一种基于深度学习的探地雷达信号分辨率提高方法及系统技术方案

本发明专利技术公开了一种基于深度学习的探地雷达信号分辨率提高方法及系统，采用高频率雷达和低频率雷达分别采集雷达数据作为训练数据集；构建Cycle

【技术实现步骤摘要】
一种基于深度学习的探地雷达信号分辨率提高方法及系统


[0001]本专利技术属于探地雷达数据处理
，具体涉及一种基于深度学习的探地雷达信号分辨率提高方法及系统。

技术介绍

[0002]探地雷达(GPR)是一种地球物理探测工具，常被用于探测浅层地下结构。利用高频电磁波对地表的强穿透能力，探地雷达向地表发射电磁波，并接收发射或反向反射信号，实现对地下目标体的探测。
[0003]在实际勘探中，探地雷达发射信号频率的选取直接影响着探测的深度和空间分辨率。由于高频率的雷达波具有较短的波长，在浅层地下介质勘探中可以得到较为丰富的信息，但其能量衰减较快，探测深度较浅；低频率雷达波波长较长，能够探测更深地下介质的信息，但得到的数据往往具有较低的分辨率。雷达数据超分辨允许在保留低频率雷达数据探测深度的基础上提高探测信息分辨率，大大提高了探测效率，降低了探测成本。因此，准确有效地提高低频探地雷达数据的分辨率在探地雷达实际探测中具有非常重要的意义。
[0004]传统雷达数据提高分辨率的方法有反褶积、反Q滤波、谱白化等。反褶积方法建立在褶积模型假设上，常常与实际地质模型存在差别；反Q滤波方法根据已有的衰减模型来补偿损失，但其效果直接受到品质因子Q估计精度的影响；谱白化的实现过程简单直观，但是保真性较差，直接影响雷达数据的信噪比。以上方法都可以有效提高雷达数据分辨率，但其结果高度依赖于模型参数的选取。近年来，随着深度学习等方法的飞速发展和广泛应用，许多研究人员提出利用深度学习方法来提高探地雷达信号分辨率，以减少参数选取带来的影响。
[0005]现有方法使用连续小波变换对探地雷达数据进行处理；使用Morlet复小波函数作为连续小波变换的基函数，对单道数据做连续小波变换，选择基准频率基于倍频程进行频谱扩展，将扩频后的信息进行小波逆变换实现数据分辨率的提高。但是依赖于基准频率的选择，该参数的选择直接影响到信号带宽扩展的效果；且对高频信息迅速衰减的信号效果有限，扩频展宽幅度较小。

