鹽漬土土壤的地質(zhì)雷達(dá)超前探測與判讀技術(shù)

第1章 緒論
1.1 概述
1.2 國內(nèi)外研究現(xiàn)狀
1.3 存在的主要問題
第2章 地質(zhì)雷達(dá)探測基本理論
2.1 地質(zhì)雷達(dá)基本組成
2.2 地質(zhì)雷達(dá)工作原理
2.2.1 電磁學(xué)理論
2.2.2 傳播介質(zhì)的介電特性
2.2.3 探測原理
2.2.4 探測性能
2.3 地質(zhì)雷達(dá)數(shù)據(jù)采集與顯示
2.3.1 實(shí)測數(shù)據(jù)采集
2.3.2 采集數(shù)據(jù)顯示
2.4 地質(zhì)雷達(dá)數(shù)據(jù)分析技術(shù)
2.4.1 背景去除
2.4.2 反褶積處理
2.4.3 道間平衡處理
2.4.4 道內(nèi)平衡處理
第3章 現(xiàn)場探測技術(shù)與波形圖像特征
3.1 概述
3.2 探測參數(shù)設(shè)定
3.2.1 天線中心頻率
3.2.2 時(shí)間窗口
3.2.3 采樣間隔
3.2.4 電磁波發(fā)射率
3.2.5 疊加系數(shù)
3.3 探測適用性分析
3.3.1 研究方案
3.3.2 模型試驗(yàn)
3.3.3 圖像特征分析
3.3.4 探測實(shí)例
3.3.5 適用性分析結(jié)果
3.4 粗粒弱氯鹽漬土的波形圖像特征
3.4.1 工程概況
3.4.2 探測方法
3.4.3 模型試驗(yàn)
3.4.4 圖像特征分析
3.5 粗粒弱硫酸鹽漬土的波形圖像特征
3.5.1 工程概況
3.5.2 探測方法
3.5.3 模型試驗(yàn)
3.5.4 圖像特征分析
第4章 波形數(shù)字特征與智能化判讀
4.1 概述
4.2 人工神經(jīng)網(wǎng)絡(luò)基本原理
4.2.1 神經(jīng)元模型
4.2.2 傳遞函數(shù)
4.2.3 網(wǎng)絡(luò)結(jié)構(gòu)
4.3 BP神經(jīng)網(wǎng)絡(luò)
4.3.1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)
4.3.2 BP神經(jīng)網(wǎng)絡(luò)算法
4.3.3 神經(jīng)網(wǎng)絡(luò)反分析
4.4 BP神經(jīng)網(wǎng)絡(luò)與顏色特征提取
4.4.1 研究背景
4.4.2 研究方案
4.4.3 原始圖像預(yù)處理
4.4.4 神經(jīng)網(wǎng)絡(luò)構(gòu)建
4.4.5 神經(jīng)網(wǎng)絡(luò)訓(xùn)練與識(shí)別
4.4.6 顏色特征提取
4.5 Contourlet變換與智能化判讀
4.5.1 背景思路
4.5.2 現(xiàn)場探測
4.5.3 研究方案
4.5.4 原始圖像預(yù)處理
4.5.5 圖像變換
4.5.6 K-means++聚類分析與樣本庫建立
4.6 Contourlet智能化判讀實(shí)例
4.6.1 現(xiàn)場探測
4.6.2 LP變換與K-means++聚類
4.6.3 自動(dòng)識(shí)別與驗(yàn)證
第5章 基于RBM模型的探測數(shù)據(jù)仿真處理
5.1 概述
5.2 深度學(xué)習(xí)的發(fā)展與應(yīng)用
5.2.1 機(jī)器學(xué)習(xí)的發(fā)展
5.2.2 深度學(xué)習(xí)的應(yīng)用
5.3 深度學(xué)習(xí)的原理和方法
5.3.1 基本原理
5.3.2 常用方法
5.4 RBM模型
5.4.1 模型定義
5.4.2 學(xué)習(xí)算法
5.4.3 評估算法
5.5 地質(zhì)雷達(dá)數(shù)據(jù)仿真處理
5.5.1 數(shù)據(jù)庫建立
5.5.2 基本設(shè)置
5.5.3 構(gòu)建RBM模型
5.5.4 仿真結(jié)果
第6章 基于小波變換的探測圖像處理
6.1 概述
6.2 小波變換基本性質(zhì)
6.2.1 連續(xù)小波變換(CWT)
6.2.2 離散小波變換(DWT)
6.3 多頻率分析與小波包理論
6.3.1 多頻率分析
6.3.2 WALLAT算法
6.3.3 小波包理論
6.4 小波閾值去噪方法
6.4.1 去噪原理
6.4.2 閾值函數(shù)
6.4.3 去噪步驟
6.5 基于小波包分析的雷達(dá)數(shù)據(jù)去噪
6.5.1 小波包去噪原理
6.5.2 去噪實(shí)例
第7章 基于卷積神經(jīng)網(wǎng)絡(luò)的探測圖像處理
7.1 概述
7.2 卷積神經(jīng)網(wǎng)絡(luò)基本理論
7.2.1 模型結(jié)構(gòu)
7.2.2 應(yīng)用特點(diǎn)
7.2.3 算法
7.3 典型卷積神經(jīng)網(wǎng)絡(luò)模型Lenet
7.3.1 結(jié)構(gòu)組成參數(shù)
7.3.2 卷積過程
7.4 兩種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型
7.4.1 CNN-1卷積神經(jīng)網(wǎng)絡(luò)模型
7.4.2 CNN-2卷積神經(jīng)網(wǎng)絡(luò)模型
7.5 探測數(shù)據(jù)分類實(shí)驗(yàn)
7.5.1 實(shí)驗(yàn)數(shù)據(jù)
7.5.2 實(shí)驗(yàn)平臺(tái)
7.5.3 實(shí)驗(yàn)1：分類準(zhǔn)確率對比
7.5.4 實(shí)驗(yàn)2：卷積核對分類性能的影響
7.5.5 實(shí)驗(yàn)3：全連接層神經(jīng)元個(gè)數(shù)對分類性能的影響
參考文獻(xiàn)