AIMC-Spec: A Benchmark Dataset for Automatic Intrapulse Modulation Classification under Variable Noise Conditions

1. El Problema

La clasificación automática de modulación intrapulso (AIMC) es una tarea crítica en el análisis de señales de radar para sistemas de apoyo electrónico, especialmente en entornos ruidosos o degradados. El objetivo es identificar el tipo de modulación dentro de un solo pulso de radar a partir de su representación compleja de fase y cuadratura (I/Q).

Sin embargo, el progreso en este campo se ha visto obstaculizado por la falta de conjuntos de datos estandarizados y públicos. La mayoría de los estudios anteriores dependen de datos privados o generados internamente con definiciones de señal inconsistentes, rangos de relación señal-ruido (SNR) variables y metodologías de preprocesamiento dispares. Esto hace imposible realizar comparaciones justas, reproducibles y rigurosas entre diferentes algoritmos de aprendizaje profundo. Además, los formatos de almacenamiento de los intentos previos (como la primera versión de AIMC-Spec) eran ineficientes, ocupando más de 500 GB, lo que limitaba su accesibilidad.

2. Metodología

A. El Conjunto de Datos: AIMC-Spec (Versión Actualizada)

Los autores presentan una versión mejorada y optimizada de AIMC-Spec, un conjunto de datos sintético diseñado específicamente para la clasificación basada en imágenes de espectrogramas.

• Estructura: Contiene 30 tipos de modulación intrapulso distintos (15 de frecuencia y 15 de fase), incluyendo tanto formas de onda de radar como de comunicaciones.
• Condiciones de Ruido: Evalúa el rendimiento en 5 niveles de SNR: +6, +3, 0, -3 y -6 dB.
• Generación: Las señales se generan mediante un script en Python con parámetros aleatorios controlados (ancho de pulso, frecuencia portadora, etc.). El ruido Aditivo Blanco Gaussiano (AWGN) se aplica dinámicamente durante la carga de datos, calculando el SNR basándose únicamente en la potencia del pulso (excluyendo relleno cero).
• Optimización: A diferencia de la versión anterior, el nuevo formato de almacenamiento reduce el tamaño total del conjunto de datos a menos de 30 GB (28 GB para entrenamiento y 288 MB para prueba) sin perder fidelidad de la señal, utilizando archivos binarios .h5.
• División: Se proporciona un procedimiento de muestreo determinista para crear divisiones de entrenamiento/validación reproducibles (ej. 80:20) a partir de un conjunto de datos de entrenamiento masivo.

B. Algoritmos de Referencia (Benchmark)

Para evaluar el conjunto de datos, se reimplementaron y compararon cinco algoritmos representativos de la literatura reciente, utilizando un pipeline de entrada unificado (espectrogramas basados en FFT con ventana de Hann y 50% de superposición) para aislar el rendimiento de la arquitectura:

1. LDC-Unet: Combina una U-Net modificada con conexiones densas locales y un clasificador VGG19 fine-tuneado. Utiliza espectrogramas SPWVD en color (RGB).
2. LPI-Net: Una red neuronal convolucional (CNN) modular y ligera que utiliza espectrogramas CWD en escala de grises.
3. CDAE-DCNN: Un autoencoder convolucional de eliminación de ruido (CDAE) seguido de una CNN profunda, entrenado con espectrogramas CTFD.
4. STFT-CNN: Una CNN muy ligera (5 capas) que utiliza espectrogramas STFT simples.
5. ViT (Vision Transformer): Un modelo basado en transformadores que opera sobre espectrogramas de fase (no de magnitud) extraídos de la fila de la portadora, utilizando parches 1D.

C. Protocolo Experimental

• Los modelos se entrenaron en una GPU NVIDIA RTX 4090.
• Se realizaron dos variantes de experimentos:
  1. Clasificación Completa: Las 30 clases de modulación.
  2. Subconjunto FM: Solo las 15 modulaciones de frecuencia (FM), para aislar el rendimiento en señales con características espectrales más definidas.
• Se evaluó la generalización entrenando con todos los niveles de SNR y probando individualmente en cada nivel.

3. Contribuciones Clave

1. Llenado de una brecha crítica: Introducción de AIMC-Spec, el primer conjunto de datos público, sintético y estandarizado diseñado específicamente para el benchmarking de AIMC basado en imágenes.
2. Eficiencia y Accesibilidad: Reducción drástica del tamaño del conjunto de datos (de >500 GB a <30 GB) mediante una nueva tubería de almacenamiento, facilitando la experimentación rápida.
3. Evaluación Exhaustiva: Benchmarking de cinco arquitecturas diversas (desde CNNs ligeras hasta transformadores) bajo condiciones de ruido controladas y un formato de entrada unificado.
4. Reproducibilidad Total: Todo el código y los datos están disponibles públicamente, permitiendo la verificación independiente y el avance del estado del arte.

4. Resultados Principales

• Rendimiento General: LDC-Unet obtuvo el mejor rendimiento en todas las condiciones, logrando una precisión media del 66.91% en la tarea completa y 87.95% en el subconjunto solo FM. Su arquitectura con conexiones residuales y densas demostró la mayor robustez ante el ruido.
• Comparación de Arquitecturas:
  • ViT se situó en segundo lugar (61.19% en tarea completa), seguido de cerca por LPI-Net y CDAE-DCNN.
  • STFT-CNN (la arquitectura más simple) tuvo el rendimiento más bajo (32.62% en tarea completa), aunque mostró que las CNN ligeras pueden funcionar razonablemente bien con representaciones estructuradas.
• Impacto del Ruido y Tipo de Modulación:
  • La precisión aumentó consistentemente con el SNR, con mejoras más pronunciadas entre -6 dB y 0 dB.
  • Las señales FM se clasificaron mucho más fácilmente que las PM (modulación de fase). Las señales de fase presentan patrones más sutiles en los espectrogramas, lo que genera ambigüedad interclase, especialmente en bajos SNR.
  • La tarea solo FM mostró precisiones significativamente más altas que la tarea completa, indicando que la dificultad principal radica en distinguir modulaciones de fase e híbridas bajo ruido.
• Influencia del Preprocesamiento: Las arquitecturas que preservaron más detalle visual (canales de color, mayor resolución) como LDC-Unet y CDAE-DCNN superaron a aquellas que usaron escala de grises o redujeron la resolución (LPI-Net, STFT-CNN), sugiriendo que la riqueza de la entrada es crucial para modulaciones complejas.

5. Significado e Impacto

Este trabajo establece un punto de referencia reproducible para la comunidad de AIMC. Al proporcionar un conjunto de datos estandarizado y un marco de evaluación justo, permite:

• Comparar directamente el rendimiento de nuevas arquitecturas de IA sin el sesgo de definiciones de señal inconsistentes.
• Identificar que las arquitecturas con mecanismos de "skip connections" y extracción de características multiescala (como U-Net) son superiores en entornos ruidosos para esta tarea específica.
• Guiar el desarrollo futuro hacia modelos que puedan manejar la ambigüedad de las modulaciones de fase y los efectos del canal real (como la propagación multipath, que se planea incluir en futuras versiones).

En resumen, AIMC-Spec no es solo un conjunto de datos, sino una herramienta diagnóstica que revela cómo las diferentes arquitecturas de aprendizaje profundo preservan la información discriminativa bajo degradación de señal, sentando las bases para sistemas de inteligencia electrónica más robustos.