Codificacion Huffman Modificado

UNIVERSIDAD DISTRITAL
FRANCISCO JOSE DE CALDAS

FACULTAD DE INGENIERIA
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
IMPLEMENTACION DE UNA MODIFICACION DEL

ALGORITMO DE HUFFMAN UTILIZANDO REDES
NEURONALES
Autor
Ing. William Javier Castillo Gámez
Directora
Ing. Martha Ruth Ospina
MAESTRÍA EN TELECOMUNICACIONES MÓVILES

FACULTAD DE INGENIERÍA
Bogotá – Colombia
(Agosto– 2018)
William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 1

Contenido
Resumen................................................................................................................................3
Palabras Clave .......................................................................................................................3
Introducción............................................................................................................................4
1. Planteamiento del Problema ...........................................................................................5
2. Objetivos .........................................................................................................................6
2.1. Objetivo General ......................................................................................................6
2.2. Objetivos Específicos ...............................................................................................6
3. Justificación ....................................................................................................................7
4. Delimitación ....................................................................................................................8
5. Marco Teórico .................................................................................................................9
5.1. Sistemas de comunicaciones digitales .....................................................................9
5.2. Codificación de la Fuente .......................................................................................10
5.3. Compresión de la Información................................................................................11
5.4. Complejidad en Algoritmos de Compresión sin Pérdidas .......................................12
5.5. Técnicas de Compresión de Datos.........................................................................14
5.6. Algoritmos de Compresión .....................................................................................15
5.7. Comparativo entre Algoritmos ................................................................................18
5.7.1. Graficas Comparativas de complejidad...............................................................19
5.8. Redes neuronales artificiales .....................................................................................20
6. Metodología ..................................................................................................................26
6.1. Cronograma ...........................................................................................................27
Bibliografía ...........................................................................................................................28

Resumen
Este trabajo pretende implementar un algoritmo de compresión, que se use en el
proceso de codificación de la fuente de información en un sistema de
telecomunicaciones, esta implementación incluye una modificación en la estructura de
datos manejada en el algoritmo de Huffman, que de forma canónica utiliza un grafo
tipo árbol binario para distribuir los caracteres o símbolos de la ráfaga de información
a codificar, clasificándolos dependiendo de las frecuencias relativas de aparición; este
árbol puede ser reemplazado por una red neuronal que es similar en su estructura a
un grafo con pesos en las conexiones, de esta manera lograr entrenar la red neuronal
para que encuentre patrones en las ráfagas de información y aumentar la tasa de
compresión de la información que se quiere enviar hacia el canal; si se logra reducir
el volumen de información, significaría una mejora en el grado de servicio y
desempeño de la red de telecomunicaciones aumentando la capacidad sin depender
del tipo del canal ni de su ancho de banda.
Palabras Clave
Complejidad algorítmica, red neuronal, tasa de compresión, algoritmo Huffman,
codificación de la fuente.

Introducción
La demanda de conectividad por parte de múltiples dispositivos y el aumento del
volumen de información que es transmitida por las redes de telecomunicaciones es
exponencial, requiriendo canales más robustos que soporten altas tasas de
transmisión, incrementando los requisitos funcionales de las redes, este fenómeno se
incrementa en las redes dispuestas para dispositivos móviles en canales inalámbricos,
que es a lo que apunta la tendencia de uso; con base en lo anterior puede pensarse
que la compresión de datos se hace necesaria en los escenarios de las
comunicaciones; esta compresión de datos se realiza antes del envió sobre el canal,
por lo general en la fuente, para tal fin se usa comúnmente el algoritmo de Huffman,
con el que se codifica la información. El algoritmo de Huffman para compresión se
aplica en archivos de texto, pero puede aplicarse a cualquier tipo de información si se
lleva previamente a una forma digital, donde caracteres o símbolos están codificados
en códigos de palabras, que mediante el cálculo de su frecuencia son distribuidos en
un grafo tipo árbol binario llamado árbol de Huffman, sin embargo, al aumentar el
volumen de información a transmitir o al tratar datos muy heterogéneos, aumentará la
cantidad de elementos (nodos) del grafo de Huffman, por lo tanto aumenta la
complejidad temporal y operacional del algoritmo, este aumento genera una
desventaja en los equipos que hacen uso de la conectividad, debido al incremento de
recursos de hardware necesarios y que en dispositivos móviles muchas veces son
limitados, también influyen las limitaciones del ancho del canal en el desempeño de la
red de comunicaciones. Para tratar de encontrar una solución, las investigaciones
hasta la fecha han usado comúnmente la compresión Huffman con redes neuronales
utilizando pesos de red cuantificados, los cuales facilitan la transferencia de datos en
ráfaga, donde la dispersión y la repetición de los pesos es común, sin embargo, se
utiliza la compresión de Huffman por separado en múltiples bloques, cada uno
ejecutado por separado en hilos de procesamiento distintos, con lo que se aumenta la
complejidad del algoritmo. Según todo lo anterior se puede llegar a implementar una
red neuronal que determine los patrones de compresión basado en distribuciones
estadísticas y realice directamente la compresión de la información en su forma digital
modificando el algoritmo de Huffman, además de esto, se puede intentar modificar la

codificación Huffman convencional con una aplicación directa de una red neuronal que
se utilice como estructura de datos en las ponderaciones del grafo, para estudiar su
comportamiento y desempeño.
1. Planteamiento del Problema

Uno de los aspectos más relevantes en la actualidad, con respecto a las
telecomunicaciones es el aumento masivo de la información que se desea transmitir
a través de las redes de comunicación, otro aspecto importante es que los equipos
electrónicos que hacen uso de tales redes, dejó de ser convergente a un solo tipo de
dispositivo para ser una diversa cantidad de objetos que se comunican entre sí y con
sus usuarios, ambos factores desencadenan que el volumen y los tipos de información
que se transmite, no solo aumente en diversidad, sino también en tamaño, para dar
soporte físico a esta demanda de transmisión, los canales deben hacerse más amplios
y robustos, sin embargo, esto por sí solo no es suficiente ya que debe ir trabajando en
paralelo con la codificación de la información que permite comprimir los datos de su
forma natural a una forma que sea más fácil de enviar a su receptor, allí es donde se
hace importante la codificación en la fuente, para lograr que el tamaño original de la
información se reduzca sin tener pérdidas o distorsión. Se utilizan varios algoritmos
para el proceso de codificación, el más utilizado es el algoritmo de Huffman, el cual
ha tenido varias modificaciones buscando una tasa más alta de compresión,
obteniendo mejoras en los resultados, no obstante, la implementación de redes
neuronales directamente en el funcionamiento del algoritmo de Huffman, trazando la
red como una representación del grafo de Huffman y estudiar su comportamiento,
comparándolo con otros tipos de código podría llevar a encontrar una metodología
para compresión de la fuente que permita la transmisión de altos volúmenes de
información con una tasa más alta de compresión mejorando el grado de servicio de
redes de telecomunicaciones independientemente del canal.
¿Se puede mejorar el grado de servicio de una red de telecomunicaciones al encontrar

un método de codificación de la fuente que haga compresión de la información
utilizando redes neuronales directamente en la implementación del algoritmo de
Huffman?

