CN115856882B - 一种多极化地质雷达数据智能反演与成像方法 - Google Patents
一种多极化地质雷达数据智能反演与成像方法 Download PDFInfo
- Publication number
- CN115856882B CN115856882B CN202310112866.0A CN202310112866A CN115856882B CN 115856882 B CN115856882 B CN 115856882B CN 202310112866 A CN202310112866 A CN 202310112866A CN 115856882 B CN115856882 B CN 115856882B
- Authority
- CN
- China
- Prior art keywords
- polarization
- data
- geological radar
- inversion
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 22
- 230000010287 polarization Effects 0.000 claims abstract description 134
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000010586 diagram Methods 0.000 claims abstract description 16
- 201000010099 disease Diseases 0.000 claims abstract description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 32
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000013508 migration Methods 0.000 claims description 9
- 230000005012 migration Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 28
- 239000011159 matrix material Substances 0.000 description 14
- 125000004122 cyclic group Chemical group 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005404 monopole Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种多极化地质雷达数据智能反演与成像方法，包括：构建反演网络模型，其中所述反演网络模型包括循环生成式对抗网络模型及极化规律约束卷积半监督深度反演网络模型；构建训练样本，其中所述训练样本包括仿真数据集及真实数据集；通过所述训练样本对所述反演网络模型进行训练；获取多极化地质雷达数据，通过训练好的反演网络模型对所述多极化地质雷达数据进行介电常数反演，得到介电常数分布图以实现病害检测。
Description
技术领域
本发明涉及无损检测技术领域，特别涉及一种多极化地质雷达数据智能反演与成像方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
地质雷达以其精度高、探测效率高、现场工作灵活、方便等优点，已成为基础设施工程结构缺陷检测的主流检测方法，对保障其安全服役已至关重要。区别于目前工程中常用的单极化地质雷达，多极化地质雷达采用多个方向对天线进行极化，不同极化天线对结构内部属性、走向、形态不同的目标体敏感性不同，能获从多个方位取目标体更丰富的信息，探测出走向探测盲区内部的目标体的信息。目前已有部分公司开发并使用了商用化的多极化雷达，多极化地质雷达已成为基础设施内部病害检测的优选方法与未来发展趋势。
近年来，伴随着新一代信息技术的快速发展，国内外将信号处理、人工智能等技术用于多极化地质雷达数据的自动解释。传统的多极化地质雷达数据反演与成像方法包括Freeman 技术和 H-α分解等。随着深度学习技术的快速发展，基于深度神经网络方法已开始应用于多极化地质雷达数据反演与成像。已有两篇论文使用深度神经网络方法对多极化地质雷达数据反演与成像，例如：采用卷积神经网络（CNN）处理极化数据以识别地下目标体，以及提出掩蔽引导多极化集成神经网络（MMINet）估计非均匀土壤中多个根系相关参数。目前关于深度学习方法在多极化地质雷达反演与成像方面的研究仍较少。
然而，已有的基于深度学***(VH)和水平-水平(HH)极化数据量较少，导致多极化地质雷达数据存在数据不平衡问题，造成深度学习反演方法的效果差。（2）单极化地质雷达数据的标签难以获取，而多极化地质雷达数据的标签更少，同时缺乏大量的多极化地质雷达数据，难以进行有监督的训练，导致现有的基于深度学习的多极化地质雷达反演与成像训练过程中网络模型难以收敛的问题。
