CN110991507A - 基于分类器的道路地下空洞识别方法、装置及系统 - Google Patents

基于分类器的道路地下空洞识别方法、装置及系统 Download PDF

Info

Publication number
CN110991507A
CN110991507A CN201911163989.7A CN201911163989A CN110991507A CN 110991507 A CN110991507 A CN 110991507A CN 201911163989 A CN201911163989 A CN 201911163989A CN 110991507 A CN110991507 A CN 110991507A
Authority
CN
China
Prior art keywords
reflected wave
classifier
amplitude
road
genetic algorithm
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
Application number
CN201911163989.7A
Other languages
English (en)
Inventor
王继伟
王子墨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongke blueprints Technology Co.,Ltd.
Zhongke yuntu Technology Co., Ltd
Original Assignee
Beijing Zhongke Blueprints Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhongke Blueprints Technology Co Ltd filed Critical Beijing Zhongke Blueprints Technology Co Ltd
Priority to CN201911163989.7A priority Critical patent/CN110991507A/zh
Publication of CN110991507A publication Critical patent/CN110991507A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于分类器的道路地下空洞识别方法、装置及系统，该方法包括：获取道路上各区域的探地雷达的感测数据；根据感测数据，计算各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值；将各区域内反射波的能量值、幅度值、反射系数、傅里叶频谱幅度以及空洞响应值作为输入数据输入至预先训练好的分类器中进行分类，得到对应区域是否为地下空洞的识别结果；预先训练好的分类器为证据理论K近邻分类器，证据理论K近邻分类器中的参数由遗传算法确定，根据KNN分类器的分类精度确定遗传算法的适应度函数。本发明能提高道路地下空洞检测的准确率以及可靠性。

Description

基于分类器的道路地下空洞识别方法、装置及系统
技术领域
本发明涉及道路检测领域，尤其涉及一种基于分类器的道路地下空洞识别方法、装置及系统。
背景技术
由于车辆振动、路面渗水和地下管线漏水等原因，导致城市道路频繁发生开裂、变形、沉降和塌陷等问题。通过物探方法，定期开展城市道路检测，可以提前预警道路塌陷隐患。探地雷达法是能同时满足快速、无损和高分辨率的道路检测物探方法。
目前，雷达道路检测数据依靠人工方式解译，面对道路快速检测产生的海量数据，人工方法效率低不能及时提交解译结果，且不同人员之间解译准确率存在较大差异，可靠性不高。
发明内容
本发明旨在提供一种基于分类器的道路地下空洞识别方法、装置以及系统，以改善现有技术雷达道路检测数据依靠人工方式解译准确率不高以及可靠性不高的问题。
根据本发明的第一方面，一种基于分类器的道路地下空洞识别方法，包括：获取道路上各区域的探地雷达的感测数据，所述感测数据用于表征基于探地雷达的反射波的幅度；根据所述探地雷达的感测数据，计算各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值；其中，所述反射波的反射系数根据所述反射波的幅度值与入射波的幅度值的比值计算得到，所述空洞响应值根据反射系数以及傅里叶频谱幅度加权求和运算得到；将各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值作为输入数据输入至预先训练好的分类器中进行分类，得到对应区域是否为地下空洞的识别结果；其中，所述预先训练好的分类器为证据理论K近邻分类器，所述证据理论K近邻分类器中的参数由遗传算法确定，根据KNN分类器的分类精度确定所述遗传算法的适应度函数。
