Reconhecimento de Jamming Radar: Extração de Features, Modelos e Desempenho

A extração de features é a etapa que define se um sistema de reconhecimento de jamming radar acerta o alvo, especialmente sob baixa relação jamming-ruído. Reviso aqui métodos manuais, redes profundas, aprendizado invariante a parâmetros e os números de acurácia mais recentes.

O que é reconhecimento de jamming radar e por que a extração de features importa?

O reconhecimento de jamming radar consiste em identificar, classificar e caracterizar os sinais de interferência que chegam ao receptor, separando-os dos ecos legítimos do alvo. Na prática, o jammer transmite sinais de radiofrequência potentes que geram ruído dentro da banda de operação do radar, e o sistema precisa decidir rápido se aquilo é decepção, supressão ou jamming inteligente. É aí que entra a extração de features: ela pega o sinal bruto e o transforma em descritores que um classificador consegue separar com alguma margem estatística.

A qualidade desses descritores acaba definindo o teto de desempenho de todo o pipeline. Uma feature mal escolhida pode até dar bons resultados em laboratório, mas tende a se degradar quando o jammer altera potência, largura de banda ou modulação. É justamente por isso que a literatura recente vem tratando a extração de features não como uma etapa trivial de pré-processamento, e sim como o próprio núcleo do problema. As discussões passam por representações no domínio do tempo, da frequência, tempo-frequência e até por representações imagéticas do espectro.

Uma revisão sistemática publicada no IEEE JSTARS por Zan Wang, Zhengwei Guo, Gaofeng Shu e Ning Li, da Henan University, em Kaifeng, organiza esse campo em três famílias de jamming: decepção, supressão e inteligente. O framework também separa os métodos de reconhecimento entre aprendizado de máquina tradicional e redes neurais, incluindo arquiteturas rasas e profundas, além de estratégias para amostras limitadas.

Vale registrar o contexto de risco: dados de amostra escassos, jamming eletromagnético forte, condições de baixa JNR e JSR, alvos desconhecidos em cenário de mundo aberto e risco de overfitting em modelos grandes aparecem repetidamente como limitações. A extração de features é justamente a alavanca que ataca parte desses problemas sem inflar o modelo.

Quais features manuais são usadas no reconhecimento de sinais de jamming?

Antes de as redes neurais profundas dominarem a área, o caminho mais comum era pré-processar o sinal e, em seguida, projetar à mão as chamadas features físicas de baixo nível. É justamente esse fluxo tradicional que o trabalho de H Zhou, de 2025, descreve. E o ponto interessante que ele traz é que, ao acoplar extração e fusão de features protótipo a uma rede piramidal de features, a acurácia geral do reconhecimento subiu cerca de 2,3%.

Entre as features mais citadas nesse tipo de trabalho estão a dimensão de informação e a dimensão de caixa, ambas calculadas tanto no domínio do tempo quanto no da frequência. Junto com elas, é comum ver entropia de energia, entropia de informação e desvio padrão. E não para por aí: métricas estatísticas como valor médio e desvio também aparecem com bastante frequência, o que acaba formando um vetor compacto e fácil de interpretar.

Existem também abordagens que misturam decomposição com entropia. Numa linha parecida, há trabalhos que aplicam a decomposição VMD em conjunto com entropia de energia, entropia de informação, dimensão de caixa e desvio padrão. Já lá em 2013, X Tian propôs o reconhecimento de jamming de decepção usando a matriz de espectro de produto (SPM) combinada com fatoração de matriz não negativa (NMF) — uma abordagem que até hoje continua sendo citada.

Trabalhos mais recentes com abordagem cross-modal, publicados no IET em março de 2026, fazem extração de features multiescala tanto de tensores 1D quanto de representações 2D. A proposta é que uma rede convolucional multimodal dê conta de se manter robusta diante de diferentes valores de JNR, tirando proveito daquilo que cada representação consegue evidenciar. Logo abaixo, a tabela reúne as principais famílias de features manuais e onde cada uma costuma ser aplicada.

Como modelos de deep learning extraem features de jamming automaticamente?

Hoje, modelos de deep learning vêm substituindo o desenho manual de features por representações que a própria rede aprende de forma adaptativa. É o caso do trabalho de Y Liu, de 2025, que trata do reconhecimento open-set aplicado ao jamming ativo de radar: nessa abordagem, a rede filtra e representa os dados sozinha, sem precisar que todas as classes de jamming sejam conhecidas de antemão. Isso faz bastante sentido na prática, afinal, em campo o radar vai esbarrar em interferências que simplesmente não apareciam no conjunto de treino.

Redes convolucionais 1D e complexas (CV-CNN) costumam ser aplicadas a séries temporais de 8001×2 dimensões, enquanto ResNet18 e CNNs com mecanismos de atenção surgem como baselines frequentes. Há um estudo comparativo citado no material que abrange 12 tipos de jamming com 1D-CNN e CV-CNN, além de nove tipos de jamming LFM com STFT combinada a CNN — o que deixa claro que a escolha da representação de entrada tem peso direto no resultado final.

Em 31 de março de 2026, a Springer publicou um método baseado em atenção que propõe a rede P-MSGC-AM-CNN. A ideia central é usar convolução ghost multiescala em estrutura gargalo, combinada com mecanismos de atenção de canal e espacial — os módulos MSGC-CA e MSGC-SA. Além disso, o trabalho lança mão de convoluções assimétricas e substitui as camadas totalmente conectadas, o que reduz tanto o número de parâmetros quanto o risco de overfitting. Esse enxugamento faz diferença sobretudo quando se pensa em aplicações em tempo real rodando em hardware com recursos limitados.

Em -10 dB de JNR, essa rede alcançou mais de 89,8% de acurácia média em 28 tipos de jamming ativo, superando ResNet18 e outras três arquiteturas da literatura. O ponto que quero destacar é que o ganho não vem de mais parâmetros, mas de extração de features mais eficiente e de atenção bem posicionada.

O que é aprendizado de features invariante a parâmetros?

Aprendizado de features invariante a parâmetros é a resposta a um problema prático: quando o jammer altera seus parâmetros, features que dependem desses parâmetros degradam e o classificador erra. A proposta de M Luo, de 2025, desacopla features intrínsecas das variações de parâmetro, preservando o que é estável no sinal independentemente da configuração usada pelo interferidor.

O conjunto experimental usado nesse trabalho contém seis tipos de sinais de jamming radar, cada um com séries temporais de 8001×2 dimensões. Esse formato preserva a estrutura de duas componentes do sinal e permite testar se a representação aprendida continua discriminativa quando potência, banda ou modulação mudam.

Na prática, isso significa treinar o extrator para ignorar fatores de confusão ligados a parâmetros e focar em assinaturas que caracterizam o tipo de jamming. É uma abordagem complementar às features fractais e de entropia, porque ataca diretamente a causa da degradação em vez de compensá-la com mais dados.

Do ponto de vista de engenharia, esse tipo de método reduz a necessidade de re-treinar o sistema a cada nova configuração de ameaça. Para quem opera radar em ambiente eletromagnético contestado, isso vale mais do que alguns pontos percentuais de acurácia em benchmark estático.

Como jamming composto e de decepção são reconhecidos sob baixa JNR?

Jamming composto combina múltiplos tipos de interferência no mesmo intervalo, o que quebra classificadores treinados para uma única assinatura. P Li, em 2025, propôs reconhecimento de jamming composto baseado em processamento de imagem: o sinal é segmentado e reconhecido, e a ResNet é otimizada com atenção espacial e de canal. A ideia é tratar o espectro como imagem e deixar a atenção destacar as regiões relevantes.

W Lu, em 2025, seguiu a linha de deep learning para reconhecimento robusto de sinais complexos sob baixa JNR. Já W Zha, em 2026, apresentou uma rede leve de fusão multi-feature que ultrapassa 87% de acurácia em sete tipos de jamming composto em conjuntos simulados, combinando eficiência computacional com desempenho.

No caso do jamming de decepção, L Du e colaboradores Feng Li, Xuanzhi He e Yang Li, do Beijing Institute of Technology, analisaram diferenças de ângulo de ponto de espalhamento e de polarização entre ecos de alvo e jamming de decepção. Eles calculam limiares de agrupamento de jamming por feature a partir de dados de radar medidos, mantendo desempenho sob baixas relações jamming-ruído.

O trabalho foi publicado no IEEE ICSIDP 2024, em Zhuhai, China, entre 22 e 24 de novembro de 2024, e usa palavras-chave como jamming de alvo falso denso, extração de features e identificação de jamming radar. Também há uma linha dedicada a SAR, com reconhecimento de jamming por extração de features em canal duplo sob baixa JSR.

Que acurácia os métodos recentes de reconhecimento de jamming radar alcançam?

Os números variam bastante conforme o conjunto de teste, o número de classes e a condição de JNR. Y Zhang, em 2023, reportou 91,93% de acurácia em reconhecimento de jamming ativo de radar em mundo aberto, com nove alvos conhecidos e um desconhecido, um cenário que testa a capacidade de rejeitar o que não foi visto no treino.

Já a rede leve de fusão multi-feature de W Zha, em 2026, passou de 87% para sete tipos de jamming composto em dados simulados. A P-MSGC-AM-CNN, publicada pela Springer em 2026, chegou a mais de 89,8% de acurácia média em 28 tipos de jamming ativo sob -10 dB de JNR. Cada resultado responde a uma pergunta diferente, então comparar diretamente exige cuidado.

A tabela a seguir organiza os principais resultados citados, com o número de classes e a condição de teste, para dar uma visão comparável do estado da arte.

Quais são as principais categorias de modelos de jamming?

A revisão sistemática do IEEE JSTARS agrupa os modelos de jamming em três categorias operacionais. O jamming de decepção engana o radar gerando alvos falsos ou ecos manipulados, muitas vezes com apoio de DRFM (Digital Radio Frequency Memory). O jamming de supressão satura o receptor com energia para esconder o alvo real. O jamming inteligente adapta sua estratégia com base no comportamento do radar.

Essa divisão importa porque cada categoria gera assinaturas distintas e, portanto, exige features distintas. Jamming de decepção denso, por exemplo, favorece features espectrais e de polarização, enquanto jamming de supressão responde melhor a entropia e estatísticas de energia.

A revisão também separa os métodos de reconhecimento em aprendizado de máquina tradicional e abordagens neurais, cobrindo redes rasas e profundas. Ao mesmo tempo, discute estratégias para amostras limitadas, que continuam sendo um dos gargalos práticos mais citados na área.

Para quem trabalha com reconhecimento de jamming, a leitura útil é combinar a categoria do modelo com a condição de operação. O mesmo extrator de features pode ter desempenho excelente em supressão e fraco em decepção densa, e é isso que a literatura recente tenta resolver com fusão multi-feature e atenção.

Quais são as limitações e os riscos desses métodos?

O primeiro risco é a escassez de amostras. Muitos resultados dependem de conjuntos simulados ou de dados medidos limitados, o que dificulta generalização para cenários reais com jamming eletromagnético forte. Estratégias de few-shot e open-set surgem justamente para lidar com esse déficit, mas ainda não eliminam a dependência de dados representativos.

O segundo é a sensibilidade a parâmetros e a condições extremas. Sob baixa JNR ou baixa JSR, features manuais degradam e modelos profundos podem confundir classes próximas. O aprendizado invariante a parâmetros e as redes com atenção mitigam parte do problema, mas cada uma adiciona complexidade de treino e validação.

O terceiro é o overfitting em modelos grandes. A substituição de camadas totalmente conectadas e o uso de convoluções assimétricas na P-MSGC-AM-CNN mostram que reduzir parâmetros pode melhorar a robustez, não apenas a eficiência. Ainda assim, validar em dados medidos, e não só em simulação, continua sendo o teste decisivo.

Por fim, alvos desconhecidos em mundo aberto exigem que o sistema saiba dizer que não sabe. Métodos de reconhecimento open-set atacam exatamente isso. Este artigo é uma análise técnica e não constitui recomendação de investimento.

Como escolher a abordagem de extração de features na prática?

A escolha começa pela restrição de recursos. Se o radar opera em tempo real com hardware limitado, redes leves com fusão multi-feature e atenção seletiva tendem a ser mais adequadas do que arquiteturas profundas genéricas. Se o problema é jamming composto com muitas classes, a representação em imagem do espectro com atenção espacial e de canal costuma render mais.

O segundo critério é a variabilidade esperada dos parâmetros do jammer. Quando o adversário muda configuração com frequência, aprendizado invariante a parâmetros e features fractais estáveis oferecem melhor retorno do que métricas puramente estatísticas. Quando o cenário é mais previsível, features de entropia e estatísticas simples ainda entregam bom custo-benefício.

O terceiro critério é a disponibilidade de dados rotulados. Com poucas amostras por classe, fusão de features protótipo e abordagens few-shot são o caminho natural, como mostra o ganho de cerca de 2,3% obtido por H Zhou em 2025. Com muitos dados, modelos profundos supervisionados tendem a dominar.

Na prática, a decisão raramente é binária. O pipeline mais robusto combina features manuais interpretáveis para triagem rápida, uma representação tempo-frequência como STFT ou VMD para sinais não estacionários e uma rede profunda com atenção para a classificação final, sempre validada sob baixa JNR e com classes desconhecidas no conjunto de teste.

Perguntas Frequentes

Quais features são extraídas no reconhecimento de jamming radar?

Os métodos extraem dimensão de informação e dimensão de caixa nos domínios do tempo e da frequência, além de entropia de energia, entropia de informação e desvio padrão. Métricas estatísticas incluem valor médio e desvio. Algumas abordagens usam features de matriz de espectro de produto com fatoração de matriz não negativa, ou features multiescala de tensores 1D e representações 2D.

Qual é a acurácia do deep learning no reconhecimento de jamming radar?

Uma rede leve de fusão multi-feature superou 87% de acurácia em sete tipos de jamming composto. O algoritmo P-MSGC-AM-CNN alcançou mais de 89,8% de acurácia média em 28 tipos de jamming ativo sob -10 dB de relação jamming-ruído. Um método de mundo aberto chegou a 91,93% com nove alvos conhecidos e um desconhecido.

O que é aprendizado de features invariante a parâmetros no reconhecimento de jamming radar?

É uma técnica que desacopla features intrínsecas das variações de parâmetro, mantendo o reconhecimento robusto quando os parâmetros do jamming mudam. O conjunto experimental contém seis tipos de sinais de jamming radar, cada um com séries temporais de 8001×2 dimensões, atacando diretamente o problema de degradação de features dependente de parâmetros.

Quais são as principais categorias de modelos de jamming?

Um framework de revisão sistemática agrupa os modelos em jamming de decepção, jamming de supressão e jamming inteligente, explicando seus mecanismos de operação. Os métodos de reconhecimento são então divididos entre abordagens tradicionais de aprendizado de máquina e abordagens neurais, incluindo redes rasas e profundas, além de estratégias para amostras limitadas.