1

Caracterización de la Relación Dinámica entre

Intervalos de Silencio y Tamaño de Bits
para el Canal de Sincronización de una
Red Satelital utilizando Lógica Fuzzy
César Hernando Valencia NiñoΨ, Max Suell Dutraℵ
Ψ, ℵ
Laboratório de Robótica - LabRob
Programa de Engenharia Mecânica
Instituto Alberto Luís Coimbra de Pós-Graduação e Pesquisa de Engenharia - COPPE
Universidade Federal do Rio de Janeiro
Rio de Janeiro, Brasil
Ψ
Unidad Investigadora de Telecomunicaciones - UNITEL
Red de Investigación en Telecomunicaciones - REDinTel
Facultad de Ingeniería de Telecomunicaciones
División de Ingenierías
Universidad Santo Tomás
Bucaramanga, Colombia

cesar.valencia@ufrj.br, max@mecanica.coppe.ufrj.br

Resumen—La caracterización de la relación dinámica entre
intervalos de silencio y tamaño de bits para el canal de
sincronización de una red satelital utilizando lógica fuzzy
presenta una alternativa de control sobre las tasas efectivas
que deben ser aplicadas en un algoritmo de control con el fin
de obtener la mayor capacidad de un Canal satelital que
utiliza el canal de sincronización como asociado al canal
principal para envió de información, el modelo inicial fue
desarrollado por el Dr. Giacomo Morabito1 profesor de la
Universidad de Catania quien utilizo matemática clásica para
la caracterización del comportamiento de los mismos, en este
articulo se presentan los resultados obtenidos para la misma
aplicación pero utilizando lógica fuzzy y presentando una
alternativa de control para dicha aplicación.
Palabras Claves—Relación Dinámica, Canal de
Sincronización, Intervalos de Silencio, Tamaño de Bits, Redes
VSAT2 y Lógica Fuzzy.
I. INTRODUCCIÓN
A través de la utilización de modelos basados en lógica
difusa se han descrito y examinado en los últimos 40
años casos de alta complejidad en diversas áreas como
ingenierías, administrativas, económicas entre otras [1] y
[2], en el área de ingenierías su aplicación mas fuerte ha
1
Dipartimento di Ingegneria Informatica e delle Telecomunicazioni - School of
Telematic Engineering at Enna.
2
Very Small Aperture Terminal.
sido en la parte de procesos de control de dispositivos. La
utilización de los modelos de lógica difusa ha permitido el
desarrollo de tareas de alta complejidad con una
significante reducción del tiempo necesario para la
realización de las mismas.
Para tener una mayor idea del funcionamiento de la
lógica difusa retornaremos a sus inicios, esta fue concebida
por el Dr. Lotfi Zadeh3 quien la propuso como un método
para reducir el análisis de sistemas de alta complejidad,
su motivación fue presentar una solución alternativa a la
matemática clásica, para una gran cantidad de problemas de
complejidad elevada y con tendencias claras a aumentar, el
manejo de esta nueva alternativa solo sería posible si
replanteaba los recursos de la matemática clásica, es así
como se plantea la utilización de términos difusos [3, 15]
que se definen en categorías generales pero no son
estrictamente rígidos, la transición de estos términos a su
siguiente grado depende de el aumento o disminución del
grado de pertinencia que este tenga dentro del modelo
preestablecido.
El centro de los términos difusos son la variables
lingüísticas [4, 14], que son aquellas que describen
cualquier tipo de recurso a ser tenido en cuenta para un
análisis bajo estos modelos, a su vez estas contienen los
términos lingüísticos [4, 13], que son los encargados de
demostrar el grado de pertinencia que tiene la variable
3
Professor in the Graduate School, Computer Science Division - Department of
Electrical Engineering and Computer Sciences - University of California.
 2

anterior en una escala de 0 hasta 1, otros elementos de gran
importancia son las reglas que establecerán el
comportamiento del modelo, estas son fijadas por el autor
teniendo en cuenta experiencias previas de expertos que
describen el comportamiento del mismo.
Un ejemplo de las reglas y operadores utilizados en
lógica difusa son:
If (input1 is mf1) and (input2 is mf1) then (output1 is mf1)
If (input1 is mf1) or (input2 is mf1) then (output1 is mf1)
los resultados son obtenidos utilizando constantes fijas para
el análisis de cada una de las variables, en el primer caso se
toma un valor fijo de tamaño de 8bits y se obtiene el
comportamiento de la capacidad según las variaciones
producidas en la duración de los intervalos de silencio, la
respuesta obtenida es presentada en la figura 1, para el
segundo caso es tomado un valor fijo para la duración de
intervalos de silencio de 0.1ms, así el comportamiento de la
(1) capacidad según las variaciones producidas por el tamaño
de bits es presentado en la figura 2.
(2)

If (input1 is not mf1) and (input2 is not mf1) then (output1 is not mf1) (3)

Donde cada una de las entradas input1 e input2 son

variables lingüísticas, las cuales tienen términos
lingüísticos mf1 que pueden ser negados o no, estos están
relacionados mediante operadores and y or, para así entrar
al algoritmo encargado de la toma de decisiones basado en
las reglas predeterminadas tomando en cuenta el operador
then que concatena con la salida output1 quien también
tiene términos lingüísticos mf1 que pueden ser negados o
no. En este artículo se muestran los resultados obtenidos Fig. 1. Variación de la capacidad con valor fijo de tamaño de bits.6
mediante la aplicación de la lógica difusa para la
caracterización del incremento de la capacidad de canales
satelitales[5, 6], ya que este trabajo permitirá implementar
dicho modelo de menor complejidad que un modelo
matemático clásico y obtendrá los mismos resultados en
cualquier tipo de procesador que trabaje con lógica difusa.

II. AUMENTO DE LA CAPACIDAD

En el artículo “Increasing Capacity Through the Use of
the Timing Channel in Power-Constrained Satellite Fig. 2. Variación de la capacidad con valor fijo de duración de
intervalos de silencio.7
Networks” publicado en Infocom20074 en la sesión 17
“Broadband Access” el profesor Giacomo Morabito de la
Los resultados presentados demuestran que la capacidad
Universidad de Catania demostró que es posible
no presenta un crecimiento lineal, presenta puntos
incrementar[8] la capacidad de una red satelital de potencia
específicos en los cuales se obtiene el valor optimo[10],
restringida utilizando el canal de sincronización para envió
por tal motivo es necesario implementar un sistema de
de datos[10].
control adaptativo que ajuste los valores de forma dinámica
Los análisis de capacidad del comportamiento del canal
para que dependiendo de la entrada siempre obtener la
fueron divididos en dos con el propósito de tener respuestas
mayor capacidad posible, el desarrollo de este algoritmo de
aisladas del comportamiento del canal con respecto a dos
control es propuesto durante el desarrollo de este articulo
variables incursas en los modelos propuestos para
utilizando Lógica Fuzzy, en la parte II-A se realiza el
transmisores y receptores[10]. Estas variables son el
análisis de capacidad con un valor fijo de intervalos de
tamaño de los datos transmitidos y la duración de los
silencio, en la parte II-B se realiza el análisis de la
intervalos de silencio, el protocolo propuesto por el
capacidad con el valor fijo de tamaño de bits en los cuales
profesor Morabito denominado por el TC-TxCP5 es el
se validan los resultados obtenidos por el profesor Morabito
encargado de obtener los mayores rendimientos en función
y así ser adaptados para ser obtenidos mediante un modelo
de la capacidad para las dos variables antes mencionadas,
difuso.

4 6
26th IEEE INFOCOM Conference on Computer Communications. Imagen tomada del articulo “Increasing Capacity Through the Use of the Timing
5
Transmission Control protocol that exploits the Timing Channel in power Channel in Power-Constrained Satellite Networks”.
7
constrained satellite networks. Imagen tomada del articulo “Increasing Capacity Through the Use of the Timing
Channel in Power-Constrained Satellite Networks”.
 3

La configuración de los modelos difusos ha ser utilizados  0, 0 ≤ x ≤ 22 

es la siguiente: 0.111x − 2.442, 22 < x ≤ 31
  (6)
muyalto( x) =  
1) Sistema de Inferencia: Sugeno  − 0.25 x + 8.75, 31 < x ≤ 35
2) Operador and: Método de producto  0, x > 35 
3) Operador or: Método probabilístico
4) Método de defuzzuficación: Media ponderada
La figura 3 presenta los 6 términos lingüísticos de la
variable de entrada tenidos en cuenta con sus respectivas
A. Análisis de la Capacidad con un valor fijo de relaciones de pertinencia dentro de los tamaños posibles
intervalos de silencio. para los datos.
Para la realización de este análisis la configuración
particular del modelo difuso es la siguiente8:

1) Variable Lingüística de entrada: Tamaño de Datos.

