CN109343019A - 一种地质雷达数据解释方法及装置 - Google Patents
一种地质雷达数据解释方法及装置 Download PDFInfo
- Publication number
- CN109343019A CN109343019A CN201811310146.0A CN201811310146A CN109343019A CN 109343019 A CN109343019 A CN 109343019A CN 201811310146 A CN201811310146 A CN 201811310146A CN 109343019 A CN109343019 A CN 109343019A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic
- georadar
- detection
- relevance scores
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提供一种地质雷达数据解释方法,包括:获得对探测目标进行探测得到的探测数据中与探测目标相关的M种特征数据,确定M种特征数据之间的数据相关性与预设的弱相关值匹配的N种特征数据,结合预设的地质雷达数据解释模型,得到对探测目标进行预测的预测结果。通过选出M种与探测数据相关的特征数据,得到更接近探测目标实际情况的M种特征数据,以及选出M种特征数据中的N种相互关联较弱的特征数据,能够更精确地揭示探测目标的实际情况。结合预设的地质雷达数据解释模型,能够在节省大量人力资源提高工作效率的同时,尽可能避免人工解释地质雷达数据时由于人的主观因素带来的误差,提高地质雷达数据的解释精度,提高预测的准确性。
Description
技术领域
本申请涉及地质雷达探测领域,具体而言,涉及一种地质雷达数据解释方法及装置。
背景技术
在目前对地质雷达数据的解释中,多使用人工解释结合基于“瞬时”属性、频率属性的地质雷达数据解释方法,但人工解释过程中掺杂了很多人为主观因素的影响及一些无法判断的成像点,严重影响了地质雷达数据的解释精度。且由于地质雷达数据解释具有复杂性和多解性,因此人工解释就需要大量的人力资源,严重拖慢了工作效率。
发明内容
有鉴于此,本申请的目的在于提供一种地质雷达数据解释方法及装置,以在提高地质雷达数据的解释精度的同时,能够有效降低人力资源的使用,以提高工作效率。
为了实现上述目的,本申请的实施例通过如下方式实现:
第一方面,本申请的实施例提供了一种地质雷达数据解释方法,包括:获得对探测目标进行探测得到的探测数据中与所述探测目标相关的M种特征数据;根据所述M种特征数据,确定所述M种特征数据之间的数据相关性与预设的弱相关值匹配的N种特征数据,其中,M为正整数,N为小于等于M的正整数;根据所述N种特征数据和预设的地质雷达数据解释模型,得到对所述探测目标进行预测的预测结果。
在本申请实施例中,通过选出M种与探测数据相关的特征数据,得到更接近探测目标的实际情况的M种特征数据,以及选出M种特征数据中的N 种相互关联较弱的特征数据,分析这N种特征数据,能够更精确地揭示探测目标的实际情况。结合预设的地质雷达数据解释模型,能够在节省大量人力资源提高工作效率的同时,尽可能避免人工解释地质雷达数据时由于人的主观因素带来的误差,提高地质雷达数据的解释精度,提高预测的准确性。
在第一方面的一些可选实现方式中,上述根据所述M种特征数据,确定所述M种特征数据之间的数据相关性与预设的相关值匹配的N种特征数据,包括:计算所述M种特征数据中的每一种特征数据与所述M种特征数据中的除所述每一种特征数据之外的特征数据的相关性得分,共确定出M 个相关性得分;将所述M个相关性得分中的每个相关性得分与预设的弱相关值进行比较,确定小于等于预设的弱相关值的N个相关性得分;根据所述N个相关性得分,得到与所述N个相关性得分对应的所述N种特征数据。
在本申请实施例中,通过计算M种特征数据相互之间的相关性得分,挑出M个相关性得分中相较于预设的弱相关值较低的N个相关性得分,从而筛选出其中相互之间相关性较低的N种特征数据,用来作为地质雷达数据的解释基础,结合预设的地质雷达数据解释模型,能够在节省大量人力资源提高工作效率的同时,尽可能避免人工解释地质雷达数据时由于人的主观因素带来的误差,从而能够提高地质雷达数据的解释精度,进而提高预测的准确性。
在第一方面的一些可选实现方式中,上述获得对探测目标进行探测得到的探测数据中与所述探测目标相关的M种特征数据,包括:获得基于地质雷达对所述探测目标进行探测的所述探测数据;根据所述探测数据,确定出与所述探测数据相关的S种探测数据特性,其中,S为正整数;计算所述S种探测数据特性中的每一种探测数据特性与所述探测目标的相关性得分;将所述相关性得分与预设的强相关值进行比较,确定大于等于预设的强相关值的M个相关性得分;根据所述M个相关性得分,得到与所述M个相关性得分对应的所述M种特征数据,其中,M为小于等于S的正整数。
