Classificação de Projéteis Balísticos em Radares de Contrabateria com Aprendizado de Máquina

Sistemas de radar de contrabateria operam em ambientes dinâmicos e incertos, nos quais a rápida identificação de ameaças é importante para a tomada de decisão. Nesse contexto, torna-se fundamental a classificação confiável de projéteis balísticos sob severas restrições computacionais. Este trabalho compara algoritmos clássicos de aprendizado de máquina e redes neurais na classificação de projéteis de artilharia utilizando a base RAMP-RT. São avaliados o Random Forest, o Gradient Boosting, o perceptron multicamadas e a rede convolucional unidimensional, considerando acurácia, precisão, revocação, F1-score e custo computacional. Os resultados indicam acurácia entre 87% e 91% para modelos de aprendizado de máquina e 83% e 90% para redes neurais. A análise evidencia a complementaridade entre a eficiência computacional e a capacidade de extração de padrões, fornecendo diretrizes para uma seleção efetiva dos modelos.