04 PRI变换基础：自相关函数与直方图法实现脉冲间隔分析

⭐PRI变换基础：从自相关到直方图的脉冲间隔分析

在雷达脉冲去交错（Radar Pulse Deinterleaving）项目中，脉冲重复间隔（PRI，Pulse Repetition Interval）的精确识别是分选成功的关键。面对交错的脉冲流，直接计算时间差会因干扰脉冲产生大量虚假间隔。本节的核心意图是引导你实现经典的PRI直方图（PRI Histogram）算法，通过自相关函数（Autocorrelation Function）与直方图法（Histogram Method）的组合，从混乱的到达时间（TOA，Time of Arrival）序列中稳定识别固定PRI（Fixed PRI）与抖动PRI（Staggered PRI）

工程实践中，最易出错的地方并非算法原理本身，而是直方图箱（bin）的宽度选择、抖动容限的设定以及虚假峰的抑制。我们将以项目源码（Project Source Code）中的pri_histogram.py模块为蓝本，拆解每一步的工程判断

⭐PRI变换基础

输入的脉冲流经过预处理后，得到一组按时间排序的TOA序列。直接计算所有相邻脉冲的间隔，会得到一个包含大量随机间隔的集合，无法直接用于分选。我们需要一种机制，能够统计出出现频率最高的间隔，并容忍一定程度的抖动

本节的目标是：通过自相关函数初步估计可能的PRI候选值，再通过直方图法对这些候选值进行精确统计与验证，最终输出一组可信的PRI基值（PRI Base Values）。这个输出将直接送入后续的序列搜索模块，用于剥离属于同一部雷达的脉冲子序列

🧭PRI变换基础的对象步骤与验收点

实现路径分为三个步骤：自相关函数计算 → 峰值检测与候选PRI提取 → 直方图验证与PRI确认。下面我们逐一拆解

自相关函数计算：发现潜在周期

自相关函数（ACF）通过计算脉冲序列与其自身在不同延迟下的相似度，来揭示潜在的周期性。对于离散的TOA序列，我们通常使用“间隔直方图”形式的ACF：统计所有脉冲对之间的时间差。这一步的计算量较大，工程上常通过限制最大延迟（max_lag）来优化性能

# 伪代码：自相关函数计算（间隔直方图）
def compute_acf(toa_list, max_lag_us=10000):
    acf_dict = {}
    n = len(toa_list)
    for i in range(n):
        for j in range(i+1, n):
            delta_t = toa_list[j] - toa_list[i]
            if delta_t > max_lag_us:
                break  # 由于TOA有序，后续间隔只会更大
            # 量化到微秒级，减少计算量
            key = round(delta_t, 1)
            acf_dict[key] = acf_dict.get(key, 0) + 1
    return acf_dict

阅读这段代码时，重点看PRI变换基础的伪代码，以及它如何用稳定性与可观测性证明结果可复测。

这段伪代码的关键在于提前终止循环。由于TOA列表已排序，当内层循环的间隔超过max_lag_us时，后续的间隔只会更大，可以直接跳出内层循环，大幅减少计算量。这里的max_lag_us通常设置为预期最大PRI的1.5倍

峰值检测与候选PRI提取

在ACF结果中，出现峰值的位置即为可能的PRI候选值。但直接取最大值可能漏掉多部雷达的PRI。工程上采用“局部峰值检测”策略：在一个滑动窗口内，若当前点的计数值高于左右邻居，则视为一个候选点。同时，需要设置一个最小计数阈值，过滤掉随机噪声产生的低峰值

直方图验证与PRI确认

对于每个候选PRI，我们不再使用所有脉冲对，而是只关注相隔该候选PRI的脉冲对。例如，对于候选值P，我们统计所有满足 TOA[j] - TOA[i] ≈ P 的脉冲对数量，并绘制成以P为中心、具有一定宽度（抖动容限）的直方图。如果该直方图的峰值显著高于背景噪声，则确认该PRI是有效的

抖动PRI（Staggered PRI）的识别也在此步骤完成：如果围绕一个基值P，出现了多个间隔接近但略有不同的峰值（如P, P+ε, P+2ε），则表明这是一个抖动序列，其PRI基值为P