进一步地，在获取道路上各区域的探地雷达的感测数据步骤之前，通过如下操作训练证据理论K近邻分类器得到所述预先训练好的分类器，具体包括：确定用于训练学习的探地雷达的感测数据训练样本，所述感测数据训练样本包括用作训练输入集的道路上各区域的探地雷达的感测数据以及用作训练输出集的类别数据，所述类别数据包括用于指示道路的区域为地下空洞的第一类别数据以及用于指示道路的区域为非地下空洞的第二类别数据；利用遗传算法随机产生一个种群，每个个体作为证据理论K近邻分类器的参数向量；对应每个参数向量求所述证据理论K近邻分类器对所述感测数据训练样本的分类精度；根据分类精度评价遗传算法各个个体的适应度以进化遗传算法的种群，直至所有的个体的适应度都排在第一位，得到的个体为证据理论K近邻分类器的最优参数向量，基于所述最优参数向量的证据理论K近邻分类器为所述预先训练好的分类器。
进一步地，所述遗传算法为NSGA-Ⅱ算法；根据分类精度评价遗传算法各个个体的适应度以进化遗传算法的种群的步骤包括：
用分类的错误率作为评价遗传算法各个个体的适应度函数，所述分类的错误率等于1减去证据理论K近邻分类器的分类精度。
进一步地，所述获取道路上各区域的探地雷达的感测数据的步骤之后包括：对所述获取探地雷达的感测数据进行滤波处理。
进一步地，所述反射波能量值E的计算方式如下：
Figure BDA0002285421770000031
其中，N为采样点数，Pi为第i个采样点的反射波的幅值；
所述反射系数R的计算方式如下：
Figure BDA0002285421770000032
其中，P0为直达波的峰值；所述反射波的傅里叶频谱幅值F(ω)的计算方式如下：
Figure BDA0002285421770000033
f(t)为反射波的幅度的时域信号，ω为反射波的幅度信号频率，t为反射波的幅度信号采样时间；所述反射波的空洞响应值K的计算方式如下：K＝αR+βF(ω)，α为预设的反射系数权值，β为预设的傅里叶频谱幅度权值。
根据本发明的第二方面，一种基于分类器的道路地下空洞识别装置，包括：获取模块，用于获取道路上各区域的探地雷达的感测数据，所述感测数据用于表征基于探地雷达的反射波的幅度；处理模块，用于根据所述探地雷达的感测数据，计算各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值；其中，所述反射波的反射系数根据所述反射波的幅度值与入射波的幅度值的比值计算得到，所述空洞响应值根据反射系数以及傅里叶频谱幅度加权求和运算得到；识别模块，用于将各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值作为输入数据输入至预先训练好的分类器中进行分类，得到对应区域是否为地下空洞的识别结果；其中，所述预先训练好的分类器为证据理论K近邻分类器，所述证据理论K近邻分类器中的参数由遗传算法确定，根据KNN分类器的分类精度确定所述遗传算法的适应度函数。
进一步地，基于分类器的道路地下空洞识别装置，还包括分类器训练模块，用于确定用于训练学习的探地雷达的感测数据训练样本，所述感测数据训练样本包括用作训练输入集的道路上各区域的探地雷达的感测数据以及用作训练输出集的类别数据，所述类别数据包括用于指示道路的区域为地下空洞的第一类别数据以及用于指示道路的区域为非地下空洞的第二类别数据；利用遗传算法随机产生一个种群，每个个体作为证据理论K近邻分类器的参数向量；对应每个参数向量求证据理论K近邻分类器对所述感测数据训练样本的分类精度；根据分类精度评价遗传算法各个个体的适应度以进化遗传算法的种群，直至所有的个体的适应度都排在第一位，得到的个体为证据理论K近邻分类器的最优参数向量，基于所述最优参数向量的证据理论K近邻分类器为所述预先训练好的分类器。
进一步地，所述遗传算法为NSGA-Ⅱ算法；所述分类器训练模块进一步用于用分类的错误率作为评价遗传发酸各个个体的适应度函数，所述分类的错误率等于1减去证据理论K近邻分类器的分类精度。
进一步地，所述反射波能量值E的计算方式如下：
Figure BDA0002285421770000041
其中，N为采样点数，Pi为第i个采样点的反射波的幅值；
所述反射系数R的计算方式如下：
Figure BDA0002285421770000042
其中，P0为直达波的峰值；所述反射波的傅里叶频谱幅值F(ω)的计算方式如下：
Figure BDA0002285421770000043
f(t)为反射波的幅度的时域信号，ω为反射波的幅度信号频率，t为反射波的幅度信号采样时间；所述反射波的空洞响应值K的计算方式如下：K＝αR+βF(ω)，α为预设的反射系数权值，β为预设的傅里叶频谱幅度权值。
根据本发明的第三方面，一种基于分类器的道路地下空洞识别系统包括如上述的基于分类器的道路地下空洞识别装置以及探地雷达，所述基于分类器的道路地下空洞识别装置与探地雷达通信连接。
本发明提出的一种道基于分类器的道路地下空洞识别方法、装置及系统，通过将信号能量数据、用于表征反射波强度的反射强度数据、反射系数数据、傅里叶频谱幅度数据以及空洞响应数据输入到预先训练好的证据理论K近邻分类器，该证据理论K近邻分类器中的参数由遗传算法确定，根据KNN分类器的分类精度确定遗传算法的适应度函数，分类器的参数根据全局最优的分类精度确定，能提高雷达道路检测数据解译的准确率和可靠性。
