiento tienes varias etapas y diferentes variables a considerar
cuando se desea realizar un sistema1 de reconocimiento de voz. Se parte
este proyecto con saber la aplicación a la cual va dirigida el reconociendo
de voz, si se desea un sistema que reconozca palabras aisladas (es decir si
se desea solo el reconocimiento exacto de las palabras y estas palabras
serán un numero finito de palabras lo que implica un no muy alto grado
de complejidad) o del habla continua (es el forma normal con la que se
comunica la gente y por ende tiene un alto grado de complejidad en lo
que respecta al reconocimiento de voz por sus muchas variables a
analizar).[ CITATION Chr11 \l 3082 ]

El Factor con el cual se parte, es el locutor ya que todas las personas

no tenemos el mismo tono de voz, el tipo de pronunciación, la energía
que aplicamos a la hora de hablar o la velocidad con la cual hablamos y
otros tipos de variables. [ CITATION Kir06 \l 3082 ]

El proyecto es un sistema de reconocimiento de voz el cual actuara

como interfaz2 de comunicación usuario-maquina, con la cual el usuario
(una persona) podrá comunicarse o transmitir órdenes usando su voz a
través de un micrófono inalámbrico (el cual llevara la información que es
el sonido o voz hacia un receptor, el cual para nuestra caso será una PC
sin la necesidad de usar cables), esto suplantaría a las interfaces
tradicionales que implican medios físicos para poder operarlas.

El proyecto está orientado a ser aplicado en un edificio como un

sistema de control de iluminación por medio de la voz, pero cabe

1
Sistema es un objeto compuesto cuyos componentes se relacionan con al menos algún otro
componente; puede ser material o conceptual
2
Interfaz hace referencia al conjunto de métodos para lograr interactividad entre un usuario y una
computadora

5
 mencionar que el reconocimiento de la voz tiene muchas diferentes
aplicaciones.

Después que el sistema haya aprendido cierto número de palabras o

frases, estas serán guardadas en una memoria (que es un medio donde
se puede almacenar información) para tener una base de datos de las
palabras que puede reconocer el sistema, para luego cuando el sistema
este en funcionamiento y el usuario emita una orden por voz, el sistema
reconocerá una o varias de las palabras aprendidas que se encuentran en
memoria y estas palabras será entendidas por el sistema como
información la cual será codificada 3 y será enviada través de uno de los
puertos de salida de la PC hacia el dispositivo encargado de entender los
códigos recibidos e interpretarlos como ordenes para de esa forma poder
controlar el sistema de iluminación.

1.2.2 Motivación del Proyecto de Investigación

El motivo de esta investigación es poder brindar un sistema de

control que de mayor comodidad para los usuarios en general, personas
de tercera edad y a personas que sufren de alguna tipo discapacidad
motora o la falta de alguna de sus extremidades, dificultándoles alcanzar
los interruptores de luz.

El deseo de brindar un aporte a la tecnología de reconocimiento de la

voz y el control de dispositivos.

1.2.3 Formulación del Proyecto de Investigación

Sistema de reconocimiento de voz para usuario – maquina mediante

el procesamiento digital de la voz utilizando Redes neuronales
artificiales (que es una nueva forma de computación inspirada en
modelos biológicos), para luego pasar por la fase de Pre-procesamiento,
en la cual serán codificadas en un banco de datos asociando cada palabra
con un código y luego enviarlos a un dispositivo de control programado,

3
Codificación es el proceso por el cual la información de una fuente es convertida en símbolos para ser
comunicada

6
 para que al recibir uno de los códigos de la base de datos este emita una
respuesta y de esta forma controlar dispositivos de un edificio o casa.

El proyecto esta aplicado a ser un “Sistema de reconocimiento de

voz para el control de la iluminación de un edificio”

1.3 Objetivos de la Investigación

1.3.1 Objetivos Generales

 Contribución con el desarrollo socio económico del país:

Implementación una interfaz que sea aplicable al hogar, llamativa y

accesible a personas en general que posean un nivel económico
medio, pero también a personas con alguna tipo de discapacidad
motora y/o personas de tercera edad.

Además de brindar soluciones de ahorro de energía.

 Promoción del desarrollo tecnológico de las línea de investigación

en el país:

Generar nuevos campos en el mercado peruano en donde no se

encuentra muy difundido conceptos de control por voz.

 Contribución con la cultura de la línea de investigación del

ámbito científico y empresarial del país:

Desarrollar aplicaciones por control de voz en otros campos además

del hogar como la industria y otras áreas en el cual sea necesario el
uso de control por medio de voz para facilitar procesos, de este modo
introducir e incrementar nueva tecnologías en el país

 Promoción la investigación de línea de investigación con énfasis

la sub línea de investigación:

Incentivar el desarrollo y mejoramiento de las actuales tecnologías

aplicando el procesamiento de voz por MLP.

7
 1.3.2 Objetivos Específicos

 Crear una interfaz humano – máquina capaz de reconocer los

comandos usados por voz humana.

 Recopilar una cantidad optima de muestras para el entrenamiento y

aprendizaje de las palabras, de esta manera reducir el porcentaje de
error.

 Clasificar las frases o palabras que reconocerá el sistema para la

creación de una base de datos, en cual cada palabra o frase tendrá una
determinada tarea.

 Identificar los factores que inciden negativamente y que obstaculizan

el reconocimiento de la voz en el medio ambiente.

 Proponer la creación de un sistema integrado capaz de reconocer

órdenes por voz para el control de sistemas de iluminación.

 Mejorar el porcentaje de acierto de reconocimiento de palabras,

mediante un sistema más robusto contra el ruido y hacerlo más
confiable para sus aplicaciones.

1.4 Justificación

1.4.1 Naturaleza

La naturaleza de mi proyecto de investigación es la electrónica

digital.

Se justifica mi investigación porque es un tema que está incursionando y

empieza a desarrollarse en el país, por lo cual es vigente y tiene múltiples
opciones de aplicación con otros campos, tales como control,
telecomunicaciones y otros.

