Blog.
Blog

Deconvolución en el navegador: por qué dividir no basta

16 de noviembre de 2026 · 2 min de lectura · #señal #deconvolución #demo

En mis prácticas en das-Nano trabajo en un problema muy concreto: deconvolucionar señales de terahercios. Para explicarlo sin necesidad de datos reales he preparado una demo interactiva que funciona directamente en el navegador. Aquí cuento qué enseña.

El problema

Un pulso atraviesa un material y vuelve con varios ecos, uno por cada cambio de capa. Lo que mide el sensor no son esos ecos limpios, sino su convolución con la forma del pulso del instrumento, más algo de ruido:

medida = ecos ⊛ pulso + ruido

Si el pulso es ancho, los ecos se solapan y a simple vista no se sabe cuántos hay ni dónde están. Deconvolucionar es deshacer esa mezcla.

La tentación: dividir

En el dominio de la frecuencia, la convolución es una multiplicación. Así que la solución parece obvia: transformar la medida, dividir por la respuesta del pulso y volver al tiempo. Es el filtro inverso.

Sin ruido funciona. Con un 3 % de ruido, el error se dispara por encima del 1000 % y aparecen más de cien ecos falsos. La razón es sencilla: en las frecuencias donde el pulso apenas tiene energía, dividir por un número casi cero multiplica el ruido por miles.

Primera solución: Wiener

El filtro de Wiener (o la regularización de Tikhonov, que en este caso es equivalente) divide solo donde la señal domina al ruido. Un parámetro, λ, decide el equilibrio:

  • λ pequeño: más detalle, pero vuelve el ruido.
  • λ grande: resultado limpio, pero borroso.

En la demo, Wiener encuentra los cinco ecos en su sitio, aunque ensanchados: no puede recuperar las frecuencias que el pulso nunca transmitió.

Segunda solución: usar lo que sabemos

Aquí está la idea que más me gusta. Si sabemos que la señal real son pocos ecos aislados, podemos pedir explícitamente la solución más dispersa que explique la medida. Eso se formula con una penalización L1 y se resuelve con algoritmos iterativos como ISTA o su versión acelerada, FISTA.

Con los mismos datos, la reconstrucción dispersa recupera los cinco ecos casi exactos, con un error en torno al 7 %, y sigue funcionando razonablemente con un 10 % de ruido.

Y las redes neuronales

Los métodos clásicos dependen de que el modelo (pulso conocido, ecos dispersos) se cumpla. Las redes neuronales llevan esta idea más lejos: en lugar de imponer a mano qué forma tiene la solución, la aprenden a partir de datos. Es lo que estoy explorando en las prácticas; la demo se queda deliberadamente en los métodos clásicos y en señales sintéticas.

Pruébalo

En la demo puedes cambiar el método, el ruido, la anchura del pulso, λ y el número de ecos, y ver en directo el error y cuántos ecos se detectan. Está hecha en JavaScript puro, con la FFT y los algoritmos programados a mano, sin librerías y sin enviar ningún dato.

← Todos los artículos