2. Objetivos
2.1. Objetivo General
Crear un método de compresión en la fuente de información utilizando redes

neuronales y aplicándolas directamente en la construcción del grafo tipo árbol binario
del algoritmo de Huffman.
2.2. Objetivos Específicos
Diseñar e implementar una red neuronal que se comporte como la representación de

una estructura de datos tipo grafo, con pesos ponderados, para lograr la interacción
con ráfagas de información en las entradas.
Diseñar e Implementar el algoritmo de Huffman, integrando una red neuronal que

reemplace el árbol binario, para codificar información utilizando reconocimiento de
patrones en las ráfagas de información.
Realizar pruebas del algoritmo utilizando bloques de información de distinta naturaleza

para medir la tasa de compresión y tiempo empleado en la ejecución.
Evaluar el Algoritmo propuesto mediante la medición de complejidad computacional,

realizando comparaciones con otros algoritmos utilizados para el mismo fin.

3. Justificación
En la actualidad el aumento de usuarios de las redes de telecomunicaciones se ha
incrementado de forma exponencial, estos usuarios son diversos dispositivos
electrónicos que usan los canales de las redes para transmitir distintos tipos de
información, como el número de usuarios sigue aumentando el volumen de
información también aumenta; una solución a esta tendencia es la búsqueda de
canales con amplios anchos de banda que permitan transmitir mayor cantidad de
información en igual o menor tiempo, para mejorar el desempeño de la red, sin
embargo la búsqueda de mayores anchos de banda es directamente sobre el canal
que por sí mismo presenta limitaciones físicas; otra solución se puede buscar
codificando la información antes de ser enviada, comprimiéndola de forma que se
transmita una representación más pequeña de los datos, utilizando una parte reducida
del ancho del canal, de esta manera se puede enviar mayor cantidad de información
en un mismo instante de tiempo. Existen varios algoritmos que se implementan en la
fuente de información para codificar y comprimir los datos, pero siempre se está en
busca de mejorar las tasas de compresión, ya que, así fuese en un bajo porcentaje,
aumentaría significativamente el desempeño de la red, optimizando el uso del ancho
del canal. Esto muestra la importancia de la manipulación que se le da a la información
que se quiere transmitir en una red de comunicaciones, ya que los canales tienen
limitaciones físicas, los algoritmos y métodos de codificación y compresión brindan
mejoras en el desempeño de las redes, evidenciándose en su tiempo de respuesta.
Este proyecto propone el diseño, implementación y evaluación de un método de

compresión de la información directamente en la fuente utilizando el algoritmo de
Huffman y la estructura de datos generada por este, modificando el árbol binario por
un grafo que será representado mediante una red neuronal, que se entrenará para
reconocer patrones basados en la estadística que usa el algoritmo de Huffman. Lo
esperado es que la tasa de compresión aumente con respecto a otros algoritmos que
se utilizan en el mismo proceso, se debe tener en cuenta también la complejidad
computacional que presente el algoritmo en tiempo de ejecución tanto en la
codificación como en la decodificación, colocando en una balanza el costo y el

beneficio que arrojaría en las pruebas, buscando mejorar el desempeño de una red
de comunicaciones.
4. Delimitación
Este trabajo se enmarca en el contexto de los sistemas de comunicaciones digitales,
en particular en el proceso de codificación de la fuente; este proceso es el encargado
de tomar la información que es generada por una fuente de cualquier tipo y variedad,
por ejemplo, señales de radiodifusión, imágenes, audio y video etc. Esta información
pasa por una conversión a su forma digital para que sea transmitida, esta codificación
utiliza modelos matemáticos basados en probabilidad y procesos estocásticos
aplicados a algoritmos de codificación, aquí es donde se centra este trabajo al realizar
una implementación de un algoritmo de codificación común como lo es el algoritmo de
Huffman, luego hacerle una modificación estructural, para que trabaje con una red
neuronal, al trabajar con este algoritmo se medirá su complejidad y desempeño para
determinar si la codificación mediante este genera una taza de compresión más alta
comparada con otros algoritmos que sean utilizados para el mismo proceso.

5. Marco Teórico
5.1. Sistemas de comunicaciones digitales
Los sistemas de comunicaciones digital son el modelo utilizado en la actualidad como

forma para transmitir información de un sitio a otro, independientemente de la
distancia, también independiente del medio o canal de enlace; los sistemas de
comunicación digitales toman información de la fuente de origen, la transforman en
su forma digital y la transportan a uno o más destinos, para luego pasarla de su forma
digital a su forma original[1]; un aspecto importante de las comunicaciones digitales
es el que se encarga del tratamiento del canal por el cual se transmitirá la información
y los métodos con los que es tratada la información para representarla en sus
diferentes formas, digitales, analógicas, este aspecto es importante ya que se debe
garantizar que las pérdidas o distorsiones sean mínimas.
5.1.1. Elementos de las comunicaciones Digitales

Un sistema de comunicaciones, puede representarse, en su nivel más alto de
abstracción como un diagrama de bloques funcionales con un orden secuencial;
empezando por la fuente, que puede emitir información de cualquier tipo, como:
imágenes, video, texto, etc. Esta información puede tener una forma analógica o digital
dependiendo de la aplicación que la esté manejando; esta información se puede
representar como una señal discreta en el tiempo, conformada por un número finito
de caracteres que la definen, puede estar contenida en un mensaje o un bloque de
mensajes, estos son convertidos a una secuencia binaria (1,0) de variada longitud;
este proceso de tomar la información y convertirla a una cadena binaria se denomina
codificación de la fuente (Source Coding), en este proceso se codifica la información,
también puede comprimirse o se puede hacer ambos tratamientos sobre la
información original[1].
El siguiente paso es llevar la información codificada al medio de transmisión, un
proceso de codificación del canal, para luego modular la señal que será enviada por
el canal físico, que puede ser un medio cableado o aire en el caso que la comunicación
sea inalámbrica.
Para que en el receptor la información pueda ser utilizada se sigue la misma secuencia
de componentes dentro del sistema, con la diferencia que se hace de forma inversa;

se empieza tomando la señal que se envió por el canal físico, pasarla a un

demodulador, luego al de-codificador del canal, después tendrá que decodificarse la
cadena de bits de manera que esta decodificación arroje la información original y en
su forma natural para que pueda ser interpretada[1].
Figura 1. Elementos básicos de un sistema de telecomunicaciones digitales [2]
5.2. Codificación de la Fuente
Los sistemas de comunicación, son diseñados con el propósito, de transmitir

