1.一种基于极值特征的复杂PRI调制类型识别方法，其特征在于，包括以下步骤：到达时间测量、计算PRI序列、去直流；

计算PRI序列频谱和幅度谱，进而将其极值设为识别特征量，并基于CFAR准则计算判决门限；

根据PRI序列的极值特征进行调制类型识别；

所述PRI调制类型识别包括：抖动判决；正弦调制判决；驻留切换及滑变判决；

所述驻留切换及滑变判决包括：

对PRI序列作一次差分，得到D[p(n)]，并对其进行归一化，得到修正的差分序列，Υ(n)＝D[p(n)]/max{D[p(n)]}式中，n为序列号；

分别找出Υ(n)序列中大于零和小于零的点，分别记作α(n)和β(n)；

分别找出α(n)中的极大值a和β(n)中的极小值b，令识别特征量为根据归一化后的PRI一次差分序列峰值特征分析，以vth2和vth3作为判决门限，选取vth2＝0.1，vth3＝10则有

2.根据权利要求1所述的一种基于极值特征的复杂PRI调制类型识别方法，其特征在于，所述到达时间测量包括：设脉冲串到达时间序列为

TOA＝(t0,t1,...ti,...tM‑1)式中TOA为脉冲串到达时间序列，ti为第i个脉冲前沿的到达时间，M为所截获的脉冲串中的脉冲个数。

3.根据权利要求2所述的一种基于极值特征的复杂PRI调制类型识别方法，其特征在于，所述计算PRI序列、去直流包括：PRI序列为对脉冲串到达时间作一次差分所得，可写为：p(n)＝tn+1‑tn,n＝0,1,....N‑1式中N＝M‑1；p(n)为PRI序列，tn为第n个脉冲前沿的到达时间，N为PRI序列长度，p(n)的变化反映了PRI调制方式的特征；

p(n)＝x(n)+v(n)

其中，p(n)为PRI序列，x(n)为有用信号，v(n)为等效零均值高斯白噪声，其方差为 n为PRI序列序号；

先取PRI序列的平均值作为直流分量的估计，然后在PRI序列p(n)将此PRI平均值减去，可得到去直流后的交流分量。

4.根据权利要求3所述的一种基于极值特征的复杂PRI调制类型识别方法，其特征在于，计算PRI序列频谱和幅度谱包括：对PRI序列作傅里叶变化，得到其频谱为式中，k为PRI序列频谱序号，n为PRI序列序号；

若将上式写成复数形式，则为

P(k)＝PR(k)+jPI(k)式中，k为PRI序列频谱序号；PR(k)和PI(k)分别为P(k)的实部和虚部；显然，PR(k)及PI(k)均服从正态分布 即 式中， 为等效零均值高斯白噪声方差，N为RRI序列长度， 为随机变量P(k)的方差；

其中，k为PRI序列频谱序号；则U(k)服从瑞丽分布，其概率密度函数及分布函数分别为：其中， 为随机变量P(k)的方差。

5.根据权利要求4所述的一种基于极值特征的复杂PRI调制类型识别方法，其特征在于，定义识别特征量包括：定义U(k)的极值为识别特征量：

式中，k为U(k)的序列号；

若判决门限为vth，则归结为如下两种假设检验问题：式中，Γ为识别统计量，vth为判决门限；

根据顺序统计量理论，在H0假设下，识别统计量Γ的分布函数为：式中，Γ为U(k)的极值，为识别统计量；L为极值点的个数， 为方差。

6.根据权利要求5所述的一种基于极值特征的复杂PRI调制类型识别方法，其特征在于，计算判决门限包括：估计方差

假设一个门限vm＝(0.3～0.5)Γ，找出U(k)中所有小于vm的数据，记为Ud(k)，其中，d为数据长度；式中，k为序列号；

计算Ud(k)的均值

式中，d为数据长度，k为Ud(k)序列号；

估计方差

式中，mu为Ud(k)的均值；

计算判决门限vth：

根据虚警概率的定义：

解上述方程，可得：

式中，L为U(k)序列极值点的个数。

7.根据权利要求6所述的一种基于极值特征的复杂PRI调制类型识别方法，其特征在于，所述抖动判决包括：求出识别特征量Γ及判决门限vth，若判为H0，则判为抖动。

8.根据权利要求7所述的一种基于极值特征的复杂PRI调制类型识别方法，其特征在于，所述正弦调制判决包括：将U(k)的极大值置零后得到U1(k)；求出U1(k)的极大值Γ1及判决门限vth1，若判为H0，则判为正弦调制。