发明内容
为解决上述现有技术中所存在的问题，本发明提供一种多极化地质雷达数据智能反演与成像方法，采用循环生成式对抗网络，生成多极化地质雷达数据，解决多极化地质雷达数据存在数据不平衡问题，提出极化规律约束卷积，充分提取不同极化数据的差异特征，采用半监督深度学习网络，充分利用大量无标签多极化数据和少量有标签的多极化地质雷达数据。
为了实现上述技术目的，本发明提供如下技术方案：
一种多极化地质雷达数据智能反演与成像方法，包括：
构建反演网络模型，其中所述反演网络模型包括循环生成式对抗网络模型及极化规律约束卷积半监督深度反演网络模型；构建训练样本，其中所述训练样本包括仿真数据集及真实数据集；
通过所述训练样本对所述反演网络模型进行训练；获取多极化地质雷达数据，通过训练好的反演网络模型对所述多极化地质雷达数据进行介电常数反演，得到介电常数分布图以实现病害检测。
可选的，获取仿真数据集的过程包括：
获取介质病害信息，对所述介质病害信息进行随机组成，生成仿真介电常数分布图；
对所述仿真介电常数分布图进行EDTD正演，生成仿真多极化地质雷达数据，对仿真介电常数分布图及仿真多极化地质雷达数据进行整合，得到仿真数据集，其中仿真多极化地质雷达数据包括垂直-垂直极化数据、垂直-水平极化数据及水平-水平极化数据。
可选的，获取真实数据集的过程包括：
获取实测多极化地质雷达数据，基于介电常数模型对实测多极化地质雷达数据进行水平方向的随机裁剪及双线性插值，生成真实数据集。
可选的，循环生成式对抗网络模型包括两个生成式对抗网络，分别用于将垂直-垂直极化数据迁移到垂直-水平极化数据及将垂直-垂直极化数据迁移到水平-水平极化数据，生成重建训练数据，通过极化特征约束损失函数对生成式对抗网络进行优化。
可选的，所述极化特征约束损失函数的构建过程包括：
基于迁移前的数据及迁移后的数据进行逆傅里叶变换，通过极化分解算法对逆傅里叶变换结果进行分解，生成迁移前的数据及迁移后的数据对应的特征空间，将对应的特征空间的最小均方值偏差作为极化特征约束损失函数。
可选的，极化规律约束卷积半监督深度反演网络模型包括极化规律约束卷积层及半监督深度反演网络模型，半监督深度反演网络模型包括教师模型及学生模型，其中通过所述极化规律约束卷积层通过极化规律约束卷积对多极化地质雷达数据进行处理，并通过半监督深度反演网络模型对处理后的多极化地质雷达数据进行反演处理。
可选的，所述极化规律约束卷积的过程包括：
采用规律约束卷积对多极化地质雷达数据进行处理，生成多极化特征图；其中所述律约束卷积的卷积核基于散射参数进行改变，根据所述多极化地质雷达数据构建不同散射参数，当垂直-垂直极化数据和水平-水平极化数据散射参数值为1，而垂直-水平极化数据的散射参数值为垂直-水平极化数据与对应垂直-垂直极化数据和水平-水平极化数据均值的差值。
可选的，对所述反演网络模型进行训练的过程包括：
将训练样本划分为有标签数据及无标签数据；
通过循环生成式对抗网络模型对无标签数据进行数据生成，生成无标签多极化数据，通过极化规律约束卷积层对所述有标签数据及无标签数据进行特征提取，将提取的有标签结果训练学生网络，将提取的无标签结果输入训练后的学生网络及教师网络，训练后的学生网络结果作为教师网络的标签，根据学生网络对教师网络进行优化，将优化后的教师网络进行反演。
本发明具有如下技术效果：
1.适用于多极化地质雷达数据智能反演与成像方法，能够基于不平衡的少量多极化地质雷达数据，对走向、形态不同的目标体更加全方位和精细的反演与成像；
2.嵌入极化物理特征约束的循环生成式对抗网络模块，通过采用两个循环生成式对抗网络，分别学***(VH)极化数据上和学***-水平(HH)极化数据上，从而解决多极化地质雷达数据存在数据不平衡问题，通过引入散射矩阵的极化分解算子，建立极化特征约束损失函数，实现不同极化地质雷达数据之间的高保真转换；
3.极化规律约束卷积实现根据不同的极化数据输入改变卷积核的散射参数K，从而扩大感受野，准确提取不同极化数据的散射特征。通过半监督深度学习网络方法充分利用大量无标签多极化数据和少量有标签的多极化地质雷达数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为多极化地质雷达数据智能反演与成像方法的流程图；
图2为多极化地质雷达数据智能反演与成像方法的网络结构示意图；
图3为嵌入极化物理特征约束的循环生成式对抗网络模块结构图；
图4为极化规律约束卷积模块结构图；
图5为根据实施所示的嵌入极化物理特征约束的循环生成式对抗网络模块生成的多极化地质雷达数据结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一 为实现上述目的，本发明采用下述技术方案：一种多极化地质雷达数据智能反演与成像方法，包括嵌入极化物理特征约束的循环生成式对抗网络模块和极化规律约束卷积的半监督深度反演网络模块。