在本申请实施例中,通过计算S种探测数据特性与探测目标的相关性得分,从而筛选出其中与探测目标相关性较高的M种特征数据,用来作为筛选其中相互之间相关性较低的N种特征数据的基础,从而能够保证N种特征数据与探测目标之间具有较高的相关性,结合预设的地质雷达数据解释模型,能够在节省大量人力资源提高工作效率的同时,尽可能避免人工解释地质雷达数据时由于人的主观因素带来的误差,从而能够提高地质雷达数据的解释精度,进而提高预测的准确性。
在第一方面的一些可选实现方式中,上述获得基于地质雷达对所述探测目标进行探测的所述探测数据,包括:获得基于地质雷达对所述探测目标进行探测的原始数据;根据所述原始数据,得到基于地质雷达对所述探测目标进行探测的所述探测数据。
在本申请实施例中,通过对基于地质雷达对探测目标进行探测的原始数据进行处理得到探测数据,可以除去一些数据上的干扰,从而减小误差,同时,探测数据是基于原始数据得到的,因此,也保证了探测数据的准确性,从而保证地质雷达数据的解释精度。
在第一方面的一些可选实现方式中,在步骤根据所述N种特征数据和预设的地质雷达数据解释模型,得到对所述探测目标进行预测的预测结果之前,上述地质雷达数据解释方法还包括:利用样本数据对多个神经网络进行训练,获得多个备选地质雷达数据解释模型;根据所述多个备选地质雷达数据解释模型一一对应输出的多个预测结果集,确定出所述预测结果集中与所述实际数据差值最小的最优预测结果集,其中,所述多个预测结果集中每个预测结果集为对应的每个备选地质雷达数据解释模型对测试数据集预测得到;确定与所述最优预测结果集对应的备选地质雷达数据解释模型为所述地质雷达数据解释模型。
在本申请实施例中,通过训练多个备选地质雷达数据解释模型,以及利用多个备选地质雷达数据解释模型对测试数据集进行预测,挑选出对测试数据集预测最为准确的备选地质雷达数据解释模型作为地质雷达数据解释模型,在应对不同地区、不同类型的探测目标等情况,可以从多个备选地质雷达数据解释模型挑选出最为合适的备选地质雷达数据解释模型作为该地区该类型探测目标的地质雷达数据解释模型,以提高地质雷达数据的解释精度。
第二方面,本申请的实施例提供了一种地质雷达数据解释装置,包括:获得及处理模块,用于获得对探测目标进行探测得到的探测数据中与所述探测目标相关的M种特征数据;分析模块,用于根据所述M种特征数据,确定所述M种特征数据之间的数据相关性与预设的弱相关值匹配的N种特征数据,其中,M为正整数,N为小于等于M的正整数;预测模块,用于根据所述N种特征数据和预设的地质雷达数据解释模型,得到对所述探测目标进行预测的预测结果。
在第二方面的一些可选实现方式中,上述分析模块,还用于计算所述M 种特征数据中的每一种特征数据与所述M种特征数据中的除所述每一种特征数据之外的特征数据的相关性得分,共确定出M个相关性得分;将所述M 个相关性得分中的每个相关性得分与预设的弱相关值进行比较,确定小于等于预设的弱相关值的N个相关性得分;根据所述N个相关性得分,得到与所述N个相关性得分对应的所述N种特征数据。
在第二方面的一些可选实现方式中,上述获得及处理模块,还用于获得基于地质雷达对所述探测目标进行探测的所述探测数据;根据所述探测数据,确定出与所述探测数据相关的S种探测数据特性,其中,S为正整数;计算所述S种探测数据特性中的每一种探测数据特性与所述探测目标的相关性得分;将所述相关性得分与预设的强相关值进行比较,确定大于等于预设的强相关值的M个相关性得分;根据所述M个相关性得分,得到与所述M个相关性得分对应的所述M种特征数据,其中,M为小于等于S的正整数。
在第二方面的一些可选实现方式中,上述获得及处理模块,还用于获得基于地质雷达对所述探测目标进行探测的原始数据;根据所述原始数据,得到基于地质雷达对所述探测目标进行探测的所述探测数据。
在第二方面的一些可选实现方式中,在根据所述N种特征数据和预设的地质雷达数据解释模型,得到对所述探测目标进行预测的预测结果之前,上述地质雷达数据解释装置还包括:训练模块,用于利用样本数据对多个神经网络进行训练,获得多个备选地质雷达数据解释模型;根据所述多个备选地质雷达数据解释模型一一对应输出的多个预测结果集,确定出所述预测结果集中与所述实际数据差值最小的最优预测结果集,其中,所述多个预测结果集中每个预测结果集为对应的每个备选地质雷达数据解释模型对测试数据集预测得到;确定与所述最优预测结果集对应的备选地质雷达数据解释模型为所述地质雷达数据解释模型。
第三方面,本申请实施例提供了一种服务器,所述服务器包括:处理器,存储器,总线和通信接口;所述处理器、所述通信接口和存储器通过所述总线连接。所述存储器,用于存储程序。所述处理器,用于通过调用存储在所述存储器中的程序,以执行第一方面或第一方面的任一可选的实现方式所述的地质雷达数据解释方法。
第四方面,本申请实施例提供了一种具有处理器可执行的非易失程序代码的计算机可读储存介质,用于存储程序代码,所述程序代码在被计算机读取并运行时,执行第一方面或第一方面的任一可选的实现方式所述的地质雷达数据解释方法。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请第一实施例提供的一种电子设备的结构框图;
图2示出了本申请第二实施例提供的一种地质雷达数据解释方法的第一流程图;
图3示出了本申请第二实施例提供的一种地质雷达数据解释方法中步骤S100的子流程图;
