CN105137498A - 一种基于特征融合的地下目标探测识别系统及方法 - Google Patents

Abstract

本发明涉及一种基于特征融合的地下目标探测识别系统及方法。所述方法包括检测与采集探地雷达的回波信号；对采集的回波信号进行预处理；对经预处理的回波信号进行增强处理；提取经增强处理的回波信号的时域特征和小波包能谱特征，并对经增强处理的回波信号进行Welch功率谱估计及高阶谱分析，分别得到Welch功率谱和高阶谱；对回波信号的时域特征、小波包能谱特征、Welch功率谱和高阶谱进行融合；对融合的四类信号特征通过小波神经网络进行目标识别；输出目标识别后的结果。本发明基于多特征信息融合进行地下目标的综合探测识别，可有效地实现对不同形状和材质的地下目标体进行识别，识别准确度高。

Description

一种基于特征融合的地下目标探测识别系统及方法

技术领域

本发明涉及地球探测与现代信息处理技术领域，尤其涉及一种基于特征融合的地下目标探测识别系统及方法。

背景技术

探地雷达(GroundPenetratingRadar，GPR)是20世纪80年代新兴起的一种利用电磁波反射原理，来探测地下目标物以及地质结构与分布的浅地层无损探测技术。它根据电磁波在介质中传播时，其传播路径、强度、波形随介质的电磁性质和几何结构而发生变化的性质，推断介质的结构和目标的位置、形状等。作为一种新兴的地球物理探测手段，具有探测效率高、探测精度高、宽频带、抗干扰、无损伤探测、结果直观等诸多优点，已经成为浅层地下探测的有效手段，应用范围已遍及经济建设和国防建设各个领域。

相对于探空雷达，目前GPR技术主要受以下几个因素的制约：

(1)地下介质的非均匀性。由于地下物质成分的多样和复杂，其作为电磁场的传播介质是极不均匀的。介质的这种不均匀性导致电磁波传播性能差异很大。实际工作中常常无法定量地对探测环境进行标定，因而GPR性能的预测通常是经验性的，远非精确的。

(2)介质损耗及色散性。电磁波在有耗介质中传播将遇到较大衰减。对于同一介质，频率越高，则衰减越大，穿透深度相应降低；对不同介质，在同一频率下，其穿透深度也有很大差别。此外，电磁波在介质中传播，各个频率分量的电磁波以不同的相速度传播，经过一段距离后，它们相互之间的相位关系发生改变，从而导致信号失真，即具有色散性。电磁波传播过程中的介质损耗及色散性对GPR探测精度具有很大影响。

(3)地层电磁特性的随机性。由于组成大地物质的物理成分、密度、湿度等因素因地而异变化很大，从而导致表征大地电磁特性的几个参数(介电常数，导磁率，导电率)也随之变化。地下介质电磁特性的变化直接影响地下电磁波的传播速度、振幅衰减，严重限制着GPR系统最大探测深度和目标定位精度。

(4)强杂波背景。地下埋藏的目标包括各种各样的人为以及天然的杂质，地面上的外部环境、设施的杂乱回波，都将对GPR探测回波产生复杂的干扰，形成噪声，从而影响GPR成像质量。

(5)界面反射。从空间到地下的探测，由于地面的存在而导致很强的地跳干扰及天线特性的加载失配。

以上几个方面的因素造成GPR系统数据处理与分析实现上的困难。尤其是使地下目标特征不变量的确定及目标的检测和识别非常困难。如何从的海量数据中，选择和提取目标区数据，并对提取的目标数据进行准确判别，是GPR数据处理与应用中面临的一个难点问题。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种基于时域特征、功率谱、小波包能谱及高阶谱多参数特征融合，进行地下目标探测识别系统及方法。

本发明解决上述技术问题的技术方案如下：

一种基于特征融合的地下目标探测识别系统，包括：探地雷达回波检测模块，用于检测与采集探地雷达的回波信号；预处理模块，用于对采集的回波信号进行预处理；信号增强模块，用于采用小波域多尺度分析方法对经预处理的回波信号进行增强处理；多特征提取模块，用于提取经增强处理的回波信号的时域特征和小波包能谱特征，并对增强经处理的回波信号进行Welch功率谱估计及高阶谱分析，分别得到Welch功率谱和高阶谱；特征融合模块，用于对回波信号的时域特征、小波包能谱特征、Welch功率谱和高阶谱进行融合；目标识别模块，用于对融合的四类信号特征通过小波神经网络进行目标识别；结果输出模块，用于输出目标识别后的结果。

