SERVICIOS DE TELECOMUNICACIONES II LABORATORIO 3 Y 4
Profesor: MSc Jos Daz Zegarra
Alumno:
Sandoval Rodrguez Christopher 10190205
2014
LABORATORIO N03 ANALISIS DE METODOS DE ESTIMACION DE DENSIDAD ESPECTRAL DE POTENCIA POR METODOS PARAMETRICOS
I. OBJETIVOS Analizar los diferentes mtodos para la estimacin de la densidad espectral de potencia. Aplicaciones de los mtodos para hallar la PSD
II. INSTRUMENTOS Y COMPONENTES Computadora personal Programa MATLAB
III. FUNDAMENTO TEORICO Existen mtodos de estimacin espectral como: Mtodos no paramtricos Mtodos paramtricos Mtodos subespeciales
En matemticas y en fsica, la Densidad Espectral (Spectral Density) de una seal es una funcin matemtica que nos informa de cmo est distribuida la potencia o la energa (segn el caso) de dicha seal sobre las distintas frecuencias de las que est formada, es decir formada, es decir, su espectro. La definicin matemtica de la Densidad Espectral (DE) es diferente dependiendo de si se trata de seales definidas en energa, en cuyo caso hablamos de Densidad Espectral de Energa (DEE), o en potencia, en cuyo caso hablamos de Densidad Espectral de Potencia(DEP).
Aunque la densidad espectral no es exactamente lo mismo que el espectro de una seal, a veces ambos trminos se usan indistintamente, lo cual, en rigor, es incorrecto. Las tcnicas de estimacin espectral pueden catalogarse atendiendo al siguiente criterio: Mtodos clsicos o no paramtricos. Estiman la secuencia de autocorrelacin r x (k) a partir de un conjunto de datos. Calculando la transformada de Fourier de la secuencia de autocorrelacin estimada se obtiene una estimacin del espectro. Mtodos no clsicos o paramtricos. Utilizan un modelo del proceso para estimar el espectro de potencia. Dentro de los mtodos clsicos, encontramos: Periodograma Periodograma Modificado Mtodo de Bartlett Mtodo de Welch Mtodo de Blackman-Tukey El mtodo de Mnima Varianza disea un banco de filtros banda estrecha para generar un conjunto de procesos aleatorios de banda estrecha. El espectro de potencia en la frecuencia central de cada filtro paso-banda se estima a partir de la potencia del proceso de banda estrecha y dividiendo por el ancho de banda del filtro. Otra tcnica que consideraremos es la de Mxima Entropa, que resulta equivalente a estimar con un modelo todo-polos. A continuacin, estableceremos una interesante relacin entre estos dos ltimos mtodos. Vamos a demostrar que la estimacin MV de orden p es la media armnica de las estimaciones MEM de los rdenes k = 0, 1 , ..., p. Para ello, utilizaremos la recursin que permite expresar la inversa de una matriz Toeplitz R p de dimensiones (p+1) x (p+1) segn
Para un proceso aleatorio estacionario en sentido amplio (WSS) con una matriz de autocorrelacin R p , la estimacin MV de orden p es
Multiplicando R p -1 por e H por la izquierda y por e por la derecha, obtenemos
y utilizando notacin vectorial
Observamos que los dos primeros trminos son proporcionales a la inversa de las estimaciones MV de rdenes p y p-1, respectivamente. El ltimo trmino, por su parte, es la inversa de la estimacin MEM de orden p. Por tanto,
Notamos que es una recursin de la estimacin MV de orden p en trminos de la estimacin MV de orden (p-1) y del espectro MEM de orden p. Si resolvemos la recursin para encontramos la relacin
La estimacin MV es la media armnica de las estimaciones MEM desde el menor hasta el mayor orden de estimacin. Como resultado de este promedio (y, en consecuencia, suavizado), para un proceso WSS formado por componentes de banda estrecha en ruido, el mtodo MEM ofrecer una mayor resolucin en la estimacin espectral que el mtodo MV. Por ltimo, tambin existen mtodos basados en modelos paramtricos. Distinguimos los siguientes: De Media Mvil (MA), Autorregresivos (AR), Autorregresivos de Media Mvil (ARMA).