图4示出了本申请第二实施例提供的一种地质雷达数据解释方法中步骤S200的子流程图;
图5示出了本申请第二实施例提供的一种地质雷达数据解释方法中的地质雷达数据解释模型训练流程图;
图6示出了本申请第三实施例提供的一种地质雷达数据解释装置的结构框图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有进行出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。再者,本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
第一实施例
请参阅图1,本申请实施例提供了一种电子设备10,电子设备10可以为终端,例如个人电脑(personal computer,PC)、平板电脑、智能手机、个人数字助理(personaldigital assistant,PDA)等;或者,电子设备 10也可以为服务器,例如网络服务器、数据库服务器、云服务器或由多个子服务器构成的服务器集成等。当然,上述列举的设备为用于便于理解本实施例,其不应作为对本实施例的限定。
该电子设备10可以包括:存储器11、通信接口12、总线13和处理器 14。其中,处理器14、通信接口12和存储器11通过总线13连接。
处理器14用于执行存储器11中存储的可执行模块,例如计算机程序。图1所示的电子设备10的组件和结构只是示例性的,而非限制性的,根据需要,电子设备10也可以具有其他组件和结构。
存储器11可能包含高速随机存取存储器(Random Access Memory RAM),也可能还包括非不稳定的存储器(non-volatile memory),例如至少两个磁盘存储器。本实施例中,存储器11存储了执行地质雷达数据解释方法所需要的程序。
总线13可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图1中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类别的总线。
处理器14可能是一种具有信号的处理能力集成电路芯片。在实现过程中,上述方法的各步骤可以通过处理器14中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器14可以是通用处理器,包括中央处理器 (Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门电路或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。
本申请实施例任意实施例揭示的流程或定义的装置所执行的方法可以应用于处理器14中,或者由处理器14实现。处理器14在接收到执行指令后,通过总线13调用存储在存储器11中的程序后,处理器14通过总线13 控制通信接口12则可以执行地质雷达数据解释的流程。
第二实施例
在本实施例提供的地质雷达数据解释方法中,该地质雷达数据解释方法可以从电子设备10的角度进行描述,其中,电子设备10中预设有训练好的神经网络模型作为地质雷达数据解释模型。
以下,将结合图1-图5对本申请实施例中的地质雷达数据解释方法的各个步骤进行详细的描述。
请参阅图2,在本实施例提供的地质雷达数据解释方法中,可以包括:步骤S100、步骤S200、步骤S300。
步骤S100:获得对探测目标进行探测得到的探测数据中与所述探测目标相关的M种特征数据。
步骤S200:根据所述M种特征数据,确定所述M种特征数据之间的数据相关性与预设的弱相关值匹配的N种特征数据,其中,M为正整数,N为小于等于M的正整数。
步骤S300:根据所述N种特征数据和预设的地质雷达数据解释模型,得到对所述探测目标进行预测的预测结果。
请参阅图3,电子设备10训练好并选出合适的地质雷达数据解释模型后,可以执行步骤S100。在本实施例中,步骤S100可以包括:步骤S110、步骤S120、步骤S130、步骤S140和步骤S150。
步骤S110:获得基于地质雷达对所述探测目标进行探测的所述探测数据。
步骤S120:根据所述探测数据,确定出与所述探测数据相关的S种探测数据特性,其中,S为正整数。
步骤S130:计算所述S种探测数据特性中的每一种探测数据特性与所述探测目标的相关性得分。
步骤S140:将所述相关性得分与预设的强相关值进行比较,确定大于等于预设的强相关值的M个相关性得分。
步骤S150:根据所述M个相关性得分,得到与所述M个相关性得分对应的所述M种特征数据,其中,M为小于等于S的正整数。
电子设备10可以执行步骤S110,即获得基于地质雷达对探测目标进行探测的探测数据。
在本实施例中,电子设备10可以获得基于地质雷达对探测目标进行探测的原始数据,通过对原始数据进行处理,例如零线设定、滤波、背景去噪、小波变换、反褶积等处理方式中的一种或多种,原始数据经过处理后,获得成像清晰的高质量雷达数据,即探测数据。
在本实施例中,电子设备10获得基于地质雷达对探测目标进行探测的探测数据后,可以继续执行步骤S120。
电子设备10可以对探测数据进行处理,得到关于探测数据的S种探测数据特性,例如方差、相干、曲率、瞬时相位、瞬时频率、瞬时振幅、主频率、均方根振幅等。
在本实施例中,电子设备10获得后,可以继续执行步骤S130。
电子设备10可以计算S种探测数据特性中的每一种探测数据特性与探测目标之间的相关性的强弱,可以用相关性得分进行表示,相关性得分的分值高,即表示该种探测数据特性与该探测目标之间的相关性越强。通过电子设备10的计算,可以得到总共S个相关性得分。
在本实施例中,电子设备10获得与S种探测数据特性对应的S个相关性得分后,可以执行步骤S140。
电子设备10可以将S个相关性得分中的每一个相关性得分与预设的强相关值逐一进行比较,得到S个相关性得分中大于等于该预设的强相关值的M个相关性得分。
在本实施例中,电子设备10确定大于等于预设的强相关值的M个相关性得分后,可以执行步骤S150。电子设备10可以根据得到的M个相关性得分,确定出与M个相关性得分对应的M种特征数据。
通过对探测数据进行处理得到关于探测数据的S种探测数据特性,分析S种探测数据特性中的每一种探测数据特性与探测目标之间的相关性强弱,进而得到与探测目标相关性较强的M种特征数据。可以通过分析与探测目标具有较强相关性的M种特征数据,得到关于地质雷达数据的解释精度更高的解释,进而提高预测的准确性。
请参阅图4,电子设备10在确定出与探测目标具有较强相关性的M种特征数据后,可以继续执行步骤S200。在本实施例中,步骤S200包括:步骤S210、步骤S220和步骤S230。
步骤S210:计算所述M种特征数据中的每一种特征数据与所述M种特征数据中的除所述每一种特征数据之外的特征数据的相关性得分,共确定出M个相关性得分。
步骤S220:将所述M个相关性得分中的每个相关性得分与预设的弱相关值进行比较,确定小于等于预设的弱相关值的N个相关性得分。
步骤S230:根据所述N个相关性得分,得到与所述N个相关性得分对应的所述N种特征数据。
电子设备10可以执行步骤S210,在本实施例中,电子设备10计算M 种特征数据中的每一种特征数据与M种特征数据中的其他特征数据的相关性得分,共得到M个相关性得分。
在电子设备10得到M个相关性得分后,可以执行步骤S220。在本实施例中,电子设备10将M个相关性得分中的每个相关性得分与预设的弱相关值进行比较,确定出小于等于预设的弱相关值的N个相关性得分。
在电子设备10确定出小于等于预设的弱相关值的N个相关性得分后,可以执行步骤S230。在本实施例中,电子设备10确定出N个相关性得分中每一个相关性得分所对应的特征数据,总共确定出N种特征数据。
通过在与探测目标具有较高相关性的M种特征数据中筛选出N种特征数据,此N种特征数据相互之间具有较低的相关性,即此N种特征数据相互之间具有较高的独立性,那么就可以尽可能分析较少种类的数据而得到更全面而准确的特征数据,从而可以提高对地质雷达数据的解释精度以及预测的准确性。而地质雷达数据解释精模型能够节省不少的人力资源,以及能够提高解释的精度和预测的准确性,从而能够提高工作效率。
在本实施例中,电子设备10执行步骤S200时,还可以在已有的分析方法中选择符合本申请给出的方法从而确定出N种特征数据。例如,可以直接使用R型聚类分析分析方法,对M种特征数据进行优选,得到相关性较低的N种特征数据,作为建立智能预测模型的输入层数据。
请参阅图5,图5为本实施例提供的地质雷达数据解释方法中的地质雷达数据解释模型训练流程图。
在本实施例中,地质雷达数据解释模型的训练过程可以分为以下三个步骤:模型训练步骤1、模型训练步骤2和模型训练步骤3。
模型训练步骤1:利用样本数据对多个神经网络进行训练,获得多个备选地质雷达数据解释模型。
模型训练步骤2:根据所述多个备选地质雷达数据解释模型一一对应输出的多个预测结果集,确定出所述预测结果集中与实际数据差值最小的最优预测结果集,其中,所述多个预测结果集中每个预测结果集为对应的每个备选地质雷达数据解释模型对测试数据集预测得到。
模型训练步骤3:确定与所述最优预测结果集对应的备选地质雷达数据解释模型为所述地质雷达数据解释模型。
在本实施例中,电子设备10可以执行模型训练步骤1,即获得关于本次探测目标所在的地区、探测目标的类型、该地区的地质状况等相关的样本数据,利用样本数据对多个神经网络(例如BP神经网络、RBF神经网络、支持向量机、决策树和随机森林等算法)进行训练,训练达标后,就获得了多个备选地质雷达数据解释模型。在本实施例中,样本数据可以直接选取基于探测目标优选出的N种特征数据,以此作为建立多个备选地质雷达数据解释模型的输入层数据。在其他实例中,也可以选择其他有效的建模方式,此处不作限定。
在本实施例中,电子设备10获得多个备选地质雷达数据解释模型后,可以继续执行模型训练步骤2,即利用测试数据集对训练好的多个备选地质雷达数据解释模型对应进行测试。多个备选地质雷达数据解释模型一一对应输出多个预测结果集,确定出预测结果集中与实际数据差值最小的最优预测结果集。
在本实施例中,电子设备10确定出最优预测结果集后,可以继续执行模型训练步骤3,即确定与最优预测结果集对应的备选地质雷达数据解释模型为对应本次探测目标所在的地区、探测目标的类型、该地区的地质状况的地质雷达数据解释模型。
通过训练多个备选地质雷达数据解释模型,并利用测试数据集对多个备选地质雷达数据解释模型进行测试,检测其预测效果,确定出预测效果最佳的备选地质雷达数据解释模型为对应本次地质探测的地区及探测目标等的地质雷达数据解释模型,能够提高地质雷达数据的解释精度。
值得注意的是,为方便描述和说明书整体的连贯性,本实施例中的训练模型的过程可以安排在得到N种特征数据后开始,以便后续的预测步骤使用,在其他的一些可选实施例中,可以沿用之前已经训练好的模型,也可以在地质雷达数据解释过程中对模型进行训练和调整等,在此不作限定。
在电子设备10确定M种特征数据之间的数据相关性与预设的弱相关值匹配的N种特征数据后,可以执行步骤S300。
在本实施例中,电子设备10可以调用预设的地质雷达数据解释模型,对确定出的N种特征数据进行分析解释,从而得到对探测目标进行预测的预测结果。
以下将结合具体的例子对本申请实施例中提供的地质雷达数据解释方法进行说明。
假设:某日需要利用地质雷达对山东某地进行地下溶洞的地质探测。
利用地质雷达对该地区进行地质探测,获得基于地质雷达对探测目标 (地下溶洞)进行探测的原始数据。
对原始数据进行一系列的处理(本例中采用零线设定、滤波、背景去噪、小波变换、反褶积等处理),得到探测数据(值得注意的是,在其他一些可选的例子中,也可以直接获得已经经过处理的探测数据)。对探测数据进行处理,得到S种探测数据特性,将S种探测数据特性中的每一种探测数据特性与探测目标进行相关性分析,确定S种探测数据特性中的与探测目标相关性较高的M种探测数据特性,确定对应的M种特征数据。又对M 种特征数据采用R型聚类分析,确定出M种特征数据中相关性较弱的N种特征数据。
本例子中电子设备10可以为个人电脑,在电子设备10上利用探测目标所在的地区(山东某地)、探测目标的类型(地下溶洞)、该地区的地质状况等相关的样本数据(与N种特征数据相对应的N个输入层)和对多个神经网络(本例中选择BP神经网络、RBF神经网络、支持向量机、决策树和随机森林等)进行训练,训练好后得到五个备选地质雷达数据解释模型。对于训练得到的五个备选地质雷达数据解释模型,本例中利用测试数据集这五个备选地质雷达数据解释模型进行测试,对应输出五个预测结果集,比较五个预测结果集与实际数据集进行比较,从而确定出预测结果集中与实际数据差值最小的最优预测结果集,进而确定出对于本次地质探测数据进行解释的地质雷达数据解释模型。例如本次确定的模型为支持向量机算法训练出来的地质雷达数据解释模型。
由于不同地区、不同探测目标、地区的不同地质状况等因素,可以在需要时更换地质雷达数据解释模型对地质雷达数据进行解释。对于相同地区、同一探测目标、相同地质状况的情况,可以经过多次测试后选出一个预测表现最佳的模型作为长期使用的经典模型,以省时省力。而对于不同地区、不同探测目标、地区的不同地质状况的情况,可以重新训练模型,从而确定一个预测表现最优的备选地质雷达数据解释模型为本次地质雷达数据解释的地质雷达数据解释模型。
将获得的N种特征数据输入筛选出来的地质雷达数据解释模型(基于支持向量机的地质雷达数据解释模型),得到对地质雷达的探测数据的解释,从而获得对探测目标进行预测的预测结果。
应当注意的是,本实施例中由于步骤说明需要,举出的例子仅仅是为了对实施步骤进行方便的说明,所举例子的有效性请以实际情况为准,且举例所采用的例子不应视为对本申请的限定。
第三实施例
请参阅图6,本申请实施例提供了一种地质雷达数据解释装置功能模块 100,该地质雷达数据解释装置功能模块100应用于电子设备10,该地质雷达数据解释装置功能模块100包括:
获得及处理模块110,用于获得对探测目标进行探测得到的探测数据中与所述探测目标相关的M种特征数据;
分析模块120,用于根据所述M种特征数据,确定所述M种特征数据之间的数据相关性与预设的弱相关值匹配的N种特征数据,其中,M为正整数, N为小于等于M的正整数;
预测模块140,用于根据所述N种特征数据和预设的地质雷达数据解释模型,得到对所述探测目标进行预测的预测结果。
在本实施例中,所述分析模块120,还用于计算所述M种特征数据中的每一种特征数据与所述M种特征数据中的除所述每一种特征数据之外的特征数据的相关性得分,共确定出M个相关性得分;将所述M个相关性得分中的每个相关性得分与预设的弱相关值进行比较,确定小于等于预设的弱相关值的N个相关性得分;根据所述N个相关性得分,得到与所述N个相关性得分对应的所述N种特征数据。
在本实施例中,所述获得及处理模块110,还用于获得基于地质雷达对所述探测目标进行探测的所述探测数据;根据所述探测数据,确定出与所述探测数据相关的S种探测数据特性,其中,S为正整数;计算所述S种探测数据特性中的每一种探测数据特性与所述探测目标的相关性得分;将所述相关性得分与预设的强相关值进行比较,确定大于等于预设的强相关值的M个相关性得分;根据所述M个相关性得分,得到与所述M个相关性得分对应的所述M种特征数据,其中,M为小于等于S的正整数。
在本实施例中,所述获得及处理模块110,还用于获得基于地质雷达对所述探测目标进行探测的原始数据;根据所述原始数据,得到基于地质雷达对所述探测目标进行探测的所述探测数据。