参照附图来阅读对于示例性实施例的以下描述，本发明的其他特性特征和优点将变得清晰。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例，并且与描述一起用于解释本发明的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例，而不是全部实施例。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，可以根据这些附图获得其他的附图。
图1为本发明一种基于分类器的道路地下空洞识别方法实施例的流程图；
图2中虚线标注处为空洞在雷达图像中的特征示意图；
图3为图2中虚线所示区域的傅里叶幅度频谱示意图，其中，横坐标200-400之间的波峰为空洞在傅里叶频谱中的特征；
图4中虚线标注处为地下均匀介质在雷达图像中的特征示意图；
图5为图4中虚线所示区域的傅里叶幅度频谱示意图，其中，横坐标200-400之间的波峰为非空洞在傅里叶频谱中的特征；
图6为本发明一种基于分类器的道路地下空洞识别装置实施例的结构框图；
图7为本发明一种基于分类器的道路地下空洞识别系统实施例的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
本发明研究发现：在地下空洞分界面处空洞和周围介质物理性质差异巨大，电磁波传播时产生强烈反射，该强反射以高频成分为主，在频谱中会形成一个高频峰值。电磁波在均匀介质中传播时，不会产生强反射，在频谱中不会有相应的高频频率响应。空洞与周围介质电磁物理性质差异巨大，此处计算得到的反射系数会大于正常区域，同时结合傅里叶频谱可以准确识别道路地下空洞。以下结合各图所示实施例进行详细解释说明。
如图1所示，本发明一种基于分类器的道路地下空洞识别方法，包括：
步骤101：获取道路上各区域的探地雷达的感测数据，所述感测数据用于表征基于探地雷达的反射波的幅度；
步骤102：根据所述探地雷达的感测数据，计算各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值；其中，所述反射波的反射系数根据所述反射波的幅度值与入射波的幅度值的比值计算得到，所述空洞响应值根据反射系数以及傅里叶频谱幅度加权求和运算得到；
步骤103：将各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值作为输入数据输入至预先训练好的分类器中进行分类，得到对应区域是否为地下空洞的识别结果；其中，关于空洞以及非空洞的感测数据在探地雷达数据的表现特征分别参见图2及图4；空洞所示区域的傅里叶幅度频谱示意图详见图3；地下均匀介质(即非空洞)处的傅里叶幅度频谱示意图详见图5；
其中，所述预先训练好的分类器为证据理论K近邻分类器(ET-KNN，EvidenceTheory k-NearestNeighbor)，所述证据理论K近邻分类器中的参数由遗传算法确定，根据KNN分类器的分类精度确定所述遗传算法的适应度函数。
具体操作时：在步骤101之前，通过如下操作训练证据理论K近邻分类器得到所述预先训练好的分类器，具体包括：
确定用于训练学习的探地雷达的感测数据训练样本，所述感测数据训练样本包括用作训练输入集的道路上各区域的探地雷达的感测数据以及用作训练输出集的类别数据，所述类别数据包括用于指示道路的区域为地下空洞的第一类别数据以及用于指示道路的区域为非地下空洞的第二类别数据；
利用遗传算法随机产生一个种群，每个个体作为证据理论K近邻分类器的参数向量；
对应每个参数向量求所述证据理论K近邻分类器对所述感测数据训练样本的分类精度；
根据分类精度评价遗传算法各个个体的适应度以进化遗传算法的种群，直至所有的个体的适应度都排在第一位，得到的个体为证据理论K近邻分类器的最优参数向量，基于所述最优参数向量的证据理论K近邻分类器为所述预先训练好的分类器。
具体操作时，所述遗传算法为包括但不限于NSGA-Ⅱ算法。相应于该NSGA-Ⅱ算法，可以用分类的错误率作为评价遗传算法各个个体的适应度函数，所述分类的错误率等于1减去证据理论K近邻分类器的分类精度。
具体操作时，所述获取道路上各区域的探地雷达的感测数据的步骤之后还可以包括：对所述获取探地雷达的感测数据进行滤波处理。
所述反射波能量值E的计算方式如下：
Figure BDA0002285421770000081
其中，N为采样点数，Pi为第i个采样点的反射波的幅值；
所述反射系数R的计算方式如下：
Figure BDA0002285421770000082
其中，P0为直达波的峰值；所述反射波的傅里叶频谱幅值F(ω)的计算方式如下：
Figure BDA0002285421770000083
f(t)为反射波的幅度的时域信号，ω为反射波的幅度信号频率，t为反射波的幅度信号采样时间；
所述反射波的空洞响应值K的计算方式如下：K＝αR+βF(ω)，α为预设的反射系数权值，β为预设的傅里叶频谱幅度权值。
本发明基于分类器的道路地下空洞识别方法实施例通过将信号能量数据、用于表征反射波强度的反射强度数据、反射系数数据、傅里叶频谱幅度数据以及空洞响应数据输入到预先训练好的证据理论K近邻分类器，该证据理论K近邻分类器中的参数由遗传算法确定，根据KNN分类器的分类精度确定遗传算法的适应度函数，分类器的参数根据全局最优的分类精度确定，能提高雷达道路检测数据解译的准确率和可靠性。