IV. SIMULACION
COMPARACIN DE MTODOS PARA HALLAR LA DENSIDAD ESPECTRAL DE POTENCIA CONSTRUIR EL SIGUIENTE MODELO EN SIMULINK
Entrar a SIMULINK, ingresar en la lnea de comandos usando SIMULINK Ingresar al Blockset de SIGNAL PROCESSING BLOCKSET Signal Processing Sources, elegir Random Source y Colocar los siguientes parmetros
Signal Processing Blockset, Filtering, Filter Design y Elegir Digital Filter y colocar los siguientes parmetros
Primera Compilacin errada:
Segunda Compilacin y respuesta final del sistema:
Signal Processing Blockset, Estimation, Power Spectrum Stimation y Elegir Magnitude FFT2, periodogram, Burg, Yule Walker, Covariance, Covariance Modified.
Entrar a Simulink, Math Operations y Elegir Math Concatenate, Colocar los siguientes parmetros
Signal Processing Sinks, elegir Vector Scope
Entrar a Simulink, Math Operators, Elegir Gain.
A
Signal Processing Sources, Elegir Constant y asignar los valores:
V. CUESTIONARIO Y PROBLEMAS
1. Si se Incluye una fuente de Sonido (archivo de sonido) utilice un proceso de digitalizacin para luego mostrar su densidad espectral de potencia. (Utilice el proceso PCM, la transformada de Fourier, puede usar cdigo o Simulink). Usando los mtodos utilizados en el laboratorio.
No se tiene mucha informacin para poder utilizar el proceso PCM e incluirlo en el sistema que hemos armado, se trat de buscar fuentes de sonido para poder incluirlas (reemplazando por la fuente aleatoria), se obtuvo informacin de distintos tipos de PCM y aun as no se pudo acoplar.
2. Describir los algoritmos para los mtodos descritos en la Tabla 1 (ej. Periodograma, Welch, etc.).
Periodograma El espectro de potencia de un proceso aleatorio estacionario en sentido amplio (WSS) es la transformada de Fourier de la secuencia de autocorrelacin:
De esta forma, la estimacin espectral puede considerarse como un problema de estimacin de la autocorrelacin. Para un proceso ergdico en autocorrelacin y una cantidad ilimitada de datos, la secuencia de autocorrelacin puede ser obtenida mediante el promedio temporal:
Pero si la seal x(n) es conocida nicamente en un intervalo finito (para n = 0, 1, ..., N- 1), entonces la secuencia de autocorrelacin se ha de estimar mediante una suma finita:
Con el fin de asegurar que los valores de x(n) fuera del intervalo [0, N-1] estn excluidos del sumatorio, escribimos la ecuacin anterior de la forma siguiente:
para valores negativos de k, se aplica la propiedad de simetra conjugada:
y para valores fuera del intervalo [-N+1, N-1], se iguala a cero:
Aplicando la transformada de Fourier a la secuencia de autocorrelacin calculada, obtenemos el estimador espectral de potencia denominado Periodograma:
En ocasiones, puede resultar ms conveniente expresar el Periodograma en funcin del proceso x(n). Supongamos que x N (n) es una secuencia de longitud N, igual a x(n) en el intervalo [0,N-1], y cero fuera de este intervalo.
x N (n) = x(n) ; 0 <= n <= N-1 0 ; para otros valores De esta manera, podemos considerar x N (n) como el producto de x(n) con una ventana rectangular w R (n):
Y en trminos de x N (n), podemos expresar la secuencia de autocorrelacin estimada como:
Tomando la transformada de Fourier y aplicando el teorema de la convolucin, el periodograma adquiere la forma:
donde X N (e jw ) es la transformada discreta de Fourier de la secuencia x N (n):
As, el periodograma es proporcional al cuadrado de la transformada discreta de x N (n), y puede calcularse fcilmente de la siguiente manera:
Metodo de Welch Welch, en 1967, propuso dos modificaciones al mtodo de Bartlett. En primer lugar, permiti el solapamiento de segmentos de datos. Este efecto se conoce como overlap. Suponiendo que entre dos secuencias sucesivas existe un desplazamiento de D puntos y que cada secuencia consta de L puntos de longitud, la secuencia i-sima viene determinada por la expresin: x i (n) = x(n + iD) ; n = 0, 1, ..., L-1 El solapamiento entre dos secuencias consecutivas x i (n) y x i+1 (n) es de L-D puntos, y si las K secuencias cubren una longitud de N puntos, entonces: N = L +D(K-1) Supongamos que no existe solape entre las secuencias (D = L); tendremos K = N/L secciones de longitud L, como en el mtodo de Bartlett. Si permitimos que las secuencias posean un solape del 50% (D = L/2), el nmero de secciones K de longitud L es: K = 2N/L - 1 De esta manera, se mantiene la resolucin (la longitud de la secuencia no vara) del mtodo de Bartlett, pero al doblar el nmero de periodogramas modificados que van a promediarse, se reduce la varianza. Con un 50% de solape entre las secuencias, tambin podemos formar K secuencias de longitud 2L, donde K es: K = N/L - 1 As, mejoramos la resolucin manteniendo la misma varianza que en el mtodo de Bartlett. Con el overlap o solapamiento es posible incrementar el nmero y/o la longitud de las secuencias que van a ser promediadas, logrando de esta forma una reduccin en la varianza, siempre con un compromiso en la resolucin del mtodo de estimacin espectral.
