Detecting Satellites in Radio-Frequency Data via Semi-Supervised Learning

Resumen Técnico: Detección de Satélites en Datos de Radiofrecuencia mediante Aprendizaje Semi-supervisado

Planteamiento del Problema
El monitoreo de radiofrecuencia (RF) es esencial para la Conciencia de Dominio Espacial (SDA, por sus siglas en inglés), proporcionando observaciones de satélites, desechos espaciales y condiciones ionosféricas de fondo. Sin embargo, los conjuntos de datos de RF suelen ser extensos, no etiquetados y dinámicos. Los enfoques tradicionales de aprendizaje profundo supervisado (por ejemplo, YOLO) requieren conjuntos de datos extensos y previamente etiquetados, así como un reentrenamiento cuidadoso para adaptarse a los cambios en las condiciones ambientales, lo cual suele ser poco práctico debido a la escasez de ejemplos anotados por expertos y al alto costo de la revisión por parte de expertos en la materia (SME). Además, los métodos totalmente supervisados pueden fallar al generalizar cuando las condiciones de fondo de la RF cambian. El desafío central es detectar y clasificar firmas de satélites dispersas dentro de vastas cantidades de datos de RF no etiquetados sin depender de enormes conjuntos de entrenamiento previamente etiquetados.

Metodología
Los autores proponen un flujo de trabajo semi-supervisado que tiende un puente entre el descubrimiento de patrones no supervisados, la interpretación de expertos y la clasificación supervisada. El proceso consta de tres etapas principales:

1. Preprocesamiento de Datos y Extracción de Características:

   • Fuente: Mediciones de fase y cuadratura (I/Q) de la radar ALTAIR (Kwajalein Atoll) recolectadas durante el programa SINTRA.
   • Procesamiento: Para intervalos de pulso de 0.05 segundos, las señales recibidas se conllevan con los pulsos transmitidos y se transforman al dominio de la frecuencia mediante la transformada de Fourier. Los espectros se suman sobre 80 pulsos (integración de 4 segundos) para resolver la "línea iónica" y las firmas de los satélites.
   • Representación: Las observaciones de RF se convierten en una matriz de características no negativas que representa espectros de potencia de rango-Doppler en series temporales.

2. Agrupamiento No Supervisado mediante NMFk:

   • Algoritmo: Los autores emplean la Factorización de Matrices No Negativas con determinación automática de modelo (NMFk).
   • Mecanismo: NMFk descompone la matriz de observación $X$ en patrones de base $W$ y coeficientes $H$ ($X \approx WH$). A diferencia de la NMF estándar, NMFk estima automáticamente el número óptimo de clústeres ($k$) perturbando la matriz de entrada, realizando factorizaciones NMF repetidas y evaluando la estabilidad de los clústeres mediante estadísticas de Silueta y el error de reconstrucción (estadísticas L).
   • Resultado: El proceso genera un conjunto robusto de factores latentes que representan patrones físicos recurrentes en los datos no etiquetados.

3. Interpretación de SME y Clasificación Supervisada:

   • Etiquetado: Expertos en la materia revisan los clústeres de NMFk, analizando características espectrales (rango, Doppler, intensidad) para asignar etiquetas semánticas físicas (por ejemplo, "satélite Starlink", "satélite no Starlink", "ruido ionosférico de fondo").
   • Entrenamiento: Estas etiquetas asignadas por los SME sirven como verdad fundamental (ground truth) para entrenar un clasificador XGBoost.
   • Inferencia: El clasificador entrenado mapea nuevos vectores de características de RF a las categorías de eventos definidas por los SME, permitiendo la detección automatizada de futuras observaciones.

Contribuciones Clave
El artículo describe cuatro contribuciones específicas:

1. La aplicación de un marco de clasificación basado en NMFk semi-supervisado específicamente para datos de RF en el contexto de SDA.
2. Una demostración de cómo NMFk puede estimar patrones físicos latentes y recurrentes en observaciones de RF no etiquetadas.
3. El entrenamiento de un clasificador XGBoost sobre las etiquetas de los clústeres de NMFk interpretadas por los SME para asignar nuevas muestras a las categorías de eventos descubiertas.
4. La validación de las detecciones de NMFk y las predicciones del clasificador contra la verdad fundamental derivada de Elementos de Dos Líneas (TLE) para evaluar la correspondencia con objetos espaciales conocidos y rastreados.

Resultados

• Agrupamiento (Clustering): NMFk identificó un conjunto óptimo de 25 clústeres a partir del conjunto de datos ALTAIR. Los SME interpretaron estos clústeres, distinguiendo entre actividad ionosférica de fondo, satélites no Starlink y firmas tipo Starlink.
• Desempeño de la Clasificación: Un clasificador XGBoost entrenado con los clústeres etiquetados por los SME (utilizando una división cronológica de entrenamiento/prueba de 80/20) logró una precisión micro-promediada de 0.875, una recuperación (recall) de 0.870 y un puntaje F1 de 0.872 en el conjunto de prueba. El F1 macro-promediado fue de 0.593, lo cual los autores atribuyen a la escasez de muestras en los clústeres minoritarios debido a la división cronológica.
• Validación de la Detección:
  • En la ventana de entrenamiento, el flujo de trabajo NMFk+SME detectó 44 de 57 satélites Starlink conocidos.
  • En la ventana de prueba reservada, el clasificador reprodujo con éxito el comportamiento de etiquetado de NMFk y detectó 9 de los 15 satélites Starlink esperados.
  • El clasificador mostró un acuerdo perfecto con los clústeres de NMFk etiquetados por los SME en los datos de prueba, lo que indica un aprendizaje exitoso de los patrones latentes.
• Limitaciones: Los autores señalan que algunos clústeres fueron demasiado dispersos para un aprendizaje confiable en la división de prueba. Además, algunas detecciones no se alinearon con los datos TLE, lo que sugiere ya sea omisiones en las entradas de TLE o la detección de objetos no Starlink con firmas similares.

Significancia y Reivindicaciones
El artículo posiciona este flujo de trabajo como una solución práctica para la clasificación de eventos de RF donde los datos etiquetados son escasos y la interpretabilidad es primordial. Al aprovechar la factorización no supervisada para descubrir la estructura y los SME para asignar significado, el método reduce la dependencia de grandes conjuntos de datos previamente etiquetados. Los autores afirman que este enfoque permite la detección y caracterización automatizada de objetos espaciales mientras se mantiene robusto ante los cambios en las condiciones de RF.

El trabajo se presenta como una "prueba de concepto" que demuestra una metodología prometedora. Los autores reconocen modestamente que la precisión puede mejorarse, citando el trabajo en curso para abordar los falsos negativos mediante la detección jerárquica (separando el fondo de las señales) y enfoques multicanal utilizando diferentes frecuencias y polarizaciones. La principal significancia radica en establecer un flujo de trabajo semi-supervisado que hace que el monitoreo de RF sea más escalable e interpretable para la Conciencia de Dominio Espacial.