Un Análisis Comparativo de Métodos de Machine Learning para el Reconocimiento Automático de Modulación AM/FM

Las modulaciones de amplitud (AM) y de frecuencia (FM) constituyen la base histórica de las comunicaciones
inalámbricas y, lejos de haber quedado obsoletas, siguen siendo el escenario de prueba más natural para evaluar nuevos
algoritmos de procesamiento inteligente de señales. El reconocimiento automático de modulación (AMC, por sus
siglas en inglés) ha evolucionado rápidamente desde métodos clásicos de estadística hasta arquitecturas de aprendizaje
profundo que reportan precisiones superiores al 98 % en condiciones de laboratorio. Sin embargo, las investigaciones
se han enfocado casi exclusivamente en la precisión, ignorando aspectos importantes en las aplicaciones de uso real
como el tiempo de respuesta, el consumo de memoria, el costo del hardware y si el sistema puede funcionar en equipos
pequeños. El presente artículo realiza un análisis comparativo crítico de los enfoques de machine learning aplicados
al reconocimiento de señales AM/FM, confrontando métodos ligeros comparando métodos simples con arquitecturas
de deep learning de gran escala, evaluando si pueden usarse en entornos con recursos limitados como radios SDR de
bajo costo, dispositivos IoT y sistemas de monitoreo distribuido. Los resultados del análisis sugieren que los métodos
ligeros alcanzan una precisión suficiente para escenarios reales de AM/FM, mientras que la complejidad adicional del
deep learning no se justifica en la mayoría de los contextos reales.