CN105590093A - 基于稀疏表示的地下隐藏裂缝填充物识别方法 - Google Patents
基于稀疏表示的地下隐藏裂缝填充物识别方法 Download PDFInfo
- Publication number
- CN105590093A CN105590093A CN201510918150.5A CN201510918150A CN105590093A CN 105590093 A CN105590093 A CN 105590093A CN 201510918150 A CN201510918150 A CN 201510918150A CN 105590093 A CN105590093 A CN 105590093A
- Authority
- CN
- China
- Prior art keywords
- signal
- actual measurement
- echo
- analog
- wavelet decomposition
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Abstract
本发明公开一种基于稀疏表示的地下隐藏裂缝填充物识别方法,结合经验模态分解和小波分解提取特征的优点,先通过对不同地下裂缝填充物的回波信号进行经验模态分解,得到最优经验模态分量。再将原回波信号进行小波分解,得到最优小波分解系数。最后将最优经验模态分量和最优小波分解系数进行相关性分析,将与最优经验模态相关性大的最优小波分解系数作为新建过完备字典的基。在得到过完备字典之后,再用相同的方法以上相同的方法处理要求被识别的信号,得到该信号的最优特征分量。最后将过完备字典和待识别最优分量代入压缩感知重构算法,对该信号进行重构识别。本发明其具有减少采样数据量和精确度高的特点。
Description
技术领域
本发明属于超宽带探地雷达弱小目标检测领域,具体涉及一种基于稀疏表示的地下隐藏裂缝填充物识别方法。
背景技术
超宽带探地雷达的抗干扰性强、分辨率高等优点使其在道路桥梁的裂缝探测中具有重要的发展运用前景,在地下隐藏异质体裂缝的探测实现中对于异质体裂缝的介电常数和几何结构的探测更是十分棘手的问题,是国内外研究的重点与难点。针对道路桥梁中隐藏的裂化隐患,通过常规GPR设备对沥青路面的裂缝进行大量的探测研究表明,探地雷达可以探测裂缝表面的位置,但是裂缝填充物起到重要的作用,如果填充物语周围煤质有近乎相同的介电常数,裂缝探测变得困难。再加上探底雷达高分辨率的要求,需要采集数据量激增,对数据处理和实时显示带来困难,针对地下隐藏裂缝填充物的识别问题仍未得到有效解决。
发明内容
本发明所要解决的技术问题是提供一种基于稀疏表示的地下隐藏裂缝填充物识别方法,其具有减少采样数据量和精确度高的特点。
为解决上述问题,本发明是通过以下技术方案实现的:
基于稀疏表示的地下隐藏裂缝填充物的识别方法,包括如下步骤:
步骤1,构建具有不同填充物的地下隐藏裂缝的模拟探测场景,并通过探地雷达向所构建的模拟探测场景发射信号,获取不同裂缝填充物的模拟回波信号;
步骤2,分别对探地雷达获取的不同裂缝填充物的模拟回波信号进行经验模态分解处理,并将得到的模拟经验模态分量与模拟回波信号进行相关性分析,将与模拟回波信号相关性大的模拟经验模态分量选为最优模拟经验模态分量;
步骤3,分别对探地雷达获取的不同裂缝填充物的模拟回波信号进行小波分解处理,并将得到的模拟小波分解系数与模拟回波信号进行相关性分析,将与模拟回波信号相关性大的模拟小波分解系数选为最优模拟小波分解系数;