información desde la fuente hasta su destino, también debe considerarse muy
importante el hecho de que la información puede tomar variedad de formas, un
ejemplo de esto es que existen fuentes de información como la televisión (video), las
estaciones de radio (voz, música) y dispositivos electrónicos como computadores,
celulares etc. Estas fuentes de información pueden ser analógicas o digitales,
discretas o continuas [1].
Sin importar el tipo de la fuente de información, en los sistemas de comunicación

digital, las señales de información deben convertirse en su forma digital, tarea
realizada por el codificador de la fuente [1], en esta parte del proceso, se debe
garantizar que la información tenga la cantidad mínima de pérdidas y deformaciones,
con el objetivo que en este mismo paso en la decodificación, se obtenga una
información muy parecida a la que se envió desde la fuente.
Dentro de este proceso de los sistemas de comunicaciones digitales; existen dos

enfoques, con propósitos diferentes: el primero es el proceso de convertir la
información sin importar su naturaleza de fuente en tramas binarias, y la segunda

consiste en tomar cada trama de símbolos y transformarlos en códigos o claves, para

representar la señal de información en un menor espacio, para luego transmitir una
representación de la misma información con un menor tamaño, este último proceso
es denominado compresión de la información.
5.3. Compresión de la Información.
Esta práctica en las comunicaciones digitales es muy útil en el momento de codificar

el canal y modular las señales que se transmiten, ya que si se logra transmitir menos
cantidad de datos, se usará menos ancho de banda del disponible en el canal y se
consumirá menos energía, simplificando la capa física de la red; las tramas en
codificación vienen dadas por el sistema digital con que se trabaja y no se puede
alterar el número de bits arbitrariamente; por ello, se utiliza la compresión, para
transmitir la misma cantidad de información en un número inferior de bits, la
compresión es un caso particular de la codificación, cuya característica principal es
que el código resultante tiene menor tamaño que el original [3].
La compresión de datos implica la reducción en el número de caracteres transmitidos

así mismo la probabilidad de error en la transmisión se reduce, aumentando las
prestaciones del sistema. Existen 2 tipos sobre los cuales se clasifican los algoritmos
de compresión de datos, son compresión con pérdida y compresión sin pérdida[4].
Un algoritmo de compresión con pérdida se basa en eliminar datos de la señal para

reducir el tamaño, con lo que se suele reducir la calidad [2]. En la compresión con
pérdida, la tasa de bits (bit rate) puede presentar una longitud constante o variable [5];
una vez realizada la compresión, no se puede obtener la señal original, aunque sí una
aproximación cuya semejanza con la original está en función del tipo de compresión.
Estos algoritmos se aplican principalmente en la compresión de imágenes, videos y
sonidos [6].
Los algoritmos de compresión de datos sin pérdida se caracterizan, por recuperar la

señal original partiendo de la señal procesada, con lo que no se tiene una pérdida en
la información; la tasa de compresión en este tipo de algoritmos es menor, que en los
de compresión con pérdidas, esto debido a los métodos empleados en cada tipo de
compresión [7].

5.3.1. Compresión sin Pérdidas

La compresión sin pérdidas es un método que permite recuperar información muy
parecida a la original, este tipo de compresión es la utilizada para tratar información
que no pueda tener distorsiones debido a su aplicación y uso de cara al usuario
final[8].
Para realizar la compresión de datos se emplean algoritmos de codificación aplicados

en la fuente, que da como resultado la información en su forma digital; existen tres
tipos de algoritmos de codificación para compresión de información estos con los:
adaptativos, semi-adaptativos y no adaptativos.
Los algoritmos de compresión no adaptativos, son aquellos que tienen asociado una
tabla o diccionario de códigos, que representan las cadenas de bits que más se
repiten, determinados mediante un estudio estadístico de la información, se divide en
tramas de bits, a cada trama se le asigna secuencias más cortas, he irán
incrementando su tamaño son proporcionalidad inversa al valor de la probabilidad de
ocurrencia[9].
Los algoritmos semi adaptativos, empiezan revisando la cadena completa de

información, para luego generar la tabla de códigos, con mucha más precisión y
efectividad, logrando mayor compresión, pero empleando mayor tiempo en el
procesamiento, debido a que tiene que pasar dos veces por la trama total de
información.
Por último, los adaptativos, son algoritmos que sustituyen tramas cortas por tramas
más largas que se repiten y así logra reducir el tamaño de la información.
5.4. Complejidad en Algoritmos de Compresión sin Pérdidas
Los algoritmos se pueden clasificar no solo porque lleven a cabo la tarea para la que
fueron diseñados, también pueden clasificarse en cuanto a los costos de su ejecución;
entendiéndose por costo, la cantidad de recursos físicos y temporales que consume

el algoritmo en tiempo de ejecución desde que inicia hasta que termina la tarea, a este
indicador se le conoce como medida de la complejidad del algoritmo o también como
medida de la eficiencia[10].
5.4.1. Análisis de algoritmos

Cuando existen varias soluciones algorítmicas para un mismo problema, se debe
escoger aquella que tenga menos complejidad a la hora de utilizarla, esta complejidad
toma como referencia dos indicadores de complejidad: la complejidad temporal y la
complejidad espacial. El análisis de algoritmos también da una herramienta a los
diseñadores de algoritmos para estimar si una solución propuesta satisfaga las
restricciones de recursos de un problema.
5.4.2. Complejidad Temporal
Se denomina complejidad temporal a la función T(n) que mide el número de
instrucciones realizadas por el algoritmo para procesar los n elementos de entrada.
Cada instrucción tiene asociado un costo temporal en unidades de tiempo,
normalmente medidas en microsegundos.
El orden en que se procesen los elementos de entrada afecta el costo temporal del
algoritmo. Podría considerarse que los valores de los n casos que se presentan como
entrada son los correspondientes: a un caso típico, o a un caso promedio, o de peor
caso. El peor caso es el más sencillo de definir (el que demore más para cualquier
entrada), pero si se desea otros tipos de entrada habría que definir qué se considera
típico, o la distribución de los valores en el caso promedio, para los algoritmos de
compresión de información los bloques de entrada es la información en su forma digital
que se desea comprimir.
5.4.3. Complejidad Espacial

La complejidad espacial de los algoritmos hace referencia a la cantidad de memoria
de procesamiento requerida en tiempo de ejecución, la complejidad espacial, en
general, tiene mucho menos interés. El tiempo es un recurso mucho más valioso que
el espacio.

5.5. Técnicas de Compresión de Datos
Existen dos categorías principales de técnicas de compresión de datos: aquellos que

utilizan métodos estadísticos y los que requieren del uso de un diccionario de
prefijos[8]. Ambas técnicas son muy utilizadas, pero los esquemas basados en
diccionario tienden a ser más usados para aplicaciones de compresión de ficheros en
máquinas locales, mientras que las situaciones de tiempo real típicamente requieren
esquemas de compresión estadísticos[11]. El motivo es que los métodos basados en
diccionario tienden a ser lentos en la compresión y más veloces para descomprimir,
mientras que los métodos estadísticos son igualmente veloces en ambas operaciones.
En el dominio estudiado, la compresión de los datos intenta realizarse con una
aproximación de tiempo real, tomando como tiempo real la necesidad de usar el
menos tiempo posible para la compresión, él envió y descompresión de los datos, para
que puedan ser usados por el receptor, otra forma de explicar esto es que los métodos
de compresión estadísticos se usan para comprimir datos que se envían por una red
de comunicaciones[8].
Entonces en un proceso de compresión, cada bloque de datos que se comprima

eventualmente será descomprimido, la velocidad combinada de compresión y
descompresión puede ser tan importante como las velocidades de cada una de estas
operaciones por separado[8], por lo que, los algoritmos se clasifican por su
complejidad temporal, cantidad de recursos físicos que pueda consumir.
5.5.1. Métodos Estadísticos

Los esquemas estadísticos de compresión determinan el código de salida basados en
la probabilidad de ocurrencia de los símbolos de entrada y son típicamente utilizados
en aplicaciones de tiempo real. Como los algoritmos de compresión y descompresión
tienden a ser simétricos, la compresión y descompresión usualmente requiere la
misma cantidad de tiempo para completarse[12].
5.5.2. Métodos con uso de Diccionario de prefijos
La compresión por diccionario no usa modelos de predicción estadística para
determinar la probabilidad de ocurrencia de un símbolo particular, sino que almacena
cadenas de símbolos de entrada en un diccionario. Estas técnicas son típicamente
usadas en aplicaciones de archivos locales, porque el proceso de decodificación

tiende a ser más rápido que el de codificación, además no se tienen limitaciones de

recursos como el ancho de banda[13].
5.6. Algoritmos de Compresión
La primera persona que trabajó sobre la información y la forma de transmitirla fue

Claude Elwood Shannon; ingeniero estadounidense, padre de la moderna teoría de la
información, que es una formulación matemática que analiza las unidades de
información (bits) y su pérdida en los procesos de transmisión [3].
Shannon empezó a trabajar sobre el problema de la eficacia de los diferentes métodos

existentes de transmisión de la información, tanto mediante el flujo a través de hilos o
cables como el aéreo, por medio de corrientes eléctricas fluctuantes o bien moduladas
por la radiación electromagnética. Shannon orientó sus esfuerzos hacia la
comprensión fundamental del problema y en 1948 desarrolló un método para expresar
la información de forma cuantitativa [3]. Las publicaciones de Shannon en 1949
demostraron cómo se podía analizar dicha cuantificación (expresada en una magnitud
que denominó bit) mediante métodos estrictamente matemáticos. Así, era posible
medir la verosimilitud de la información mutilada por pérdidas de bits, distorsión de los
mismos, adición de elementos extraños, etc., y hablar con precisión de términos antes
vagos, como «redundancia» (elementos del mensaje que no aportan nueva
información, pero se anticipan a posibles pérdidas) o «ruido» (perturbaciones en la
comunicación) e, incluso, expresar el concepto físico de entropía como un proceso
continuado de pérdida de información [5].
5.6.1. Cronología de los Algoritmos de Compresión más Representativos

Esta línea de tiempo relaciona los algoritmos más utilizados en la compresión de

datos, con fines en las telecomunicaciones, desde su año de creación hasta el tiempo
estimado donde se usaron con mayor aplicabilidad, se puede notar que hay varios
algoritmos que hacen parte de grupos con características similares en su
funcionamiento, como los LZ, que culminó su evolución en los algoritmos LZW y LZ0,
también se puede ver que desde su creación en el año de 1952, el Algoritmo de
compresión de Huffman, está aún vigente, una modificación y mejora del algoritmo
Huffman son los llamados Huffman Adaptativos.
5.6.2. Compresión Huffman
El método Huffman es tal vez la técnica más comúnmente utilizada de compresión

estadística[14]. Durante el proceso de codificación, este método construye una lista
de todos los símbolos de entrada, ordenados en base a sus probabilidades. El
algoritmo luego construye un árbol, con un símbolo en cada hoja, y recorre el árbol
para determinar los códigos para cada símbolo. Los símbolos con más probabilidad
de ocurrencia tienen códigos más cortos. La decodificación utiliza el código para
recorrer el árbol hasta llegar al símbolo. La complejidad en el tiempo de una
implementación adaptativa de la codificación Huffman es lineal: N (n + log (2n-1)) +
Sn, donde N es el número total de símbolos de entrada, n es el número real de
símbolos distintos y S es el tiempo requerido para rebalanceo del árbol si fuera
necesario[15].
5.6.3. Codificación Aritmética
Las implementaciones reales de la codificación aritmética son muy similares a las de

codificación Huffman, aunque superan a estas últimas en la realidad, el método
Huffman asigna un número entero de bits a cada símbolo, mientras que la codificación
aritmética asigna un único código extenso a la cadena de entrada completa. Por
ejemplo, idealmente a un símbolo con probabilidad 0,4 se le debería asignar un código
de 1.32 bits, pero será codificado con 2 bits usando el método Huffman. Es por esta
razón que la codificación aritmética tiene el potencial de comprimir datos en el límite
teórico. La codificación aritmética combina un modelo estadístico con un paso de

codificación que consiste en algunas operaciones aritméticas. El modelo más sencillo

tendría una complejidad temporal lineal de N (log (n) + a) + S n, donde N es el número
total de símbolos de entrada, n es el número real de símbolos distintos, a es la
aritmética a ser realizada y S es el tiempo requerido, si se necesita, para mantener las
estructuras de datos internas [3].
5.6.4. Modelos basados en el contexto

Prediction with Partial string Matching (PPM) es un modelo estadístico basado en el
contexto, muy sofisticado, usado con codificadores aritméticos. La idea es asignar una
probabilidad a un símbolo dependiendo no solo de su frecuencia de ocurrencia, sino
que también se toma en cuenta la forma en que aparece. PPM intenta mapear el
contexto de orden más alto con el símbolo actual. Si no se encuentra una coincidencia,
el algoritmo busca un contexto de más bajo orden. Buscar los contextos mencionados
puede ser costoso, especialmente si la entrada es muy desestructurada. La
complejidad temporal depende de cuantos contextos busca el algoritmo [4].
Como modelo estadístico, Context-Tree Weighting (CTW) es un método para predecir
la probabilidad de ocurrencia del próximo símbolo de entrada. El algoritmo examina
una cadena de entrada dada y los d bits que la preceden, conocida como el contexto.
Se construye un árbol de profundidad D donde cada nodo corresponde a un subnivel
del contexto. Luego se examina el próximo bit de la entrada y el árbol es actualizado
para agregar el bit a la nueva cadena y usarla para predecir la probabilidad de un
contexto. Esta información luego es usada por un codificador aritmético para
comprimir los datos. CTW, como PPM alcanza una relación de compresión alta, pero
la complejidad temporal depende de la cantidad de contextos que tenga que analizar
el algoritmo [4].
5.6.5. Familia de algoritmos Lempel-Ziv

