La estimación de parámetros, como la relación señal a ruido, las características del canal, la ocupación espectral, la modulación y las interferencias, resulta esencial para optimizar procesos críticos de detección, sincronización y demodulación en sistemas modernos de comunicaciones. Aunque históricamente se han empleado modelos analíticos y estadísticos clásicos, la creciente complejidad de los escenarios dinámicos y no lineales demanda alternativas más robustas y adaptativas. Frente a este desafío, la presente tesis propone investigar y desarrollar metodologías de inteligencia computacional aplicadas a la estimación, integrando herramientas de aprendizaje automático, computación evolutiva, dinámica caótica y esquemas híbridos para superar las limitaciones de los métodos convencionales en precisión, robustez y generalización. Las propuestas serán validadas mediante simulaciones bajo diversas condiciones de canal y ruido en sistemas digitales, evaluando además su factibilidad de implementación en plataformas de hardware reconfigurable para aplicaciones con procesamiento en tiempo real. En conjunto, esta investigación busca aportar nuevas soluciones de estimación sustentadas en sistemas dinámicos no lineales e inteligencia computacional, facilitando su traslado a arquitecturas de alto rendimiento.

Este plan de trabajo detalla el desarrollo de sistemas de Radio Definida por Software (SDR) basados en caos para su aplicación en Redes Inalámbricas de Sensores (WSN). El objetivo principal es estudiar, diseñar e implementar bloques caóticos para SDR utilizando la técnica de Reconfiguración Parcial Dinámica (RPD) en FPGAs.

El proyecto propone que la RPD permitirá crear sistemas SDR auto-reconfigurables y autónomos que se adapten a las necesidades del entorno. El uso de sistemas caóticos busca mejorar la seguridad y el funcionamiento de los bloques de codificación y encriptación.

La metodología se estructura en cinco etapas:
Fundamentación teórica: Estudio de sistemas caóticos.
Estudio de SDR: Análisis de sus bloques y algoritmos.
Capacitación en RPD: Aprendizaje del flujo de diseño y desarrollo de proyectos.
Implementación y pruebas: Diseño e implementación de los sistemas en una placa ZedBoard para su posterior evaluación.
Documentación: Redacción de informes técnicos y publicación de resultados.

Esta tesis propone una innovadora aproximación para el modelado de entornos subacuáticos mediante la combinación de Inteligencia Artificial (IA) y sistemas caóticos.

El proyecto aborda los desafíos de la exploración submarina, como la escasez de datos y la dificultad de implementar modelos de IA complejos en dispositivos con recursos limitados.

La hipótesis central es que la integración de sistemas no lineales (caos) con técnicas de IA, como los Autoencoders, permitirá desarrollar modelos computacionalmente eficientes para clasificar especies marinas, caracterizar el ruido del canal y generar datos acústicos sintéticos.

Un objetivo clave es optimizar estos modelos para su implementación en hardware de bajos recursos, como FPGAs, superando las limitaciones de energía y latencia en aplicaciones en tiempo real. La investigación busca avanzar en la monitorización y conservación de la biodiversidad marina, fortaleciendo la colaboración entre los laboratorios de Comunicaciones, Sistemas Caóticos y Componentes del ICYTE

Estudio de rectificación en rachets aplicado a dispositivos superconductores cuánticos de interferencia

Sistemas complejos, ruidos discretos y su implementación en FPGA

Este trabajo se centra en el análisis de sistemas de partículas mediante Dispersión de Luz Estática (SLS) para determinar su Distribución de Tamaño de Partícula (PSD). La interpretación de los datos de SLS conduce a un problema inverso mal condicionado, donde pequeñas variaciones en los datos generan grandes cambios en la solución, lo que exige el uso de técnicas de regularización para estabilizarlo.

La tesis se enfoca en la estimación de la PSD en sistemas concentrados utilizando dos modelos de diferente complejidad para partículas esféricas: la Aproximación Monodispersa Local (LMA), más simple, y el Modelo de Mezcla Finita (FMM). Ambos modelos se aplican en condiciones de bajo contraste de índice de refracción, lo que permite despreciar el efecto de dispersión múltiple y simplificar el análisis matemático.

Se evalúan el alcance, las limitaciones y los errores de dichos modelos. Inicialmente, se utiliza un enfoque determinista basado en mínimos cuadrados. Sin embargo, debido a los errores observados con este método, se propone una alternativa novedosa basada en métodos Bayesianos. Este nuevo enfoque demuestra ser exitoso al permitir la combinación de datos de SLS con información de otras técnicas, como la Microscopía Electrónica de Barrido (MEB), mejorando la robustez de los resultados. Finalmente, el complejo modelo FMM también es analizado de forma paramétrica mediante un enfoque determinista.

Sincronización y control del caos aplicado a comunicaciones