基于CNN的隧道地质超前预报GPR实测数据分类研究及应用
发布时间：2020-11-21 15:40
隧道作为高速公路重要组成部分之一,建设初期的地质勘察尤为重要,如何准确了解地质信息并对其准确识别分类一直是研究重点。探地雷达(GPR)因其无损检测特性和探测速度快等优点成为隧道地质超前预报的主要手段。本文主要利用小波包分析对隧道地质超前预报的探地雷达实测数据进行去噪处理,并在卷积神经网络模型lenet-5的基础上,提出两种改进的网络模型对去噪后的图像数据进行分类研究。实际工程应用中,探地雷达采集到的数据中往往会夹杂很多尖峰或者非平稳的噪声信号。传统信号处理方法,如傅里叶变换对此类型信号处理效果并不理想。小波变换克服了传统方法的缺点,在局部时频分析上具有良好的效果,能够有效的对探地雷达数据进行去噪处理。本文在小波分析理论基础之上,进一步研究小波及小波包的信号去噪原理,并利用小波包对探地雷达实测数据进行去噪实验,并取得良好的去噪效果。利用卷积神经网络对去噪后的探地雷达数据进行分类研究,在经典神经网络模型lenet-5基础之上,设计出两种改进后的卷积神经网络模型CNN-1,CNN-2。用5000幅共六类隧道超前预报探地雷达图像数据作为数据集,在Caffe平台、GPU计算条件下进行分类实验,对改进后的模型分类准确率进行验证。实验结果表明:当迭代次数为2000时,模型CNN-1分类准确率达到95.6%,模型CNN-2分类准确率达到98.2%,分别比lenet-5模型分类准确率高出4.3%,6.9%。研究结果表明,改进后的卷积神经网络模型提高了分类准确率,并行卷积神经网络模型CNN-2分类准确率最高。本文改进了模型各参数,进一步保证模型性能。
【学位单位】：长安大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;U452.11
【部分图文】：
在小波变换下，探地雷达信号中有效信号与有效信号与噪声会表现出不同的特性有效信号之间具有相关性，噪声信号则不具有相关性，即具有随机性。因此在多层小包分解后，重构探地雷达信号时，可以将同一频率段的信号进行互相关估计，利用互关系数值作为确定该信号是否为有用信号的依据，从而找到存在噪声的频段。确定噪存在频段后，可以确定该频段的小波分解系数，在阈值处理时，选择一个最优的阈值行处理，消除噪声信号。3.5.2 实际探地雷达数据去噪图 3.9 是广西六宜高速公路某一段隧道探地雷达实测数据，含有大量随机噪声。MATLAB 小波工具包进行仿真，利用本章所以提到的小波包理论对其降噪。实验采用 3 层小波包分解，软阈值法对全局进行阈值处理（软阈值方法信噪比为16.413，硬阈值方法信噪比 15.237，软阈值去噪结果较好）。并使用 SURE 最优基进行最优分解。降噪完成后的探地雷达数据剖面图如图 3.10 所示。
图 3.9 是广西六宜高速公路某一段隧道探地雷达实测数据，含有大量随机噪声。MATLAB 小波工具包进行仿真，利用本章所以提到的小波包理论对其降噪。实验采用 3 层小波包分解，软阈值法对全局进行阈值处理（软阈值方法信噪比为16.413，硬阈值方法信噪比 15.237，软阈值去噪结果较好）。并使用 SURE 最优基进行最优分解。降噪完成后的探地雷达数据剖面图如图 3.10 所示。图 3.9 未处理的原始隧道探地雷达剖面图
第五章 探地雷达数据分类实验结果与分析实实验一比较改进后的卷积神经网络模型与 lenet-5 模型的性能。实验二，实验积神经网络模型参数对改进模型 CNN-1，CNN-2 性能的影响。实验采用 GPU在 caffe 平台下运行。 实验数据与实验平台1 实验数据实验数据为广西省某高速公路隧道实测数据，探地雷达数据存储在后缀名为“件中，用 matlab 将文件读取为图像数据，并将实测数据进行小波包去噪，从中0 幅图像作为本次实验数据。实验数据集中包含空腔型溶洞图像、泥夹石填充型、围岩局部破碎图像、富水破碎围岩图像、围岩低含水量全破碎图像、无明显六种类型。数据类型如图 5.1 所示。
