Este artículo enfatiza la importancia del reconocimiento de señales de radar (RSR) en la guerra electrónica (EW) y busca mejorar su rendimiento en entornos donde los datos de RF etiquetados son escasos. Para ello, proponemos un método de aprendizaje autosupervisado (SSL) que utiliza el modelado de señales enmascaradas y la adaptación del dominio de RF. En un enfoque de dos pasos, preentrenamos un autocodificador enmascarado (MAE) utilizando señales I/Q de banda base de varios dominios de RF y, posteriormente, transferimos las representaciones aprendidas al dominio del radar. Los resultados empíricos muestran que un modelo ResNet1D ligero de aprendizaje autosupervisado con adaptación del dominio mejora la precisión de la clasificación de un solo disparo hasta en un 17,5 % (con preentrenamiento de señales dentro del dominio) y un 16,31 % (con preentrenamiento de señales fuera del dominio) en comparación con un modelo base sin preentrenamiento. Además, presentamos resultados de referencia para varios diseños de MAE y estrategias de preentrenamiento, presentando así un nuevo punto de referencia para la clasificación de señales de radar con conjuntos de datos ultrabajos.