La segunda propuesta consiste en enventanar cada secuencia x i (n) con una ventana general w(n) (no slo con la ventana rectangular), antes de calcular el periodograma. De esta manera se obtiene un periodograma modificado por cada secuencia enventanada:
El estimador de Welch es el promedio de los periodogramas modificados:
y su expresin general es:
donde U:
Metodo Multitaper
El periodograma puede ser interpretado como un filtrado de la seal L de longitud , xl [ n ] , a travs de un banco de filtros ( un conjunto de filtros en paralelo ) de L filtros FIR de paso de banda . El ancho de banda de 3 dB de cada uno de estos filtros de paso de banda puede demostrarse que es aproximadamente igual a fs / L. El ofeach respuesta de magnitud uno de estos filtros de paso de banda se asemeja a la de la ventana rectangular discutido en fuga espectral . El periodograma por lo tanto puede ser visto como un clculo de la potencia de cada seal filtrada ( es decir , la salida de cada filtro de paso de banda ) que utiliza slo una muestra de cada seal filtrada y se supone que el PSD de xL [ n] es constante a lo largo del ancho de banda de cada filtro de paso de banda . Como la longitud de la seal aumenta , el ancho de banda de cada filtro de paso de banda disminuye , por lo que es un filtro ms selectivo , y la mejora de la aproximacin de PSD constante en el ancho de banda del filtro . Esto proporciona otra interpretacin de por qu la estimacin de la PSD periodograma mejora a medida que la longitud de la seal aumenta . Sin embargo , hay dos factores evidentes a partir de este punto de vista que comprometer la exactitud de la estimacin periodograma . En primer lugar, la ventana rectangular se obtiene un filtro de paso de banda pobres . En segundo lugar, el clculo de la potencia en la salida de cada filtro de paso de banda se basa en una sola muestra de la seal de salida , produciendo una aproximacin muy crudo . Mtodo de Welch se puede dar una interpretacin similar en trminos de un banco de filtros . En la aplicacin de Welch , varias muestras se utilizan para calcular la potencia de salida , lo que resulta en una reduccin de la varianza de la estimacin . Por otro lado , el ancho de banda de cada filtro de paso de banda es mayor que la correspondiente al mtodo periodograma , lo que se traduce en una prdida de resolucin . El modelo de banco de filtros por lo tanto proporciona una nueva interpretacin del compromiso entre la varianza y la resolucin.
Metodo AR Yule-Walker
El mtodo AR Yule-Walker de estimacin espectral calcula los parmetros AR resolviendo el siguiente sistema lineal, que dan las ecuaciones de Yule-Walker en forma matricial:
En la prctica, la estimacin sesgada de la autocorrelacin se utiliza para el verdadero mtodo AR autocorrelation.The Yule-Walker desconocido produce los mismos resultados que un estimador de mxima entropa. Para obtener ms informacin, consulte la pgina 155 del artculo [2] en la Bibliografa Selecta. El uso de una estimacin sesgada de la funcin de autocorrelacin se asegura de que la matriz de autocorrelacin de arriba es definida positiva. Por lo tanto, la matriz es invertible y est garantizada una solucin de existir. Por otra parte, los parmetros AR as calculadas siempre resultan en un modelo para todos los polos estable. Las ecuaciones de Yule-Walker se pueden resolver de manera eficiente a travs de algoritmo de Levinson, que se aprovecha de la estructura Toeplitz hermitiana de la matriz de autocorrelacin.
