Riconoscimento del jamming radar ed estrazione delle feature: metodi, modelli e prestazioni

Come i sistemi radar riconoscono i segnali di disturbo partendo da feature handcrafted, reti neurali e apprendimento invariante ai parametri. Analisi di metodi, modelli e accuratezze recenti, con particolare attenzione a jamming composto e condizioni di basso JNR.

Che cos'è il riconoscimento del jamming radar e perché l'estrazione delle feature è decisiva?

Il riconoscimento del jamming radar è quel processo grazie al quale un sistema radar riesce a capire se, e in che forma, un segnale di disturbo sta interferendo con il suo funzionamento. Il jamming attivo, in pratica, trasmette segnali a radiofrequenza piuttosto potenti che vanno a generare rumore dentro la banda operativa del radar, compromettendone la capacità di individuare i bersagli reali. Separare un disturbo da un'eco legittima, e poi classificare correttamente il tipo di jamming, non è banale: serve un'analisi attenta delle caratteristiche del segnale ricevuto.

L'estrazione delle feature è il passaggio decisivo dell'intera catena: se le caratteristiche che estraiamo non separano bene le classi, nessun classificatore riuscirà a compensare questa debolezza. La letteratura recente — inclusa la rassegna sistematica firmata su IEEE JSTARS nel 2025 da Zan Wang, Zhengwei Guo, Gaofeng Shu e Ning Li — organizza il problema in tre famiglie di jamming (deception, suppression e smart) e poi suddivide i metodi di riconoscimento tra approcci tradizionali di machine learning e approcci basati su reti neurali, superficiali o profonde. Una struttura del genere aiuta a capire perché l'estrazione delle feature resti, ancora oggi, il vero fulcro tecnico della disciplina.

Il problema è tutt'altro che teorico: quando ti muovi in scenari elettromagnetici complessi e il rapporto jamming-to-noise (JNR) è molto basso, le feature tradizionali perdono colpi in fretta e il rischio di falsi allarmi o di mancati riconoscimenti sale parecchio. Ecco perché la ricerca più recente punta a combinare feature statistiche, trasformate tempo-frequenza e rappresentazioni apprese in automatico, con l'obiettivo di restare robusta anche quando i parametri del disturbo cambiano.

Quali feature handcrafted si usano per il riconoscimento dei segnali di jamming?

Prima che i modelli profondi si affermassero, il riconoscimento si basava su feature fisiche progettate a mano. Il lavoro di G. Hao del 2025, citato 13 volte, estrae la dimensione informativa e la dimensione box nei domini del tempo e della frequenza; altri studi correlati ricorrono invece alla decomposizione VMD con entropia energetica, entropia informativa, dimensione box e deviazione standard. Tra le metriche statistiche di base troviamo il valore medio e la deviazione, utili per descrivere come si distribuisce il segnale.

C'è poi un filone più datato, quello di X. Tian del 2013, citato 25 volte, che affronta il riconoscimento del deception jamming passando per la matrice di spettro di prodotto (SPM) e la fattorizzazione a matrice non negativa (NMF). Sono rappresentazioni che riescono a cogliere certe regolarità spettrali che le statistiche più semplici si lasciano sfuggire, e ancora oggi restano un punto di riferimento utile quando si vogliono confrontare i metodi moderni. La tabella che segue prova a riassumere le principali famiglie di feature handcrafted e il ruolo che ricoprono.

Il problema principale di queste feature è che dipendono strettamente dai parametri del segnale, il che rende complicato generalizzare quando ci si trova davanti a tipi di jamming mai incontrati prima. Le feature handcrafted, va detto, conservano comunque un loro valore: restano una base interpretabile e funzionano bene come input per i classificatori tradizionali. Però, se usate da sole, mostrano il fianco sotto JNR basso e in presenza di jamming composto, cioè quando più sorgenti di disturbo si sovrappongono tra loro.

Come estraggono automaticamente le feature i modelli di deep learning?

Con il deep learning, il problema si sposta dall'ingegneria manuale all'apprendimento automatico delle rappresentazioni. Un esempio recente è il metodo cross-modale pubblicato su IET il 29 marzo 2026: gli autori propongono un modulo di estrazione multi-livello che ricava feature multiscala sia da tensori 1D sia da rappresentazioni 2D, e la rete convoluzionale multimodale che ne deriva si mantiene robusta al variare del JNR. L'idea di fondo è sfruttare in parallelo due cose: la struttura temporale del segnale e la sua rappresentazione tempo-frequenza.

Il 31 marzo 2026 Springer ha pubblicato un metodo basato su meccanismo di attenzione che introduce la rete P-MSGC-AM-CNN. L'architettura combina una convoluzione ghost multiscala con struttura bottleneck e meccanismi di attenzione su canale e spazio, indicati come MSGC-CA e MSGC-SA. Per contenere il numero di parametri e limitare il rischio di overfitting, gli autori ricorrono a convoluzioni asimmetriche e sostituiscono i layer fully connected. I risultati sono interessanti soprattutto in condizioni difficili: a -10 dB di JNR il modello raggiunge oltre l'89,8% di accuratezza media su 28 tipi di jamming attivo, superando ResNet18 e altre tre architetture presenti in letteratura. Un profilo prestazionale di questo tipo lo rende adatto ad applicazioni real-time su dispositivi con risorse limitate.

Non solo reti profonde: anche approcci più classici come le 1D-CNN e le CV-CNN vengono impiegati per distinguere 12 tipi di jamming, mentre soluzioni che abbinano la STFT a una CNN se la cavano con nove tipi di jamming LFM. C'è poi il capitolo delle classi sconosciute, quello che in gergo si chiama riconoscimento open-set del jamming radar attivo: qui Y. Liu, nel 2025, propone di sfruttare il deep learning per filtrare e rappresentare i dati in modo adattivo, così da gestire anche segnali che non rientrano in nessuna delle categorie note.

Il punto in comune? Tutti questi approcci si adattano bene ai dati, ma pagano lo scotto di dover disporre di dataset ampi e davvero rappresentativi. E qui sta il nodo: quando i campioni scarseggiano, i modelli profondi tendono a sovradattarsi. È proprio per questo che la ricerca sta battendo con insistenza la strada delle strategie few-shot e della fusione di feature prototipo.

Che cos'è l'apprendimento di feature invarianti ai parametri?

L'apprendimento di feature invarianti ai parametri, proposto da M. Luo nel 2025, affronta un problema preciso: le feature tradizionali degradano quando i parametri del jamming cambiano. Il metodo disaccoppia le feature intrinseche del segnale dalle variazioni parametriche, così il riconoscimento resta stabile anche se il disturbo modifica frequenza, potenza o modulazione.

Il dataset sperimentale contiene sei tipi di segnali di jamming radar, ciascuno rappresentato da serie temporali di dimensione 8001×2. Questa struttura permette di valutare se il modello riconosce la natura del jamming indipendentemente dai parametri specifici, un requisito cruciale in scenari reali dove l'avversario può variare i parametri per eludere il riconoscimento.

Il valore pratico di questo approccio è duplice: riduce la necessità di riaddestrare il modello a ogni variazione e migliora la generalizzazione su condizioni operative non viste. In combinazione con tecniche few-shot e open-set, l'invarianza ai parametri rappresenta una delle direzioni più promettenti per rendere il riconoscimento del jamming robusto e dispiegabile.

Come si riconoscono jamming composto e deception con JNR basso?

Il jamming composto combina più tipi di disturbo nello stesso segnale, rendendo il riconoscimento molto più difficile. P. Li nel 2025, citato 12 volte, propone un metodo basato sull'elaborazione delle immagini che segmenta e riconosce segnali di jamming composto, usando ResNet ottimizzata con attenzione spaziale e su canale. La rappresentazione visiva del segnale consente alla rete di separare componenti sovrapposte.

