luozhenghao的博客

袁硕提出了语义编码方法；信工大的谢敏这几年井喷式的发表论文，而且论文中解决问题的思路和方法颇为巧妙，说明作者具有很强的联结能力和方法运用能力，而且经过这几年的学术练习，创新思路和写作方法越来越炉火纯青，值得学习和模仿。后面的论文是先验已知的情况：本篇论文是针对DS的先验未知处理，2025年的那篇TAES还没看，到时候就能理解他的论文体系了，看看别人是怎么组织自己博士论文框架体系的。基于了哪些：可能之前的研究也有先提取子序列，然后进行合并的思想，作者主要是修改了序列提取、以及序列判断和序列合并的策略。

对于基于脉冲神经网络的时序模式分类器，我们采用漏积分发射脉冲神经元模型（LIF）。与RNN中的神经元非常类似，LIF神经元也是有状态的，或者说是有记忆，它的状态变量，一般是它的膜电位。在该神经网络模型中，每个神经元的动力学函数可以通过如下公式来进行概括：其中，表示膜时间常数，C是膜电容，𝑅是膜电阻。𝑉代表膜电压， 是静息电位。当膜电压𝑉超过设定的常量阈值Vthr时，神经元激发一个脉冲，然后𝑉在不应期内会被重置到Vreset, 𝐼是突触前输入电流。

雷达辐射源识别综述

有没有问题或者可以借鉴的地方：创新的扩展思路很巧妙，就是说找到一一篇论文，比如FSC，这种方法能解决的范围有限，那么我就扩展它的应用范围，就是说用提出了一个新的问题，并针对性的设计新的方法；另一篇分选的论文（基于图论的方法），主要是考虑到之前的方法并不是一次性提取所有的，不是全局最优解，所以就采用这种图论方法一次性考虑整体，从而实现综合评估性能最优，针对的是老问题，同时发现老问题中存在的缺陷（漏脉冲和PRI抖动对分选的影响），采用更优的方法。针对多种调制的序列，设计了一种基于马尔科夫链方法。

基于有向无环图的交叠脉冲流分选方法研究 摘要：针对现有脉冲分选方法在漏脉冲和PRI抖动情况下的不足，本文提出一种基于有向无环图(DAG)的新型分选算法。该方法首先通过PRI估计构建脉冲关系图，将分选问题转化为最长路径搜索问题。相比传统容差法和动态序列搜索法，本方法能一次性提取完整脉冲序列，显著提升了对漏脉冲(最高达20%)和PRI抖动(±5%)的适应能力。实验表明，在干扰脉冲率50%、PRI 300-400us条件下，该方法的精准率和召回率综合性能优于对比方法。虽然计算复杂度增至O(L^3)，但分选效果显著

在先验已知情况下，首先考虑了固定PRI的处理（SPL），然后处理了多种调制类型(GSL)，然后进一步考虑了PRI jitter条件下多种调制类型的处理(TAES)，最后考虑了先验未知条件下的处理（DS处理，子序列提取以及图论合并，TAES）.就是说研究之前还是要把逻辑定下来，以免之后的工作存在返工，或者在研究过程中过于犹豫，迟迟不知道研究什么。）的乘积，量化了雷达脉冲流分选算法在复杂环境中（存在干扰、噪声脉冲）的综合性能，值越高表明算法分选结果越接近真实脉冲流，漏检和虚警的综合影响越小。