Metodo de Burg
El mtodo para la estimacin espectral de Burg AR se basa en la minimizacin de los errores de prediccin hacia adelante y hacia atrs al tiempo que satisface la recursin de Levinson - Durbin. En contraste con otros mtodos de estimacin de AR , el mtodo de Burg evita el clculo de la funcin de autocorrelacin , y en su lugar estima directamente los coeficientes de reflexin . Las principales ventajas del mtodo de Burg estn resolviendo sinusoides muy prximas entre s en las seales con bajos niveles de ruido , y la estimacin de los registros de datos cortos, en cuyo caso las estimaciones de la densidad espectral de potencia AR son muy cercanos a los valores reales . Adems , el mtodo de Burg asegura un modelo AR estable y es computacionalmente eficiente . La exactitud del mtodo de Burg es menor para los modelos de orden superior , los registros de datos largos , y altas proporciones de seal a ruido ( que puede causar la divisin de lnea o la generacin de picos extraos en la estimacin del espectro ) . La estimacin de la densidad espectral calculado por el mtodo de Burg es tambin susceptible a cambios de frecuencia ( con relacin a la frecuencia verdadera ) resultantes de la fase inicial de seales sinusoidales ruidosos . Este efecto se magnifica en el anlisis de secuencias de datos cortas.
Metodos de Covarianza y covarianza Modificados
El mtodo de covarianza para la estimacin espectral AR se basa en minimizar el error de prediccin hacia delante. El mtodo de covarianza modificado se basa en la minimizacin de los errores de prediccin hacia delante y hacia atrs. La caja de herramientas objeto spectrum.cov y funcin PCOV y objeto spectrum.mcov y funcin pmcov implementar los mtodos respectivos. Comparar el espectro de la seal de voz generada por tanto el mtodo de covarianza y el mtodo de covarianza modificada. Son casi idnticas, aunque sea por un seal de duracin corta: load mtlb pcov(mtlb(1:64),14,1024,fs)
pmcov(mtlb(1:64),14,1024,fs)
Mtodos de Msica y Anlisis de vector propio La funcin pmusic y funciones PEIG proporcionan dos mtodos de anlisis espectrales relacionados: pmusic proporciona la clasificacin de la seal mltiple (MUSIC) mtodo desarrollado por Schmidt Peig proporciona el mtodo de vector propio (EV) desarrollado por Johnson Ambos de estos mtodos son tcnicas estimador de frecuencia sobre la base de anlisis propio de la matriz de autocorrelacin. Este tipo de spectralanalysis clasifica la informacin en una matriz de correlacin o de datos, la informacin de asignacin para ya sea un subespacio de seal o un subespacio de ruido.
Descripcin del anlisis propio
Considere la posibilidad de una serie de sinusoides complejas incrustadas en el ruido blanco. Usted puede escribir la matriz de autocorrelacin R para este sistema que el sumof la matriz de autocorrelacin de la seal (S) y la matriz de autocorrelacin del ruido (W): R = S W. Existe una estrecha relacin entre los vectores propios de la matriz de autocorrelacin de la seal y la seal de ruido y subespacios. Los vectores propios de S v abarcan el mismo subespacio de seal como los vectores de seal. Si el sistema contiene sinusoides complejas M y el orden de la matriz de autocorrelacin es p, vectores propios vM 1 a vp 1 abarcan el subespacio de ruido de la matriz de autocorrelacin.
3. Qu mtodos de estimacin de la densidad espectral de potencia son ms eficientes?
Los mtodos no parametricos en los que se encuentran:
Periodograma Cross-spectrum
Ventajas:
Son computacionalmente eficientes. El PSD obtenido es directamente proporcional a la potencia de las componentes espectrales del proceso.
Inconvenientes:
Introduccin de distorsin en el espectro debido a la aparicin de lbulos laterales asociados con el enventanado de la seal. Estos lbulos pueden enmascarar la contribucin de armnicos de baja amplitud situados junto a armnicos de gran amplitud. Resolucin de frecuencia limitada por la duracin de la seal disponible, independientemente de las caractersticas de la misma. Necesidad de algn tipo de promediado para obtener estimaciones estadsticamente consistentes.