在本实施例中,在获得对探测目标进行探测得到的探测数据中与所述探测目标相关的M种特征数据之前,所述地质雷达数据解释装置还包括:
训练模块130,用于利用样本数据对多个神经网络进行训练,获得多个备选地质雷达数据解释模型;根据所述多个备选地质雷达数据解释模型一一对应输出的多个预测结果集,确定出所述预测结果集中与所述实际数据差值最小的最优预测结果集,其中,所述多个预测结果集中每个预测结果集为对应的每个备选地质雷达数据解释模型对测试数据集预测得到;确定与所述最优预测结果集对应的备选地质雷达数据解释模型为所述地质雷达数据解释模型。
需要说明的是,由于所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
综上所述,本申请的实施例提供了一种地质雷达数据解释方法,包括:获得对探测目标进行探测得到的探测数据中与所述探测目标相关的M种特征数据;根据所述M种特征数据,确定所述M种特征数据之间的数据相关性与预设的弱相关值匹配的N种特征数据,其中,M为正整数,N为小于等于M的正整数;根据所述N种特征数据和预设的地质雷达数据解释模型,得到对所述探测目标进行预测的预测结果。
通过选出M种与探测数据相关的特征数据,得到更接近探测目标的实际情况的M种特征数据,以及选出M种特征数据中的N种相互关联较弱的特征数据,分析这N种特征数据,能够更精确地揭示探测目标的实际情况。结合预设的地质雷达数据解释模型,能够在节省大量人力资源提高工作效率的同时,尽可能避免人工解释地质雷达数据时由于人的主观因素带来的误差,提高地质雷达数据的解释精度,提高预测的准确性。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种地质雷达数据解释方法,其特征在于,包括:
获得对探测目标进行探测得到的探测数据中与所述探测目标相关的M种特征数据;
根据所述M种特征数据,确定所述M种特征数据之间的数据相关性与预设的弱相关值匹配的N种特征数据,其中,M为正整数,N为小于等于M的正整数;
根据所述N种特征数据和预设的地质雷达数据解释模型,得到对所述探测目标进行预测的预测结果。
2.根据权利要求1所述的地质雷达数据解释方法,其特征在于,所述根据所述M种特征数据,确定所述M种特征数据之间的数据相关性与预设的相关值匹配的N种特征数据,包括:
计算所述M种特征数据中的每一种特征数据与所述M种特征数据中的除所述每一种特征数据之外的特征数据的相关性得分,共确定出M个相关性得分;
将所述M个相关性得分中的每个相关性得分与预设的弱相关值进行比较,确定小于等于预设的弱相关值的N个相关性得分;
根据所述N个相关性得分,得到与所述N个相关性得分对应的所述N种特征数据。
3.根据权利要求2所述的地质雷达数据解释方法,其特征在于,所述获得对探测目标进行探测得到的探测数据中与所述探测目标相关的M种特征数据,包括:
获得基于地质雷达对所述探测目标进行探测的所述探测数据;
根据所述探测数据,确定出与所述探测数据相关的S种探测数据特性,其中,S为正整数;
计算所述S种探测数据特性中的每一种探测数据特性与所述探测目标的相关性得分;
将所述相关性得分与预设的强相关值进行比较,确定大于等于预设的强相关值的M个相关性得分;
根据所述M个相关性得分,得到与所述M个相关性得分对应的所述M种特征数据,其中,M为小于等于S的正整数。
4.根据权利要求3所述的地质雷达数据解释方法,其特征在于,所述获得基于地质雷达对所述探测目标进行探测的所述探测数据,包括:
获得基于地质雷达对所述探测目标进行探测的原始数据;
根据所述原始数据,得到基于地质雷达对所述探测目标进行探测的所述探测数据。
5.根据权利要求1-4任一权项所述的地质雷达数据解释方法,其特征在于,在步骤根据所述N种特征数据和预设的地质雷达数据解释模型,得到对所述探测目标进行预测的预测结果之前,所述地质雷达数据解释方法还包括:
利用样本数据对多个神经网络进行训练,获得多个备选地质雷达数据解释模型;
根据所述多个备选地质雷达数据解释模型一一对应输出的多个预测结果集,确定出所述预测结果集中与实际数据差值最小的最优预测结果集,其中,所述多个预测结果集中每个预测结果集为对应的每个备选地质雷达数据解释模型对测试数据集预测得到;
确定与所述最优预测结果集对应的备选地质雷达数据解释模型为所述地质雷达数据解释模型。
6.一种地质雷达数据解释装置,其特征在于,包括:
获得及处理模块,用于获得对探测目标进行探测得到的探测数据中与所述探测目标相关的M种特征数据;
分析模块,用于根据所述M种特征数据,确定所述M种特征数据之间的数据相关性与预设的弱相关值匹配的N种特征数据,其中,M为正整数,N为小于等于M的正整数;
预测模块,用于根据所述N种特征数据和预设的地质雷达数据解释模型,得到对所述探测目标进行预测的预测结果。
7.根据权利要求6所述的地质雷达数据解释装置,其特征在于,
所述分析模块,还用于计算所述M种特征数据中的每一种特征数据与所述M种特征数据中的除所述每一种特征数据之外的特征数据的相关性得分,共确定出M个相关性得分;将所述M个相关性得分中的每个相关性得分与预设的弱相关值进行比较,确定小于等于预设的弱相关值的N个相关性得分;根据所述N个相关性得分,得到与所述N个相关性得分对应的所述N种特征数据。