【参考文献】
本文编号：2893229
【学位单位】：长安大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;U452.11
【部分图文】：
在小波变换下，探地雷达信号中有效信号与有效信号与噪声会表现出不同的特性有效信号之间具有相关性，噪声信号则不具有相关性，即具有随机性。因此在多层小包分解后，重构探地雷达信号时，可以将同一频率段的信号进行互相关估计，利用互关系数值作为确定该信号是否为有用信号的依据，从而找到存在噪声的频段。确定噪存在频段后，可以确定该频段的小波分解系数，在阈值处理时，选择一个最优的阈值行处理，消除噪声信号。3.5.2 实际探地雷达数据去噪图 3.9 是广西六宜高速公路某一段隧道探地雷达实测数据，含有大量随机噪声。MATLAB 小波工具包进行仿真，利用本章所以提到的小波包理论对其降噪。实验采用 3 层小波包分解，软阈值法对全局进行阈值处理（软阈值方法信噪比为16.413，硬阈值方法信噪比 15.237，软阈值去噪结果较好）。并使用 SURE 最优基进行最优分解。降噪完成后的探地雷达数据剖面图如图 3.10 所示。
图 3.9 是广西六宜高速公路某一段隧道探地雷达实测数据，含有大量随机噪声。MATLAB 小波工具包进行仿真，利用本章所以提到的小波包理论对其降噪。实验采用 3 层小波包分解，软阈值法对全局进行阈值处理（软阈值方法信噪比为16.413，硬阈值方法信噪比 15.237，软阈值去噪结果较好）。并使用 SURE 最优基进行最优分解。降噪完成后的探地雷达数据剖面图如图 3.10 所示。图 3.9 未处理的原始隧道探地雷达剖面图
第五章 探地雷达数据分类实验结果与分析实实验一比较改进后的卷积神经网络模型与 lenet-5 模型的性能。实验二，实验积神经网络模型参数对改进模型 CNN-1，CNN-2 性能的影响。实验采用 GPU在 caffe 平台下运行。 实验数据与实验平台1 实验数据实验数据为广西省某高速公路隧道实测数据，探地雷达数据存储在后缀名为“件中，用 matlab 将文件读取为图像数据，并将实测数据进行小波包去噪，从中0 幅图像作为本次实验数据。实验数据集中包含空腔型溶洞图像、泥夹石填充型、围岩局部破碎图像、富水破碎围岩图像、围岩低含水量全破碎图像、无明显六种类型。数据类型如图 5.1 所示。
【参考文献】
相关期刊论文 前10条
1 刘澜波;钱荣毅;;探地雷达:浅表地球物理科学技术中的重要工具[J];地球物理学报;2015年08期
2 王超;沈斐敏;;小波变换在探地雷达弱信号去噪中的研究[J];物探与化探;2015年02期
3 赵翠荣;彭宇;胡通海;;提高探地雷达时域接收机性能的技术研究[J];现代电子技术;2015年01期
4 姜文龙;胡伟华;裴少英;;基于小波包变换的单道水上地震数据去噪方法研究[J];勘察科学技术;2014年05期
5 赵双乐;;浅析小波变换理论及其应用[J];科技风;2014年15期
6 余凯;贾磊;陈雨强;徐伟;;深度学习的昨天、今天和明天[J];计算机研究与发展;2013年09期
7 李华;鲁光银;何现启;邓珂;;探地雷达的发展历程及其前景探讨[J];地球物理学进展;2010年04期
8 张杰;;Mallat算法分析及C语言实现[J];微计算机信息;2010年09期
9 李文超;王绪本;邓薇;;超宽带探地雷达探测性能研究[J];成都理工大学学报(自然科学版);2008年02期
10 周宇峰;程景全;;小波变换及其应用[J];物理;2008年01期
相关博士学位论文 前1条
1 孔令讲;浅地层探地雷达信号处理算法的研究[D];电子科技大学;2003年
本文编号：2893229
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2893229.html
