01 课程导论：雷达脉冲去交错与分选工程全景与项目源码结构

⭐雷达脉冲去交错：从混叠信号到清晰分选

课程导论的验收口径

在真实的电子侦察环境中，雷达信号接收机在短时间内会截获来自不同辐射源、不同工作模式的脉冲流。这些脉冲在时间、频率、脉宽、到达角等维度上高度混叠，形成一片看似无序的“脉冲雨”。工程上，将这片混叠的脉冲序列按辐射源归属重新组织的过程，就是雷达脉冲去交错（Radar Pulse Deinterleaving）与分选（Sorting）。本课程直接面向这一工业级难题：当现场出现“信号分选错误导致目标识别失败”或“脉冲丢失率过高导致跟踪中断”时，你如何通过一套可复用的源码工程，快速定位问题并完成算法迭代？

本课程的核心交付物是一个工业级雷达脉冲去交错与分选项目源码仓库。它并非一个简单的算法演示，而是一套完整的工程框架，覆盖从脉冲描述字（PDW）输入到辐射源分选结果输出的全链路。你将看到如何通过概念图（Concept Map）来识别算法边界——例如，哪些PRI模式属于固定、参差、抖动或滑变，以及每种模式对应的分选策略边界。课程导论部分将拆解这一雷达脉冲去交错拆解关系：脉冲流 → 预分选（基于到达角、载频、脉宽粗分类） → 主分选（基于PRI序列去交错） → 辐射源识别与跟踪

🧭学习路径：从源码结构到工程全景验证

本课程的学习路径围绕“项目源码识别边界”展开。你不需要从零推导数学公式，而是直接操作一个可运行的工程仓库。整个路径分为三个递进阶段：

• 第一阶段：仓库结构与数据流——理解源码目录如何映射到工程全景：src/deinterleaver/ 包含主分选算法，src/preprocessor/ 处理PDW清洗与预分选，config/ 存放雷达参数模板，tests/ 提供验证脚本。你将学会通过 config/radar_profiles.yaml 配置不同辐射源的PRI模式
• 第二阶段：核心算法模块拆解——聚焦主分选器。这里的关键对象是课程导论拆解关系中的“PRI序列分析器”。它接收预分选后的脉冲流，输出每个候选辐射源的PRI模式标签。容易出错的步骤在于：PRI直方图峰值选取。若阈值设置过低，会将噪声误判为PRI；若过高，则漏检真实PRI。源码中通过 adaptive_threshold() 函数根据脉冲密度动态调整阈值
• 第三阶段：工程全景验证——通过 tests/test_pipeline.py 执行端到端验证。该脚本加载模拟的混叠脉冲数据，运行全部分选流程，并输出工程全景验证结果，包括分选准确率、脉冲丢失率、虚假目标率。你可以在 results/validation_report.json 中查看每个辐射源的分选统计

下表总结了不同PRI模式下的分选策略选型，帮助你快速判断当前场景应选择哪种算法入口：

选型表的核心价值在于：当你面对一个未知的脉冲流时，先通过PRI模式分类器（位于 src/classifier/pri_classifier.py）输出模式标签，再根据上表选择对应的分选算法入口。这避免了“一刀切”算法带来的边界失效问题

⭐能力交付边界：学完本课你能带走什么

本课程不追求覆盖所有雷达信号处理理论，而是聚焦于可交付的工程能力。学完本课后，你将获得以下具体资产：

• 一个可直接运行的源码仓库：包含完整的去交错与分选流水线，支持自定义雷达参数模板。你可以在 config/radar_profiles.yaml 中新增辐射源，并立即验证分选效果
• 一套边界识别方法论：通过概念图（Concept Map）工具，你能够系统性地识别算法失效边界。例如，当脉冲到达角（DOA）测量误差超过3°时，预分选会将同一辐射源脉冲分入不同角度箱，导致主分选输入混乱。源码中的 src/preprocessor/angle_gate.py 实现了自适应角度门限，将容忍度提升至5°
• 一份工程验证报告模板：在 results/ 目录下，每次运行都会生成包含分选准确率、混淆矩阵、PRI模式识别正确率的JSON报告。你可以将此报告作为算法迭代的客观依据，而非依赖主观观察

最后，本课程的能力交付边界明确为：你能够独立完成一个雷达脉冲去交错项目的工程化落地，包括数据流设计、算法选型、边界条件处理与结果验证。你不会成为雷达信号处理理论专家，但你会成为那个能快速定位“为什么分选错了”并动手修复的工程师