Reconocimiento de interferencia radar mediante extracción de características: métodos, modelos y desempeño

La extracción de características convierte señales de interferencia radar en representaciones que las redes neuronales y los clasificadores pueden distinguir. Repaso los métodos manuales, el aprendizaje profundo, el reconocimiento de interferencia compuesta y las precisiones reportadas en condiciones de baja JNR.

¿Qué es el reconocimiento de interferencia radar y por qué importa la extracción de características?

El reconocimiento de interferencia radar es, básicamente, identificar qué tipo de señal hostil está afectando al radar: ya sea interferencia de engaño, de supresión o inteligente. Aquí la extracción de características juega un papel clave, porque es justo el paso donde la señal cruda se convierte en vectores medibles: dimensión de información, dimensión de caja, entropía de energía, entropía de información, desviación estándar y valores medios, entre otros. Sin esa etapa, cualquier clasificador batallaría para separar señales que se parecen demasiado entre sí.

Revisando la literatura que va de 2013 a 2026, me queda claro que el grueso de la investigación se concentró entre 2024 y 2026, y que hay algo en lo que casi todos coinciden: la calidad de las características importa más que la profundidad de la red. Un buen punto de partida para ubicarse en el tema es la revisión sistemática que publicaron Zan Wang, Zhengwei Guo, Gaofeng Shu y Ning Li en IEEE JSTARS en 2025, todos de la Universidad de Henan, en Kaifeng, China. Ahí organizan el campo en tres grandes ramas —interferencia de engaño, de supresión e inteligente— y además separan los métodos tradicionales de los que se apoyan en redes neuronales. Esa taxonomía ayuda bastante a ordenar la discusión antes de meterse en los detalles técnicos.

¿Qué características manuales se usan para reconocer señales de interferencia?

Antes de que el aprendizaje profundo se volviera el pan de cada día, los ingenieros tenían que diseñar a mano las características físicas de la señal, y para eso primero la preprocesaban. En varios de los trabajos citados se echa mano de la dimensión de información y la dimensión de caja, tanto en el dominio del tiempo como en el de la frecuencia, además de la entropía de energía, la entropía de información, la desviación estándar y el valor medio. La idea detrás de estas métricas es sencilla: capturar qué tan caótica o qué tan estructurada resulta la señal. Y mientras el ruido no se coma todo, suelen responder bastante bien.

Un antecedente claro y bastante citado es el trabajo de X Tian en 2013, donde se identifica la interferencia de engaño a partir de una matriz de espectro de producto (SPM, por sus siglas en inglés) combinada con factorización matricial no negativa (NMF). En esa misma línea, hay propuestas que recurren a la descomposición VMD y le suman entropía de energía, entropía de información, dimensión de caja y desviación estándar como descriptores. También es común ver la transformada de Fourier de tiempo corto (STFT) usada como un paso previo, ya que permite convertir la señal en una imagen de tiempo-frecuencia antes de alimentar al clasificador.

Ya sabemos cuál es el problema de fondo: estas características salen de un diseño hecho a mano y, cuando los parámetros de la interferencia cambian o la relación interferencia-ruido (JNR) se desploma, su desempeño se viene abajo. Por eso la investigación acabó volteando hacia la extracción automática de características.

¿Cómo extraen características automáticamente los modelos de aprendizaje profundo?

En el aprendizaje profundo ya no hace falta diseñar las características a mano: el modelo filtra y representa los datos de forma adaptativa. Entre los métodos que se han reportado están las CNN 1D, las CV-CNN, ResNet18 y las redes convolucionales con mecanismos de atención. Un ejemplo reciente es un método multimodal que se publicó en IET en marzo de 2026, el cual emplea un módulo de extracción multinivel que saca características multiescala tanto de tensores 1D como de representaciones 2D; lo interesante es que su red convolucional multimodal se mantiene estable aunque cambie el valor de la JNR.

Un caso que vale la pena mencionar es la red P-MSGC-AM-CNN, que Springer publicó el 31 de marzo de 2026. Esta arquitectura junta convolución fantasma multiescala con una estructura de cuello de botella, además de mecanismos de atención de canal y espacial, conocidos como MSGC-CA y MSGC-SA. También echa mano de convoluciones asimétricas y sustituye las capas totalmente conectadas, con lo que logra bajar tanto el número de parámetros como el riesgo de sobreajuste. Todo esto la hace bastante adecuada para aplicaciones en tiempo real donde los recursos son limitados.

