CN104766090A - 一种基于bemd和sofm的探地雷达数据可视化方法 - Google Patents

Abstract

本发明提供了一种基于BEMD和SOFM的探地雷达数据可视化方法，包括如下步骤：运用二维经验模态分解BEMD方法提取探地雷达数据的特征向量；利用自组织特征映射SOFM神经网络对所述特征向量进行聚类分析；对所述聚类分析结果进行优化得到探地雷达数据的直观可视化表示。本发明能够较好地挖掘数据类别信息，有较高的分类精细度和较好的可视化效果，最终输出客观有效的可视化图像。

Description

一种基于BEMD和SOFM的探地雷达数据可视化方法

技术领域

本发明属于计算机数字图像处理域，具体涉及一种基于BEMD和SOFM的探地雷达数据可视化方法。

背景技术

探地雷达是近年来迅速发展的一种高频无损的探测技术，由于其具有高分辨率、探测周期短、对探测物体不会造成损害等特点，使其在国内外的工程地质勘查方面得到广泛的应用和发展。在实际工作中，探地雷达得到的数据往往不能被进行直观的讲解，因而探地雷达的资料解释通常包括数据处理和图像解译两部分。

探地雷达回波信号是一种非平稳非线性信号，其中不仅包含地下埋藏物的目标信号，还包含有可能掩藏目标信号的直达波信号。探地雷达信号处理过程主要是通过分析雷达接收到的有效反射波的特征来推断地下介质的空间分布状态。其中关于回波信号特征的提取是最关键的问题之一。传统探地雷达资料常用的分析方法是Fourier分析，该方法认为回波信号是平稳的，忽略了回波信号的非平稳特性。并且直达波的能量很大，某些情况下甚至能够掩盖目标。

可视化分析是探测大型数据库中隐藏信息的强有力工具，可视化是把数据、信息和知识转化为图形、图像、动画等可视化形式表示的过程。探地雷达数据具有数据量大、层次复杂、噪声和杂波干扰严重的特点，传统的数据挖掘模型不能有效结合人们的领域知识，增加了用户对结果的理解吸收难度。

发明内容

本发明目的之一在于提供一种基于BEMD和SOFM的探地雷达数据可视化方法，

本发明提供的一种基于BEMD和SOFM的探地雷达数据可视化方法，包括如下步骤：

运用二维经验模态分解BEMD方法提取探地雷达数据的特征向量；

利用自组织特征映射SOFM神经网络对所述特征向量进行聚类分析；

对所述聚类分析结果进行优化得到探地雷达数据的直观可视化表示。

进一步的，所述运用二维经验模态分解BEMD方法提取探地雷达数据的特征向量的步骤，包括如下步骤：

(1)外部初始化，令待处理的图像为r₀，r₀(x,y)＝f(x,y)，f(x,y)为初始二维图像信号；

(2)内部初始化，令h_k-1(x,y)＝r_j-1(x,y),j＝1,k＝1；

(3)利用形态学算法找出h_k-1中的极大值点和极小值点，并进行曲面拟合形成二维包络图像；

(4)确定上下包络的均值 $\stackrel{\‾}{U}(x,y),$ 得到 $h_k(x,y)=h_{k-1}(x,y)-\stackrel{\‾}{U}(x,y);$

(5)判断h_k(x,y)是否满足终止条件SD，若是，则转下一步，否则令k＝k+1，转步骤(3)重新计算h_k-1中的极大值点和极小值点；

(6)令模态分量IMF_i(x,y)＝h_k(x,y)；

(7)求余量r_j＝r_j-1-IMF_j，判断r_j是否满足终止条件，是则转下一步，否则令j＝j+1，转步骤(2)，将r_j作为输入信号重新进行内部初始化；

(8)最终得到分解表达式： $f(x,y)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{IMF}}_i(x,y)+r_n(x,y);$

