典型文献
基于深度学习的GPR时频域联合电磁反演方法
文献摘要：
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.
文献关键词：
探地雷达(GPR);电磁反演;深度学习;卷积神经网络(CNN);自编码器
中图分类号：
作者姓名：
罗诗光;任强;王成浩;宋千;雷文太
作者机构：
中南大学计算机学院,长沙410083;中国电波传播研究所,青岛266107
文献出处：
引用格式：
[1]罗诗光;任强;王成浩;宋千;雷文太-.基于深度学习的GPR时频域联合电磁反演方法)[J].电波科学学报,2022(04):555-567
A类：
时频融合,EInet,介电常数反演,PINet
B类：
GPR,电磁反演,反演方法,探地雷达,ground,penetrating,radar,几何参数,电磁参数,图像域,特征差异,自编码器,回波,波数,时域特征,时频域特征,融合数据,处理框架,Scan,SNR,dB,相对偏差,双目标,真实值,结构相似性指数,structure,similarity,measure,SSIM,仿真数据,抗噪性能,参数信息,数据反演,反演精度,噪声抑制,抑制能力
AB值：
0.255299
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