¿Qué es el aprendizaje de características invariantes a parámetros?

El aprendizaje invariante a parámetros lo que busca es desacoplar las características intrínsecas de la señal de las variaciones en sus parámetros. El problema que ataca es bien concreto: cuando cambia la frecuencia, el ancho de banda o la modulación de la interferencia, las características tradicionales se degradan y el clasificador termina fallando. Para atender esto, M Luo propuso en 2025 un método de este tipo, apoyado en un conjunto de datos con seis tipos de señales de interferencia radar, donde cada una se representa como una serie temporal de 8001x2 dimensiones.

Esto último se relaciona con el reconocimiento de pocas muestras, o *few-shot*. En 2025, H Zhou mostró que si a una red piramidal de características se le añade un módulo que extrae y fusiona características prototipo, la precisión general del reconocimiento sube alrededor de 2.3%. El dato importa porque, en la práctica, casi nunca tenemos miles de ejemplos etiquetados por cada tipo de interferencia.

¿Cómo se reconoce la interferencia compuesta y de engaño con baja JNR?

Cuando hablamos de interferencia compuesta nos referimos a la combinación de varios tipos de señal al mismo tiempo, y eso es justo lo que vuelve tan difícil separarlas. Para atender ese problema, P Li publicó en 2025 un método basado en procesamiento de imágenes que segmenta y reconoce señales de interferencia compuesta, apoyándose en una ResNet optimizada con mecanismos de atención espacial y de canal. Vale la pena recordar que la interferencia de radiofrecuencia transmite señales muy potentes que generan ruido dentro de la banda de operación del radar; ese ruido es, precisamente, lo que el modelo aprende a delimitar.

En condiciones de baja JNR, W Lu propuso en 2025 un enfoque de aprendizaje profundo para el reconocimiento robusto de señales complejas. Para interferencia de engaño, L Du y colaboradores (Feng Li, Xuanzhi He, Yang Li) del Instituto de Tecnología de Beijing analizaron en 2024 las diferencias de ángulo de punto de dispersión y polarización entre ecos de objetivo e interferencia de engaño. Calcularon umbrales de agrupamiento por característica a partir de datos medidos, y el método mantiene desempeño con baja JNR. Se presentó en IEEE ICSIDP 2024, en Zhuhai, China, del 22 al 24 de noviembre de 2024.

¿Qué precisión alcanzan los métodos recientes de reconocimiento de interferencia radar?

Los números reportados permiten comparar enfoques, aunque conviene recordar que cada uno usa su propio conjunto de datos y condiciones. La siguiente tabla resume los resultados más citados en el material revisado.

La red P-MSGC-AM-CNN superó a ResNet18 y a otras tres arquitecturas de la literatura con -10 dB de JNR, lo que la hace atractiva para hardware con recursos limitados. El método de mundo abierto de Y Zhang, citado 21 veces, alcanzó 91.93% con nueve objetivos conocidos y uno desconocido, un escenario más realista que asumir que todas las clases están etiquetadas. W Zha reportó en 2026 más de 87% para siete tipos de interferencia compuesta con una red ligera de fusión multica.

También existe el reconocimiento de conjunto abierto (open-set) para interferencia radar activa, donde Y Liu aplicó en 2025 aprendizaje profundo para filtrar y representar datos de forma adaptativa. Y hay trabajos de reconocimiento de interferencia SAR mediante extracción de características de doble canal con baja JSR.

¿Cuáles son los principales retos y limitaciones del campo?

Los propios autores señalan varios riesgos. El primero es la escasez de muestras etiquetadas, que motiva las estrategias de pocas muestras y el aprendizaje prototipo. El segundo son las condiciones severas de interferencia electromagnética y las relaciones JNR o JSR muy bajas, donde incluso los modelos profundos pierden precisión. El tercero es la presencia de objetivos desconocidos en entornos de mundo abierto, que rompe la suposición de clases cerradas.

A esto se suma el riesgo de sobreajuste en modelos grandes y la degradación de características cuando varían los parámetros de la interferencia. Las estrategias de muestras limitadas, la fusión multimodal y el desacoplamiento invariante a parámetros son las respuestas más prometedoras que aparecen en la literatura de 2024 a 2026. En la práctica, yo evaluaría cualquier modelo con datos propios antes de confiar en las cifras publicadas, porque el desempeño depende mucho del conjunto de prueba.

¿Qué modelos de interferencia existen y cómo se clasifican?