步骤4,将每种裂缝填充物的最优模拟小波分解系数分别与该裂缝填充物的最优模拟经验模态分量进行相关性分析,将与最优模拟经验模态分量相关性大的最优模拟小波分解系数作为该裂缝填充物的模拟回波信号的模拟特征分量;
步骤5,将各种填充物的模拟特征分量作为新建过完备字典的基,构造字典;
步骤6,通过探地雷达向待识别的实际探测场景发射信号,获取该实际探测场景的地下隐藏裂缝填充物的实测回波信号;
步骤7,对探地雷达获取的地下隐藏的裂缝填充物的实测回波信号进行经验模态分解处理,并将得到的实测经验模态分量与实测回波信号进行相关性分析,将与实测回波信号相关性大的实测经验模态分量选为最优实测经验模态分量;
步骤8,对探地雷达获取的地下隐藏的裂缝填充物的实测回波信号进行小波分解处理,并将得到的实测小波分解系数与实测回波信号进行相关性分析,将与实测回波信号相关性大的实测小波分解系数选为最优实测小波分解系数;
步骤9,将地下隐藏的裂缝填充物的最优实测小波分解系数分别与该地下隐藏裂缝填充物的最优实测经验模态分量进行相关性分析,将与最优实测经验模态分量相关性大的最优实测小波分解系数作为该地下隐藏的裂缝填充物的实测回波信号的实测特征分量;
步骤10,通过压缩感知重构方法,将步骤9所得的实测特征分量与步骤5所构造的字典进行信号重构分辨,由此确定实际探测场景的地下隐藏的裂缝填充物的种类。
上述方案中,所述裂缝填充物为空气、水和金属。
上述方案中,所述模拟回波信号和实测回波信号均为A-Scan回波数据。
步骤10中,压缩感知重构方法的稀疏度取为1。
本发明通过分析不同地下隐藏裂缝填充物的回波信号,建立了裂缝的仿真模型和电磁场方程。再结合经验模态分解和小波分解提取特征,并利用压缩感知重构算法实现了地下隐藏裂缝的探测识别。本发明结合经验模态分解和小波分解提取特征的优点,先通过对不同地下裂缝填充物的回波信号进行经验模态分解,将得到的经验模态分量与被分解信号进行相关性分析,得到最优经验模态分量。然后再将原回波信号进行小波分解,将得到的小波分解系数与被分解信号进行相关性分析,得到最优小波分解系数。最后将最优经验模态分量和最优小波分解系数进行相关性分析,将与最优经验模态相关性大的最优小波分解系数作为新建过完备字典的基。在得到过完备字典之后,再用相同的方法以上相同的方法处理要求被识别的信号,得到该信号的最优特征分量。最后将过完备字典和待识别最优分量代入压缩感知重构算法,对该信号进行重构识别。本发明通过对不同回波信号的分解分量进行最优化处理,避开了经验模态分解分量不正交的缺点的同时,又解决了小波分解时,小波基和分解层数选取多样化的问题,能够得到切合度很高的特征分量,增加了分辨的准确性。因此,对超宽带探地雷达实际应用具有极大的意义。
与现有技术相比,本发明具有以下优点:
(1)减少数据采集量。目前大部分的识别算法所处理的采集数据,都是基于奈奎斯特采样定律,这样随着数据处理量的增加,采集的数据也随着大幅度增多,给数据存储系统带来了很大的负担。相对而言,本发明基于稀疏的识别方法,通过利用压缩感知的重构算法,大大的减少了所需数据量。
(2)抗干扰性强。目前探地雷达的运用领域多是地下目标探测。在探测过程中,雷达会接收到各种杂波以及噪声,这会影响到目标体的探测识别。本发明通过结合经验模态分解和小波分解提取数据特征分量的优点,在回避两种方法缺点的同时又提取到了与回波信号切合度高的特征分量,成功的排除了杂波与噪声的影响,故本发明具有抗干扰性的优点。
(3)识别率高。相对于已有的探地雷达地下隐藏目标识别算法而言,本发明因为结合了经验模态分解和小波分解提取数据特征的优点,能够提取到与原信号切合度高的特征分量,故其探测识别效果更精确。
附图说明
图1为地下裂缝探测示意图。
图2为裂缝填充物分别为空气、水和金属时的A-scan回波。
图3(a)-(c)分别为裂缝填充物是空气、水和金属填充物原回波信号的经验模态分量和小波分解系数之间的相关系数。
图4(a)-(c)分别为实测裂缝填充物为空气、水和金属时10%数据量分辨结果。
具体实施方式
一种基于稀疏的地下隐藏裂缝填充物识别方法,如图1所示,包括如下步骤:
第一步,通过先验知识构建探测模型以及裂缝散射电磁场方程,构建具有不同裂缝填充物的地下隐藏裂缝的模拟探测场景,并通过探地雷达向所构建的模拟探测场景发射模拟发射信号,获取不同裂缝填充物的模拟回波信号。进行模拟实验的裂缝填充物可以尽量多的进行选取,如可以为空气、水、金属、各种液体及其混合物等等。在比对模拟数据的储备阶段,所构建的模拟探测场景中的裂缝填充物的种类越多,则在实测过程中,所能够识别出的地下隐藏裂缝填充物的种类也越多。图2为裂缝填充物分别为空气、水和金属时的A-scan回波。
设天线位置为p0(x0,z0),发射脉冲信号为s0(t),辐射的电场强度为E0,根据菲涅尔定律,天线感应到的裂缝上表面p1(x1,z1)处的散射电场表达式如下:
散射回波表达式如下:
天线感应到的下表面p2(x2,z2)散射电场表达式如下:
下表面散射回波表达式如下:
则雷达接收的总回波表达式如下:
s(t,εi)=s1(t,εi)+s2(t,εi)(5)
上式中,ε1表示均匀环境的介电常数,εi表示裂缝填充材料的介电常数,i表示裂缝填充材料种类数,r1表示p1位置处的电磁波菲涅尔水平分量反射系数,t1表示p1位置处的电磁波菲涅尔水平分量折射系数,ri表示p2位置处的电磁波菲涅尔水平分量反射系数,ti表示p3位置处的电磁波菲涅尔水平分量折射系数,θ1表示电磁波入射角,θi表示电磁波折射角,S为电磁波传播过程中的衰减因子,φ表示相移,n表示采样噪声,表示逆傅里叶变换。
本发明中,根据实验室的条件,在长2.0m,宽1.8m,深0.6m的沙坑中埋一个长0.2m、直径为0.06m的矿泉水瓶,沙子的介电常数为4.67。水瓶的上表面到沙表面的距离为0.2m,水瓶的填充物分别为水、空气,然后再在相同的位置放置一个差不多尺寸的金属水管。
采用GSSI公司出产的SIR2.0进行实测数据采集,测量方式采用点测法,发射中心频率为1GHz的高斯脉冲,天线步进0.01m,移动100次。
对于每种填充物,选取有目标回波的20组数据,每组数据的维数为1024*1。
第二步,分别对探地雷达获取的不同裂缝填充物的模拟回波信号进行经验模态分解处理,并将得到的模拟经验模态分量与探地雷达直接接收的模拟回波信号进行相关性分析,将与模拟回波信号相关性大的模拟经验模态分量选为最优模拟经验模态分量。
第二步中的表达式如下:
上式中,EMD{}表示对信号进行经验模态分解。
第三步,分别对探地雷达获取的不同裂缝填充物的模拟回波信号进行小波分解处理,并将得到的模拟小波分解系数与探地雷达直接接收下来的模拟回波信号进行相关性分析,将与模拟回波信号相关性大的模拟小波分解系数选为最优模拟小波分解系数。
小波分解过程中,小波基选取为“coif5”,依据第二步得到的经验模态分量的个数选取小波分解层数,本发明中选取层数为5.
第三步中的表达式如下:
上式中W{}表示小波分解。
第四步,将每种裂缝填充物的最优模拟小波分解系数分别与该裂缝填充物的最优模拟经验模态分量进行相关性分析,将与最优模拟经验模态分量相关性大的最优模拟小波分解系数作为该裂缝填充物的模拟回波信号的模拟特征分量,表达式如下:
图3(a)-(c)分别为裂缝填充物是空气、水和金属时回波的经验模态分量和小波分解系数之间的相关系数。
第五步,将各种填充物的模拟特征分量作为新建过完备字典的基,构造字典。表达式如下:
本发明中所建字典的维数为1024*3。
建立模拟场景,采集不同模拟裂缝填充物回波信号,将实测回波信号和上述建模结果比对,对回波信号进行分析,初步评判回波特征。重复第二步到第四步,对实际测量场景下的裂缝填充物的回波数据即待重构信号进行相同的处理得到待重构信号的特征分量。根据第五步得到的过完备字典,将特征分量代入压缩感知算法,进行信号重构分辨。即:
第六步,通过探地雷达向待识别的实际探测场景发射实测发射信号,获取该实际探测场景的地下隐藏裂缝填充物的实测回波信号。
第七步,对探地雷达获取的地下隐藏的裂缝填充物的实测回波信号进行经验模态分解处理,并将得到的实测经验模态分量与探地雷达直接接收下来的实测回波信号进行相关性分析,将与实测回波信号相关性大的实测经验模态分量选为最优实测经验模态分量。
第八步,对探地雷达获取的地下隐藏的裂缝填充物的实测回波信号进行小波分解处理,并将得到的实测小波分解系数与探地雷达直接接收下来的实测回波信号进行相关性分析,将与实测回波信号相关性大的实测小波分解系数选为最优实测小波分解系数。
第九步,将地下隐藏的裂缝填充物的最优实测小波分解系数分别与该地下隐藏裂缝填充物的最优实测经验模态分量进行相关性分析,将与最优实测经验模态分量相关性大的最优实测小波分解系数作为该地下隐藏的裂缝填充物的实测回波信号的实测特征分量。
第十步,通过压缩感知重构方法,将步骤9所得的实测特征分量与步骤5所构造的字典进行信号重构分辨,由此确定实际探测场景的地下隐藏的裂缝填充物的种类。在本发明优选实施例中,压缩感知重构方法的稀疏度取为1。
根据第一步的信号稀疏性分析,在所建字典中可以找到一组基表示待重构信号,表达式如下:
上式中,n表示噪声,xi表示系数。
而根据压缩感知理论,若有一个随机矩阵与过完备字典满足RIP性质,则可以通过这个矩阵将高维的信号转换到低维,最后通过压缩感知重构算法,用低维数据还原出原信号。其表达式如下:
上式中,yi表示降低维度后的数据,Φ表示随机矩阵,重构得到的稀疏系数,ε为重构算法的判决门限。
本发明中,随机矩阵的维数取为100*1024,采用正交匹配追踪算法(OrthogonalMatchingPursuit,OMP)进行数据重构。图4(a)-(c)分别为实测裂缝填充物为空气、水和金属时10%数据量分辨结果。
本发明的模拟回波信号和实测回波信号均为A-Scan回波数据。
本发明适用于多噪声环境超宽带探地雷达回波数据的特征提取以及地下裂缝填充物的识别分类,具有较好的抗噪性和精确度。同时又大大的降低了目标识别分类过程中所需的数据量,提高了超宽带探地雷达应用的可行性FF0C希望对本发明方法的所有实现形式进行保护。
Claims (4)
1.基于稀疏表示的地下隐藏裂缝填充物的识别方法,其特征是,包括如下步骤:
步骤1,构建具有不同填充物的地下隐藏裂缝的模拟探测场景,并通过探地雷达向所构建的模拟探测场景发射信号,获取不同裂缝填充物的模拟回波信号;
步骤2,分别对探地雷达获取的不同裂缝填充物的模拟回波信号进行经验模态分解处理,并将得到的模拟经验模态分量与模拟回波信号进行相关性分析,将与模拟回波信号相关性大的模拟经验模态分量选为最优模拟经验模态分量;
步骤3,分别对探地雷达获取的不同裂缝填充物的模拟回波信号进行小波分解处理,并将得到的模拟小波分解系数与模拟回波信号进行相关性分析,将与模拟回波信号相关性大的模拟小波分解系数选为最优模拟小波分解系数;
步骤4,将每种裂缝填充物的最优模拟小波分解系数分别与该裂缝填充物的最优模拟经验模态分量进行相关性分析,将与最优模拟经验模态分量相关性大的最优模拟小波分解系数作为该裂缝填充物的模拟回波信号的模拟特征分量;
步骤5,将各种填充物的模拟特征分量作为新建过完备字典的基,构造字典;
步骤6,通过探地雷达向待识别的实际探测场景发射信号,获取该实际探测场景的地下隐藏裂缝填充物的实测回波信号;
步骤7,对探地雷达获取的地下隐藏的裂缝填充物的实测回波信号进行经验模态分解处理,并将得到的实测经验模态分量与实测回波信号进行相关性分析,将与实测回波信号相关性大的实测经验模态分量选为最优实测经验模态分量;
步骤8,对探地雷达获取的地下隐藏的裂缝填充物的实测回波信号进行小波分解处理,并将得到的实测小波分解系数与实测回波信号进行相关性分析,将与实测回波信号相关性大的实测小波分解系数选为最优实测小波分解系数;
步骤9,将地下隐藏的裂缝填充物的最优实测小波分解系数分别与该地下隐藏裂缝填充物的最优实测经验模态分量进行相关性分析,将与最优实测经验模态分量相关性大的最优实测小波分解系数作为该地下隐藏的裂缝填充物的实测回波信号的实测特征分量;
步骤10,通过压缩感知重构方法,将步骤9所得的实测特征分量与步骤5所构造的字典进行信号重构分辨,由此确定实际探测场景的地下隐藏的裂缝填充物的种类。
2.根据权利要求1所述基于稀疏表示的地下隐藏裂缝填充物的识别方法,其特征是,所述裂缝填充物为空气、水和金属。
3.根据权利要求1所述基于稀疏表示的地下隐藏裂缝填充物的识别方法,其特征是,所述模拟回波信号和实测回波信号均为A-Scan回波数据。
4.根据权利要求1所述基于稀疏表示的地下隐藏裂缝填充物的识别方法,其特征是,步骤10中,压缩感知重构方法的稀疏度取为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510918150.5A CN105590093A (zh) | 2015-12-11 | 2015-12-11 | 基于稀疏表示的地下隐藏裂缝填充物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510918150.5A CN105590093A (zh) | 2015-12-11 | 2015-12-11 | 基于稀疏表示的地下隐藏裂缝填充物识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105590093A true CN105590093A (zh) | 2016-05-18 |
Family
ID=55929663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510918150.5A Pending CN105590093A (zh) | 2015-12-11 | 2015-12-11 | 基于稀疏表示的地下隐藏裂缝填充物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105590093A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383348A (zh) * | 2016-11-24 | 2017-02-08 | 桂林电子科技大学 | 一种超宽带探地雷达的压缩感知采集数据获取方法 |
CN108197671A (zh) * | 2018-02-02 | 2018-06-22 | 石家庄铁道大学 | 一种基于压缩特征表示的混凝土裂缝检测方法及装置 |
CN108710115A (zh) * | 2018-05-14 | 2018-10-26 | 桂林电子科技大学 | 基于小波分解的探地雷达目标的检测方法 |
CN110133643A (zh) * | 2019-05-22 | 2019-08-16 | 北京林业大学 | 植物根系探测方法及装置 |
CN116203646A (zh) * | 2023-05-04 | 2023-06-02 | 山东省地质测绘院 | 一种确定地质资源量的勘探数据处理系统 |
CN117093843A (zh) * | 2023-10-19 | 2023-11-21 | 华侨大学 | 信号重构与工作模态参数识别方法、装置、设备及介质 |
-
2015
- 2015-12-11 CN CN201510918150.5A patent/CN105590093A/zh active Pending
Non-Patent Citations (3)
Title |
---|
季秀霞等: "基于压缩感知的合成孔径雷达图像目标识别", 《计算机应用与软件》 * |
戴光等: "基于小波和EMD的滚动轴承非接触声发射诊断方法", 《化工机械》 * |
龚志强等: "基于非线性时间序列分析经验模态分解和小波分解异同性的研究", 《物理学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383348A (zh) * | 2016-11-24 | 2017-02-08 | 桂林电子科技大学 | 一种超宽带探地雷达的压缩感知采集数据获取方法 |
CN108197671A (zh) * | 2018-02-02 | 2018-06-22 | 石家庄铁道大学 | 一种基于压缩特征表示的混凝土裂缝检测方法及装置 |
CN108710115A (zh) * | 2018-05-14 | 2018-10-26 | 桂林电子科技大学 | 基于小波分解的探地雷达目标的检测方法 |
CN108710115B (zh) * | 2018-05-14 | 2021-07-20 | 桂林电子科技大学 | 基于小波分解的探地雷达目标的检测方法 |
CN110133643A (zh) * | 2019-05-22 | 2019-08-16 | 北京林业大学 | 植物根系探测方法及装置 |
CN110133643B (zh) * | 2019-05-22 | 2021-08-20 | 北京林业大学 | 植物根系探测方法及装置 |
CN116203646A (zh) * | 2023-05-04 | 2023-06-02 | 山东省地质测绘院 | 一种确定地质资源量的勘探数据处理系统 |
CN117093843A (zh) * | 2023-10-19 | 2023-11-21 | 华侨大学 | 信号重构与工作模态参数识别方法、装置、设备及介质 |
CN117093843B (zh) * | 2023-10-19 | 2024-02-20 | 华侨大学 | 信号重构与工作模态参数识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105590093A (zh) | 基于稀疏表示的地下隐藏裂缝填充物识别方法 | |
Daniels | Surface-penetrating radar | |
CN105353373B (zh) | 一种基于Hough变换探地雷达目标提取方法和装置 | |
CN102401898A (zh) | 一种合成孔径雷达森林遥感数据的定量化模拟方法 | |
Ji et al. | Deep neural network-based permittivity inversions for ground penetrating radar data | |
Sun et al. | Learning to remove clutter in real-world GPR images using hybrid data | |
CN102914773B (zh) | 一种多航过圆周sar三维成像方法 | |
Li et al. | Deep learning-based pavement subsurface distress detection via ground penetrating radar data | |
Zhang et al. | Ground-penetrating radar railroad ballast inspection with an unsupervised algorithm to boost the region of interest detection efficiency | |
CN103777247A (zh) | 一种瞬变电磁雷达探测系统及探测方法 | |
Persico et al. | Microwave tomography for processing of GPR data at Ballachulish | |
CN1595195A (zh) | 基于信息融合的超宽带探地雷达自动目标识别方法 | |
CN107402386A (zh) | 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 | |
Sun et al. | Estimating parameters of the tree root in heterogeneous soil environments via mask-guided multi-polarimetric integration neural network | |
Li et al. | Generalized Hough transform and ANN for subsurface cylindrical object location and parameters inversion from GPR data | |
Li et al. | Artifact suppression of back-projection algorithm under multiple buried objects | |
CN103941246A (zh) | 基于压缩感知和目标先验信息的成像鉴别一体化方法 | |
Dumin et al. | UWB subsurface radiolocation for object location classification by artificial neural networks based on discrete tomography approach | |
Pryshchenko et al. | Subsurface Object Detection in Randomly Inhomogeneous Medium Model | |
Gamal et al. | Utilizing Ground-Penetrating Radar for Water Leak Detection and Pipe Material Characterization in Environmental Studies: A Case Study | |
Giovanneschi et al. | A parametric analysis of time and frequency domain GPR scattering signatures from buried landmine-like targets | |
Winter et al. | Virtually developed synthetic aperture radar: Theory, simulation, and measurements | |
Ghozzi et al. | The estimation of buried empty cylindrical tubes characteristics using GPR | |
Meschino et al. | A practical guide on using SPOT-GPR, a freeware tool implementing a SAP-DoA technique | |
CN103728672A (zh) | 一种基于高光谱遥感和电磁探测勘测油气的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160518 |
|
RJ01 | Rejection of invention patent application after publication |