1. Introducción

La Transformada de Hadamard (también conocida como Walsh‑Hadamard Transform o WHT) es una herramienta de procesamiento de señales que convierte una secuencia de valores en una combinación lineal de funciones ortogonales de forma binaria (valores +1 y –1). A diferencia de la Transformada de Fourier, que emplea senos y cosenos continuos, la WHT utiliza únicamente sumas y restas, lo que la hace extremadamente rápida y adecuada para hardware de bajo consumo.

2. Fundamento matemático

Una matriz de Hadamard H_n de orden n = 2^k se define recursivamente:

H₁ = [1]
H₂ₖ = \begin{bmatrix} Hₖ & Hₖ \\ Hₖ & -Hₖ \end{bmatrix}

Para una señal x = [x₀, x₁, …, x_{n-1}], la transformada se calcula como:

y = Hₙ · x

Donde · indica el producto matricial. Como Hₙ es ortogonal, la inversa es simplemente Hₙ / n.

3. Propiedades clave

• Ortogonalidad: Hₙ·Hₙᵀ = n·Iₙ.
• Complejidad O(n log n): La versión fast (FWHT) reduce la complejidad a n·log₂ n, idéntica a la FFT.
• Operaciones binarias: Solo suma y resta, sin multiplicaciones por constantes complejas.
• Espectro real y simétrico: Útil para análisis de señales binarias y datos de imagen.

4. Implementación en Python (FWHT)

La versión iterativa más eficiente se basa en el algoritmo de “divide‑y‑vencerás”. A continuación, un ejemplo limpio y documentado.

import numpy as np
def fwht(x: np.ndarray) -> np.ndarray:
    """Fast Walsh‑Hadamard Transform (in‑place).
    Parámetros
    ----------
    x : np.ndarray
        Vector de longitud 2ⁿ (se lanza ValueError si la longitud no es potencia de 2).
    Returns
    -------
    np.ndarray
        Transformada de Hadamard del vector ``x``.
    """
    n = x.shape[0]
    if n & (n - 1) != 0:
        raise ValueError('La longitud del vector debe ser una potencia de 2')
    h = 1
    y = x.astype(float).copy()
    while h < n:
        for i in range(0, n, h * 2):
            for j in range(i, i + h):
                a = y[j]
                b = y[j + h]
                y[j] = a + b      # suma
                y[j + h] = a - b  # resta
        h *= 2
    return y
# Ejemplo de uso
if __name__ == '__main__':
    signal = np.array([1, 2, 3, 4, 0, 1, 0, 1])
    transformed = fwht(signal)
    print('Señal original :', signal)
    print('Transformada   :', transformed)
    # Inversa (dividir por n)
    inverse = fwht(transformed) / signal.size
    print('Reconstruida   :', inverse)

El algoritmo funciona in‑place, lo que reduce la huella de memoria, y su complejidad es O(n log n).

5. Comparativa con otras transformadas

6. Casos de uso reales

1. Compresión de imágenes binarias: La WHT reduce la entropía de imágenes de texto o diagramas.
2. Comunicación por línea de visión (Li-Fi) y CDMA: Codificación y decodificación de secuencias de chips.
3. Algoritmos de aprendizaje rápido: Kernels basados en Hadamard para SVM y redes neuronales (Fastfood).
4. Generación de patrones de prueba en hardware: Señales de pseudo‑aleatoriedad con bajo coste.

7. Buenas prácticas y optimizaciones

• Uso de NumPy vectorizado: Para vectores muy grandes (> 2⁲⁰) considere scipy.fftpack con ``dtype=np.int8`` y luego convierta a float para evitar overflow.
• Pre‑alocar buffers: Evite crear copias dentro del bucle; pasar un buffer pre‑inicializado a la función.
• Paralelismo con Numba o Cython: Decorar la función con @njit(parallel=True) puede reducir el tiempo de ejecución en un 30‑50%.
• Gestión de overflow: Para datos enteros de gran magnitud, convierta a ``float64`` antes de la transformación o normalice la señal.

8. Depuración y troubleshooting

Los problemas más frecuentes y sus soluciones:

9. Compatibilidad, rendimiento y escalabilidad

La WHT está disponible en la mayoría de los entornos de cálculo numérico:

• Python: Implementación pura (como la mostrada) o pywt (Wavelet Toolbox) que incluye hadamard.
• MATLAB/Octave: hadamard y wht (Signal Processing Toolbox).
• R: Paquete pracma con hadamard.
• Hardware: FPGA/ASIC pueden ejecutar la WHT en < 10 ns para bloques de 1024 bits.

En clústeres de cómputo distribuido, la transformación se paraleliza fácilmente dividiendo el vector en sub‑bloques y combinando resultados con un reduce de tipo suma.

10. Conclusiones

La Transformada de Hadamard sigue siendo una alternativa poderosa a la FFT cuando:

• Se trabaja con datos binarios o de bajo ancho de banda.
• Se requiere una implementación ultra‑rápida y de bajo consumo.
• Se desea evitar la complejidad de números complejos.

Con la implementación en Python presentada, puedes experimentar rápidamente, ajustar el algoritmo con Numba o Cython y aplicar la WHT a problemas de compresión, comunicaciones y aprendizaje automático.