所述嵌入极化物理特征约束的循环生成式对抗网络模块，其通过采用两个如CycleGAN等循环生成式对抗网络，分别学***(VH)极化数据上和学***-水平(HH)极化数据上，实现一组多极化雷达数据特征迁移到另一组多极化数据上，从而生成大量的多极化地质雷达数据。通过引入散射矩阵的极化分解算子，建立极化特征约束损失函数，实现不同极化地质雷达数据之间的高保真转换。
所述嵌入极化物理特征约束的循环生成式对抗网络模块，通过引入散射矩阵的极化分解算子，建立极化特征约束损失函数，实现不同极化地质雷达数据之间的高保真转换。为确保转化后两个数据域依然保留原有的极化特征不变，引入散射矩阵的极化分解算子建立极化特征约束损失函数，首先对多地质雷达数据对进行逆傅里叶变换提取每个测点的多极化散射矩阵，通过采用极化属性分解算子，分别对转换前后的多极化矩阵进行极化分解，得到原始数据与转换后数据的极化分解特征空间和，并以二者的最小均方值偏差MSE作为损失函数:
所述极化规律约束卷积，其根据输入的极化数据的不同而采用不同散射参数K乘以卷积核，其中VV极化数据(SVV)和HH极化数据(SHH)的值为1，而VH极化数据的卷积K值为，其中VH极化数据的散射参数K值为根据单极化天线的数据通过旋转，和生成多极化散射矩阵计算，其过程如下：
最终多极化散射矩阵S(假定)为：
其中，为入射波电场，，和为三个角度的散射数据。因此，VH极化数据的卷积约束K值为，实现根据不同的极化数据输入改变卷积核，从而学习到多极化数据的不同散射特征。
所述极化规律约束卷积的半监督深度反演网络，其采用半监督学习方法，利用嵌入极化物理特征约束的循环生成式对抗网络模块生成的大量无标签多极化数据和少量有标签的多极化地质雷达数据，首先通过极化规律约束卷积提取不同极化数据的特征，少量有标签的多极化雷达数据的特征训练一个学生网络，其次大量无标签多极化数据的特征同时作为学生网络和教师网络的输入，学生网络输出结果作为教师网络的标签，同时根据学生网络的参数更新教师网络，通过极化特征约束损失函数、一致性损失函数和循环对抗损失函数同时训练嵌入极化物理特征约束的循环生成式对抗网络模块和半监督学习模块。
配套软件***
所述的深度学***板电脑和计算机等电子设备中。采用智能处理算法、Hadoop技术和Hbase分布式 数据库，构建软件平台，最终形成集嵌入极化物理特征约束的循环生成式对抗网络模块和极化规律约束卷积的半监督深度反演网络模块于一体的智慧化软件***。
实施例二
如图1所述，本实施例公开了一种多极化地质雷达数据智能反演与成像方法，包括如下步骤：
步骤S1：构建多极化地质雷达数据反演网络模型
所述多极化地质雷达数据反演网络结构，如图2所示，包括嵌入极化物理特征约束的循环生成式对抗网络模块和极化规律约束卷积的半监督深度反演网络模块，利用嵌入极化物理特征约束的循环生成式对抗网络生成的大量多极化地质雷达数据，通过极化规律约束卷积提取不同极化数据的特征，采用半监督学习方法，通过一致性损失函数和对抗损失函数同时训练嵌入极化物理特征约束的循环生成式对抗网络模块和半监督学习模块。
具体包括两个模块：
（1）嵌入极化物理特征约束的循环生成式对抗网络模块，如图3所示，通过采用循环生成式对抗网络，其包括两个生成器和两个判别器，实现不同域之间的图像特征迁移和转换，通过采用两个生成式对抗网络结构，分别从垂直-垂直(VV)极化数据特征迁移到不成对的垂直-水平(VH)极化数据上，和从垂直-垂直(VV)极化数据特征迁移到不成对的水平-水平(HH)极化数据，从而生成大量的多极化地质雷达数据，以及通过引入散射矩阵的极化分解算子，建立极化特征约束损失函数，实现不同极化地质雷达数据之间的高保真转换。为确保转化后两个数据域依然保留原有的极化特征不变，引入散射矩阵的极化分解算子建立极化特征约束损失函数，首先对多地质雷达数据对进行逆傅里叶变换提取每个测点的多极化散射矩阵，通过采用极化属性分解算子，分别对转换前后的多极化矩阵进行极化分解，得到原始数据与转换后数据的极化分解特征空间和，并以二者的最小均方值偏差MSE作为损失函数:
因此，嵌入极化物理特征约束的循环生成式对抗网络模块的总损失函数为：
其中，和分别为两个循环生成式对抗网络的嵌入极化物理特征约束的MSE损失函数，和为一个循环生成式对抗网络的判别器的损失函数，同理和为另一个循环生成式对抗网络的判别器的损失函数，和分别为两个循环生成式对抗网络的循环损失函数，和为两个循环损失函数的约束参数，A为源域极化数据，B和C代表两个目标域数据，F代表源域到目标域的映射函数，G代表目标域到源域的映射函数，和为一个循环生成式对抗网络的两个判别器的映射函数，和为另一个循环生成式对抗网络的两个判别器的映射函数。具体公式如下：