8.根据权利要求7所述的地质雷达数据解释装置,其特征在于,
所述获得及处理模块,还用于获得基于地质雷达对所述探测目标进行探测的所述探测数据;根据所述探测数据,确定出与所述探测数据相关的S种探测数据特性,其中,S为正整数;计算所述S种探测数据特性中的每一种探测数据特性与所述探测目标的相关性得分;将所述相关性得分与预设的强相关值进行比较,确定大于等于预设的强相关值的M个相关性得分;根据所述M个相关性得分,得到与所述M个相关性得分对应的所述M种特征数据,其中,M为小于等于S的正整数。
9.根据权利要求8所述的地质雷达数据解释装置,其特征在于,
所述获得及处理模块,还用于获得基于地质雷达对所述探测目标进行探测的原始数据;根据所述原始数据,得到基于地质雷达对所述探测目标进行探测的所述探测数据。
10.根据权利要求6-9任一权项所述的地质雷达数据解释装置,其特征在于,在根据所述N种特征数据和预设的地质雷达数据解释模型,得到对所述探测目标进行预测的预测结果之前,所述地质雷达数据解释装置还包括:
训练模块,用于利用样本数据对多个神经网络进行训练,获得多个备选地质雷达数据解释模型;根据所述多个备选地质雷达数据解释模型一一对应输出的多个预测结果集,确定出所述预测结果集中与实际数据差值最小的最优预测结果集,其中,所述多个预测结果集中每个预测结果集为对应的每个备选地质雷达数据解释模型对测试数据集预测得到;确定与所述最优预测结果集对应的备选地质雷达数据解释模型为所述地质雷达数据解释模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811310146.0A CN109343019B (zh) | 2018-11-05 | 2018-11-05 | 一种地质雷达数据解释方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811310146.0A CN109343019B (zh) | 2018-11-05 | 2018-11-05 | 一种地质雷达数据解释方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109343019A true CN109343019A (zh) | 2019-02-15 |
CN109343019B CN109343019B (zh) | 2019-10-18 |
Family
ID=65313909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811310146.0A Active CN109343019B (zh) | 2018-11-05 | 2018-11-05 | 一种地质雷达数据解释方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109343019B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515117A (zh) * | 2019-07-19 | 2019-11-29 | 广州市高速公路有限公司 | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 |
CN111123263A (zh) * | 2019-12-12 | 2020-05-08 | 创新奇智(合肥)科技有限公司 | 基于地质雷达检测数据的隧道钢筋识别检测系统、方法 |
WO2020181907A1 (zh) * | 2019-03-08 | 2020-09-17 | 阿里巴巴集团控股有限公司 | 决策优化方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813644A (zh) * | 2010-04-16 | 2010-08-25 | 北京师范大学 | 一种利用探地雷达测量植物地下根的生物量的方法 |
US20160025851A1 (en) * | 2012-08-01 | 2016-01-28 | Novatek Ip, Llc | Ground Penetrating Radar with Multiple Correlators |
CN105974407A (zh) * | 2016-07-26 | 2016-09-28 | 中国科学院电子学研究所 | 一种探地雷达地下层位检测方法 |
CN107992901A (zh) * | 2017-12-18 | 2018-05-04 | 武汉大学 | 一种基于纹理特征的钻孔雷达影像岩层分类方法 |
CN108661630A (zh) * | 2017-03-31 | 2018-10-16 | 中国石油化工股份有限公司 | 一种基于参数优选的地质甜点定量评价方法 |
-
2018
- 2018-11-05 CN CN201811310146.0A patent/CN109343019B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813644A (zh) * | 2010-04-16 | 2010-08-25 | 北京师范大学 | 一种利用探地雷达测量植物地下根的生物量的方法 |
US20160025851A1 (en) * | 2012-08-01 | 2016-01-28 | Novatek Ip, Llc | Ground Penetrating Radar with Multiple Correlators |
CN105974407A (zh) * | 2016-07-26 | 2016-09-28 | 中国科学院电子学研究所 | 一种探地雷达地下层位检测方法 |
CN108661630A (zh) * | 2017-03-31 | 2018-10-16 | 中国石油化工股份有限公司 | 一种基于参数优选的地质甜点定量评价方法 |
CN107992901A (zh) * | 2017-12-18 | 2018-05-04 | 武汉大学 | 一种基于纹理特征的钻孔雷达影像岩层分类方法 |
Non-Patent Citations (1)
Title |
---|
段丽丽: "基于时间序列挖掘的探地雷达数据分析研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020181907A1 (zh) * | 2019-03-08 | 2020-09-17 | 阿里巴巴集团控股有限公司 | 决策优化方法及装置 |
CN110515117A (zh) * | 2019-07-19 | 2019-11-29 | 广州市高速公路有限公司 | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 |
CN111123263A (zh) * | 2019-12-12 | 2020-05-08 | 创新奇智(合肥)科技有限公司 | 基于地质雷达检测数据的隧道钢筋识别检测系统、方法 |
CN111123263B (zh) * | 2019-12-12 | 2022-04-19 | 创新奇智(浙江)科技有限公司 | 基于地质雷达检测数据的隧道钢筋识别检测系统、方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109343019B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109343019B (zh) | 一种地质雷达数据解释方法及装置 | |
TWI698808B (zh) | 模型測試的方法及裝置 | |
CN106443203B (zh) | 一种脉冲信号检测系统及方法 | |
CN104809452A (zh) | 一种指纹识别方法 | |
CN104217433B (zh) | 一种分析图像的方法及装置 | |
CN110032916A (zh) | 一种检测目标物体的方法和装置 | |
CN106920233A (zh) | 基于图像处理的划痕检测方法、装置及电子设备 | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN110276556A (zh) | 一种基于多策略的环境承载力指标权重计算方法及装置 | |
CN111091147B (zh) | 一种图像分类方法、装置及设备 | |
CN108802535A (zh) | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 | |
CN110008853A (zh) | 行人检测网络及模型训练方法、检测方法、介质、设备 | |
CN109376757A (zh) | 一种多标签分类方法及系统 | |
CN110148117A (zh) | 基于电力图像的电力设备缺陷识别方法、装置与存储介质 | |
CN110188862A (zh) | 用于数据处理的模型超参数的搜索方法、装置、系统 | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN109033921A (zh) | 一种识别模型的训练方法和装置 | |
CN109902641B (zh) | 基于语义对齐的人脸关键点检测方法、系统、装置 | |
CN108564569A (zh) | 一种基于多核分类学习的混凝土裂缝检测方法及装置 | |
CN110490058A (zh) | 行人检测模型的训练方法、装置、系统和计算机可读介质 | |
CN110135423A (zh) | 文本识别网络的训练方法和光学字符识别方法 | |
CN116662929A (zh) | 雷达信号识别模型的训练方法以及雷达信号识别方法 | |
CN110428012A (zh) | 脑网络模型建立方法、脑图像分类方法、装置及电子设备 | |
CN110222652A (zh) | 行人检测方法、装置及电子设备 | |
CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |