探地雷达地下目标识别及三维可视化研究

本项目针对探地雷达（Ground Penetrating Radar，GPR）探测环境及地下介质物性的复杂和多样性、GPR回波信号的瞬态非平稳性等特点，以及目前GPR信号(图像)处理与分析中所面临的关键技术难点问题，将多尺度几何分析、地质统计学理论应用于GPR回波信号(图像)的去噪、增强、地下目标识别和数据三维可视化等问题的研究。主要研究内容包括：(1)GPR回波信号中的非目标回波抑制和噪声去除，建立基于多尺度几何变换的阈值化去噪方法；(2)强噪声背景下GPR弱信号增强机理和方法，建立GPR深部弱信号多尺度均衡增强模型和方法；(3)基于复合特征的GPR地下目标综合识别方法；(4)基于多尺度分析和地质统计学理论的GPR数据三维可视化建模方法，实现集平面模型、等高模型和三维立体模型于一体的GPR数据显示与解译系统。对于推动GPR技术的发展和有效广泛应用，具有十分重要的科学研究意义和应用价值。

本项目将现代谱分析、多尺度分析、模式识别和地质统计学理论应用于探地雷达（Ground Penetrating Radar，GPR） 回波信号的去噪、增强、地下目标识别和数据三维可视化等问题的研究。. (1)基于多特征信息融合思想，建立了一种探地雷达地下目标多参数特征提取与识别方法。该方法选取时域参数、功率谱、小波能谱及高阶谱进行多参数特征融合，通过小波神经网络进行识别与分类。实验结果表明，与单一参数特征识别方法相比，该方法可有效地实现对管状体、球状体、以及金属、塑料、水泥等材料构成的地质体的识别。. (2)提出了一种基于Fisher准则的深度神经网络探地雷达地下目标识别与分类方法。首先，将经过预处理的GPR目标的A-scan信号作为训练数据，利用深层稀疏编码模型对提取GPR地下目标进行识别。同时，将Fisher准则和样本类别信息引入深度学习过程。实验表明，该方法在样本数量较少的情况下，对复杂地质环境下的GPR目标仍然具有较好的识别效果。. (3)为解决干扰示例降低包特征判别性问题，将基于L2,1范数约束的特征选择引入到多示例学习中，提出了基于特征选择的多示例多标签学习算法。实验结果表明，该算法的性能总体上优于其他多示例多标签学习算法，有效地提升了多示例多标签分类的准确性。. (4)将示例的相关关系和多核学习方法引入多示例多标签学习中，提出了一种基于示例非独立同分布的多示例多标签学习算法。实验结果表明，该算法更适合多标签问题，比目前已有的多标签学习方法较大程度地提高多标签分类的准确性。. (5)研制了GPR数据处理与三维可视化分析系统。