1.4.2 Magnitud

8
 El proyecto de investigación está orientado a ser aplicado en áreas
residenciales como casas, edificios o cualquier edificación donde residan
personas.

Se justifica mi investigación por su magnitud por el área donde se puede

implementar, lo que permite ser utilizado por una gran cantidad de
usuarios.

1.4.3 Vulnerabilidad

Mi proyecto de investigación no desarrollará los siguientes temas:

- Búsqueda de nuevas tecnologías en sistemas de iluminación.

Sino la aplicación del proyecto en las tecnologías ya establecidas.

- Tendrá una base de datos de reconocimiento por voz limitado a

órdenes relacionada con el control de dispositivos de iluminación.

Se justifica mi investigación por su vulnerabilidad porque puede ser

revisado y mejorado o investigar los temas no desarrollados que se han
puesto de manifiesto.

1.4.4 Practica u organizacional

La investigación puede ser aplicada en el ámbito domestico para

beneficio de las familias, también poder ser aplicado en el ámbito
empresarial.

Este proyecto se justifica por su práctica organizacional porque es útil

para la sociedad específicamente las familias y ambiente empresarial por
su facilidad de aplicación.

1.4.5 Trascendencia

La investigación tendrá una vigencia aproximada de cinco años, en

vista de los avances vertiginosos tecnológicos.

Este proyecto se justifica por su trascendencia porque aportara al

desarrollo de control por voz de un sistema de iluminación.

9
 1.4.6 Economía

La investigación tendrá una repercusión en la economía de los

usuarios porque hará más barato el consumo de energía, al tener un
mejor control de los dispositivos de luz que está usando.

Este proyecto se justifica por su economía porque aportara ventajas

económicas a largo plazo para los usuarios por el uso de un servicio de
control sencillo.

1.5 Limitaciones y Facilidades

1.5.1 Limitaciones del Proyecto de Investigación

 Teórica

A continuación se muestra el listado de las teorías científicas

necesarias que se aplicaran para el presente proyecto de tesis:

o La Electrónica Digital

La electrónica digital es una parte de la electrónica que se

encarga de sistemas electrónicos en los cuales la información
está codificada en dos únicos estados .A estos estados se les
puede llamar "verdadero" o "falso", o más comúnmente 1 y 0,
refiriéndose a que en un circuito electrónico digital hay dos
niveles de tensión. [ CITATION Wik11 \l 3082 ]

Tenemos que señal digital es aquella señal donde su variación es

discreta a lo largo del tiempo, es decir para pasar de un nivel a
otro realiza un salto instantáneo.

Normalmente las señales digitales, además de discretas, también

son binarias es decir solo poseen dos niveles posibles de estado de
una señal. Esto es así porque, de esta forma, los circuitos
electrónicos que trabajan con señales digitales solo se encuentran
en dos estados posibles, normalmente conducción y no
conducción.

10
 Las señales digitales son un artificio matemático creado por el
hombre ya que todas las señales en realidad son señales
analógicas. En la naturaleza toda variación de un fenómeno físico
es continua. Por este motivo en un circuito electrónico digital las
señales se aproximan a digitales. Existe un tiempo en que la señal
está pasando de un nivel a otro, este tiempo se denomina
momento de transición, durante los cuales no está definido el
nivel digital. De la misma forma cuando la señal se encuentra en
cada uno de los niveles no permanece exactamente constante pero
si dentro de unos márgenes que podemos considerarlos como
validos.[ CITATION Sán99 \p 11 \l 3082 ]

La electrónica digital se diferencia de la electrónica

analógica en que, para la electrónica digital un valor de voltaje
codifica uno de estos dos estados, mientras que para la electrónica
analógica hay una infinidad de estados de información que
codificar según el valor del voltaje. Esta particularidad permite
que, usando Álgebra Booleana4 y un sistema de numeración
binario, se puedan realizar complejas operaciones lógicas o
aritméticas sobre las señales de entrada, muy costosas de hacer
empleando métodos analógicos.[ CITATION Wik11 \l 3082 ]

En el mundo de la electrónica, la electrónica digital constituye un

gran campo con muchas y diferentes aplicaciones las cuales van
incrementándose a gran velocidad, esto debido a que un pequeño
circuito integrado puede realizar el cometido de miles de
transistores, diodos y resistencias. En efecto, en nuestra vida
diaria podemos verlos actuar continuamente en diferentes tipos y
tamaños de dispositivos digitales como las diminutas calculadoras
de bolsillo, celulares, ordenadores personales y portátiles de
diferentes tamaños que ejecutan trabajos complicados con
velocidad y precisión.[ CITATION Rog94 \p 1 \l 3082 ]

o El Procesamiento digital de señales

4
El álgebra booleana es un sistema matemático deductivo centrado en los valores cero y uno (falso y
verdadero).

11
Las señales eléctricas son tensiones o corrientes que contienen
información. Además de las señales eléctricas existen otras, de
naturaleza magnética, hidráulica, neumática, luminosa, etc.

Las señales pueden ser generadas en forma natural o artificial.

Algunos ejemplos de señales naturales son la radiación
electromagnética de una estrella, la altura de la marea y la
velocidad del viento. Algunos ejemplos de señales artificiales son
la emisión de un canal de TV, las ondas emitidas y recibidas por
radares, teléfonos celulares, sonares, etc.

Las señales se representan matemáticamente como funciones de

una o más variables independientes. La variable independiente
más común es el tiempo, y algunas señales que dependen de él
son, por ejemplo, la voz, una onda de radio, un
electrocardiograma, etc.

Otras señales, tales como las imágenes, son funciones de 2

variables independientes, ya que contienen información de brillo
o de colorido en función de las coordenadas X e Y de un plano.

Procesamiento de Señales es un área de la Ingeniería Electrónica

que se concentra en la representación, transformación y
manipulación de señales, y de la información que ellas contienen.

El primer tipo de procesamiento electrónico que se desarrolló y se

aplicó extensivamente fue el procesamiento análogo, el cual se
lleva a cabo mediante circuitos compuestos por resistores,
capacitores, inductores, amplificadores operacionales, etc.

Procesamiento de Señales en Tiempo Discreto (Discrete-Time

Signal Processing) se refiere al procesamiento de señales discretas
en el tiempo o en el espacio. Esto implica que sólo se conoce el
valor de la señal en instantes o en puntos específicos.

Sin embargo, la amplitud de la señal es continua, es decir, puede

tomar infinitos valores diferentes.

12
Procesamiento Digital de Señales (Digital Signal Processing o
DSP) añade a la característica anterior la de manejar la amplitud
en forma discreta, la cual es una condición necesaria para que la
señal pueda ser procesada en un computador digital. La amplitud
de la señal sólo puede tener un número finito de valores
diferentes.[ CITATION Bar08 \p 19 \l 3082 ]

El campo del procesamiento digital de señales ha conllevado

tremendos cambios desde su aparición en la década de los
setentas tanto de carácter teórico como tecnológico. Conviene
aquí mencionar algunas de las preocupaciones principales del área
a lo largo de su evolución:

En los primeros años el principal interés en este campo era el

desarrollo de algoritmos para la Transformada Rápida de Fourier
y el diseño de filtros digitales.

Actualmente un profesional de vanguardia en el área debe poseer

un buen background en diversas áreas, tales como: Teoría de las
aproximaciones, procesos estocásticos, teoría de matrices y
sistemas dinámicos por mencionar sólo algunas.

Aunque a primera vista estos tópicos parecieran ser cosa de

investigadores académicos, es una realidad el hecho de que un
ingeniero actual en el área continuamente tiene que diseñar
sistemas para filtraje óptimo, filtraje adaptivo y estimación
espectral. De manera que los tópicos mencionados se han colado
en la formación básica en el área.

Actualmente, se considera que un curso introductorio en

procesamiento digital de señales debe cubrir por lo menos los
siguientes tópicos: transformada Z, respuesta al impulso,
convolución, respuesta a la frecuencia, el teorema del muestreo,
transformada discreta de Fourier, algoritmos de transformada
rápida de Fourier, diseño de filtros de respuesta finita al impulso
(FIR) y diseño de filtros de respuesta infinita al impulso (IIR). Es

13
importante mencionar que dado que estos temas son bien
conocidos, existe ya un buen número de paquetes de software que
manejan este material estándar (por ejemplo, MATLAB) y que
pueden servir como un soporte paralelo a estas notas, sobre todo
en cuanto a ejercicios de tipo numérico y gráfico.

Quizás una mejor manera de ubicar el área para alguien ajeno a

ella es la de mencionar las aplicaciones y los frutos que ha
logrado esta disciplina en diferentes campos. Como resultaría
muy extenso dar una lista exhaustiva de dichas aplicaciones,
mencionaremos aquí más bien cinco contextos en los cuales se
pueden encontrar éstas:

Un primer conjunto de aplicaciones lo presenta el problema de

diseñar un sistema para procesar señales y predecir su
comportamiento futuro. El pronóstico económico presenta un
ejemplo común de esta situación, por ejemplo, muchos programas
de computadora han sido realizados para realizar análisis
detallados de los promedios del índice bursátil (y de otras señales
económicas) y realizar predicciones en base a la historia de estas
señales. Si bien, la mayor parte de estas señales no son totalmente
predecibles, es un hecho importante el que su comportamiento
futuro sí puede ser predicho, al menos aproximadamente y
dependiendo de la técnica de análisis utilizada en la predicción.

Un segundo conjunto de aplicaciones es la restauración de señales

que han sido degradadas de alguna manera. Por ejemplo, la
estauración de grabaciones de audio antiguas. Otro ejemplo de
este tipo de procesamiento se tiene cuando se quiere depurar una
señal de audio que se recibe con ruido de fondo, por ejemplo, en
la transmisión de un piloto a la torre de control de tráfico aéreo, la
voz del piloto estará contaminada con el ruido de fondo de la
cabina del avión, en este caso se debe diseñar un sistema para
eliminar el ruido de fondo y resaltar la voz del piloto.

14
Un tercer conjunto de aplicaciones muy similar al anterior, es el
de procesar señales de manera de "mejorar" o resaltar alguna
característica de ellas. El procesamiento de imágenes
provenientes de satélite es un caso típico. Así, además de la
restauración que necesariamente se practicará sobre la imagen
para compensar errores debido a limitaciones del equipo, efectos
atmosférico y hasta errores en la transmisión, es posible procesar
al señal de manera que se realcen características deseadas de la
imagen, tales como: cauces de ríos, o lagos, regiones cultivadas,
isotermas, etc. o bien, se puede realizar la amplificación de una
porción deseada de la imagen, o la "traslación" de la imagen
infrarroja a luz visible (para visión nocturna), etc.

Un conjunto de aplicaciones que ha tenido un gran desarrollo en

los últimos años ha sido el reconocimiento de patrones. Éste se
refiere al procesamiento de un conjunto de señales de la misma
naturaleza con el fin de clasificarlas o de "identificar" cada una de
ellas dentro de una categorización dada. Así, se puede mencionar
en este campo, el reconocimiento de voz, la clasificación de
piezas mecánicas en una línea de producción por un brazo
mecánico, el reconocimiento óptico de caracteres (OCR), el
reconocimiento de huellas digitales, de firmas, de rostros o de
manos, etc.

Otra clase importante de aplicaciones es cuando se desea

modificar las características de comportamiento de un sistema
dado, normalmente a través de la manipulación de señales de
entrada específicas, o combinando el sistema dado con otros
sistemas. Este es el campo denominado control automático. Por
ejemplo, un área referida normalmente como control de procesos,
la cual se refiere al control de plantas químicas. En esta clase de
aplicaciones, un conjunto de sensores miden las señales físicas
como temperatura, humedad, concentraciones químicas, etc.
dichas señales son procesadas por un sistema encargado de
manipular las señales de control (tales como flujo de combustible

15
o agua de enfriamiento, dosificación de sustancias, etc.) para
regular el proceso químico en marcha.

Ciertamente, la lista no es exhaustiva y no es fácil clasificar toda

la gama de aplicaciones que tiene este campo, es importante sin
embargo mencionar otras aplicaciones que han recibido gran
impulso por el desarrollo del procesamiento digital de señales, tal
es el campo de las comunicaciones electrónicas modulación de
señales, transmisión y recepción en AM y FM, microondas,
comunicación por fibra óptica, etc. O el campo de la síntesis de
señales como: sintetizadores musicales, síntesis de voz, etc.
[ CITATION Jos11 \y \l 3082 ]

ASPECTOS BASICOS:

Los conceptos de señales y sistemas aparecen en una amplia

variedad de campos, de manera que las ideas y técnicas asociadas
con estos conceptos juegan un papel importante en áreas tan
diversas como: comunicaciones, aeronáutica y astronáutica,
diseño de circuitos, acústica, óptica, sismología, ingeniería
biomédica, sistemas de generación y distribución de energía,
control de procesos, reconocimiento de patrones, etc. Si bien, la
naturaleza física de las señales y sistemas que aparecen en estas
áreas pueden ser diametralmente diferentes, todas ellas tienen en
común dos características básicas: Las señales y los sistemas.

Mientras que las señales son funciones de una o más variables

independientes y contienen información acerca de la naturaleza o
comportamiento de algún fenómeno, los sistemas reciben señales
como entrada y responden a ellas produciendo otras señales a la
salida.

Los voltajes y corrientes como funciones del tiempo aplicados a

un circuito son ejemplos de señales y el circuito en sí es ejemplo
de un sistema, el cual responderá a su vez con voltajes y

16
corrientes dependiendo de los que le son aplicados. Cuando el
conductor de un automóvil presiona el acelerador, el automóvil
responde incrementando su velocidad, en este caso, el automóvil
es el sistema, la presión sobre el acelerador es una señal de
entrada y la velocidad del automóvil es una señal de salida. Un
programa de computadora para el diagnóstico de
electrocardiogramas puede ser considerado como un sistema que
recibe como entrada la señal digitalizada de un
electrocardiograma y produce como salida estimaciones sobre
parámetros tales como ritmo cardiaco, etc.[ CITATION scr11 \p 2-4 \l
3082 ]

Señales

Aunque las señales se pueden representar de muchas maneras, en

todos los casos la información contenida en una señal se refiere a
un conjunto de variaciones de algún tipo. Por ejemplo, en la
figura 1.0 se muestra la evolución de la respiración en un
individuo con insomnio prolongado tratado con electrosueño
(sueño inducido eléctricamente). A este tipo de diagrama se le
llama pneumograma y representa las variaciones en el caudal del
aire respirado por el paciente al transcurrir el tiempo.

Figura 1.0 Pneumograma de un paciente de insomnio tratado con electrosueño.

a) Principio de la aplicación de los estímulos( a los 20 segundos de de aplicar
la corriente aparece un ritmo periódico de respiración). b) El paciente enmpieza
a dormirse. c) el paciente está dormido (la respiración se hace regular).
(Adaptado de Electrosueño. V. A. Guiliarovski, et al, Moscú, 1961)

17
Aunque las señales se pueden representar matemáticamente como
funciones de una o más variables independientes, aquí se tratará
exclusivamente el caso de funciones de una variable
independiente y esta variable normalmente será el tiempo, aunque
en algunas aplicaciones como en la geofísica interesa el
comportamiento de la densidad, porosidad, resistividad eléctrica
(por ejemplo) con respecto a la profundidad, o en la meteorología,
interesa la variación de la presión, velocidad del viento, humedad
(por ejemplo) respecto a la altitud.[ CITATION scr11 \p 5-6 \l 3082 ]

Señales continúas y señales discreta

Existen dos tipos básicos de señales: Señales de tiempo continuo

y señales de tiempo discreto .En una señal continua o señal de
tiempo continuo x(t), la variable independiente (tiempo) es una
variable continua y por ello estas señales están definidas para
cualquier par de instantes de tiempo y para cualquier instante
comprendido entre este par. Para este tipo de señales usaremos t
para denotar a la variable independiente de tiempo continuo. La
figura 1.0 es un ejemplo de señales de tiempo continuo.

Figura 1.2 Señal que representa la relación especie-abundancia de una

comunidad ecológica (Adaptada de E.C. Pielou, An introduction to
Mathematical Ecology, N. Y. 1969)

18
Por otro lado, una señal discreta o señal de tiempo discreto x(k)
solamente está definida en ciertos instantes discretos de tiempo,
de manera que entre cada instante y el siguiente no está definida
dicha señal. Una señal de tiempo discreto también se puede por lo
tanto representar como una lista o secuencia de valores {x(1),
x(2), x(3),...}. En este tipo de señales usaremos k para denotar la
variable independiente. Son ejemplos típicos de una señal de
tiempo discreto: el índice Dow-Jones semanal del mercado de
valores, el censo de población anual, el índice de desempleo, o
bien la relación especie-abundancia de una comunidad ecológica.[
CITATION scr11 \p 6-7 \l 3082 ]

Discretización de señales continúas

Una señal de tiempo discreto x(k) puede representar un

fenómeno para el cual la variable independiente es
inherentemente discreta. Señales tales como las relaciones
especie-abundancia, o los datos demográficos o indicadores
económicos ya mencionados son ejemplos típicos de estas
señales. Por otro lado, una señal de tiempo discreto puede
representar muestras de un fenómeno para el cual la variable
independiente es en realidad continua.

Por ejemplo, el procesamiento de voz por computadora digital

requiere representar la señal continua de voz por una secuencia
discreta de valores que pueda ser procesado por un algoritmo de
computadora, tal es el caso también de todas las aplicaciones de
control de procesos continuos mediante computadora digital.
[ CITATION scr11 \p 11 \l 3082 ]

El proceso de muestreo

El proceso a través del cual una señal continua x(t) es

transformada en una señal discreta "equivalente" x(k) consiste
simplemente en la toma de muestras de la señal continua en

19
instantes discretos de tiempo k denominados instantes de
muestreo k = {...,-1,0,1,2,3,...}.

El proceso de muestreo se muestra en la figura 2.7. Para realizar

dicho proceso es necesaria una señal adicional que marque el
ritmo de la toma de muestras, idealmente dicha señal p(t) es un
tren de impulsos con una frecuencia fs= 1/Ts denominada
frecuencia de muestreo (en hertz). También es usual considerar
dicha frecuencia en radianes/seg . El muestreo puede
ser uniforme (Ts constante) o no uniforme (Ts variable). a Ts se
le llama también el periodo de muestreo.

Un sistema muestreador consiste simplemente en un switch que

se cierra en el momento marcado por el tren de impulsos y en
todos los demás instantes permanece abierto. En una
computadora digital este proceso tiene lugar en un módulo de
adquisición de datos, o convertidor analógico-digital dado que
este proceso de conversión consume un tiempo significativo,
cada muestra de la señal continua deberá ser "congelada"
mientras dura su conversión, este congelamiento se denomina
retención.

20
 Figura 1.3 El proceso de muestreo

El teorema fundamental del muestreo

No es difícil intuir al observar el proceso de muestreo que al

discretizar una señal de tiempo continuo se pierde algo de
información en el proceso, es decir la "información" contenida en
x(k) no es la misma que la de la señal original x(t), sin embargo,
también es fácil intuir que x(k) aún contiene algo de la
información de x(t).

De aquí surge en forma natural la pregunta ¿Es posible recuperar

toda la información de la señal original x(t) a partir de su
versión discretizada x(k)? El Teorema del muestreo de Shannon
da una respuesta a una pregunta aún más específica: ¿Cuándo y
cómo es posible recuperar dicha información y cuándo no lo es?

La idea intuitiva sub-yacente en el teorema de Shannon es que

entre más rápido se realice el muestreo (mayor número de
muestras tomadas) mejor representará x(k) a la señal original
x(t), de manera que la condición para poder recuperar la
información original deberá depender de la frecuencia de
muestreo. Para ilustrar esto, obsérvese la figura 1.4, en la cual se
está muestreando una onda senoidal a razón de dos muestras por
periodo, es decir, al doble de la frecuencia de la señal original

[ CITATION scr11 \p 11-13 \l 3082 ]

21
 Figura 1.4 Senoidal continua muestreada al doble de su frecuencia

Sistemas

Un sistema se puede ver como cualquier proceso que produce

una transformación de señales. Todo sistema debe tener al menos
una entrada x y una salida y, la señal de salida está relacionada
con la entrada mediante una relación de transformación y = f(x).
De manera similar a como lo hicimos con las señales, los
sistemas pueden ser sistemas de tiempo continuo si transforman
señales de entrada de tiempo continuo, en señales de salida de
tiempo continuo y serán llamados sistemas de tiempo discreto si
transforman señales de entrada de tiempo discreto en señales de
salida de tiempo discreto.[ CITATION scr11 \p 7 \l 3082 ]

APLICACIONES DE DSP

En las últimas décadas se ha producido una migración cada vez

mayor desde el procesamiento análogo hacia el procesamiento
digital. Al mismo tiempo, han surgido muchas aplicaciones y
técnicas nuevas, que nunca existieron en el mundo análogo. A
continuación se mencionan algunas aplicaciones actuales de DSP.

 Verificación de la calidad del suministro eléctrico: detección

de transientes5, medición de valor efectivo, potencia, factor
de potencia, contenido armónico6.

 Radar: medición de la distancia y de la velocidad de los

contactos. Compresión del pulso, lo que permite incrementar
la longitud de los pulsos para aumentar el alcance,
manteniendo la resolución en distancia.

 Sonar: formación de haces, para orientar electrónicamente el

arreglo de transductores; en modo activo, medición de la
5
Un transiente es una señal o forma de onda que empieza en una amplitud cero
6
un armónico es el resultado de una serie de variaciones adecuadamente acomodadas en un rango o
frecuencia de emisión, denominado paquete de información

22
 distancia, la demarcación y la velocidad de los contactos;
en modo pasivo, clasificación de los contactos en base al
ruido emitido por ellos.

 Medicina: reducción de ruido y diagnóstico automático de

electrocardiogramas y electroencefalogramas; formación de
imágenes en tomografía axial computarizada (scanner),
resonancia magnética nuclear y ecografía (ultrasonido).

 Análisis de vibraciones en máquinas, para detectar

tempranamente el desgaste de rodamientos o engranajes,
comparando el análisis espectral de las vibraciones con un
espectro de referencia obtenido cuando la máquina no tiene
defectos.

 Oceanografía: alerta temprana de maremotos o tsunamis

cuando se propagan en el océano abierto, en base a las
características de esas ondas que las diferencian de las olas y
de las mareas; análisis armónico y predicción de mareas;
medición de la energía de las olas con el objeto de
dimensionar muelles y otras estructuras sumergidas.

 Astronomía: detección de planetas en estrellas lejanas, en

base al movimiento oscilatorio que inducen en las estrellas
alrededor de las cuales orbitan.

 Radioastronomía: búsqueda de patrones en las señales

recibidas por los radiotelescopios, para detectar inteligencia
extraterrestre (SETI).

 Imágenes: mejora del brillo, contraste, colorido y nitidez,

restauración de imágenes borrosas debido al movimiento
de la cámara o del elemento fotografado, compresión de la
Información.

 Telefonía: conmutación (plantas telefónicas), decodificación

de discado por tonos (DTMF), modems, canceladores de

23
 ecos, teléfonos celulares digitales (PCS) y teléfonos
satelitales.

 Audio: ecualización, reverberación artificial, compresión

de la información (MP3), cancelación activa de ruido
ambiente (inyectando ruido en contrafase).

 Voz: compresión de la información, identificación de

personas, y reconocimiento de voz (dictado por voz).

 Televisión: cancelación adaptiva de multipath para eliminar

los “fantasmas”, fltros “peineta” para mejorar la separación
de luminancia y color en la señal de video compuesto, TV
digita de alta definición (HDTV), compresión de la
información.