La codificación Lempel-Ziv y sus muchas variaciones son, probablemente, los
métodos más populares de compresión utilizados en aplicaciones de compresión de
archivos. La variante más común, LZ77 o Compresión Living Windows, hace uso de
una ventana deslizante que consiste en un buffer de búsqueda, o diccionario, y un
buffer no comprimido. Una cadena de símbolos es leída del buffer no comprimido, y

se busca una coincidencia con la misma cadena en el buffer de búsqueda. Si se

encuentra, se escribe en la salida un índice a la ubicación del Sting en el diccionario.
Idealmente, el codificador selecciona la coincidencia más larga disponible en el buffer
de búsqueda, aunque esto suele ser configurable ya que condiciona el desempeño
del algoritmo, ya que los métodos de compresión Lempel-Ziv requieren tiempo para
buscar en el diccionario, la compresión es usualmente mucho más costosa que la
descompresión. Muchas técnicas de compresión tienen sus raíces en LZ77 y su
sucesor LZ78. Por ejemplo, LZO (Lempel-Ziv-Oberhumer) es una implementación
moderna de este algoritmo que tiene una complejidad temporal cuadrática de
aproximadamente N (d) donde N es el número total de símbolos de entrada y d es el
tamaño del diccionario. Posee algunas características interesantes y por lo tanto es
muy utilizada para aplicaciones en entornos embebidos:
5.7. Comparativo entre Algoritmos
ALGORITM TIPO COMPLEJIDAD COMPLEJIDAD TAZA DE RADIO DE

O TEMPORAL ESPACIAL COMPRESION COMPRESIO
𝑻𝑻 N
𝑻𝑻 = 𝑻𝑻𝑻%
𝑻𝑻
𝑂(𝑂) = 𝑂(𝑂 +𝑂𝑂𝑂 𝑂𝑂𝑂 (2𝑂 𝑂(𝑂) = 2𝑂 − 1 Aproximadament 0,6940

− 1)) + 𝑂 Donde c es el e 30,6%
Donde n es el número de la número máximo
Huffman Estadístico entrada de datos y s es el de nodos en el
tiempo de balanceo del árbol. árbol de Huffman
Complejidad de Tipo Lineal Complejidad de
Tipo Lineal
𝑂(𝑂) = 𝑂(𝑂𝑂𝑂 𝑂𝑂𝑂 (𝑂) + 𝑂) 𝑂(𝑂) = 𝑂𝑂 + 1 Aproximadament 0,712
+𝑂 Donde c es el e 35%
Donde n es el número de la número máximo
entrada de datos, s es el de elementos de
Aritmética Estadístico tiempo de repaso sobre la la estructura de
estructura de datos y a es el datos.
polinomio aritmético Complejidad de
correspondiente al código. Tipo Lineal
Complejidad de Tipo Lineal

Familia de 𝑂(𝑂) = (𝑂2 ) + 2) Memoria de tipo Aproximadament 0,1214

Algoritmos Donde n es la entrada de persistente, para e 40%
LZ datos, el
Diccionario
LZ77, LZ78, Orden cuadrático almacenamiento
LZW, LZO de los
diccionarios.
Tabla 1. Comparación entre los algoritmos de compresión utilizados en la codificación de la
fuente de transmisión, en sistemas de comunicaciones digitales [5], [12], [16], [4]
5.7.1. Graficas Comparativas de complejidad
LZW
Huffman
Complejid
Aritmética
ad O(n)
Volumen de
Datos
Grafica 2. Comparativa entre la cantidad de datos codificados contra el nivel de complejidad

temporal.

Aritmética
Complejida
LZW
d O(c)
Huffman
Volumen de
Datos
Grafica 3. Comparativa entre la cantidad de datos codificados contra el nivel de complejidad

Espacial.
5.8. Redes neuronales artificiales
Una red neuronal artificial (RNA) puede definirse como un sistema de procesamiento
de información compuesto por un determinado número de elementos de
procesamiento (neuronas), conectados entre sí a través de canales de comunicación
denominados sinapsis[17]. Estas conexiones establecen una estructura jerárquica y
permiten la interacción, representando las abstracciones del mundo real, estos
sistemas computacionales tratan de emular al sistema nervioso biológico. A diferencia
de la computación tradicional, basada en algoritmos predecibles, la computación
neuronal permite desarrollar sistemas que resuelvan problemas complejos cuya
formalización matemática es sumamente difícil [18], esto se logra porque los sistemas
que trabajan con RNA tienen características de funcionamiento que permiten un tipo
de aprendizaje de máquina, estas características son las siguientes:
Aprendizaje adaptativo: esta es quizás la característica más importante de las RNA,

ya que pueden comportarse en función de un entrenamiento con una serie de
ejemplos ilustrativos. De esta forma, no es necesario elaborar un modelo a priori, ni
establecer funciones probabilísticas. Una RNA es adaptativa porque puede

modificarse constantemente con el fin de adaptarse a nuevas condiciones de

trabajo[17].
Autoorganización: mientras que el aprendizaje es un proceso donde se modifica la

información interna de la RNA, la autoorganización consiste en la modificación de toda
la red completa con el fin de llevar a cabo un objetivo específico. Autoorganización
significa generalización, de esta forma una red puede responder a datos o situaciones
que no ha experimentado antes[18], pero que puede inferir en base a su
entrenamiento. Esta característica es muy útil sobre todo cuando la información de
entrada es poco clara o se encuentra incompleta[17].
Tolerancia a fallos: en la computación tradicional la pérdida de un fragmento pequeño

de información puede acarrear comúnmente la inutilización del sistema. Las RNA
poseen una alta capacidad de tolerancia a fallos. La tolerancia a fallos se entiende
aquí en dos sentidos: primero, las redes pueden reconocer patrones de información
con ruido, distorsión o incompletos (tolerancia de fallos respecto de los datos)[19]; y
segundo, pueden seguir trabajando (con cierta degradación) aunque se destruya parte
de la red (tolerancia a fallos respecto de la estructura)[20]. La explicación de este
fenómeno se encuentra en que, mientras la computación tradicional almacena la
información en espacios únicos, localizados y direccionables, las redes neuronales lo
hacen de forma distribuida y con un alto grado de redundancia[17].
Operación en tiempo real: de todos los métodos existentes, la RNA son las más
indicadas para el reconocimiento de patrones en tiempo real, debido a que trabajan
en paralelo actualizando todas sus instancias simultáneamente[21].
5.8.1. Estructura de una RNA
Las RNA están compuestas por una serie de elementos de procesamiento o neurona
(microestructura). Conectando varias neuronas de un determinado modo
conseguimos una red (mesoestructura). Existen infinitas variaciones de topologías,
pero podemos clasificarlas según los siguientes criterios; primero por el número de
niveles o capas, segundo por el número de neuronas por nivel, tercero por las formas
de conexión[17].

En cuanto a la cantidad de capas, se puede decir que una red puede estar formada
por un mínimo de una capa y un máximo de n capas. Cuando existe una sola capa,
esta oficia tanto de entrada como de salida. En el caso de una red de dos capas, la
primera será de entrada y la segunda de salida. Para el caso de redes con más de
tres capas, la primera será de entrada, la última de salida y las restantes serán las
capas ocultas. El número de neuronas por nivel puede variar desde 1 hasta n, y
depende de la topología de cada modelo en particular[17].
5.8.2. Modelos de RNA
Existen varios modelos diferentes de redes neuronales clasificados por su estructura.

Cada una de ellos ha sido diseñado para fines más o menos específicos, lo que quiere
decir que en su momento cada modelo fue pensado como la solución particular a un
problema específico[22], no obstante, existen varios que han sido aplicados a la
solución de diversos problemas distintos, en el siguiente cuadro se muestran los
modelos más utilizados en problemas relacionados con las telecomunicaciones[23]:
Modelo Aplicaciones Características Limitaciones Creadores

Teoría de Reconocimiento de Es una RNA Sensible a la Gail
resonancia patrones (radar, sofisticada, poco translación, Carperrter,
adaptativa sonar, y enlaces de utilizada debido a su distorsión, escala y
(ART) satélite.) gran consumo de disposición de Stephen
recursos recursos de Grossberg
computacionales[24] procesamiento[24].
ADALINE/ Filtrado de señales. Rápida, fácil de Sólo es posible Bernard
MADALINE Ecualizador implementar con clasificar espacios Widrow
adaptativo, circuitos analógicos. linealmente
módems, y separados[26]
codificaciones del
canal[25].
Back Síntesis de voz La red más popular. Necesita mucho Paul Werbos,
Propagation desde texto. Numerosas tiempo para el David Parker,
Control aplicaciones con aprendizaje y David
de robots. éxito. Facilidad de muchos Rumelhart
Predicción aprendizaje. ejemplos[28]
Reconocimiento Potente, para

de patrones[27] problemas que

necesiten una
estructura de datos
dinámica y
reconocimiento de
patrones[23].
Self- Reconocimiento de Realiza mapas Requiere mucho Teuvo
Organizing- patrones, de características entrenamiento Kohonon
Map (SOM) codificación de comunes de
datos, los datos
optimización[29] aprendidos[30]
5.9. Algoritmo de Huffman y las aplicaciones con redes neuronales u otros

métodos de inteligencia computacional
La utilización del algoritmo de Huffman para realizar la codificación de información es

común en las aplicaciones de transmisión de datos, por esta razón, son varias las
investigaciones que han abordado los enfoques de compresión de datos en la
codificación, no solo con este algoritmo sino con varios de los que ya se hizo mención
anteriormente, la tasa compresión de estos algoritmos es cuantificada por el tamaño
de la información a la entrada y a la salida del sistema, esto indica el desempeño del
proceso de codificación.
Al tratarse de un algoritmo que utiliza procesos estocásticos y probabilísticos, este

ejecuta procesos iterativos de reconocimiento de cadenas similares en la ráfaga de
información, por esta razón se han hecho estudios de cómo utilizar herramientas de
la inteligencia artificial para trabajar con el algoritmo de Huffman, sin embargo las
investigaciones alrededor de este tema tratan la compresión de datos como bloques
independientes donde en hilos separados se ejecuta el algoritmo de codificación y en
otro la compresión de la cadena. A continuación, se mencionan algunos de los trabajos
más recientes y cercanos al tema de investigación de este trabajo:
Convolutional Neural Network Based Synthesized View Quality Enhancement for 3D

Video Coding, “Mejora de la calidad de la vista sintetizada basada en una red neuronal
convolucional para la codificación de video 3D”.

En este trabajo se hace referencia a una implementación que mejora la codificación

de video 3D, para mejorar la eficiencia en la codificación, se utiliza una red neuronal
convolucional (CNN), basado en el método de mejora de la calidad de la vista
sintetizada, para codificación de video de alta eficiencia 3D (HEVC), se propone, en
primer lugar, la eliminación de la distorsión en la vista sintetizada, se formula como
una tarea de restauración de la imagen, con el objetivo de reconstruir el latente de la
imagen sintetizada sin distorsiones, en donde se utiliza la RNA como predictor y
corrector de errores, como pérdida de la información[31].
Modified Huffman based compression methodology for Deep Neural Network

Implementation on Resource Constrained Mobile Platforms; “Metodología de
compresión basada en una Modificación de Huffman con implementación de redes
neuronales de aprendizaje profundo en plataformas móviles con restricciones de
recursos”
En este trabajo se implementa un RNA particular de aprendizaje profundo (DNN) que

producen alta precisión en los resultados de aplicaciones algorítmicas, sin embargo,
incurren en altos costos de complejidad computacional y requisitos de memoria, la
propuesta que ofrece es una estructura de la RNA trabajando en forma paralela con
el algoritmo de Huffman haciendo mejoras para la ejecución en un móvil con recursos
limitados llegando a una compresión de datos mejorada, no obstante se trabaja el
algoritmo de Huffman independiente de la RNA[32].
The Performance of Text File Compression Using Shannon-Fano and Huffman on

Small Mobile Devices; “El rendimiento de la compresión de archivos de texto usando
Shannon-Fano y Huffman en dispositivos móviles”
Esta investigación realiza una evaluación y comparación de desempeño de los

métodos de compresión de Huffman y Shannon- Fano, trabajando sobre dispositivos
móviles y su interacción en la transmisión de información de cara a la red a la que se
conecte el dispositivo, siendo estas redes de wifi o red móvil 3G, también se realiza el
análisis del uso de estas metodologías de compresión en el momento de utilizarlas
por aplicaciones que funcionan en estos dispositivos[14].

A Novel Encoding-Decoding Scheme using Huffman Coding for Multimedia Networks;

“Un nuevo esquema de codificación y decodificación utilizando la codificación Huffman
para redes multimedia”
Este trabajo propone un nuevo esquema de codificación que utiliza la codificación

Huffman para el cifrado de datos transmitidos a través de una red multimedia. El
propósito técnico manipula el código Huffman para tratar datos comprimidos sin
cambiar su relación de compresión. La codificación se realiza mediante un proceso de
mutación que, en resumen, genera múltiples mutaciones del árbol Huffman
intercambiando las ramas del árbol Huffman original[33].

6. Metodología
En esta sección se describe la metodología que se usará para llegar al cumplimiento
del objetivo general, así como el de los objetivos específicos propuestos en este
trabajo. Se mencionan las herramientas de simulación utilizadas en el desarrollo del
trabajo y se describen las actividades realizadas en cada objetivo específico.
Documentación: Se realizarán actividades de documentación bibliográfica sobre los

conceptos fundamentales de las herramientas teóricas que se utilizarán a través del
proyecto, con el fin de construir el diseño de la RNA y la modificación del algoritmo de
Huffman.
Diseño: Se construirán los diseños estructurales y dinámicos del algoritmo de Huffman

y su estructura de datos asociada definida por el diseño de la RNA.
Implementación: Con los diseños terminados se procederá a la implementación del

algoritmo junto a la RNA, para tal fin se hará el desarrollo en herramientas de software
especializadas como Matlab y con la utilización de compiladores de lenguaje Java,
para extender el proyecto a una posible implementación para dispositivos móviles o
similares.
Pruebas, evaluación y análisis: Teniendo la implementación del proyecto se harán

pruebas utilizando varios tipos de fuentes de información, que se codificarán, midiendo
la tasa de compresión del algoritmo y el desempeño del mismo basado en el indicador
de complejidad temporal y computacional, de esta manera se podrá comparar con
otros métodos de codificación y compresión analizando los resultados arrojados.

6.1. Cronograma
El cronograma del proyecto se estableció con la técnica de ruta crítica, en la cual se

plantearon actividades, que posteriormente se desglosaron para determinar un tiempo
de duración optimista, pesimista y esperado, este análisis dio como resultado unas
duraciones contemplando holguras, para definir un esquema de trabajo para la
investigación.
PREDECESORAS TIEMPOS Semanas TIEMPOS
DESVIACION
Predecesora
OPTIMISTA
ESTIMADO
PESIMISTA
ESPERADO
VARIANZA
Actividad
DESCRIPCION DE LAS ACTIVIDADES 1 2 3 4 5 DU
Revisión Bibliográfica (ANTEPROYECTO) A 10 12 14 12,00 0,7 0,4 12

Diseño Red Neuronal B A 8 10 12 10,00 0,7 0,4 10
Diseño Dinámico del Algoritmo C D, C B 4 5 6 5,00 0,3 0,1 5
Diseño de las Estructuras de Datos RNA D E B 4 5 6 5,00 0,3 0,1 5
Entrenamiento de la Red Neuronal como ED E F D C 4 5 6 5,00 0,3 0,1 5
Diseño estructural del Algoritmo F F E 2 3 5 3,17 0,5 0,3 3,2
Implementación Ensamble del algoritmo G F F 2 3 5 3,17 0,5 0,3 3,2
Preparación de tramas de datos para las pruebas H F F 1 2 4 2,17 0,5 0,3 2,2
Realización de Pruebas I H F 6 8 10 8,00 0,7 0,4 8
Evaluación y Comparación con otros algoritmos J I, J F 4 6 7 5,83 0,5 0,3 5,8
Conclusiones Cierre del Proyecto K G G 1 3 4 2,83 0,5 0,3 2,8
TOTAL, EN SEMANAS 36 50 65 50,17 4,8 23 50

Bibliografía
[1] B. Sklar, “DIGITAL Fundamentals and Applications,” Ijcnwc, 2013.
[2] J. G. Proalkis, Digital Comunications. 2009.
[3] K. Denecker, J. Van Overloop, and I. Lemahieu, “An experimental comparison

of several lossless image coders for medical images,” IEEE Conf. 1997. DCC,
p. 435, 1997.
[4] Y. Wiseman, “Compaction of RFID Devices Using Data Compression,” vol. 1,

no. 3, pp. 4762–4766, 2018.
[5] N. Abramson, Teoría de la Información y Codificación. 1981.
[6] L. Plata, “Compresion transparente para sistemas embebidos,” 2007.
[7] B. Zhang, Z. Wang, J. Wang, and H. Wang, “and Transmission technology for
Structure Healthy Monitoring,” 2017.
[8] R. P. Tripathi, “Study Of Various Data Compression Techniques Used In

Lossless Compression of ECG Signals,” 2018.
[9] K. Sharma, “Lossless Data Compression Technique With Encryption Based

Approach,” pp. 2–6, 2017.
[10] L. S. Cohen and T. Wendling, “Técnicas de diseño,” Técnicas de diseño, pp. 15–
18, 1998.
[11] Y. Liu and I. Engineering, “Lossless Compression of Full-Surface Solar Magnetic

Field Image Based on Huffman Coding,” pp. 899–903, 2017.
[12] J. M. Hurtado, “Simulación y Análisis de Algoritmos de Compresión Empleados

en un Sistema de Comunicaciones Digitales .,” vol. 2, pp. 1–10, 2015.
[13] Á. Zavala, E. Salvador, E. Salvador, M. Linares, and E. Salvador, “Development

of an Application for Data Compression by Using the Huffman Algorithm .,” 2017.
[14] T. Mantoro, M. A. Ayu, and Y. Anggraini, “The Performance of Text File

Compression Using Shannon-Fano and Huffman on Small Mobile Devices,”
2017.
[15] K. M. Shivkumar and N. Kashyap, “A maximization problem related to Huffman

codes,” 2017 23rd Natl. Conf. Commun. NCC 2017, 2017.
[16] D. Salomon, Data Compression. 2014.
[17] F. de Moya Anegón, V. Herrero Solana, and V. Guerrero Bote, “La aplicación de
Redes Neuronales Artificiales (RNA): a la recuperación de la información,”
Bibliodoc Anu. Bibl. Doc. i Inf., pp. 147–164, 2007.
[18] H. K. Roni, M. Abdul, and G. Khan, “An Artificial Neural Network Based
Predictive Approach for Analyzing Environmental Impact on Combined Cycle
Power Plant Generation,” 2017 2nd Int. Conf. Electr. Electron. Eng., no.
December, pp. 1–4, 2017.
[19] J. Zhu, L. Wu, Y. Lu, J. Jiao, and X. Song, “Convolutional Neural Networks Based
for High Spectral Dimensional Data Classification,” 2018 IEEE Third Int. Conf.
Data Sci. Cybersp., pp. 768–772, 2018.
[20] M. Amir and T. Givargis, “Priority Neuron: A Resource-Aware Neural Network for
Cyber-Physical Systems,” IEEE Trans. Comput. Des. Integr. Circuits Syst., vol.
PP, no. XX, pp. 1–1, 2018.
[21] I. Ruban, K. Smelyakov, M. Vitalii, P. Dmitry, and N. Bolohova, “Method of Neural

Network Recognition of Ground-based Air Objects,” 2018 IEEE 9th Int. Conf.
Dependable Syst. Serv. Technol., pp. 589–592, 2018.
[22] W. Li, “Design and Analysis of a Novel Finite-Time Convergent and Noise-
Tolerant Recurrent Neural Network for Time-Variant Matrix Inversion,” IEEE
Trans. Syst. Man, Cybern. Syst., vol. PP, pp. 1–15, 2018.
[23] C. V. Regueiro, S. Barro, E. Sánchez, and M. Fernández-Delgado, “Modelos

básicos de redes neuronales artificiales,” Computación neuronal. pp. 181–218,
1995.
[24] Q. Song, Y. Wu, and Y. C. Soh, “Robust adaptive gradient-descent training

algorithm for recurrent neural networks in discrete time domain.,” IEEE Trans.
Neural Netw., vol. 19, no. 11, pp. 1841–53, 2008.
[25] R. Dogaru, P. Julian, L. O. Chua, and M. Glesner, “The simplicial neural cell and
its mixed-signal circuit implementation: An efficient neural-network architecture

for intelligent signal processing in portable multimedia applications,” IEEE Trans.

Neural Networks, vol. 13, no. 4, pp. 995–1008, 2002.
[26] A. G. Blanco, “Method to approximate initial values for training lineal neural
networks,” Proc. - Electron. Robot. Automot. Mech. Conf. CERMA 2008, pp.
443–446, 2008.
[27] U. Saxena, D. Kaushik, M. Bansal, U. Sahu, and D. Bhowmik, “Low-Energy

Implementation of Feed-Forward Neural Network With Back-Propagation
Algorithm Using a Spin-Orbit Torque Driven Skyrmionic Device,” IEEE Trans.
Magn., vol. PP, pp. 1–5, 2018.
[28] Z. Zhang, X. Cui, X. Lin, and L. Zhang, “An algorithm of training sample selection
for integrated circuit device modeling based on artificial neural networks,” 2016
IEEE Int. Conf. Electron Devices Solid-State Circuits, pp. 314–317, 2016.
[29] Y. Shiraishi, K. Hirasawa, J. Hu, and J. Liurata, “Self-organizat ion in Probabilistic

Neural Networks,” Neural Networks, pp. 2533–2538, 2000.
[30] V. G. Arkhangelsky, S. A. Alyushin, and A. V Alyushin, “Development and

Analysis of Analog-Digital Neural Net for Speech Stress Detection,” pp. 1817–
1822, 2018.
[31] L. Zhu, Y. Zhang, S. Wang, H. Yuan, S. Kwong, and H. H. S. Ip, “Convolutional

Neural Network Based Synthesized View Quality Enhancement for 3D Video
Coding,” IEEE Trans. Image Process., vol. PP, no. XX, pp. 1–1, 2018.
[32] C. Pal, S. Pankaj, W. Akram, A. Acharyya, and D. Biswas, “Modified Huffman

based compression methodology for Deep Neural Network Implementation on
Resource Constrained Mobile Platforms,” 2018 IEEE Int. Symp. Circuits Syst.,
pp. 1–5, 2018.
[33] M. R. Usman, M. A. Usman, and S. Y. Shin, “A novel encoding-decoding scheme

using huffman coding for multimedia networks,” CCNC 2018 - 2018 15th IEEE
Annu. Consum. Commun. Netw. Conf., vol. 2018–Janua, no. 2, pp. 1–6, 2018.

Codificacion Huffman Modificado

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Codificacion Huffman Modificado

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD DISTRITAL

FRANCISCO JOSE DE CALDAS

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

IMPLEMENTACION DE UNA MODIFICACION DEL

Ing. William Javier Castillo Gámez

Ing. Martha Ruth Ospina

MAESTRÍA EN TELECOMUNICACIONES MÓVILES

William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 1

Palabras Clave .......................................................................................................................3

1. Planteamiento del Problema ...........................................................................................5

2.1. Objetivo General ......................................................................................................6

2.2. Objetivos Específicos ...............................................................................................6

5. Marco Teórico .................................................................................................................9

5.1. Sistemas de comunicaciones digitales .....................................................................9

5.2. Codificación de la Fuente .......................................................................................10

5.3. Compresión de la Información................................................................................11

5.4. Complejidad en Algoritmos de Compresión sin Pérdidas .......................................12

5.5. Técnicas de Compresión de Datos.........................................................................14

5.6. Algoritmos de Compresión .....................................................................................15

5.7. Comparativo entre Algoritmos ................................................................................18

5.7.1. Graficas Comparativas de complejidad...............................................................19

5.8. Redes neuronales artificiales .....................................................................................20

6.1. Cronograma ...........................................................................................................27

William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 2

William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 3

William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 4

1. Planteamiento del Problema

¿Se puede mejorar el grado de servicio de una red de telecomunicaciones al encontrar

William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 5

Crear un método de compresión en la fuente de información utilizando redes

2.2. Objetivos Específicos

Diseñar e implementar una red neuronal que se comporte como la representación de

Diseñar e Implementar el algoritmo de Huffman, integrando una red neuronal que

Realizar pruebas del algoritmo utilizando bloques de información de distinta naturaleza

Evaluar el Algoritmo propuesto mediante la medición de complejidad computacional,

William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 6

Este proyecto propone el diseño, implementación y evaluación de un método de

William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 7

William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 8

5.1. Sistemas de comunicaciones digitales

Los sistemas de comunicaciones digital son el modelo utilizado en la actualidad como

5.1.1. Elementos de las comunicaciones Digitales

William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 9

se empieza tomando la señal que se envió por el canal físico, pasarla a un

Figura 1. Elementos básicos de un sistema de telecomunicaciones digitales [2]

5.2. Codificación de la Fuente

Los sistemas de comunicación, son diseñados con el propósito, de transmitir

Sin importar el tipo de la fuente de información, en los sistemas de comunicación

Dentro de este proceso de los sistemas de comunicaciones digitales; existen dos

William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 10

consiste en tomar cada trama de símbolos y transformarlos en códigos o claves, para

5.3. Compresión de la Información.

Esta práctica en las comunicaciones digitales es muy útil en el momento de codificar

La compresión de datos implica la reducción en el número de caracteres transmitidos

Un algoritmo de compresión con pérdida se basa en eliminar datos de la señal para

Los algoritmos de compresión de datos sin pérdida se caracterizan, por recuperar la

William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 11

5.3.1. Compresión sin Pérdidas

Para realizar la compresión de datos se emplean algoritmos de codificación aplicados

Los algoritmos semi adaptativos, empiezan revisando la cadena completa de

5.4. Complejidad en Algoritmos de Compresión sin Pérdidas

William Javier Castillo Gámez – 2018 – Periodo (1 / 3) 12

5.4.1. Análisis de algoritmos