（2）极化规律约束卷积的半监督深度反演网络模块，如图4所示，首先采用极化规律约束卷积处理多极化数据，极化规律约束卷积根据输入的极化数据的不同而采用不同散射参数K乘以卷积核，其中VV极化数据(SVV)和HH (SHH)极化数据K值为1，而VH极化数据的K值为，其中VH极化数据的散射参数K值为根据单极化天线的数据通过旋转，和生成多极化散射矩阵计算，其过程如下：
最终多极化散射矩阵S(假定)为：
其中，为入射波电场，，和为90、0、45三个角度的散射数据。因此，VH极化数据的卷积约束K值为，实现根据不同的极化数据输入改变卷积核，从而学习到多极化数据的不同散射特征。
其次，采用半监督学习方法，利用嵌入极化物理特征约束的循环生成式对抗网络生成的大量无标签多极化数据和少量有标签的多极化地质雷达数据，首先通过极化规律约束卷积提取不同极化数据的特征，少量有标签的多极化雷达数据的特征训练一个学生网络，其次生成式对抗网络生成的大量无标签多极化数据的特征同时作为学生网络和教师网络的输入，学生网络通过梯度下降更新参数，学生网络输出结果作为教师网络的标签，同时根据学生网络的参数更新教师网络的参数，最终，将相关数据通过极化规律约束卷积层及教师网络的多极化雷达数据反演结果为整个网络结构的反演结果。
需要说明的是，教师网络和学生网络都需要生成式对抗网络的数据，第一阶段阶段学生网络需要有标签数据，第二阶段教师和学生网络需要无标签数据，生成式对抗网络作用是为了扩充无标签训练集，但整体参与训练过程，测试识别过程不需要使用。
步骤S2：建立仿真数据集，基于仿真数据集训练多极化地质雷达数据反演网络模型
针对大型基础设施结构病害检测问题，建立相应仿真数据集。所述步骤S2具体包括：
步骤S201：构建多种长度的大型基础设施结构介电常数分布图。
具体地，对背景介质、病害内部介质、病害数量及病害位置等随机组合，根据每一种组合方式均生成一幅衬砌结构剖面的介电常数分布图。所述背景介质包括素混凝土、钢筋混凝土等多种背景介质，所述病害包括脱空、不密实等，病害内部介质为水、空气等介质。
步骤S202：采用与实际地质雷达子波频率和相位一致的雷克子波作为仿真数据建模的源子波，来对每一介电常数分布图进行FDTD正演，通过改变发射天线和接受天线的方向，生成相应的多极化地质雷达数据。
步骤S203：基于仿真数据集，采用一致性损失函数和对抗损失函数同时训练和测试嵌入极化物理特征约束的循环生成式对抗网络模块（如图5）和半监督学习模块。
步骤S3：建立真实数据集，得到适用于地质雷达实际探测数据的极化地质雷达数据反演网络模型。
所述步骤S3具体包括：
步骤S301：建立真实数据集
对多极化地质雷达实际探测的地质雷达剖面数据、依据实际现场建立的介电常数模型进行对应的水平方向的随机裁剪和双线性插值以进行数据增强，建立真实数据集。
步骤S302：基于真实数据集训练多极化地质雷达数据反演网络模型。
步骤S4：利用多极化地质雷达数据反演网络对实际采集到的多极化地质雷达数据进行介电常数反演，得到相应的介电常数分布图。
将训练好的适用于实际数据的智能反演模型参数代入到构建的智能反演网络中，即可得到可以进行实际应用的预测模型。然后，利用面发工具进行了图形界面的开发，生成可供用户使用的界面，用户可以任意选择采集到多极化地质雷达数据数据输入图形界面，然后所述预测模型就会对输入数据进行反演，生成介电常数分布图。根据介电常数分布图还原基础设施的背景介质、病害形态，从而达到病害检测的目的。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种多极化地质雷达数据智能反演与成像方法，其特征在于，包括：
构建反演网络模型，其中所述反演网络模型包括循环生成式对抗网络模型及极化规律约束卷积半监督深度反演网络模型；构建训练样本，其中所述训练样本包括仿真数据集及真实数据集；
通过所述训练样本对所述反演网络模型进行训练；获取多极化地质雷达数据，通过训练好的反演网络模型对所述多极化地质雷达数据进行介电常数反演，得到介电常数分布图以实现病害检测；
获取仿真数据集的过程包括：
获取介质病害信息，对所述介质病害信息进行随机组成，生成仿真介电常数分布图；
对所述仿真介电常数分布图进行EDTD正演，生成仿真多极化地质雷达数据，对仿真介电常数分布图及仿真多极化地质雷达数据进行整合，得到仿真数据集，其中仿真多极化地质雷达数据包括垂直垂直极化数据、垂直水平极化数据及水平水平极化数据；
循环生成式对抗网络模型包括两个生成式对抗网络，分别用于将垂直垂直极化数据迁移到垂直水平极化数据及将垂直垂直极化数据迁移到水平水平极化数据，生成重建训练数据，通过极化特征约束损失函数对生成式对抗网络进行优化；
所述极化特征约束损失函数的构建过程包括：
基于迁移前的数据及迁移后的数据进行逆傅里叶变换，通过极化分解算法对逆傅里叶变换结果进行分解，生成迁移前的数据及迁移后的数据对应的特征空间，将对应的特征空间的最小均方值偏差作为极化特征约束损失函数。
2.根据权利要求1所述的成像方法，其特征在于：
获取真实数据集的过程包括：
获取实测多极化地质雷达数据，基于介电常数模型对实测多极化地质雷达数据进行水平方向的随机裁剪及双线性插值，生成真实数据集。