El marco de revisión sistemática agrupa los modelos de interferencia en tres categorías: interferencia de engaño, interferencia de supresión e interferencia inteligente. Cada una tiene un mecanismo operativo distinto y, por lo tanto, características distintivas que el extractor debe capturar. La interferencia de engaño, por ejemplo, imita ecos del objetivo y se combate analizando ángulo de punto de dispersión y polarización.

Los métodos de reconocimiento se dividen luego en enfoques tradicionales de aprendizaje automático y enfoques de redes neuronales, que a su vez se separan en redes superficiales y profundas. Los términos que verás una y otra vez en esta literatura incluyen JNR (relación interferencia-ruido), JSR (relación interferencia-señal), DRFM (memoria digital de radiofrecuencia), VMD, STFT, NMF y SPM. Reconocer ese vocabulario ayuda a comparar papers que a primera vista parecen hablar de cosas distintas.

¿Qué papel juegan los datos y las series temporales en estos modelos?

Los conjuntos de datos definen el techo de lo que un modelo puede aprender. En el trabajo de M Luo, cada una de las seis clases de interferencia se representa como una serie temporal de 8001x2 dimensiones, lo que da una idea de la resolución temporal que se maneja. Otros estudios usan 12 tipos de interferencia con CNN 1D y CV-CNN, o nueve tipos de interferencia LFM con STFT más CNN.

La elección de representación importa tanto como la arquitectura. Una señal 1D conserva la estructura temporal, mientras que una representación 2D tiempo-frecuencia expone patrones que una convolución puede explotar visualmente. Los métodos multimodales combinan ambas para ganar robustez. Si vas a reproducir estos resultados, revisa primero cómo se generaron los datos y qué rango de JNR cubren, porque ahí suele estar la diferencia entre 87% y 92% de precisión.

¿Hacia dónde apunta la investigación en reconocimiento de interferencia radar?

La tendencia de 2024 a 2026 combina tres ideas: eficiencia de parámetros, robustez ante baja JNR y capacidad de manejar clases desconocidas. Las redes ligeras con atención, como P-MSGC-AM-CNN, apuntan a aplicaciones en tiempo real con hardware limitado. El aprendizaje invariante a parámetros y el reconocimiento de pocas muestras atacan la falta de datos etiquetados. El reconocimiento de conjunto abierto aborda la realidad de que en el campo aparecerán interferencias nunca vistas.

Para quien trabaja en defensa electrónica o procesamiento de señales, mi recomendación es empezar por la revisión de IEEE JSTARS de 2025 para tener el mapa completo, y luego profundizar en los métodos que coincidan con tus restricciones de cómputo y de datos. No hay un modelo universal: la elección depende de si priorizas precisión, latencia o capacidad de generalizar a amenazas nuevas.

Preguntas frecuentes sobre el reconocimiento de interferencia radar

¿Qué características se extraen para el reconocimiento de interferencia radar?

Los métodos extraen dimensión de información y dimensión de caja en los dominios de tiempo y frecuencia, además de entropía de energía, entropía de información y desviación estándar. Las métricas estadísticas incluyen valor medio y desviación. Algunos enfoques usan características de matriz de espectro de producto con factorización matricial no negativa, o características multiescala de tensores 1D y representaciones 2D.

¿Qué tan preciso es el aprendizaje profundo para el reconocimiento de interferencia radar?

Una red ligera de fusión multica alcanzó más de 87% de precisión para siete tipos de interferencia compuesta. El algoritmo P-MSGC-AM-CNN logró más de 89.8% de precisión promedio en 28 tipos de interferencia activa con -10 dB de relación interferencia-ruido. Un método de mundo abierto llegó a 91.93% con nueve objetivos conocidos y uno desconocido.

¿Qué es el aprendizaje de características invariantes a parámetros?

Desacopla las características intrínsecas de las variaciones de parámetros para que el reconocimiento siga siendo robusto cuando cambian los parámetros de la interferencia. El conjunto de datos experimental contiene seis tipos de señales de interferencia radar, cada una como serie temporal de 8001x2 dimensiones, y ataca el problema de la degradación de características dependiente de parámetros.

¿Cuáles son las principales categorías de modelos de interferencia?

Un marco de revisión sistemática agrupa los modelos en interferencia de engaño, interferencia de supresión e interferencia inteligente, y explica sus mecanismos operativos. Los métodos de reconocimiento se dividen luego en enfoques tradicionales de aprendizaje automático y enfoques de redes neuronales, incluyendo redes superficiales y profundas.