 Industria automotriz: control de la inyección y del encendido

del motor para maximizar el rendimiento y minimizar las
emisiones; control de la transmisión automática para
maximizar la economía de combustible o la aceleración del
vehículo; control del flujo de energía en los vehículos
híbridos.

 Sismología: localización de hipocentros de sismos, búsqueda

de minerales y de petróleo analizando los ecos subterráneos
generados por pequeñas explosiones.[ CITATION Bar08 \l 3082 ]

o El procesamiento de la Voz en el tiempo

La importancia que siempre ha tenido la voz en el proceso de

comunicación humana se ve, en nuestros días, incrementada por
el rápido avance tecnológico. La enorme cantidad de
posibilidades que la tecnología digital, basada en el desarrollo de
microprocesadores cada vez más potentes, ofrece, hace que las
aplicaciones de procesamiento digital de señales se multipliquen.
Entre estas aplicaciones, las que involucran señales de voz han
permitido disponer de un conjunto de servicios que hasta hace

24
 algunos años eran impensables. Redes de integración de voz y
datos, diálogo hombre-máquina, síntesis a partir de texto,
identificación/verificación de locutores, son algunos ejemplos de
los logros alcanzados por el procesado digital de señales de voz. [
CITATION JCG07 \l 3082 ]

o Las RNA7 (Redes Neuronales Artificiales)

Las redes neuronales artificiales (RNA) son modelos que

intentan reproducir el comportamiento del cerebro. Como tal
modelo, realiza una simplificación, averiguando cuáles son los
elementos relevantes del sistema, bien porque la cantidad de
información de que se dispone es excesiva o bien porque es
redundante. Una elección adecuada de sus características, más
una estructura conveniente, es el procedimiento convencional
utilizado para construir redes capaces de realizar determinada
tarea. [ CITATION San11 \l 3082 ]

Conseguir, diseñar y construir máquinas capaces de realizar

procesos con cierta inteligencia ha sido uno de los principales
objetivos y preocupaciones de los científicos a lo largo de la
historia. Sin embargo a pesar de disponer de herramientas y de
lenguajes de programación8 diseñados para el desarrollo de
máquinas inteligentes, existe un problema de fondo que limita
los resultados: estas máquinas se implementan sobre ordenadores
basados en la filosofía de Von Neumann, y se apoyan en una
descripción secuencial del proceso de tratamiento de la
información.

Las primeras explicaciones teóricas sobre el cerebro y el

pensamiento fueron dadas por algunos filósofos griegos, como
Platón y Aristóteles, quienes fueron apoyados después por
Descartes y filósofos empiristas.

7
RNA (redes neuronales artificiales) se puede definir como una nueva forma de computación inspirada
en la forma en que funciona el sistema nervioso de los animales.
8
La programación es el proceso de diseñar, escribir, probar, depurar y mantener el código fuente de
programas computacionales.

25
Alan Turing, en 1936, fue el primero en estudiar el cerebro como
una forma de ver el mundo de la computación, pero quienes
primero concibieron algunos fundamentos de la computación
neuronal fueron Warren McCulloch y Walter Pitts, después otras
teorías iníciales fueron expuestas por Donald Hebb. Pero solo
hasta 1957 Frank Rosenblatt comenzó el desarrollo del
Perceptrón, la red neuronal más antigua.

Más adelante apareció el modelo ADALINE, desarrollado por

Bernard Widrow y Marcial Hoff.

Stephen Grossberg realizó Avalancha en 1967, hasta 1982 el

crecimiento se frenó pero surgierón luego investigaciones sobre
redes como la de Marvin Minsky y Seymour Papert, despúes
James Anderson desarrollo el Asociador Lineal, en Japón
Kunihiko Fukushimika y Teuvo Kohonen que se centraron en
redes neuronales para el reconocimiento de patrones; en USA
John Hopfield también realizó importantes investigaciones.

Desde 1985 comenzaron a consolidarse los congresos más

importantes como Neuronal Networks for Computing, la Neural
Information Processing Systems, entre algunas otras.

Actualmente, son numerosos los trabajos que se realizan y

publican. Revistas como Neural Networks, Transactions on
Neural Networks, entre otros, son las encargadas de la
publicación de los últimos avances.

El Departamento de Defensa de los Estados Unidos, la Sociedad

Europea de Redes Neuronales son algunos de los ejemplos del
resurgir de la investigación sobre redes neuronales.

Con las Redes Neuronales se busca la solución de problemas

complejos, no como una secuencia de pasos, sino como la
evolución de unos sistemas de computación inspirados en el
cerebro humano, y dotados por tanto de cierta "inteligencia", los
cuales no son sino la combinación de elementos simples de

26
proceso (neuronas - se dará una visión rápida sobre el
funcionamiento de las mismas en los seres vivos-)
interconectados, que operando de forma paralela en varios estilos
que serán analizados detalladamente, consiguen resolver
problemas relacionados con el reconocimiento de formas o
patrones, predicción, codificación, control y optimización entre
otras aplicaciones.

Elementos de una Red Neuronal Artificial

Se conoce como capa o nivel a un conjunto de neuronas cuyas

entradas provienen de la misma fuente y cuyas salidas se dirigen
al mismo destino.

o Unidad de proceso: La neurona Artificial. Existen tres tipos

de unidades en cualquier sistema: entradas, salidas y ocultas.
Las unidades de entrada reciben señales desde el entorno; las
de salida envían la señal fuera de la red, y las unidades
ocultas son aquellas cuyas entradas y salidas se encuentran
dentro del sistema.

o Estado de Activación. Los estados del sistema en un tiempo t

se representan por un vector A(t). Los valores de activación
pueden ser continuos o discretos, limitados o ilimitados. Si
son discretos, suelen tomar un conjunto discreto de valores
binarios, así un estado activo se indicaría con un 1 y un estado
pasivo se representaría por un cero. En otros modelos se
considera un conjunto de estados de activación, en cuyo valor
entre [0,1], o en el intervalo [-1,1], siendo una función
sigmoidal.

o Función de Salida o de Transferencia. Asociada con cada

unidad hay una función de salida, que transforma el estado
actual de activación en una señal de salida.

27
Características de las Redes Neuronales:

Existen cuatro aspectos que caracterizan una red neuronal: su

topología, el mecanismo de aprendizaje, tipo de asociación
realizada entre la información de entrada y salida, y la forma de
representación de estas informaciones.

Redes Monocapa: Se establecen conexiones laterales, cruzadas o

autorrecurrentes entre las neuronas que pertenecen a la única capa
que constituye la red. Se utilizan en tareas relacionadas con lo que
se conoce como autoasociación; por ejemplo, para generar
informaciones de entrada que se presentan a la red incompleta o
distorsionada.

Redes Multicapa: Son aquellas que disponen de conjuntos de

neuronas agrupadas en varios niveles o capas. Una forma de
distinguir la capa a la que pertenece la neurona, consiste en fijarse
en el origen de las señales que recibe a la entrada y el destino de
la señal de salida. Según el tipo de conexión, como se vio
previamente, se distinguen las redes feedforward, y las redes
feedforward/feedback.

Topología de las Redes Neuronales. La arquitectura de las redes

neuronales consiste en la organización y disposición de las
neuronas formando capas más o menos alejadas de la entrada y
salida de la red. En este sentido, los parámetros fundamentales de
la red son: el número de capas, el número de neuronas por capa,
el grado de conectividad y el tipo de conexiones entre neuronas.

Mecanismo de Aprendizaje. El aprendizaje es el proceso por el

cual una red neuronal modifica sus pesos en respuesta a una
información de entrada. Los cambios que se producen durante el
proceso de aprendizaje se reducen a la destrucción, modificación
y creación de conexiones entre las neuronas, la creación de una
nueva conexión implica que el peso de la misma pasa a tener un
valor distinto de cero, una conexión se destruye cuando su peso

28
pasa a ser cero. Se puede afirmar que el proceso de aprendizaje ha
finalizado (la red ha aprendido) cuando los valores de los pesos
permanecen estables (dwij / dt = 0).

Un criterio para diferenciar las reglas de aprendizaje se basa en

considerar si la red puede aprender durante su funcionamiento
habitual, o si el aprendizaje supone la desconexión de la red.

Otro criterio suele considerar dos tipos de reglas de aprendizaje:

las de aprendizaje supervisado y las correspondientes a un
aprendizaje no supervisado, estas reglas dan pie a una de las
clasificaciones que se realizan de las RNA: Redes neuronales con
aprendizaje supervisado y redes neuronales con aprendizaje no
supervisado. La diferencia fundamental entre ambos tipos estriba
en la existencia o no de un agente externo (supervisor) que
controle el aprendizaje de la red.

Redes con Aprendizaje Supervisado. El proceso de aprendizaje se

realiza mediante un entrenamiento controlado por un agente
externo (supervisor, maestro) que determina la respuesta que
debería generar la red a partir de una entrada determinada. El
supervisor comprueba la salida de la red y en el caso de que ésta
no coincida con la deseada, se procederá a modificar los pesos de
las conexiones, con el fin de conseguir que la salida se aproxime a
la deseada.

Se consideran tres formas de llevar a cabo este tipo de

aprendizaje:

Aprendizaje por corrección de error: Consiste en ajustar los

pesos en fución de la diferencia entre los valores deseados y los
obtenidos en la salida de la red; es decir, en función del error.

Aprendizaje por refuerzo: Se basa en la idea de no indicar

durante el entrenamiento exactamente la salida que se desea que
proporcione la red ante una determinada entrada. La función del
supervisor se reduce a indicar mediante una señal de refuerzo si la

29
salida obtenida en la red se ajusta a la deseada (éxito=+1 o
fracaso=-1), y en función de ello se ajustan los pesos basándose
en un mecanismo de probabilidades.

Aprendizaje estocástico: Este tipo de aprendizaje consiste

básicamente en realizar cambios aleatorios en los valores de los
pesos de las conexiones de la red y evaluar su efecto a partir del
objetivo deseado y de distribuciones de probabilidad.

Redes con Aprendizaje No Supervisado. Estas redes no requieren

influencia externa para ajustar los pesos de las conexiones entre
neuronas. La red no recibe ninguna información por parte del
entorno que le indique si la salida generada es o no correcta, asi
que existen varias posibilidades en cuanto a la interpretación de la
salida de estas redes.

En algunos casos, la salida representa el grado de familiaridad o

similitud entre la información que se le está presentando en la
entrada y las informaciones que se le han mostrado en el pasado.
En otro caso podría realizar una codificación de los datos de
entrada, generando a la salida una versión codificada de la
entrada, con menos bits, pero manteniendo la información
relevante de los datos, o algunas redes con aprendizaje no
supervisado lo que realizan es un mapeo de características,
obteniéndose en las neuronas de salida una disposición
geométrica que representa un mapa topográfico de las
características de los datos de entrada, de tal forma que si se
presentan a la red informaciones similares, siempre sean afectadas
neuronas de salidas próximas entre sí, en la misma zona del mapa.

En general en este tipo de aprendizaje se suelen considerar dos

tipos:

Aprendizaje Hebbiano: Consiste básicamente en el ajuste de los

pesos de las conexiones de acuerdo con la correlación, así si las
dos unidades son activas (positivas), se produce un rforzamiento

30
de la conexión. Por el contrario cuando un es activa y la otra
pasiva (negativa), se produce un debilitamiento de la conexión.

Aprendizaje competitivo y cooperativo: Las neuronas compiten

(y cooperan) unas con otras con el fin de llevar a cabo una tarea
dada. Con este tipo de aprendizaje se pretende que cuando se
presente a la red cierta información de entrada, solo una de las
neuronas de salida se active (alcance su valor de respuesta
máximo). Por tanto las neuronas compiten por activarse,
quedando finalmente una, o una por grupo, como neurona
vencedora

Estos dos mecanismos de asociación de asociación dan lugar a

dos tipos de redes neuronales:

Las redes heteroasosciativas y laas autoasociativas.

Una red heteroasociativa podría considerarse aquella que computa

cierta función, que en la mayoría de los casos no podrá expresarse
analíticamente, entre un conjunto de entradas y un conjunto de
salidas, correspondiendo a cada posible entrada una determinada
salida. Existen redess heteroasociativas con conexiones
feedforward, feedforward/feedback y redes con conexiones
laterales. Tambien existen redes heteroasociativas
multidimensionales y su aprendizaje puede ser supervisado o no
supervisado.

Por otra parte, una red autoasociativa es una red cuya principal
misión es reconstruir una determinada información de entrada que
se presenta incomp´leta o distorsionada (le asocia el dato
almacenado más parecido). Pueden implementarse con una sola
capa, existen conexiones laterales o tambien autorrecurrentes,
habitualmente son de aprendizaje no supervisado.

Tipo de Asociación entre las Informaciones de Entrada y Salida.

Las RNA son sistemas que almacenan cierta información
aprendida; está información se registra de forma distribuida en los

31
pesos asociados a las conexiones entre neuronas de entrada y
salida. Existen dos formas primarias de realizar esa asociación de
entrada/salida. Una primera sería la denominada heteroasociación,
que se refiere al caso en el que la red aprende parejas de datos
[(A1, B1), (A2, B2)… (An, Bn)], de tal forma que cuando se
presente cierta información de entrada Ai, deberá responder
generandola correspondiente salida Bi. La segunda se conoce
como autoasociación, donde la red aprende ciertas informaciones
A1, A2…An, de tal forma que cuando se le presenta una
información de entrada realizará una autocorrelación,
respondiendo con uno de los datos almacenados, el más parecido
al de la entrada.

Representación de la Información de Entrada y Salida. Las redes

neuronales pueden también clasificarse en función de la forma en
que se representan las informaciones de entrada y las respuestas o
datos de salida. Así un gran número de redes, tanto los datos de
entrada como de salida son de naturaleza analógica, cuando esto
ocurre, las funciones de activación de las neuronas serán tambien
continuas, del tipo lineal o sigmoidal. Otras redes sólo admiten
valores discretos o binarios a su entrada, generando también unas
respuestas en la salida de tipo binario. En este caso, las funciones
de activación de las neuronas son de tipo escalón. Existe también
un tipo de redes híbridas en las que las informaciones de entrada
pueden ser valores continuos, aunque las salidas de la red son
discretas.[ CITATION Raq08 \l 3082 ]

32
 o Técnicas para el filtrado de ruido en el reconocimiento de la voz

o Corpus de voz 9

o Utilización del corpus para el reconociendo de ordenes

orientadas al control de un sistema de iluminación por medio de
la voz

 Temporal

El estudio que se realiza en este proyecto de tesis es del tipo

transversal. Su ejecución se inició el 6 de enero del 2011 y su posible
termino, el 13 de Octubre del 2011

 Espacial

o La investigación comprende el espacio geográfico en general para

cualquier domicilio el cual posea dispositivos de iluminación para
su control.

o La implementación se hará a nivel de prototipo.

o El escenario de pruebas se implementa en el laboratorio de mi

domicilio y luego se traslada al laboratorio de la Universidad
Tecnológica del Perú para su demostración.

1.5.2 Facilidades del proyecto de Investigación

 Sector Privado

Se cuenta con el apoyo del laboratorio de la Universidad

Tecnológica del Perú donde se realiza las pruebas de simulacion y
donde se implementará el escenario de pruebas para su
demostarción.
9
Corpus de voz es una colección de grabaciones de voz diseñados para propósitos específicos

33
34
Bibliografía

Albers, Kirsching. 2006. Universidad de las Americas Puebla. [En línea] 2006. [Citado el: 30 de
Marzo de 2011.] http://ict.udlap.mx/people/ingrid/Clases/IS412/index.html.

Barchiesi, Juan Vignolo. 2008. Introduccion al Procesamiento Digital de Señales. valparaiso :

s.n., 2008.

Christian, Herrera. Monografias. [En línea] [Citado el: ] 30.

http://www.monografias.com/trabajos901/fundamentos-basicos-reconocimiento-
voz/fundamentos-basicos-reconocimiento-voz.shtml#Relacionados.

Daza, Sandra Patricia. monografias. [En línea] [Citado el: 8 de abril de 2011.]
http://www.monografias.com/trabajos12/redneur/redneur.shtml.

J.C.Gómez. 2007. Facultad de Ciencias Exactas, Ingieneria y Agrimesura de la Universidad

Nacional de Rosario. ProDiVoz. [En línea] 27 de Setiembre de 2007. [Citado el: 12 de abril de
2011.] http://www.fceia.unr.edu.ar/prodivoz/.

jamejiav84, usuario de scrib. scribd. [En línea] [Citado el: 12 de abril de 2011.]
http://es.scribd.com/doc/35366940/curdsp1.

Pasaye, José Juan Rincón. lc.fie.umich.mx. [En línea] [Citado el: 5 de abril de 2011.]
http://lc.fie.umich.mx/~jrincon/.

Raquel Florez Lopez, José Miguel Fernández. 2008. Las Redes Neuronales Artificiales
Fundamentos teoricos y aplicaciones practicas. s.l. : Netbiblo, 2008. 8497452461,
9788497452465.

Sánchez, Luis Gil. 1999. Introducción a la Electronica Digital. Valencia : s.n., 1999. 8477217793,
9788477217794.

Tokheim, Roger L. 1994. ELECTRONICA DIGITAL Serie Reverté de formación profesional en

electricidad y electrónica. s.l. : REVERTE, S.A., 1994. 8429134530, 9788429134537.

wikipedia, colaboradores de. Wikipedia. [En línea] [Citado el: 4 de abril de 2011.]
http://es.wikipedia.org/w/index.php?title=Electr%C3%B3nica_digital&oldid=40577941.
40577941.

35