(9)计算各阶模态分量IMF的点能量为模态分量IMF的阶数；

(10)对应单个像素点构建节点特征向量P：

P(x,y)＝[IMF₁(x,y),IMF₂(x,y),...,IMF_n(x,y),E_i(x,y)]。

进一步的，所述利用自组织特征映射SOFM神经网络对所述特征向量进行聚类分析的步骤，包括如下步骤：

(1)权值初始化，对连接输入节点到输出节点的权值向量赋以较小的权值；

(2)随机选择输入节点特征向量P，计算与各权值向量的距离，寻找获胜节点；

(3)在领域内，对获胜节点及其周围领域内的节点更新权值向量；

(4)判断网络权值是否稳定，判断网络权值是否稳定，若是转下一步，否则转步骤(2)，再随机选择输入节点特征向量P，寻找新的获胜节点；

(5)网络权值稳定后，根据输出获胜节点完成特征向量的聚类分析，得到初始类别划分。

进一步的，所述对所述聚类分析结果进行优化得到探地雷达数据的直观可视化表示的步骤，包括如下步骤：

(1)输入权值向量个数、初始类别矩阵和阈值；

(2)计算类别百分比，得到最小百分比及百分比最小的类别；

(3)依据度量函数，得到与类别的权值向量相似度最大的权值向量，将两个权值向量对应的两个类别合并，取得新类别的权值向量；

(4)利用步骤(3)中得到的新类别来更新类别矩阵及其对应权值向量，同时更新最小类别百分比数值及其对应类别；

(5)判断最小百分比是否小于阈值，若是转步骤(3)，否则转下步；

(6)输出类别矩阵和聚类中心，得到最终优化聚类结果。

本发明的有益效果在于，本发明能够较好地挖掘数据类别信息，有较高的分类精细度和较好的可视化效果，最终输出客观有效的可视化图像。

附图说明

图1所示为本发明基于BEMD和SOFM的探地雷达数据可视化方法流程图。

图2所示为本发明利用BEMD方法提取探地雷达数据的特征向量的方法流程图。

图3所示为本发明利用SOFM神经网络对所述特征向量进行聚类分析的方法流程图。

图4所示为本发明对聚类分析结果进行优化得到探地雷达数据的直观可视化表示的方法流程图。

具体实施方式

下文将结合具体实施例详细描述本发明。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。

如图1所示，本发明提供的一种基于BEMD和SOFM的探地雷达数据可视化方法，包括如下步骤：

步骤S100：运用二维经验模态分解BEMD方法提取探地雷达数据的特征向量；

步骤S200：利用自组织特征映射SOFM神经网络对特征向量进行聚类分析；

步骤S300：对聚类分析结果进行优化得到探地雷达数据的直观可视化表示。

如图2所示，上述步骤S100：运用二维经验模态分解BEMD方法提取探地雷达数据的特征向量的方法，具体地包括如下步骤：

步骤S101：外部初始化：令待处理的图像为r₀，r₀(x,y)＝f(x,y)，f(x,y)为初始二维图像信号。

步骤S102：内部初始化，令h_k-1(x,y)＝r_j-1(x,y),j＝1,k＝1。

步骤S103：利用形态学算法找出h_k-1中的极大值点U_max(x,y)和极小值点U_min(x,y)，并进行曲面拟合形成二维包络图像。

步骤S104：确定上下包络的均值 $\stackrel{\‾}{U}(x,y),$ 得到 $h_k(x,y)=h_{k-1}(x,y)-\stackrel{\‾}{U}(x,y),$ 其中 $\stackrel{\‾}{U}(x,y)=(U_{\max }(x,y)+U_{\min }(x,y))/2.$

步骤S105：判断h_k(x,y)是否满足终止条件SD，若是，则转下一步，否则令k＝k+1，转步骤S103。

步骤S106：令模态分量IMF_i(x,y)＝h_k(x,y)。

步骤S107：求余量r_j＝r_j-1-IMF_j，判断r_j是否满足终止条件，是则转下一步，否则令j＝j+1，转步骤S102。

该终止条件为标准偏差SD小于给定门限值δ，其中标准偏差SD计算公式如下：

$\mathrm{SD}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\left|h_{k-1}{-h}_k\right|/h_{k-1}^2.$

