[發明專利]一種基于卷積神經網絡的鉆孔雷達目標識別方法

在審

• 申請號: 201711365529.3
• 申請日: 2017-12-18
• 公開（公告）號: CN108169745A
• 公開（公告）日: 2018-06-15
• 發明（設計）人: 趙青;謝龍昊;廖彬彬;馬春光
• 申請（專利權）人: 電子科技大學
• 主分類號: G01S13/88
• 分類號: G01S13/88;G06N3/04;G06N3/08;G06F17/18
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 陳一鑫

本發明公開了一種基于卷積神經網絡的鉆孔雷達目標識別方法，及機器學習、深度學習應用技術，特別涉及深度學習方法在鉆孔雷達目標識別中的應用。包括流：樣本；卷積神經網絡模型結構設計，網絡參數設計，過擬合預防，激活函數設計，卷積神經網絡模型訓練，目標識別。本發明訓練過程中可自動提取雜波，背景噪聲，干擾物和目標的特征，大大地降低了特征的選擇與提取所需開銷，可實時有效的識別目標，同時本發明中深度模型能夠提取目標不同層級的二維特征，這些特征通過高度的匹配與訓練得到，因此能夠實現目標的高度表征，提高了鉆孔雷達目標信號識別的準確度。

技術領域

本發明涉及機器學習、深度學習應用技術，特別涉及深度學習方法在鉆孔雷達目標識別中的應用。

背景技術

鉆孔雷達又稱為孔中雷達，是探地雷達的一種特殊形式，采用脈沖信號的脈寬較寬故頻譜處于相對較低的工作頻率(10～1000MHz)范圍，能夠下放到井孔中，完成對井周地質環境的勘探。它能夠接近地下深層目標體，具有徑向探測距離遠和分辨率相對較高的特點。憑借其技術優勢，鉆孔雷達已經廣泛應用于地質結構勘探、采礦工業、水文和環境地質調查、土木工程、核廢料儲藏地選址等方面。隨著人類對油、氣等地下資源需求的日益增加，人們對地下探測技術的研究正在日趨增大，提供一種實時高效的井下回波信號處理方法成了當前國內外研究的迫切需求。

目前探地雷達數據的處理手段主要依賴于成像技術與反演技術。成像技術與反演技術一般由人工加以解釋，含較多主觀因素，需要操作者有較高的技術與經驗。成像技術與反演技術可再現埋藏物體的外形,從而可以根據幾何特征對目標加以判別。但由于過分依賴于幾何特征,忽略了信號中原有的隱藏的特征信息，容易誤識別與目標形狀接近的干擾物。另外成像技術與反演技術計算量大，難以實時判別目標情況。因此如何實時高效的識別目標回波信號，成了當前迫切需要解決的問題。

一種基于卷積神經網絡的鉆孔雷達目標識別方法能夠從數據中自動提取目標特征，可以從原始輸入數據中挖掘越來越抽象的特征。通過訓練提取雜波，背景噪聲，干擾物和目標的特征。訓練后的網絡可實時高效的識別目標，可廣泛應用于鉆孔雷達數據處理中。

發明內容

本發明的發明目的在于:為了克服現有技術中對鉆孔雷達目標識別的不足之處，以達到鉆孔雷達目標識別更好實時性，更高精準度，特提供一種基于卷積神經網絡的鉆孔雷達目標識別方法。

神經網絡是一種是由大量神經元通過相互連接而構成的自適應非線性動態網絡系統。神經網絡具有多個層級結構，更高層的卷積層提取更高級的特征。隨著層數的增加，神經網絡對特征的抽象能力越強，即對目標的更深層次的表征。得益于神經網絡的深層表征能力，無需對回波數據做預處理，可大大降低在預處理方面的時間開銷。同時，神經網絡具有良好的學習能力，可完美適用于鉆孔雷達復雜的信息環境。

本發明技術方案為:一種基于卷積神經網絡的鉆孔雷達目標識別方法，該方法包括：

步驟1:獲取作為訓練樣本的雷達回波數據組成訓練樣本集，其中訓練樣本集包括不同類別的識別目標，用T標識訓練樣本的類別數；

作為訓練樣本的鉆孔雷達數據的獲取方式為以目標為中心，由相鄰X道回波數據所構成的二維數據，得到大小相同的訓練樣本集，并根據目標類別為每個訓練樣本設置類別標識符；相鄰的道數X應小于目標尺寸，中心每次橫向移動一個單位構成新的一組大小相同的訓練樣本集；

步驟2:構建卷積神經網絡；

所述卷積神經網絡深度為M層，其中第1～M-1層的每一層包括卷積層和池化層，第M層為全連接的輸出層，輸出為分類結果的概率矩陣；訓練樣本從第一層輸入，上一層神經網絡的輸出作為下一層的輸入，所述卷積層卷積核的尺寸小于輸入數據的大小，所述池化層為對卷積層輸出進行平均值池化處理，取當前池化窗口的局部平均值作為當前窗口的輸出，用池化區域的局部平均值代替該區域整體；

進一步的，所述卷積層的卷積運算方法為：