[发明专利]一种基于BP神经网络的地下金属圆管半径和埋深的估计方法

说明书

本发明公开了一种基于BP神经网络的地下金属圆管半径和埋深的估计方法，采用探地雷达正演模拟得到不同半径和埋深的金属圆管埋在不同介质中的雷达回波数据；提取金属圆管正上方的A‑Scan回波峰值、峰值到达时间和预设时间段内的回波能量值，以此3个参数构建特征矢量，组成特征矢量矩阵，作为训练样本输入部分的数据集。训练样本输出部分的数据集由已知金属圆管的半径、埋深和地下介质的相对介电常数构成。设计BP神经网络的结构，运用训练样本数据对BP神经网络进行训练，训练完毕后将待测的探地雷达回波数据的特征参数输入至该BP神经网络，对地下金属圆管的半径和埋深进行估计。本发明能够快速、精确的估计地下金属圆管的半径和埋深。

技术领域

本发明属于探地雷达无损探测领域，具体涉及一种探地雷达回波信号的特征提取和地下金属圆管的半径和埋深的方法。

背景技术

探地雷达(Ground Penetrating Radar，GPR)是一种有效便捷的无损探测技术。它通过发射天线向地下发射宽带电磁波，然后在接收天线端接收地下区域的散射波。电磁波在地下介质中传播时遇到电磁差异的界面发生散射，从而可以根据接收到的电磁波波形及特征，推断地下介质和探测目标的介电特性、空间位置、结构形态和埋藏深度等参数。

探地雷达的回波信号特征提取的方法有多种，从频域角度来看，在幅频谱上按既定规则划分频谱区间，以每个区间内的极大极小值和区间边界极值是否重合的情况，作为特征矢量【参考文献：Zhang H,Ouyang S,Wang G,et al.Dielectric Spectrum FeatureVector Extraction Algorithm of Ground Penetrating Radar Signal in FrequencyBands[J].IEEE Geoscience&Remote Sensing Letters,2015,12(5):958-962.】，该方法受地下探测目标的形状和介质背景噪声影响较大，一般适用于探测地下均匀介质的分布情况。从时域角度来看，以每个回波时间段内的极大、极小值作为特征矢量【参考文献：Khan US,Al-Nuaimy W,El-Samie F E A.Detection of landmines and underground utilitiesfrom acoustic and GPR images with a cepstral approach[J].Journal of VisualCommunication&Image Representation,2010,21(7):731-740.】，这种方法只能应用于地下介质目标的介电参数估计，无法判断目标的埋深。

在BP神经网络结构设计上，传统方法设计为3层网络结构，包括一个输入层，一个隐含层和一个输出层，各层节点个数设置为：1-x-1和2-x-1的结构(x表示隐含层节点的个数)【参考文献：Caorsi S,Stasolla M.A machine learning algorithm for GPR sub-surface prospection[C]//Microwave Symposium.IEEE,2009:1-5.】和2-3-2网络结构【参考文献：Caorsi S,Cevini G.An electromagnetic approach based on neural networksfor the GPR investigation of buried cylinders[J].IEEE Geoscience&RemoteSensing Letters,2005,2(1):3-7.】。第一个方法输出的参数是目标介质的厚度，在没有噪声的情况下平均相对误差是5.67％；第二个方法输出的参数是圆管目标的半径、埋深和地下介质的相对介电常数，在没有噪声的情况下的相对误差分别为4.31％，2.26％，3.64％。这样的结果无法满足GPR对地下金属圆管的半径和埋深等参数高精度估计的目的。

因此，有必要设计一种能精确估计地下金属圆管埋深和半径的新方法。

发明内容