步骤S108：最终得到分解表达式： $f(x,y)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{IMF}}_i(x,y)+r_n(x,y).$

步骤S109：计算各阶模态分量IMF的点能量为模态分量IMF的阶数。

经被BEMD分解后的各IMF分量代表了探地雷达信号的不同空间尺度信息，突出了原始信号的局部特征。由于不同地物的IMF存在局部差异并且不具有统计规律，而每阶IMF能量中包含了丰富的信息，因而可以选取各阶IMF分量的能量特征参数来识别不同物质。

步骤S110：对应单个像素点构建节点特征向量P，

P(x,y)＝[IMF₁(x,y),IMF₂(x,y),...,IMF_n(x,y),E_i(x,y)]。

自组织特征映射(Self-Organizing Feature Map,SOFM)网络是一种神经网络聚类方法，以无导师监督的方式进行网络训练，它能根据学习规则对输入模式进行竞争学习，通过反复地调整连接权重系数，最终使得这些系数反映出输入样本之间的相互关系，反映输入数据的某种分布规律，并在竞争层将分类结果表示出来。无导师学习的网络结构更加符合人脑的特点，虽然特征个数有限，但各种特征相互交叉形成的组合特征是无限的。竞争学习中，每一时刻只有一个输出单元激活，聚类中心映射到一个曲面或平面上，并且保持拓扑结构不变，并根据学习规则对输入模式自动分类，降低了权重的主观性，提高了分类的客观性和准确性，在地理学和生态学应用广泛。

自组织特征映射神经网络是一种具有侧向联想能力的两层结构网络：第一层为输入层，第二层为输出层(也称竞争层)。输入层节点的数量是输入样本的维数，每一个节点代表输入样本的一个元素，输入层和输出层的神经元节点通过权重向量w连接。

图3所示，上述步骤S200：上述利用自组织特征映射SOFM神经网络对所述特征向量进行聚类分析，具体的包括如下步骤：

步骤S201：权值初始化，对连接输入节点到输出节点的权值向量赋以较小的权值。

首先要对权值向量初始化：设IW_i表示连接输入节点到第j个输出节点的权值向量，并对其赋以较小的权值，学习速率为η(t)，初始领域半径为δ(t)。

步骤S202：随机选择输入节点特征向量P，计算与各权值向量的距离，寻找获胜节点。

计算输入特征向量P和权值向量IW_i之间的欧氏距离：得出距离最小者即为获胜节点。

步骤S203：在领域内，对获胜节点及其周围领域内的节点更新权值向量，新的权值向量表达式为：IW_it(t+1)＝IW_it(t)+η(t)(P-IW_it(t)),i＝1,2,...,n。

步骤S204：判断网络权值是否稳定，若是转下一步，否则转步骤S202。

步骤S205：网络权值稳定后，根据输出获胜节点完成特征向量的聚类分析，得到初始类别划分。

SOFM算法在聚类过程中，必须实现设置类别数目K值，即竞争层节点数，然而K值的设置需要先验知识和实验，对于未知的数据集分类是一件很困难的事，尤其是当数据集合非常大时，将会非常困难。K值较低时，分类不够精确，会掩盖部分特征；较高时，每个输入样本被划分为一类，失去分类意义。本发明提出一种基于SOFM的聚类数目优化算法，可在低分类数目下实现高精确度划分，该算法将SOFM网络的权值向量、初始类别等输出作为优化算法的输入，在满足分类阈值α的条件下计算得到最终的聚类信息。

如图4所示，上述步骤S300：对聚类分析结果进行优化得到探地雷达数据的直观可视化表示，具体地包括如下步骤：

步骤S301：输入权值向量个数、初始类别矩阵和阈值；

步骤S302：计算类别百分比，得到最小百分比及百分比最小的类别；

步骤S303：依据度量函数，得到与类别的权值向量相似度最大的权值向量，将两个权值向量对应的两个类别合并，取得新类别的权值向量；

步骤S304：利用步骤S303中得到的新类别来更新类别矩阵及其对应权值向量，同时更新最小类别百分比数值及其对应类别；

步骤S305：判断最小百分比是否小于阈值，若是转步骤S303，否则转下步；

步骤S306：输出类别矩阵和聚类中心，得到最终优化聚类结果。

本发明能够较好地挖掘数据类别信息，有较高的分类精细度和较好的可视化效果，最终输出客观有效的可视化图像。

本文虽然已经给出了本发明的一些实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。

Claims (4)