VI. CONCLUSIONES La Densidad Espectral sirve para identificar periodicidades escondidas en una funcin de variable continua o de variable discreta (secuencia de nmeros) Proporciona informacin muy valiosa sobre la dinmica interna de muchos sistemas fsicos. Sirve para identificar elementos o compuestos qumicos (espectroscopia). Tambin sirve para la identificacin de modelos matemticos lineales en teora de control.
LABORATORIO N04-A MODULACION DIGITAL
I. OBJETIVOS Comprender el proceso de modulacin digital Generar varios mtodos de modulacin digital
II. INSTRUMENTOS Y COMPONENTES Computadora Personal Programa MATLAB
III. FUNDAMENTO TERICO La industria de las comunicaciones electrnicas ha venido reemplazando poco a poco las tcnicas convencionales analgicas de modulacin, como son AM (modulacin de amplitud), FM (modulacin de frecuencia) y PM (modulacin de fase) por sistemas digitales de comunicaciones. Esto, debido a las ventajas que presenta la modulacin digital: mayor inmunidad al ruido, sencillez de procesamiento, alta seguridad de los datos y multicanalizacin. Algunas de las modulaciones digitales son: ASK (amplitude shift keying), OOK (On-Off keying), FSK (frequency shift keying), BPSK (binary phase shift keying), QPSK (quadrature phase shift keying), 8PSK (8 phase shift keying).
ASK
FSK
PSK
Asumir las funciones de muestra de un proceso aleatorio como:
IV. SIMULACIN Correr los siguientes cdigos en Matlab: MODULACIN ASK function askd(g,f) %Modulacion ASK %Ejemplo: % askd([1 0 1 1 0],2) if nargin > 2 error('hay muchos argumentos') elseif nargin==1 f=1; end if f<1; error('Frecuencia debe ser mayor que 1'); end t=0:2*pi/99:2*pi; cp=[];sp=[]; mod=[];mod1=[];bit=[]; for n=1:length(g); if g(n)==0; die=ones(1,100); se=zeros(1,100); else g(n)=1; die=2*ones(1,100); se=ones(1,100); end c=sin(f*t); cp=[cp die]; mod=[mod c]; bit=[bit se]; end ask=cp.*mod;
MODULACIN OOK function ookd(g,f) %Modulacion OOK % Ejemplo: % ookd([1 1 0 1 0],2)
if nargin > 2 error('hay demasiados agumentos'); elseif nargin==1 f=1; end if f<1; error('Freuencia debe ser mayor que 1'); end t=0:2*pi/99:2*pi; cp=[];sp=[]; mod=[];mod1=[];bit=[]; for n=1:length(g); if g(n)==0; die=zeros(1,100); %Modulante se=zeros(1,100); %Seal else g(n)==1; die=ones(1,100); %Modulante se=ones(1,100); %Seal end c=sin(f*t); cp=[cp die]; mod=[mod c]; bit=[bit se]; end ook=cp.*mod; subplot(2,1,1);plot(bit,'LineWidth',1.5);grid on; title('Binary Signal'); axis([0 100*length(g) -2.5 2.5]); subplot(2,1,2);plot(ook,'LineWidth',1.5);grid on; title('OOK modulation'); axis([0 100*length(g) -2.5 2.5]);
MODULACIN BPSK function bpskd(g,f) %Modulacion BPSK %Ejemplo: %bpskd([1 0 1 1 0],2) if nargin > 2 error(' hay muchos argumentos '); elseif nargin==1 f=1; end if f<1; error(' Frecuencia debe ser mayor que 1'); end t=0:2*pi/99:2*pi; cp=[];sp=[]; mod=[];mod1=[];bit=[]; for n=1:length(g); if g(n)==0; die=-ones(1,100); %Modulante se=zeros(1,100); %Seal else g(n)==1; die=ones(1,100); %Modulante se=ones(1,100); %Seal end c=sin(f*t); cp=[cp die]; mod=[mod c]; bit=[bit se]; end bpsk=cp.*mod; subplot(2,1,1);plot(bit,'LineWidth',1.5);grid on; title('Binary Signal'); axis([0 100*length(g) -2.5 2.5]); subplot(2,1,2);plot(bpsk,'LineWidth',1.5);grid on; title('ASK modulation'); axis([0 100*length(g) -2.5 2.5]);
MODULACIN FSKD function fskd(g,f0,f1) %FSK modulation %Ejemplo:(f0 y f1 deben ser enteros) %fskd([1 0 1 1 0],1,2) if nargin > 3 error(' hay muchos argumentos ') elseif nargin==1 f0=1;f1=2; elseif nargin==2 f1=2; end val0=ceil(f0)-f0; val1=ceil(f1)-f1; if val0 ~=0 || val1 ~=0; error(' Frecuencia debe ser mayor que 1'); end if f0<1 || f1<1; error(' Frecuencia debe ser mayor que 1'); end t=0:2*pi/99:2*pi; cp=[];sp=[]; mod=[];mod1=[];bit=[]; for n=1:length(g); if g(n)==0; die=ones(1,100); c=sin(f0*t); se=zeros(1,100); else g(n)==1; die=ones(1,100); c=sin(f1*t); se=ones(1,100); end cp=[cp die]; mod=[mod c]; bit=[bit se]; end ask=cp.*mod; subplot(2,1,1);plot(bit,'LineWidth',1.5);grid on; title(' Seal Binaria '); axis([0 100*length(g) -2.5 2.5]); subplot(2,1,2);plot(ask,'LineWidth',1.5);grid on; title(' modulacion FSK '); axis([0 100*length(g) -2.5 2.5]);
MODULACION QPSK function qpskd(g,f) %Modulacion QPSK %Ejemplo: g es un vector binario; f es la frecuencia portadora. %qpskd([1 0 1 1 0 0],2) if nargin > 2 error(' hay muchos argumentos '); elseif nargin==1 f=1; end if f<1; error(' Frecuencia debe ser mayor que 1'); end %*-*-*-*-*-* l=length(g); r=l/2; re=ceil(r); val=re-r; if val~=0; error('Por favor ingrese un vector divisible por 2'); end %*-*-*-*-*-* t=0:2*pi/99:2*pi; cp=[];sp=[]; mod=[];mod1=[];bit=[]; for n=1:2:length(g); if g(n)==0 && g(n+1)==1; die=sqrt(2)/2*ones(1,100); die1=-sqrt(2)/2*ones(1,100); se=[zeros(1,50) ones(1,50)]; elseif g(n)==0 && g(n+1)==0; die=-sqrt(2)/2*ones(1,100); die1=-sqrt(2)/2*ones(1,100); se=[zeros(1,50) zeros(1,50)]; elseif g(n)==1 && g(n+1)==0; die=-sqrt(2)/2*ones(1,100); die1=sqrt(2)/2*ones(1,100); se=[ones(1,50) zeros(1,50)]; elseif g(n)==1 && g(n+1)==1; die=sqrt(2)/2*ones(1,100); die1=sqrt(2)/2*ones(1,100); se=[ones(1,50) ones(1,50)]; end c=cos(f*t); s=sin(f*t); cp=[cp die]; %Amplitud del coseno sp=[sp die1]; %Amplitud del seno mod=[mod c]; %portador coseno (Q) mod1=[mod1 s]; % carrier seno (I) bit=[bit se]; end bpsk=cp.*mod+sp.*mod1; subplot(2,1,1);plot(bit,'LineWidth',1.5);grid on; title(' Seal Binaria ') axis([0 50*length(g) -1.5 1.5]); subplot(2,1,2);plot(bpsk,'LineWidth',1.5);grid on; title(' modulacion QPSK ') axis([0 50*length(g) -1.5 1.5]); LABORATORIO N04-B MODULACION DIGITAL II
I. OBJETIVOS Comprender el proceso de modulacin digital Generar varios mtodos de modulacin digital
II. INSTRUMENTOS Y COMPONENTES Computadora Personal Programa MATLAB
III. FUNDAMENTO TERICO La industria de las comunicaciones electrnicas ha venido reemplazando poco a poco las tcnicas convencionales analgicas de modulacin, como son AM (modulacin de amplitud), FM (modulacin de frecuencia) y PM (modulacin de fase) por sistemas digitales de comunicaciones. Esto, debido a las ventajas que presenta la modulacin digital: mayor inmunidad al ruido, sencillez de procesamiento, alta seguridad de los datos y multicanalizacin. Algunas de las modulaciones digitales son: ASK (amplitude shift keying), OOK (On-Off keying), FSK (frequency shift keying), BPSK (binary phase shift keying), QPSK (quadrature phase shift keying), 8PSK (8 phase shift keying).