本发明的有益效果是：本发明基于时域特征、小波包能谱特征、Welch功率谱及高阶谱的多特征信息融合，基于融合特征进行地下目标的综合探测识别，与单一参数特征识别方法相比，该方法可有效地实现对不同形状和材质的地下目标体(如地下的管状体、球状体、以及金属、塑料、水泥等材料构成的地质体)进行识别，识别准确度高。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述预处理模块包括抑制单元和滤除单元；所述抑制单元，用于采用均值法抑制回波信号中的地杂波和直流信号；所述滤除单元，用于采用维纳滤波器去除宽带杂波和周期杂波。

采用上述进一步方案的有益效果是：探地雷达回波信号由收发天线间直接耦合波、地面反射波、地下介质不连续产生的后向散射波、随机干扰等构成。直接耦合波和地面反射波组成的直达波直接影响回波目标信号。因此，为了能够从目标信号中提取出有用信号,必须对采集的回波信号进行一系列的预处理。包括滤波、延时校正等。

进一步，所述多特征提取模块包括时域特征提取单元、小波包能谱特征提取单元、Welch功率谱估计单元和高阶谱估计单元；

所述时域特征提取单元，用于将回波信号进行平均分段，分别计算每一段的时域特征，所述时域特征包括有效值、平均值、方差、偏度值和峰度值；

所述小波包能谱特征提取单元，用于将回波信号进行小波包分解，在求解不同尺度上的信号小波包谱的基础上，构造关于分解尺度的小波包能谱函数，形成小波包能谱特征向量，建立样本特征模型，进而分析目标特征信息；

所述Welch功率谱估计单元，用于将回波信号进行分段，各段数据存在部分重叠，对每一段数据通过预定窗函数进行平滑处理，进而对各段谱求平均；

所述高阶谱估计单元，用于将回波信号进行分段，对每段数据进行去均值操作，计算每段数据的三阶累积量，将各段的三阶累积量进行统计平均，得到各段的总累积量，利用各段的总累积量进行三阶谱估计。

进一步，所述小波包能谱特征提取单元还对小波包能谱特征向量进行归一化处理。

采用上述进一步方案的有益效果是：为突出样本模型的信号结构特征以及进行数据分析的方便，对小波包能谱特征向量进行归一化处理，以消除相同目标埋深不同引起的能量差异。

进一步，所述目标识别模块采用小波神经网络分类器，运用小波神经网络对输入的融合特征反复训练，通过输出误差的反馈，自动调整分类器参数，进而进行识别输出分类结果。

采用上述进一步方案的有益效果是：小波神经网络是由大量非线性处理单元广泛互连而成的网络，具有大规模并行处理、分布式信息存储、非线性动力学和网络全局作用等特性。小波神经网络分类器的样本参数隐含于网络的连接权中。它无需被事先知道，在反复训练中通过网络输出误差的反馈、自动调整以达到期望目标。

一种基于特征融合的地下目标探测识别方法，包括如下步骤：

S1，检测与采集探地雷达的回波信号；

S2，对采集的回波信号进行预处理；

S3，采用小波域多尺度分析方法对经预处理的回波信号进行增强处理；

S4，提取经增强处理的回波信号的时域特征和小波包能谱特征，并对增强经处理的回波信号进行Welch功率谱估计及高阶谱分析，分别得到Welch功率谱和高阶谱；

S5，对回波信号的时域特征、小波包能谱特征、Welch功率谱和高阶谱进行融合；

S6，对融合的四类信号特征通过小波神经网络进行目标识别；

S7，输出目标识别后的结果。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，步骤S2的具体实现为：采用均值法抑制回波信号中的地杂波和直流信号；采用维纳滤波器去除宽带杂波和周期杂波。

进一步，所述步骤S4中，

计算时域特征参数的实现为：将回波信号进行平均分段，分别计算每一段的时域特征，所述时域特征包括有效值、平均值、方差、偏度值和峰度值；

计算小波包能谱特征的实现为：将回波信号进行小波包分解，在求解不同尺度上的信号小波包谱的基础上，构造关于分解尺度的小波包能谱函数，形成小波包能谱特征向量，建立样本特征模型，进而分析目标特征信息；

计算Welch功率谱的实现为：将回波信号进行分段，各段数据存在部分重叠，对每一段数据通过预定窗函数进行平滑处理，进而对各段谱求平均；

计算高阶谱的实现为：将回波信号进行分段，对每段数据进行去均值操作，计算每段数据的三阶累积量，将各段的三阶累积量进行统计平均，得到各段的总累积量，利用各段的总累积量进行三阶谱估计。

