文献阅读笔记：Radar Signal Deinterleaving Based on Markov Chains in Scenarios Known a Priori

Radar Signal Deinterleaving Based on Markov Chains in Scenarios Known a Priori

2024, Xie Min, GSL

Summary

已有的雷达信号分选方法只能处理固定和参差脉冲列，但无法有效处理驻留转换、滑变等类型，本文将脉冲列分选问题转化为基于Markov链的预测问题（使用脉冲索引作为时间，真实脉冲作为状态）。

Research Objective

开发一种能够有效利用先验知识的雷达脉冲分选方法

Background / Problem Statement

• 问题背景：现有TOA分选方法基于一些先验知识进行
• 研究现状（待解决的问题）：
  • 基于人工智能的分选方法具有对不同类型PRI的良好适应性，但具有较高计算代价和实时性缺陷：向浩然的递归TOA分选、王超的语义分割分选以及zhang等人在开集场景中的双向RNN重建
  • 传统方法主要集中于固定和参差类型的PRI，不适用于D&S、滑变、抖动等类型。xi等人提出了动态序列搜索；Ge等人使用估计周期提取脉冲对；Liu等人使用FSC提取参差脉冲列。
• 问题出现的原因分析：已有方法通用性不够，没有提出统一的分选策略
• 问题解决思路：将脉冲列转化为马尔科夫链，将分选问题转化为马尔科夫链的预测问题

Method(s)

• 问题建模：先对PRI模式进行表示ÿ