1.一种基于BEMD和SOFM的探地雷达数据可视化方法，其特征在于，包括如下步骤：

运用二维经验模态分解BEMD方法提取探地雷达数据的特征向量；

利用自组织特征映射SOFM神经网络对所述特征向量进行聚类分析；

对所述聚类分析结果进行优化得到探地雷达数据的直观可视化表示。

2.如权利要求1所述的一种基于BEMD和SOFM的探地雷达数据可视化方法，其特征在于，所述运用二维经验模态分解BEMD方法提取探地雷达数据的特征向量的步骤，包括如下步骤：

(1)外部初始化，令待处理的图像为r₀，r₀(x,y)＝f(x,y)，f(x,y)为初始二维图像信号；

(2)内部初始化，令h_k-1(x,y)＝r_j-1(x,y),j＝1,k＝1；

(3)利用形态学算法找出h_k-1中的极大值点和极小值点，并进行曲面拟合形成二维包络图像；

(4)确定上下包络的均值得到 $h_k(x,y)=h_{k-1}(x,y)-\stackrel{\‾}{U}(x,y);$

(5)判断h_k(x,y)是否满足终止条件SD，若是，则转下一步，否则令k＝k+1，转步骤(3)重新计算h_k-1中的极大值点和极小值点；

(6)令模态分量IMF_i(x,y)＝h_k(x,y)；

(7)求余量r_j＝r_j-1-IMF_j，判断r_j是否满足终止条件，是则转下一步，否则令j＝j+1，转步骤(2)，将r_j作为输入信号重新进行内部初始化；

(8)最终得到分解表达式： $f(x,y)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{IMF}}_i(x,y)+r_n(x,y);$

(9)计算各阶模态分量IMF的点能量n为模态分量IMF的阶数；

(10)对应单个像素点构建节点特征向量P：

P(x,y)＝[IMF₁(x,y),IMF₂(x,y),...,IMF_n(x,y),E_i(x,y)]。

3.如权利要求1所述的一种基于BEMD和SOFM的探地雷达数据可视化方法，其特征在于，所述利用自组织特征映射SOFM神经网络对所述特征向量进行聚类分析的步骤，包括如下步骤：

(1)权值初始化，对连接输入节点到输出节点的权值向量赋以较小的权值；

(2)随机选择输入节点特征向量P，计算与各权值向量的距离，寻找获胜节点；

(3)在领域内，对获胜节点及其周围领域内的节点更新权值向量；

(4)判断网络权值是否稳定，若是转下一步，否则转步骤(2)，再随机选择输入节点特征向量P，寻找新的获胜节点；

(5)网络权值稳定后，根据输出获胜节点完成特征向量的聚类分析，得到初始类别划分。

4.如权利要求1所述的一种基于BEMD和SOFM的探地雷达数据可视化方法，其特征在于，所述对所述聚类分析结果进行优化得到探地雷达数据的直观可视化表示的步骤，包括如下步骤：

(1)输入权值向量个数、初始类别矩阵和阈值；

(2)计算类别百分比，得到最小百分比及百分比最小的类别；

(3)依据度量函数，得到与百分比最小的类别的权值向量相似度最大的权值向量，将两个权值向量对应的两个类别合并，取得新类别的权值向量；

(4)利用步骤(3)中得到的新类别来更新类别矩阵及其对应权值向量，同时更新最小类别百分比数值及其对应类别；

(5)判断最小百分比是否小于阈值，若是转步骤(3)，否则转下步；

(6)输出类别矩阵和聚类中心，得到最终优化聚类结果。