基于卷积神经网络的地下目标定位与介电常数估计研究

发布时间：2020-08-11 21:43

【摘要】：探地雷达主要应用于地下目标的定位、几何形状识别、电性能参数估计和分类。传统机器学习方法对地下目标分类、定位和参数估中,探地雷达信号特征的提取需要人工设计,其中涉及到实验人员的主观经验,给实验结果带来了很多不确定性。因此如何构建特征自动提取的地下目标分类、定位和参数估计框架具有重要意义。针对以上问题,本文提出了基于卷积神经网络(Convolutional Neural Networks,CNN)的地下目标形状分类、定位和介电常数估计方法。本文的主要内容为:首先,研究了基于CNN的地下目标形状分类方法。对于传统人工设计特征提取方法的不足,鉴于CNN具有自动学习特征的优势,采用CNN框架对浅层地下目标形状分类。利用支持向量机(Support Vector Machine,SVM)代替softmax层,采用CNN-SVM对地下目标形状识别。相比于传统特征提取方法联合SVM的分类结果,CNN-SVM方法具有更高的分类准确率和精度。其次,研究了基于全卷积网络(Fully Convolutional Networks,FCN)的地下目标定位方法。对于地下目标定位中特征提取方法的缺陷,鉴于AlexNet网络模型具有强大的特征提取能力,通过把AlexNet的全连接层使用卷积层代替,将其改为全卷积网络,联合改进的非极大值抑制方法对地下目标定位。与传统的特征提取方法相比,FCN具有更好的定位性能。最后,研究了基于级联CNN的地下目标介电常数估计方法。传统方法对地下目标的定位和参数估计都是独立进行,对此本文在全卷积网络地下目标定位的基础上,通过级联一个CNN实现地下目标介电常数估计。相比于单个CNN的介电常数估计结果,级联CNN模型具有更低的估计误差,并实现了地下目标的定位和介电常数估计一体化。因此,本文的CNN方法在地下目标的分类、定位和参数估计领域具有参考价值。
【学位授予单位】：南昌大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;P631.3
【图文】：

应用领域,探研,冰川厚度,矿产勘探

1科学研究领域图 1.1 探地雷达应用领域用电磁信号探测地下环境，由化发展，并且广泛应用于各个[5-6]、矿产勘探[7]、冰川厚度探研领域等方面都涉及探地雷达

圆形目标,目标模型,矩形,电性能参数

第 2 章基于传统特征提取方法的地下目标形状分类探地雷达图像双曲线模型受发射波形、极化方式、背景介质、埋藏深度、目标的形状和电性能参数的影响，GPR 回波信号组成较为复杂，但 GPR 双曲线图像能够直观的显示各种回波状态，便于实时观测，图 2.1 为探地雷达工作原理图。2.2.2 光滑地表面地下目标模型模拟在仿真系统中，首先在地表面光滑情况下建立地下目标正演模型，设置地下场景的维度大小、收发天线的参数、地下目标的大小和电性能参数、背景介质的电性能参数和天线的移动步长和方向。使用 gprMax 对地下圆形和矩形目标进行数值仿真。其中，图 2.2 为地下圆形和矩形目标仿真模型。

图像,圆形目标,矩形,目标

电导率为 0.005S/m。通过数值仿真得到 500 组 GPR 图像，其中圆形和矩形目标各 250 组。图2.3(a)、(b)分别为单个地下圆形和矩形目标仿真的 GPR 图像。

【相似文献】