基于深度学习的GPR时频域联合电磁反演方法
对探地雷达(ground penetrating radar,GPR)数据进行电磁反演可以获得探测区域中目标的几何参数和电磁参数.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.
探地雷达(GPR)、电磁反演、深度学习、卷积神经网络(CNN)、自编码器
37
TN98
中国电波传播研究所稳定支持科研经费A131903W13
2022-09-15（万方平台首次上网日期，不代表论文的发表时间）
共13页
555-567