技术实现思路

[0006]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于深度学习的探地雷达信号分辨率提高方法及系统，用于解决大规模数据基准频率及扩展参数人工选择复杂的技术问题。
[0007]本专利技术采用以下技术方案：
[0008]一种基于深度学习的探地雷达信号分辨率提高方法，包括以下步骤：
[0009]S1、构建训练数据集；
[0010]S2、构建Cycle
‑
GAN网络模型，Cycle
‑
GAN网络模型中包含两个镜像对称的生成对抗网络结构；
[0011]S3、利用步骤S1得到的训练集数据集对步骤S2构建的Cycle
‑
GAN网络模型进行训练；
[0012]S4、利用步骤S3训练好的Cycle
‑
GAN网络模型对实际采集的低分辨率探地雷达数据进行分辨率提高处理。
[0013]具体的，步骤S1中，训练数据集中包括高频率雷达实际采集的雷达数据，以及低频率雷达实际采集的雷达数据，对低频探地雷达采集到的低分辨率数据进行插值预处理，将插值预处理后的数据作为样本数据，将高频雷达采集到的高分辨率数据作为标签数据，使用样本数据和标签数据构造训练数据集。
[0014]进一步的，插值处理后低分辨率数据的采样时间间隔与高分辨率数据相同。
[0015]具体的，步骤S2中，生成对抗网络结构共享生成器GeneratorA2B和生成器GeneratorB2A，并分别携带一个判别器；生成器GeneratorA2B能够将数据域D
A
中的样本转换到目标域D
B
中的高分辨率数据，生成器GeneratorB2A能够将数据域D
B
中的高分辨率数据转换成域D
A
中的原始数据。
[0016]进一步的，生成器GeneratorA2B和生成器GeneratorB2A的网络结构相同，包括编码器、转换器和解码器。
[0017]进一步的，Cycle
‑
GAN网络模型单向工作流程如下：
[0018]从数据域D
A
中获取输入样本Input_A，将输入样本Input_A传递到生成器GeneratorA2B中生成新样本Generated_B；将新样本Generated_B传递到生成器GeneratorB2A，在原始域D
A
转换为原始数据Pseduo_A；利用判别器进行判断，迭代更新网络参数。
[0019]更进一步的，生成新样本Generated_B具体为：
[0020]利用卷积神经网络从输入样本Input_A中提取数据特征，将数据特征压缩成256个128*128的特征向量，组合不相近的特征，使得样本能够从数据域D
A
转换到数据域D
B
；最后利用反卷积层还原出低级特征，生成新的样本Generated_B。
[0021]具体的，步骤S3中，设置初始学习率为0.0002，并随迭代进行衰减；定义对抗损失和循环一致性损失函数为优化目标，并利用Adam优化算法对网络参数进行偏置校正，迭代学习找到最优解。
[0022]进一步的，对抗损失和循环一致性损失函数L(G,F,D
X
,D
Y
)如下：
[0023]L(G,F,D
X
,D
Y
)＝L
GAN
(G,D
Y
,X,Y)+L
GAN
(F,D
X
,Y,X)+λL
cyc
(G,F)
[0024]其中，L
GAN
(G,D
Y
,X,Y)为从X域生成至Y域的对抗损失，L
GAN
(F,D
X
,Y,X)为Y从X域生成至域的对抗损失，L
cyc
(G,F)为判断生成器G和F一致性的循环一致性损失，λ为用于控制两个生成器G和F相对重要性的非负参数。
[0025]第二方面，本专利技术实施例提供了一种基于深度学习的探地雷达信号分辨率提高系统，包括：
[0026]数据模块，构建训练数据集；
[0027]构建模块，构建Cycle
‑
GAN网络模型，Cycle
‑
GAN网络模型中包含两个镜像对称的生成对抗网络结构；
[0028]训练模块，利用数据模块得到的训练集数据集对构建模块构建的Cycle
‑
GAN网络模型进行训练；
[0029]处理模块，利用训练模块训练好的Cycle
‑
GAN网络模型对实际采集的低分辨率探地雷达数据进行分辨率提高处理。
[0030]与现有技术相比，本专利技术至少具有以下有益效果：
[0031]本专利技术一种基于深度学习的探地雷达信号分辨率提高方法，使用Cy本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的探地雷达信号分辨率提高方法，其特征在于，包括以下步骤：S1、构建训练数据集；S2、构建Cycle
‑
GAN网络模型，Cycle
‑
GAN网络模型中包含两个镜像对称的生成对抗网络结构；S3、利用步骤S1得到的训练数据集对步骤S2构建的Cycle
‑
GAN网络模型进行训练；S4、利用步骤S3训练好的Cycle
‑
GAN网络模型对实际采集的低分辨率探地雷达数据进行分辨率提高处理。2.根据权利要求1所述的基于深度学习的探地雷达信号分辨率提高方法，其特征在于，步骤S1中，训练数据集中包括高频率雷达实际采集的雷达数据，以及低频率雷达实际采集的雷达数据，对低频探地雷达采集到的低分辨率数据进行插值预处理，将插值预处理后的数据作为样本数据，将高频雷达采集到的高分辨率数据作为标签数据，使用样本数据和标签数据构造训练数据集。3.根据权利要求2所述的基于深度学习的探地雷达信号分辨率提高方法，其特征在于，插值处理后低分辨率数据的采样时间间隔与高分辨率数据相同。4.根据权利要求1所述的基于深度学习的探地雷达信号分辨率提高方法，其特征在于，步骤S2中，生成对抗网络结构共享生成器GeneratorA2B和生成器GeneratorB2A，并分别携带一个判别器；生成器GeneratorA2B能够将数据域D
A
中的样本转换到目标域D
B
中的高分辨率数据，生成器GeneratorB2A能够将数据域D
B
中的高分辨率数据转换成域D
A
中的原始数据。5.根据权利要求4所述的基于深度学习的探地雷达信号分辨率提高方法，其特征在于，生成器GeneratorA2B和生成器GeneratorB2A的网络结构相同，包括编码器、转换器和解码器。6.根据权利要求4或5所述的基于深度学习的探地雷达信号分辨率提高方法，其特征在于，Cycle
‑
GAN网络模型单向工作流程如下：从数据域D
A
中获取输入样本Input_A，将输入样本Input_A传递到生成器GeneratorA2B中生成新样本Generated_B；将新样本Generated_B传递到生成器GeneratorB2A，在原始域D
A
转换为原始数据Pseduo_A；...

【专利技术属性】
技术研发人员：陈文超，周梅，王晓凯，师振盛，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：