进一步，计算小波包能谱特征时还包括对小波包能谱特征向量进行归一化处理。

进一步，步骤S6中运用小波神经网络，采用小波神经网络分类器对输入的四类特征反复训练，通过输出误差的反馈，自动调整分类器参数，进而进行识别输出分类结果。

附图说明

图1为本发明所述基于特征融合的地下目标探测识别系统原理图；

图2为本发明所述多特征提取模块原理示意图

图3为本发明所述基于特征融合的地下目标探测识别方法流程图；

图4为小波神经网络分类器的原理图。

附图中，各标号所代表的部件列表如下：

1、探地雷达回波检测模块，2、预处理模块，3、信号增强模块，4、多特征提取模块，5、特征融合模块，6、目标识别模块，7、结果输出模块，41、时域特征提取单元，42、小波包能谱特征提取单元，43、Welch功率谱估计单元，44、高阶谱估计单元。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

由于实际中地下目标体在形状和材质上都有所不同，在此选取时域参数特征、小波包能谱特征、Welch功率谱特征及高阶谱进行多参数复合特征融合，通过小波神经网络分类器实现目标识别。

如图1所示，一种基于特征融合的地下目标探测识别系统，包括探地雷达回波检测模块1，用于检测与采集探地雷达的回波信号；预处理模块2，用于对采集的回波信号进行预处理；信号增强模块3，用于采用小波域多尺度分析方法对经预处理的回波信号进行增强处理；多特征提取模块4，用于提取经增强处理的回波信号的时域特征和小波包能谱特征，并对增强经处理的回波信号进行Welch功率谱估计及高阶谱分析，分别得到Welch功率谱和高阶谱；特征融合模块5，用于对回波信号的时域特征、小波包能谱特征、Welch功率谱和高阶谱进行融合；目标识别模块6，用于对融合的四类信号特征通过小波神经网络进行目标识别；结果输出模块7，用于输出目标识别后的结果。

所述预处理模块2包括抑制单元21和滤除单元22；所述抑制单元21，用于采用均值法抑制回波信号中的地杂波和直流信号；所述滤除单元22，用于采用维纳滤波器去除宽带杂波和周期杂波。

如图2所示，所述多特征提取模块4包括时域特征提取单元41、小波包能谱特征提取单元42、Welch功率谱估计单元43和高阶谱估计单元44；所述时域特征提取单元41，用于将回波信号进行平均分段，分别计算每一段的时域特征，所述时域特征包括有效值、平均值、方差、偏度值和峰度值；所述小波包能谱特征提取单元42，用于将回波信号进行小波包分解，在求解不同尺度上的信号小波包谱的基础上，构造关于分解尺度的小波包能谱函数，形成小波包能谱特征向量，建立样本特征模型，进而分析目标特征信息；所述Welch功率谱估计单元43，用于将回波信号进行分段，各段数据存在部分重叠，对每一段数据通过预定窗函数(可选用矩形窗函数、Blackman窗函数或hanming窗函数)进行平滑处理，进而对各段谱求平均；所述高阶谱估计单元44，用于将回波信号进行分段，对每段数据进行去均值操作，计算每段数据的三阶累积量，将各段的三阶累积量进行统计平均，得到各段的总累积量，利用各段的总累积量进行三阶谱估计。所述小波包能谱特征提取单元还对小波包能谱特征向量进行归一化处理。

所述目标识别模块6采用小波神经网络分类器，运用小波神经网络对输入的融合特征反复训练，通过输出误差的反馈，自动调整分类器参数，进而进行识别输出分类结果。

如图3所示，一种基于特征融合的地下目标探测识别方法，包括如下步骤；

S1，检测与采集探地雷达的回波信号；

S2，对采集的回波信号进行预处理；

S3，采用小波域多尺度分析方法对经预处理的回波信号进行增强处理；

S4，提取经增强处理的回波信号的时域特征和小波包能谱特征，并对增强经处理的回波信号进行Welch功率谱估计及高阶谱分析，分别得到Welch功率谱和高阶谱；

S5，对回波信号的时域特征、小波包能谱特征、Welch功率谱和高阶谱进行融合；

S6，对融合的四类信号特征通过小波神经网络进行目标识别；

S7，输出目标识别后的结果。

步骤S2的具体实现为：采用均值法抑制回波信号中的地杂波和直流信号；采用维纳滤波器去除宽带杂波和周期杂波。

所述步骤S4中，包括提取时域特征和小波包能谱特征，估计Welch功率谱估计和高阶谱。

探地雷达回波信号时域特征提取：

时域特征指标分为有量纲特征参数和无量纲特征参数。有量纲特征值主要反映信号的强度，无量纲特征值主要反映信号波形特点。时域特征参数提取比较容易，经过预处理的信号的幅度、形状及位置反映了被探测目标的某些性质。本文选取有效值、平均值、方差、偏度值和峰度值进行计算。将一段含有n个数据的A-scan信号x(n)平均分成m段，计算每一段的时域特征值。

有效值：

$X_{rms}={\left(\frac{1}{N}\underset{i=0}{\overset{N-1}{\Σ}}{x}_i^2\right)}^{\frac{1}{2}}---\left(1\right)$

平均值：

$\stackrel{\‾}{X}=\frac{1}{N}\underset{i=0}{\overset{N-1}{\Σ}}{x}_i---\left(2\right)$

方差：

$\mathrm{\σ}=\frac{1}{N}\underset{i=0}{\overset{N-1}{\Σ}}{(x_i-\stackrel{\‾}{X})}^2---\left(3\right)$

偏度值：

${\mathrm{\λ}}_1=\frac{1}{N}\underset{i=0}{\overset{N-1}{\Σ}}{(x_i-\stackrel{\‾}{X})}^3---\left(4\right)$

峰度值：

${\mathrm{\λ}}_2=\frac{1}{N}\underset{i=0}{\overset{N-1}{\Σ}}{(x_i-\stackrel{\‾}{X})}^4---\left(5\right)$

其中，i为自然数，N代表采样的点数，x_i代表第i个采样点的信号值。

探地雷达回波信号的Welch功率谱估计

由于探地雷达回波信号是非平稳、非周期的，尤其是对于超宽带瞬态电磁散射信号，传统的傅立叶变换的谱估计方法都将不能使用。研究表明，在谱估计方法中，部分扫描的Welch平均重叠周期谱估计方法对区分目标和对目标进行定位比较有效。本文选取Welch功率谱作为地下目标复合特征之一进行计算。

Welch谱估计法其基本原理是对数据先分成K段，分段时每一段可有部分重叠，然后对每一段数据用一个合适的窗函数进行平滑处理，最后对各段谱求平均。各种常用的窗函数对于估计结果的影响各有不同。矩形窗的主瓣较窄，分辨率较好，但方差较大，噪声水平较高；而Blackman窗和Hamming窗的主瓣较宽，分辨率较低，但方差较小，噪声水平较低。可以根据具体的信号情况和应用场合，决定选用哪种窗函数。

Welch谱估计计算方法：对采样数据先分成L段，分段时每一段可有部分重叠，然后对每一段数据用一个合适的窗函数进行平滑处理，最后对各段谱求平均。根据概率统计理论，若将原长度为N的数据分成无重叠的L段，每段长度取M＝N/L，则估计的方差将只有原来不分段的1/L，达到一致估计的目的。在数据总量不变的情况下，若L增加、M减小，则分辨率下降。相反，若L减小、M增加，虽偏差减小，但估计方差增大。所以在实际中必须兼顾分辨率与方差的要求适当选取L与M的值。在分段时为了减少因分段数增加给分辨率带来的影响，采取各段数据有一定重叠的方法。

探地雷达回波信号的Welch功率谱估计的计算过程如下：设A-scan信号s_N(n)长度为512，将其分成L＝7段，每段长度为N＝128，重叠50％。并对每个子集加上一个Hanming窗(n＝128)。

先计算每一段的Welch功率谱

${\hat{P}}^i\left(\mathrm{\ω}\right)=\frac{1}{MU}{\left|\underset{n=0}{\overset{M-1}{\Σ}}{s}_N^i\left(n\right)\·w\left(n\right)e^{-j\mathrm{\ω}n}\right|}^2---\left(6\right)$

其中

$U=\frac{1}{M}\underset{n=0}{\overset{M-1}{\Σ}}{w}^2\left(n\right)---\left(7\right)$

是归一化因子，以保证得到的谱是渐进无偏估计；w(n)为窗函数。对L分段周期图进行平均，得到整个信号s_N(n)的功率谱估计：

$\tilde{P}\left(\mathrm{\ω}\right)=\frac{1}{L}\underset{i=1}{\overset{L}{\Σ}}{P}^i\left(\mathrm{\ω}\right)=\frac{1}{MUL}\underset{i=1}{\overset{L}{\Σ}}{|\underset{n=0}{\overset{M-1}{\Σ}}{s}_N^i\left(n\right)\·w\left(n\right)e^{-j\mathrm{\ω}n}|}^2---\left(8\right)$

探地雷达回波信号的小波包能谱特征提取:

探地雷达回波信号具有非平稳特点，传统的基于平稳信号的分析方法无法实现科学处理与分析，具有时频局部化功能的小波变换则是适用于非平稳信号处理的理想工具。小波包分析可以保留目标回波信号在各尺度上的时域特征的同时，也提供不同频段上的信号特征信息，反映着目标特征的细微变化，从而提高了信号的时频分辨率。研究表明，探地雷达目标反射回波信号由各个不同的频率成分组成，信号各频率成分在小波各尺度空间上的特征存在差异，也就是说各尺度空间上的信号小波谱结构特征呈现明显的差异。因此，可以用不同分布的小波谱特征研究GPR信号在多尺度空间的细节特征和识别问题。其思路是：在求解不同尺度上的信号小波谱的基础上，构造关于分解尺度的小波包能谱函数，根据各种目标体的不同形成相应的谱特征向量，建立特征样本模型，进而分析目标体信号。在此，将抽取的探地雷达目标信号，进行小波包分解以提取目标特征信息。

对GPR信号x(n)进行小波包分解，得到信号在不同频带内的能量分布特性。设第j层分解尺度下k时刻的小波包系数为C_j(k)，第j层信号的小波能量定义为：

$E_j=\underset{k=1}{\overset{N}{\Σ}}|C_j\left(k\right){|}^2,j=1,2,...,J---\left(9\right)$

其中，N代表采样的点数。C_j(k)代表小波包系数。

当信号能量较大时，小波能量E_j的数值比较大，为突出样本模型的信号结构特征以及进行数据分析的方便，可对小波包能谱特征向量处理结果进行归一化处理，以消除相同目标埋深不同引起的能量差异。第j层信号的归一化能量为：

$E_j^{\′}=\frac{E_j}{\underset{j=1}{\overset{J}{\Σ}}{E}_j}---\left(10\right)$

则信号x(n)在各样点归一化后的小波包能谱特征向量为：

E＝[E′₁,E′₂,…,E′_J](11)。

探地雷达回波信号高阶谱估计

进一步研究表明，当能量分布比较接近时，采用小波包能量谱方法对于信号的区分也无法达到较高的识别率。为此，本文通过对信号高阶统计特性的分析，提取出高阶谱特征向量进行识别。高阶统计量(higherorderstatistics)通常是指高阶矩(higher-ordermoment)、高阶累积量(higher-ordercumulant)以及它们的谱——高阶矩谱和高阶累积量谱，统称为高阶谱(higherorderspectrum)。与高阶矩相比，高阶累积量可以有效抑制高斯背景噪声，分辨率高，并能够获得信号相位、能量和非线性等有用信息，能有效地区分多种干扰下复杂环境下的目标。因此，在实际应用中通常使用高阶累积量作为时间序列分析的工具。本文所使用的高阶谱均指高阶累积量谱。

对均值为零的平稳随机过程{x(n)}，其k阶累积量表达式为

c_kx(τ₁,τ₂,…,τ_k-1)＝cum{x(n),x(n+τ₁),…,x(n+τ_k-1)}，k≥3(12)

其2至4阶累积量表达式为

c_2x(τ)＝cum{x(n),x(n+τ)}＝E{x(n)x(n+τ)}＝R_x(τ)(13)

c_3x(τ₁,τ₂)＝cum{x(n),x(n+τ₁),x(n+τ₂)}

＝E{x(n)x(n+τ₁)x(n+τ₂)}(14)

c_4x(τ₁,τ₂,τ₃)＝cum{x(n),x(n+τ₁),x(n+τ₂),x(n+τ₃)}

＝E{x(n)x(n+τ₁)x(n+τ₂)x(n+τ₃)}

-R_x(τ₁)R_x(τ₃-τ₂)-R_x(τ₂)R_x(τ₃-τ₁)

-R_x(τ₃)R_x(τ₂-τ₁)(15)

其中R_x(τ)表示信号x(n)的自相关函数。

根据维纳-辛钦定理，任一平稳随机过程{x(n)}的自相关函数和功率谱密度都是一对傅里叶变换，因此高阶累积量和高阶累积量谱是一对傅里叶变换关系。

设高阶累积量c_kx(τ₁,τ₂,…,τ_k-1)绝对可和，即

$\underset{{\mathrm{\&tau;}}_1=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}\mathrm{...}\underset{{\mathrm{\&tau;}}_{k-1}=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}\left|c_{kx}({\mathrm{\&tau;}}_{1,}{\mathrm{\&tau;}}_{2,}...,{\mathrm{\&tau;}}_{k-1})\right|<\mathrm{\&infin;}---\left(16\right)$

则{x(n)}的k阶累积量谱C_kx(ω₁,ω₂,…,ω_k-1)存在并连续，且定义为k阶累积量的(k-1)维Fourier变换，即

$C_{kx}({\mathrm{\&omega;}}_1,{\mathrm{\&omega;}}_2,...,{\mathrm{\&omega;}}_{k-1})=\underset{{\mathrm{\&tau;}}_1=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}\mathrm{...}\underset{{\mathrm{\&tau;}}_{k-1}=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}{c}_{kx}\left({\mathrm{\&tau;}}_1,{\mathrm{\&tau;}}_2,\mathrm{...},{\mathrm{\&tau;}}_{k-1}\right)\exp \&lsqb;-j\underset{i=1}{\overset{k-1}{\&Sigma;}}{\mathrm{\&omega;}}_i{\mathrm{\&tau;}}_i\&rsqb;---\left(17\right)$

其中|ω_i|≤π,i＝1,…,k-1。

当k＝3时，为三阶谱，也称之为双谱(Bispectrum)，对应三阶累积量的傅里叶变换：

$C_{3x}({\mathrm{\&omega;}}_1,{\mathrm{\&omega;}}_2)=\underset{{\mathrm{\&tau;}}_1=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}\underset{{\mathrm{\&tau;}}_2=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}{c}_{3x}({\mathrm{\&tau;}}_1,{\mathrm{\&tau;}}_2)\exp \&lsqb;-j({\mathrm{\&omega;}}_1{\mathrm{\&tau;}}_1+{\mathrm{\&omega;}}_2{\mathrm{\&tau;}}_2)\&rsqb;---\left(18\right)$

k＝4时，为四阶谱，对应四阶累积量的傅里叶变换：

$C_{4x}({\mathrm{\&omega;}}_1,{\mathrm{\&omega;}}_2,{\mathrm{\&omega;}}_3)=\underset{{\mathrm{\&tau;}}_1=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}\underset{{\mathrm{\&tau;}}_2=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}\underset{{\mathrm{\&tau;}}_3=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}{c}_{4x}({\mathrm{\&tau;}}_1,{\mathrm{\&tau;}}_2,{\mathrm{\&tau;}}_3)\exp \&lsqb;-j({\mathrm{\&omega;}}_1{\mathrm{\&tau;}}_1+{\mathrm{\&omega;}}_2{\mathrm{\&tau;}}_2+{\mathrm{\&omega;}}_3{\mathrm{\&tau;}}_3)\&rsqb;---\left(19\right)$

高阶谱具有如下性质：

(1)高阶谱一般为多维复函数，即它们具有幅度和相位。高阶谱包含相位信息，而功率谱不含相位信息。

(2)高阶谱是以2π为周期的周期函数。

(3)高阶谱具有对称性。

高阶谱中三阶谱的阶数最低，计算较为简单，但包含了高阶谱的所有特征，因此，本文中采用了基于三阶谱也称双谱的特征提取方法。与功率谱估计相类似，高阶谱的估计分为两类：一类为参数化估计方法，另一类为非参数化估计方法，包括直接法与间接法。以双普估计为例，直接法先估计其傅里叶序列，然后对该序列作三重相关运算，即可得到双谱估计；间接法先估计三阶累积量，再取累积量序列的傅里叶变换得到双谱。本文中双谱估计采用间接法，其步骤为：

(1)将长度为N的实验数据{x(n)}分成K段，每段有M个数据，即N＝K*M，进行去均值操作。

(2)设{x_i(n)}(n＝1,2,…,M,i＝1,2,…,K)第i段数据，则它的三阶累积量估计式为：

${\hat{c}}_{3x,i}(l,m)=\frac{1}{M}\underset{n=-k_1}{\overset{k_2}{\&Sigma;}}{x}_i\left(n\right)x_i(n+l)x_i(n+m)---\left(20\right)$

其中i＝1,2,…,K，k₁＝max(0,-l,-m)，k₂＝min(M-1,M-1-l,M-1-m)

(3)对进行统计平均，得到K组数据的累积量估计，即：

${\hat{c}}_{3x}(l,m)=\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}{\hat{c}}_{3x,i}(l,m)---\left(21\right)$

(4)进行双谱估计：

${\hat{C}}_{3x}({\mathrm{\&omega;}}_1,{\mathrm{\&omega;}}_2)=\underset{l=-L}{\overset{L}{\&Sigma;}}\underset{m=L}{\overset{L}{\&Sigma;}}{\hat{c}}_{3x}(l,m)w(l,m)\exp (-j({\mathrm{\&omega;}}_1{\mathrm{\&tau;}}_1+{\mathrm{\&omega;}}_2{\mathrm{\&tau;}}_2\left)\right)---\left(22\right)$

其中L＜M-1，w(l,m)为二维窗函数，常用的有最优窗、Parzen窗和谱域均匀窗。与功率谱的估计类似，使用窗函数是为了获得趋于光滑的估计效果。

步骤S5中包括探地雷达信号多特征信息融合。

研究表明，时域特征参数，能在一定程度上反映着信号的形状及位置信息；功率谱估计对区分目标和对目标进行定位比较有效，小波能谱分布与目标大小、形状和类型密切相关，反映着目标特征的细小变化。高阶谱在抑制高斯噪声，提高分辨率，描述信号相位、能量和非线性等细节方面具有优势。因此，本文将四者的综合起来，基于多特征信息融合的思想，提出了一种探地雷达回波信号多参数特征提取与目标综合识别方法。该方法选取时域参数特征、功率谱、小波能谱及高阶谱分析进行多参数特征融合，然后再运用小波神经网络分类器进行分类。

实验结果表明，与单一参数特征识别方法相比，该方法可有效地实现对管状体、球状体、以及金属、塑料、水泥等材料构成的地质体的识别。

步骤S6中基于小波神经网络的多目标识别方法。

传统的分类器算法事先从训练样本中获得参数估计，然后计算待识别样本与各类模式样本的匹配程度。由于地下环境复杂，目标体形状各异，难以得到完备的样本集，这使得地下目标识别在实际应用中难以达到预期的性能。小波神经网络(waveletneuralnetwork,WNN)是由大量非线性处理单元广泛互连而成的网络，具有大规模并行处理、分布式信息存储、非线性动力学和网络全局作用等特性。小波神经网络分类器的样本参数隐含于网络的连接权中。它无需被事先知道，在反复训练中通过网络输出误差的反馈、自动调整以达到期望目标。因此，在本文中用小波神经网络设计分类器，其网络结构如图4。

输入层、隐层、输出层的结点数分别为T、K、N。隐层的权值取为小波基函数，输出层传递函数是S函数，即Sigmoid函数(S形生长曲线)：

$\mathrm{\&sigma;}\left(u\right)=\frac{1}{1+e^{-u}}---\left(23\right)$

假设输入训练样本总数为P，则对第p个样本，第n个结点的输出可以用下式表示：

$O_n^p=\mathrm{\&sigma;}\left(u_n\right)=\mathrm{\&sigma;}\left(\underset{k=1}{\overset{K}{\&Sigma;}}{\mathrm{\&omega;}}_{n,k}\underset{i=1}{\overset{T}{\&Sigma;}}{s}^p\left(i\right)h\left(\frac{i-b_k}{a_k}\right)\right)---\left(24\right).$

实施例：实测数据的对比分析

为了对比分析，进行四方面的实验：

(1)用于测试对不同形状物体的识别。采用的数据分别为针对球形体、管形体、方形体等测量获得的数据。实验的方法是首先针对测量的数据进行预处理，进行参数计算与特征提取，进行目标形状识别。

(2)用于不同材质物体的识别。采用的测量数据分别是针对金属(铁)管、塑料、水泥及土壤测量获得的数据。首先对测量数据进行预处理，获得典型道数据，以及无目标的多道土壤数据。通过Welch功率谱、高阶谱估计，并利用小波神经网络进行训练和识别。

(3)对上述实测数据分别采用WNN(小波神经网络)、BP-NN(BackPropag，BP网络)和RBF-NN(RBF神经网络，径向函数神经网络)进行目标识别，表1-3分别列出了三种方法对四大类地下目标的识别率。

(4)对上述实测数据(训练样本数、待识别样本数均相同)分别采用Welch功率谱、小波包谱和高阶谱估计等单一参数，利用小波神经网络进行识别，以验证本文提出的多特征参数识别方法的性能。表4列出了四类地下目标在单一特征参数下的识别结果。

表1:四类地下目标的BP-NN识别结果

表1

表2:四类地下目标的RBF-NN识别结果

表2

表3:四类地下目标的WNN识别结果

表3

表4:四类地下目标单一参数下的识别正确率

表4

由表1-表4实验结果可得，Welch功率谱、小波包谱和高阶谱估计对四类目标的平均识别率分别为96.17％，77.57％和83.70％。WNN比BP-NN和RBF-NN具有更好的分类识别性能。时域特征参数在一定程度上反映着信号的形状及位置信息；功率谱估计对区分目标和对目标进行定位比较有效，小波包能谱分布与目标大小、形状和类型密切相关，反映着目标特征的细小变化。高阶谱在抑制高斯噪声，提高分辨率，描述信号相位、能量和非线性等细节方面具有优势，将四者的结合能够有效提高识别率。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于特征融合的地下目标探测识别系统，其特征在于，包括：

探地雷达回波检测模块(1)，用于检测与采集探地雷达的回波信号；

预处理模块(2)，用于对采集的回波信号进行预处理；

信号增强模块(3)，用于采用小波域多尺度分析方法对经预处理的回波信号进行增强处理；

多特征提取模块(4)，用于提取经增强处理的回波信号的时域特征和小波包能谱特征，并对增强经处理的回波信号进行Welch功率谱估计及高阶谱分析，分别得到Welch功率谱和高阶谱；

特征融合模块(5)，用于对回波信号的时域特征、小波包能谱特征、Welch功率谱和高阶谱进行融合；

目标识别模块(6)，用于对融合的四类信号特征通过小波神经网络进行目标识别；

结果输出模块(7)，用于输出目标识别后的结果。

2.根据权利要求1所述基于特征融合的地下目标探测识别系统，其特征在于，所述预处理模块(2)包括抑制单元(21)和滤除单元(22)；

所述抑制单元(21)，用于采用均值法抑制回波信号中的地杂波和直流信号；

所述滤除单元(22)，用于采用维纳滤波器去除宽带杂波和周期杂波。

3.根据权利要求1所述基于特征融合的地下目标探测识别系统，其特征在于，所述多特征提取模块(4)包括时域特征提取单元(41)、小波包能谱特征提取单元(42)、Welch功率谱估计单元(43)和高阶谱估计单元(44)；

所述时域特征提取单元(41)，用于将回波信号进行平均分段，分别计算每一段的时域特征，所述时域特征包括有效值、平均值、方差、偏度值和峰度值；

所述小波包能谱特征提取单元(42)，用于将回波信号进行小波包分解，在求解不同尺度上的信号小波包谱的基础上，构造关于分解尺度的小波包能谱函数，形成小波包能谱特征向量，建立样本特征模型，进而分析目标特征信息；

所述Welch功率谱估计单元(43)，用于将回波信号进行分段，各段数据存在部分重叠，对每一段数据通过预定窗函数进行平滑处理，进而对各段谱求平均；

所述高阶谱估计单元(44)，用于将回波信号进行分段，对每段数据进行去均值操作，计算每段数据的三阶累积量，将各段的三阶累积量进行统计平均，得到各段的总累积量，利用各段的总累积量进行三阶谱估计。

4.根据权利要求3所述基于特征融合的地下目标探测识别系统，其特征在于，所述小波包能谱特征提取单元(42)还对小波包能谱特征向量进行归一化处理。

5.根据权利要求1所述基于特征融合的地下目标探测识别系统，其特征在于，所述目标识别模块(6)采用小波神经网络分类器，运用小波神经网络对输入的融合特征反复训练，通过输出误差的反馈，自动调整分类器参数，进而进行识别输出分类结果。

6.一种基于特征融合的地下目标探测识别方法，其特征在于，包括如下步骤：

S1，检测与采集探地雷达的回波信号；

S2，采用小波域多尺度分析方法对采集的回波信号进行预处理；

S3，对经预处理的回波信号进行增强处理；

S4，提取经增强处理的回波信号的时域特征和小波包能谱特征，并对增强经处理的回波信号进行Welch功率谱估计及高阶谱分析，分别得到Welch功率谱和高阶谱；

S5，对回波信号的时域特征、小波包能谱特征、Welch功率谱和高阶谱进行融合；

S6，对融合的四类信号特征通过小波神经网络进行目标识别；

S7，输出目标识别后的结果。

7.根据权利要求6所述基于特征融合的地下目标探测识别方法，步骤S2的具体实现为：采用均值法抑制回波信号中的地杂波和直流信号；采用维纳滤波器去除宽带杂波和周期杂波。

8.根据权利要求6所述基于特征融合的地下目标探测识别方法，其特征在于，所述步骤S4中，

计算时域特征参数的实现为：将回波信号进行平均分段，分别计算每一段的时域特征，所述时域特征包括有效值、平均值、方差、偏度值和峰度值；

计算小波包能谱特征的实现为：将回波信号进行小波包分解，在求解不同尺度上的信号小波包谱的基础上，构造关于分解尺度的小波包能谱函数，形成小波包能谱特征向量，建立样本特征模型，进而分析目标特征信息；

计算Welch功率谱的实现为：将回波信号进行分段，各段数据存在部分重叠，对每一段数据通过预定窗函数进行平滑处理，进而对各段谱求平均；

计算高阶谱的实现为：将回波信号进行分段，对每段数据进行去均值操作，计算每段数据的三阶累积量，将各段的三阶累积量进行统计平均，得到各段的总累积量，利用各段的总累积量进行三阶谱估计。

9.根据权利要求8所述基于特征融合的地下目标探测识别方法，其特征在于，计算小波包能谱特征时还包括对小波包能谱特征向量进行归一化处理。

10.根据权利要求6所述基于特征融合的地下目标探测识别方法，其特征在于，步骤S6中运用小波神经网络，采用小波神经网络分类器对输入的四类特征反复训练，通过输出误差的反馈，自动调整分类器参数，进而进行识别输出分类结果。