Sul fronte del deception jamming, L. Du e colleghi del Beijing Institute of Technology (2024, citato 2 volte) analizzano le differenze di angolo dei punti di scattering e di polarizzazione tra echi reali e jamming ingannevole. Il metodo calcola soglie di clustering per feature a partire da dati radar misurati e mantiene prestazioni anche a bassi rapporti JNR. Lo studio è stato pubblicato a IEEE ICSIDP 2024, tenutosi a Zhuhai, Cina, dal 22 al 24 novembre 2024.

Per il jamming composto in condizioni di basso JNR, W. Lu nel 2025 propone un approccio deep learning per il riconoscimento robusto di segnali complessi. Parallelamente, la ricerca su SAR Jamming Recognition via Dual-Channel Feature Extraction under Low JSR affronta il problema dal lato del rapporto jamming-to-signal, confermando che la bassa qualità del segnale è una delle principali fonti di errore.

La fusione multi-feature e il riconoscimento leggero, proposto da W. Zha nel 2026 e citato 2 volte, raggiunge oltre l'87% di accuratezza su sette tipi di jamming composto in dataset simulati. Questi risultati mostrano che combinare più rappresentazioni e ridurre la complessità del modello è una strategia efficace per scenari operativi con risorse limitate.

Quali accuratezze raggiungono i metodi recenti di riconoscimento del jamming radar?

I numeri pubblicati negli ultimi anni offrono un quadro comparabile delle prestazioni. La tabella seguente riassume i risultati principali, con il tipo di jamming, il numero di classi e le condizioni di rumore.

Il metodo open-world di Y. Zhang (2023, citato 21 volte) raggiunge il 91,93% di accuratezza con nove bersagli noti e uno sconosciuto, dimostrando che gestire l'ignoto è possibile senza crolli di prestazioni. Il modulo di estrazione e fusione di feature prototipo aggiunto a una rete piramidale, proposto da H. Zhou nel 2025 e citato 18 volte, aumenta l'accuratezza complessiva di circa il 2,3% rispetto ai metodi tradizionali che preprocessano il segnale e progettano feature fisiche superficiali.

Questi risultati vanno letti con cautela: dataset, condizioni di JNR e definizioni di accuratezza variano tra gli studi. Tuttavia, la tendenza è chiara — i modelli profondi con attenzione, multiscala e fusione di feature superano progressivamente i metodi handcrafted, soprattutto in condizioni difficili.

Quali limiti e rischi restano aperti nella ricerca sul riconoscimento del jamming?

Nonostante i progressi, restano limiti strutturali. La disponibilità di campioni è spesso ridotta, soprattutto per tipologie di jamming rare o nuove, e questo penalizza i modelli profondi. Il jamming elettromagnetico forte e le condizioni di basso JNR o JSR degradano le feature, mentre la variazione dei parametri può rendere inaffidabili le rappresentazioni apprese.

Il rischio di overfitting nei modelli di grandi dimensioni è reale, e per questo la letteratura recente insiste su architetture leggere, attenzione mirata e strategie di apprendimento few-shot. Anche il riconoscimento open-world, cioè la capacità di gestire bersagli o tipi di jamming mai visti, resta una sfida aperta, sebbene i risultati al 91,93% mostrino che è affrontabile.

La rassegna IEEE JSTARS del 2025 discute esplicitamente le strategie per campioni limitati come una delle aree chiave. In sintesi, la direzione è verso modelli che combinano interpretabilità delle feature fisiche, capacità di apprendimento delle reti profonde e robustezza alle variazioni parametriche e alle condizioni di rumore estreme.

Quali prospettive per l'estrazione di feature nel riconoscimento del jamming radar?

La traiettoria della ricerca indica una convergenza tra mondi diversi: feature handcrafted e rappresentazioni apprese non sono più alternative, ma componenti di pipeline ibride. L'uso di trasformate tempo-frequenza come STFT, decomposizioni come VMD e rappresentazioni spettrali come SPM e NMF continua a fornire input utili alle reti neurali, mentre l'attenzione e le architetture multiscala migliorano la selezione delle informazioni rilevanti.

La sfida per i prossimi anni sarà rendere questi metodi dispiegabili su hardware a risorse limitate, mantenendo accuratezza elevata a JNR molto bassi e con classi sconosciute. Le tecniche di fusione multi-feature, l'apprendimento invariante ai parametri e le strategie few-shot e open-set sono le direzioni più promettenti emerse dalla letteratura 2024-2026.

Per chi progetta sistemi radar, la lezione pratica è chiara: investire nell'estrazione di feature robuste e nella valutazione sotto condizioni realistiche di rumore e parametri variabili è più importante che inseguire architetture sempre più grandi. La qualità delle feature, non solo la profondità della rete, determina le prestazioni finali.

Domande frequenti sul riconoscimento del jamming radar

Le domande più comuni riguardano le feature utilizzate, l'accuratezza dei modelli profondi, il significato dell'invarianza ai parametri e le categorie di jamming. Le risposte seguenti riassumono i punti chiave emersi dalla letteratura recente.

Per le feature, i metodi estraggono dimensione informativa e dimensione box nei domini tempo e frequenza, oltre a entropia energetica, entropia informativa e deviazione standard. Le metriche statistiche includono media e deviazione. Alcuni approcci usano feature di matrice di spettro di prodotto con fattorizzazione a matrice non negativa, o feature multiscala da tensori 1D e rappresentazioni 2D.

Sull'accuratezza, una rete multi-feature leggera supera l'87% su sette tipi di jamming composto, mentre P-MSGC-AM-CNN raggiunge oltre l'89,8% su 28 tipi di jamming attivo a -10 dB di JNR. Un metodo open-world arriva al 91,93% con nove bersagli noti e uno sconosciuto.

L'apprendimento invariante ai parametri disaccoppia le feature intrinseche dalle variazioni parametriche, mantenendo il riconoscimento robusto quando i parametri del jamming cambiano. Il dataset sperimentale contiene sei tipi di segnali, ciascuno con serie temporali 8001×2. Quanto ai modelli, la rassegna sistematica li raggruppa in deception, suppression e smart jamming, con metodi di riconoscimento divisi tra machine learning tradizionale e reti neurali.

Domande frequenti

Quali feature vengono estratte per il riconoscimento del jamming radar?

I metodi estraggono dimensione informativa e dimensione box nei domini del tempo e della frequenza, oltre a entropia energetica, entropia informativa e deviazione standard. Le metriche statistiche includono valore medio e deviazione. Alcuni approcci usano feature di matrice di spettro di prodotto con fattorizzazione a matrice non negativa, oppure feature multiscala da tensori 1D e rappresentazioni 2D.

Quanto è accurato il deep learning per il riconoscimento del jamming radar?

Una rete multi-feature leggera ha raggiunto oltre l'87% di accuratezza su sette tipi di jamming composto. L'algoritmo P-MSGC-AM-CNN ha ottenuto oltre l'89,8% di accuratezza media su 28 tipi di jamming attivo a -10 dB di rapporto jamming-to-noise. Un metodo open-world ha raggiunto il 91,93% con nove bersagli noti e uno sconosciuto.

Che cos'è l'apprendimento di feature invarianti ai parametri nel riconoscimento del jamming radar?

Disaccoppia le feature intrinseche dalle variazioni dei parametri, così il riconoscimento resta robusto quando i parametri del jamming cambiano. Il dataset sperimentale contiene sei tipi di segnali di jamming radar, ciascuno composto da serie temporali di dimensione 8001×2, affrontando il problema del degrado delle feature dipendenti dai parametri.

Quali sono le principali categorie di modelli di jamming?

Una rassegna sistematica raggruppa i modelli di jamming in deception jamming, suppression jamming e smart jamming, spiegandone i meccanismi operativi. I metodi di riconoscimento sono poi divisi in approcci tradizionali di machine learning e approcci a rete neurale, incluse reti superficiali e profonde.