2) Términos Lingüísticos de la variable de entrada:
muybajo, bajo, mediobajo, medioalto, alto y muyalto.
3) Variable Lingüística de salida: Capacidad
4) Términos Lingüísticos de la variable de salida:
muybajo, bajo, mediobajo, medioalto, alto y muyalto.

Las relaciones de pertinencia de los términos lingüísticos

de la variable de entrada están definidas por las siguientes Fig. 3. Términos Lingüísticos para la variable de entrada.9
ecuaciones:
Los valores de las constantes utilizadas para cada uno de
 0, 0 ≤ x ≤1  los términos lingüísticos de la variable de salida son:
 x − 1, 1 < x ≤ 2 
 (1)
muybajo( x) =   muybajo=0.0
− 0.26 x + 1.52, 2 < x ≤ 5.8 alto=7.2
 0, x > 5.8  muyalto=7.6
medioalto=4.8
 0, 0 ≤ x ≤ 4.9 mediobajo=2.3
 10 x − 49, 4.9 < x ≤ 5
 (2) bajo=0.6
bajo( x) =  
− 0.066 x + 1.33, 5 < x ≤ 20 
La Figura 4 presenta la capacidad máxima basándose en
 0, x > 20  el algoritmo de Sugeno y las reglas establecidas para
 0, 0≤ x≤8  diferentes tamaños de los paquetes de datos.
 0.5 x − 4, 8 < x ≤ 10  (3)

mediobajo( x) =  
− 0.166 x + 2.66, 10 < x ≤ 16
 0, x > 16 
 0, 0 ≤ x ≤ 14 
 0.333x − 4.66, 14 < x ≤ 17  (4)

medioalto( x) =  
− 0.166 x + 3.822, 17 < x ≤ 23
 0, x > 23 
 0, 0 ≤ x ≤ 16  Fig. 4. Máxima capacidad según la reglas.10
 0.333x − 5.328, 16 < x ≤ 19  (5)

alto( x) =   La Figura 5 presenta la curva de salida de la capacidad
− 0.133x + 3.527, 19 < x ≤ 26.5
del canal con respecto a la variación del tamaño de datos.
 0, x > 26.5 

9
Configuración de los términos lingüísticos.
10
Configuración de las reglas según las funciones de cada término para la obtención
8
El valor fijo de intervalos de silencio es considerado igual a 0.1ms. del punto optimo.
 4

 0, 0 ≤ x ≤ 1e − 5 
 20000x − 0.2, 1e − 5 < x ≤ 6e − 5  (7)

muybajo( x) =  
− 5263.15x + 1.315, 6e − 5 < x ≤ 25e − 5
 0, x > 25e − 5 

 0, 0 ≤ x ≤ 1e − 4 
 10000 x − 1, 1e − 4 < x ≤ 2 e − 4  (8)

bajo ( x ) =  
 − 3333 . 33 x + 1 . 666 , 2 e − 4 < x ≤ 5e − 4 
Fig. 5. Curva de salida.  
0, x > 5e − 4

En la Tabla 1 son presentados los valores

correspondientes para la capacidad del canal según los  0, 0 ≤ x ≤ 25e − 5 
diferentes tamaños de datos.  6666.66 x − 1.666, 25e − 5 < x ≤ 4e − 4
  (9)
medio( x) =  
TABLA I − 3333.33 x + 2.333, 4e − 4 < x ≤ 7e − 4 
CAPACIDAD DEL CANAL  0, x > 7e − 4 

Tamaño de Datos(bits) Capacidad(Mbps)

 0, 0 ≤ x ≤ 5e − 4 
0 0.5  10000 x − 5 , 5 e − 4 < x ≤ 6 e − 4  (10)
3 0

alto ( x ) =  
5 5.95  − 3333 . 33 x + 2 . 999 , 6e − 4 < x ≤ 9e − 4 
8 7.2  0, x > 9e − 4 
10 7.44
13 7.41
15 6.32  0, 0 ≤ x ≤ 7e − 4 
18 3.98  10000 x − 7 , 7 e − 4 < x ≤ 8e − 4  (11)

20 3.21 muyalto ( x ) =  
23 1.97  − 3333 .33 x + 3 .666 , 8e − 4 < x ≤ 11e − 4 
25 1.24  0, x > 11e − 4 
28 0.6
33 0.6
30 0.6 La Figura 6 presenta los 5 términos lingüísticos12 de la
35 0.5 variable de entrada tenidos en cuenta con sus respectivas
relaciones de pertinencia dentro de los tamaños posibles
para los intervalos de silencio.
Los resultados obtenidos demuestran que para el valor
trabajado de intervalo de silencio la máxima capacidad se
alcanza en un tamaño de datos de 10bits.

B. Análisis de la Capacidad con un Valor Fijo de

Tamaño de Bits
Para la realización de este análisis la configuración
particular del modelo difuso es la siguiente11:

1) Variable Lingüística de entrada: Intervalo de Silencio.

2) Términos Lingüísticos de la variable de entrada:
muybajo, bajo, medio, alto y muyalto.
3) Variable Lingüística de salida: Capacidad Fig. 6. Términos Lingüísticos para la variable de entrada.13
4) Términos Lingüísticos de la variable de salida:
muyalta, alta, medialta, mediabaja, baja y muybaja. Los valores de las constantes utilizadas para cada uno de
los términos lingüísticos de la variable de salida son:
Las relaciones de pertinencia de los términos lingüísticos
de la variable de entrada están definidas por las siguientes 1) muyalta=8.5
ecuaciones: 2) alta=2.5
3) medialta=1.7

12
Fueron escogidos 5 términos lingüísticos con el fin de aumentar la resolución del
algoritmo.
11
Para el análisis se utilizaron 8bits como valor de referencia.
 5

4) mediabaja=1.2 Los resultados obtenidos demuestran que para el valor

5) baja=1.0 trabajado de tamaño de datos la máxima capacidad se
6) muybaja=0.0 alcanza en un tamaño de intervalo de silencio de 0.1ms.

La Figura 7 presenta la capacidad máxima basándose en III. CONTROLADOR DE LÓGICA FUZZY

el algoritmo de Sugeno y las reglas establecidas para
diferentes tamaños de los intervalos de silencio.
Para poder obtener el mayor desempeño del modelo
propuesto es necesario incorporar un dispositivo encargado
de controlar una de las dos variables de entrada, en la parte
III-A es presentado un diagrama de bloques de lo que
puede ser el controlador utilizando lógica fuzzy.

A. Sistema Propuesto para Control

Fig. 7. Máxima capacidad según las reglas
La Figura 8 presenta la curva de salida de la capacidad
del canal con respecto a la variación del tamaño de los
intervalos de silencio.
Para el diseño del siguiente sistema se tuvieron en cuenta
factores que determinan el rendimiento[7] de la red como
tamaño de datos y duración de intervalos de silencio, estas
a su vez representan las variables de entrada, se otorga la
posibilidad de que los tamaños de bits de las palabras de
entrada sean variables, por tanto el modelo realizara
correcciones en la duración de los intervalos de silencio
para ajustar el rendimiento al máximo, se han agregado
dispositivos de ganancia para obtener un mayor ajuste en la
respuesta, así como un lazo de retroalimentación[12] para
la variable de intervalos de silencio que es entregada por el
controlador de lógica fuzzy, el cual estima el valor
conveniente para trabajar en el estado optimo, en la Figura
9 es mostrado el diagrama de bloques mencionado.

Fig. 8. Curva de Salida

En la Tabla 2 es presentada la capacidad del canal para

los diferentes tamaños de datos.

TABLA II
14
CAPACIDAD DEL CANAL

Intervalo de Silencio(bits) Capacidad(Mbps)

0.1 8.5
0.2 3.75
0.3 2.23 Fig. 9. Modelo de control propuesto.
0.4 1.9
0.5 1.7
0.6 1.33 La superficie de control[9, 11] resultante ha sido
0.7 1.2 obtenida mediante un modelo de lógica difusa
0.8 1.05 implementado utilizando el sistema de inferencia de
0.9 1
1.0 1
sugeno, el método de producto es utilizado como operador
1.1 0.5 and, el método probabilistico como operador or y la
1.2 0.5 defuzzificacion es realiza mediante la media ponderada,
este modelo ha sido el mismo que fue cargado en el
controlador de lógica fuzzy utilizado en el diagrama de
bloques de la Figura 9.
En la Figura 10 es presentada la superficie de control
obtenida en la implementación del controlador de lógica
14
Los valores presentados en la tabla 2 son obtenidos mediante las diferentes fuzzy con las dos variables de forma simultánea.
configuraciones posibles del conjunto de reglas difusas.

Fig. 10. Superficie de control.
IV. CONCLUSIONES
En este documento queda demostrado que es posible
incrementar la capacidad de una canal satelital utilizando el
canal de sincronización para envió de datos, también queda
ampliamente demostrado la versatilidad de los modelos
difusos para diferentes aplicaciones que conllevan un alto
grado de complejidad, este sistema es susceptible de ser
implementado en microprocesadores que operen bajo
lógica difusa y por tanto mejorar el rendimiento de dicho
procesador y los tiempos de respuesta.
La implementación de un controlador de lógica fuzzy
permite operar con alta confiabilidad el sistema obteniendo
así los puntos óptimos para cada una de las variaciones que
puedan llegar a ser presentadas durante los periodos de
trabajo, la superficie de control demuestra que aun para
condiciones no ideales es posible obtener un aumento
mayor, en próximos trabajos será de vital importancia
determinar los tiempos de respuesta de los controladores
que pueden llegar a ser usados y como estos incrementan el
rendimiento junto con el algoritmo difuso, bajo ciertas
condiciones especiales es posible implementar este modelo
de control difuso en otros sistemas de comunicaciones con
el fin de aumentar la capacidad.
Mediante la implementación de este sistema se obtiene
una red dinámica que tiene la posibilidad de adaptarse y
responder de la mejor forma a los eventos que suceden a su
entorno.
REFERENCIAS
[1] M. Sugeno, “Industrial applications of Fuzzy Control”, North-
Holland, Amsterdam, 270 pages, 1985.
[2] D. Filev, “Fuzzy modeling of complex systems”, International
Journal Approximate Reasoning, volume 5, 1991.
[3] R. Yager, “Simultaneous solution of fuzzy models: an application to
economic equilibrium analysis”, Fuzzy Sets and Systems, volume
115, 2000.
6
[4] E. Cox, “The Fuzzy Systems Handbook”, AP Professional,
Chappaqua, New York, 615 pages, 1994.
[5] M. J. Neely, E. Modiano and C. Rohrs, “Dynamic Power Allocation
and Routing for Satellite and Wireless Networks with Time Varying
Channels”, IEEE Journal of Selected Areas in Communication,
January, 2005.
[6] M. J. Neely, E. Modiano and C. Rohrs, “Packet Routing over
Parallel Time-Varying Queues with Application to Satellite and
Wireless Networks”, Conference on Information Science and
System, Princeton, NJ, March, 2002.
[7] H. J. Su and E. Geraniotis,” Adaptive Closed-Loop Power Control
with Quantized Feedback and Loop Filtering”, IEEE Transactions on
Wireless Comunications, 2002.
[8] J. P. Choi and V. W. S. Chan, “Optimum Multibeam Satellite
Downlink Power Allocation Based on Tr&c Demands”, Global
Telecommunications Conference, 2002.
[9] D. M. Novakovic and M. L. Dukic, “Evolution of the Power Control
Techniques for Ds-cdma Toward 3g Wireless Communication
Systems”, IEEE Communications Surveys and Tutorials, volume 3,
2000.
[10] G. Morabito, “Increasing Capacity Trough the Use of the Timing
Channel in Power-Constrained Satellite Networks”, IEEE
INFOCOM, 2007.
[11] A. R. Sartorius, L. Hernández y R. Aracil, “Laboratorio a distancia
para la prueba y evaluación de controladores a través de Internet”,
Revista SBA Controle & Automação. ISSN 0103-1751. Brasil.
vol.16 no.1, Jan./Mar. 2005.
[12] J. L. Díaz y A. Pardo, “Control Fuzzy vs Control Clásico de
Velocidad en un Motor de CD”, Revista Colombiana de Tecnologías
de Avanzada, Volumen 2, Número 2, 2003.
[13] J. C. Bezdek, J. Keller, R. Krisnapuram and N. R. Pal, “Fuzzy
Models and Algorithms for Pattern Recognition and Image
Processing”, Springer, 2005.
[14] H. Choe and J. B. Jordan, “On the Optimal Choice of Parameters in a
Fuzzy C-Means Algorithm”, IEEE International Conference on
Fuzzy Systems, 1992.
[15] J. M. Keller and B. Yan, “Possibility Expectation and Its Decision
Making Algorithm”, IEEE International Conference on Fuzzy
Systems, 1992.