3.根据权利要求1所述的成像方法，其特征在于：
极化规律约束卷积半监督深度反演网络模型包括极化规律约束卷积层及半监督深度反演网络模型，半监督深度反演网络模型包括教师模型及学生模型，其中通过所述极化规律约束卷积层通过极化规律约束卷积对多极化地质雷达数据进行处理，并通过半监督深度反演网络模型对处理后的多极化地质雷达数据进行反演处理。
4.根据权利要求1所述的成像方法，其特征在于：
所述极化规律约束卷积的过程包括：
采用规律约束卷积对多极化地质雷达数据进行处理，生成多极化特征图；其中所述律约束卷积的卷积核基于散射参数进行改变，根据所述多极化地质雷达数据构建不同散射参数，当垂直垂直极化数据和水平水平极化数据散射参数值为1，而垂直水平极化数据的散射参数值为垂直水平极化数据与对应垂直垂直极化数据和水平水平极化数据均值的差值。
5.根据权利要求1所述的成像方法，其特征在于：
对所述反演网络模型进行训练的过程包括：
将训练样本划分为有标签数据及无标签数据；
通过循环生成式对抗网络模型对无标签数据进行数据生成，生成无标签多极化数据，通过极化规律约束卷积层对所述有标签数据及无标签数据进行特征提取，将提取的有标签结果训练学生网络，将提取的无标签结果输入训练后的学生网络及教师网络，训练后的学生网络结果作为教师网络的标签，根据学生网络对教师网络进行优化，将优化后的教师网络进行反演。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310112866.0A CN115856882B (zh) | 2023-02-15 | 2023-02-15 | 一种多极化地质雷达数据智能反演与成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310112866.0A CN115856882B (zh) | 2023-02-15 | 2023-02-15 | 一种多极化地质雷达数据智能反演与成像方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115856882A CN115856882A (zh) | 2023-03-28 |
| CN115856882B true CN115856882B (zh) | 2023-05-16 |
Family
ID=85658049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310112866.0A Active CN115856882B (zh) | 2023-02-15 | 2023-02-15 | 一种多极化地质雷达数据智能反演与成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115856882B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7167123B2 (en) * | 1999-05-25 | 2007-01-23 | Safe Zone Systems, Inc. | Object detection method and apparatus |
| CN103076606B (zh) * | 2013-01-10 | 2014-12-10 | 山东大学 | 基于钻孔地质雷达技术的三维精细化成像***和方法 |
| CN111781576A (zh) * | 2019-10-09 | 2020-10-16 | 山东大学 | 一种基于深度学习的探地雷达智能反演方法 |
| CN112731377B (zh) * | 2020-12-15 | 2024-03-26 | 郑州大学 | 一种介电常数反演方法、路基检测方法和检测*** |
| CN113447536B (zh) * | 2021-06-24 | 2022-09-30 | 山东大学 | 一种混凝土介电常数反演与病害识别方法及*** |
| CN114021422B (zh) * | 2021-09-23 | 2024-04-26 | 大连理工大学 | 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法 |
| CN114578349B (zh) * | 2022-05-06 | 2022-08-05 | 山东大学 | 用于堤坝隐患检测的无人机载地质雷达***与巡检方法 |
-
2023
- 2023-02-15 CN CN202310112866.0A patent/CN115856882B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115856882A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | A joint tensor completion and prediction scheme for multi-dimensional spectrum map construction | |
| Condat et al. | Cadzow denoising upgraded: A new projection method for the recovery of Dirac pulses from noisy linear measurements | |
| Zhao et al. | A federated learning framework for detecting false data injection attacks in solar farms | |
| CN108564606B (zh) | 基于图像转换的异源图像块匹配方法 | |
| Sun et al. | Convolutional neural network based models for improving super-resolution imaging | |
| CN111079977A (zh) | 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法 | |
| CN114549925A (zh) | 一种基于深度学习的海浪有效波高时间序列预测方法 | |
| Mdrafi et al. | Joint learning of measurement matrix and signal reconstruction via deep learning | |
| CN113359212A (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
| Zhang et al. | Multi-source information fused generative adversarial network model and data assimilation based history matching for reservoir with complex geologies | |
| CN116343046A (zh) | 基于自优化机器学习的多源遥感城市河流水质监测方法 | |
| CN116757062A (zh) | 电力负荷频率特性分析方法、装置、设备和存储介质 | |
| CN116863959B (zh) | 一种基于生成对抗网络的海豚叫声生成方法 | |
| CN115856882B (zh) | 一种多极化地质雷达数据智能反演与成像方法 | |
| CN109615577A (zh) | 基于卷积网络的高光谱图像超分辨处理方法 | |
| CN115598714B (zh) | 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法 | |
| CN116794736A (zh) | 一种基于transform的大地电磁反演模型建立方法 | |
| Zhang et al. | Accelerating hydraulic fracture imaging by deep transfer learning | |
| Bosma et al. | Estimating solar and wind power production using computer vision deep learning techniques on weather maps | |
| Zhang et al. | Generative Adversarial Network Based Inversion of Cross-hole Radar Data | |
| CN109389052A (zh) | 基于聚类算法的全极化sar图像城市识别提取方法 | |
| Liu et al. | Physics-informed unsupervised deep learning framework for solving full-wave inverse scattering problems | |
| CN116990772B (zh) | 基于多尺度卷积网络的探地雷达双参数实时反演方法 | |
| Meng et al. | Hierarchical Contrastive Learning for CSI-Based Fingerprint Localization | |
| Han et al. | A PSD maps estimation algorithm for underlay cognitive radio networks based on the convolutional neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |