罗诗光, 雷文太. 基于深度学习的GPR时频域联合电磁反演方法
发布时间：2022-12-20
点击次数：
DOI码：10.12265/j.cjors.2021347
所属单位：中国电波传播研究所
发表刊物：电波科学学报
项目来源：国防科工局稳定支持项目（No.A131903W13）
关键字：探地雷达 (GPR)；电磁反演；深度学习；卷积神经网络 (CNN)；自编码器
摘要：本文针对 GPR 时域数据与频域数据在图像域的特征差异，首先设计了基于深度学习的 GPR 维度变换自编码器提取 GPR 回波数据的时域特征，并对 GPR 时频域特征进行一致化处理；然后设计了基于时频融合 数据的电磁反演处理框架 GPR-EInet，并分别使用 2 000 和 200 个 GPR B-Scan 数据对 GPR-EInet 进行训练和测试. 仿真实验结果表明，GPR-EInet 可以在SNR=−10 dB、目标介电常数与背景介电常数的相对偏差为50% 的情况下实现单/双目标的电磁反演，介电常数反演结果与真实值的结构相似性指数（structure similarity index measure, SSIM）达到了 0.995 64. 分别运用 GPR-EInet、Ünet 与 PINet 对仿真数据进行电磁反演，结果表明： GPR-EInet 的抗噪性能要优于 PINet 与Ünet. 对实测的 GPR 数据也开展了电磁反演实验，获得了探测区域的目标参数信息. 与单独的时域或频域数据反演相比，时频融合数据提升了 GPR-EInet 的电磁反演精度与噪声抑制能力.
论文类型：期刊论文
学科门类：工学
一级学科：信息与通信工程
文献类型：J
卷号：37
期号：4
页面范围：555-567
ISSN号：1005-0388
是否译文：是
发表时间：2022-08-01
发布期刊链接：http://www.cjors.cn/cn/article/doi/10.12265/j.cjors.2021347