如图6所示，本发明还提供一种基于分类器的道路地下空洞识别装置，其为图1所示方法实施例的对应的装置实施例，图1-图5所示实施例的解释说明可以应用于本实施例，该识别装置包括：
获取模块601，用于获取道路上各区域的探地雷达的感测数据，所述感测数据用于表征基于探地雷达的反射波的幅度；
处理模块602，用于根据所述探地雷达的感测数据，计算各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值；其中，所述反射波的反射系数根据所述反射波的幅度值与入射波的幅度值的比值计算得到，所述空洞响应值根据反射系数以及傅里叶频谱幅度加权求和运算得到；
识别模块603，用于将各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值作为输入数据输入至预先训练好的分类器中进行分类，得到对应区域是否为地下空洞的识别结果；
其中，所述预先训练好的分类器为证据理论K近邻分类器，所述证据理论K近邻分类器中的参数由遗传算法确定，根据KNN分类器的分类精度确定所述遗传算法的适应度函数。
进一步地，基于分类器的道路地下空洞识别装置还包括分类器训练模块，用于确定用于训练学习的探地雷达的感测数据训练样本，所述感测数据训练样本包括用作训练输入集的道路上各区域的探地雷达的感测数据以及用作训练输出集的类别数据，所述类别数据包括用于指示道路的区域为地下空洞的第一类别数据以及用于指示道路的区域为非地下空洞的第二类别数据；利用遗传算法随机产生一个种群，每个个体作为证据理论K近邻分类器的参数向量；对应每个参数向量求证据理论K近邻分类器对所述感测数据训练样本的分类精度；根据分类精度评价遗传算法各个个体的适应度以进化遗传算法的种群，直至所有的个体的适应度都排在第一位，得到的个体为证据理论K近邻分类器的最优参数向量，基于所述最优参数向量的证据理论K近邻分类器为所述预先训练好的分类器。
本发明基于分类器的道路地下空洞识别装置实施例通过将信号能量数据、用于表征反射波强度的反射强度数据、反射系数数据、傅里叶频谱幅度数据以及空洞响应数据输入到预先训练好的证据理论K近邻分类器，该证据理论K近邻分类器中的参数由遗传算法确定，根据KNN分类器的分类精度确定遗传算法的适应度函数，分类器的参数根据全局最优的分类精度确定，能提高雷达道路检测数据解译的准确率和可靠性。
如图7所示，本发明还提供一种基于分类器的道路地下空洞识别系统，包括图6所示的识别装置。图1-图6所示实施例的解释说明可以应用于本实施例，本实施例识别系统包括上述的基于分类器的道路地下空洞识别装置以及探地雷达，所述识别装置与探地雷达通信连接。
本发明基于分类器的道路地下空洞识别系统具有上述基于分类器的道路地下空洞识别装置实施例相应的技术效果，在此不再赘述。
上面描述的内容可以单独地或者以各种方式组合起来实施，而这些变型方式都在本发明的保护范围之内。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于分类器的道路地下空洞识别方法，其特征在于，包括：
获取道路上各区域的探地雷达的感测数据，所述感测数据用于表征基于探地雷达的反射波的幅度；
根据所述探地雷达的感测数据，计算各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值；其中，所述反射波的反射系数根据所述反射波的幅度值与入射波的幅度值的比值计算得到，所述空洞响应值根据反射系数以及傅里叶频谱幅度加权求和运算得到；
将各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值作为输入数据输入至预先训练好的分类器中进行分类，得到对应区域是否为地下空洞的识别结果；
其中，所述预先训练好的分类器为证据理论K近邻分类器，所述证据理论K近邻分类器中的参数由遗传算法确定，根据KNN分类器的分类精度确定所述遗传算法的适应度函数。
2.如权利要求1所述的基于分类器的道路地下空洞识别方法，其特征在于，在获取道路上各区域的探地雷达的感测数据步骤之前，通过如下操作训练证据理论K近邻分类器得到所述预先训练好的分类器，具体包括：
确定用于训练学习的探地雷达的感测数据训练样本，所述感测数据训练样本包括用作训练输入集的道路上各区域的探地雷达的感测数据以及用作训练输出集的类别数据，所述类别数据包括用于指示道路的区域为地下空洞的第一类别数据以及用于指示道路的区域为非地下空洞的第二类别数据；
利用遗传算法随机产生一个种群，每个个体作为证据理论K近邻分类器的参数向量；
对应每个参数向量求所述证据理论K近邻分类器对所述感测数据训练样本的分类精度；
根据分类精度评价遗传算法各个个体的适应度以进化遗传算法的种群，直至所有的个体的适应度都排在第一位，得到的个体为证据理论K近邻分类器的最优参数向量，基于所述最优参数向量的证据理论K近邻分类器为所述预先训练好的分类器。
3.如权利要求2所述的基于分类器的道路地下空洞识别方法，其特征在于：所述遗传算法为NSGA-Ⅱ算法；
根据分类精度评价遗传算法各个个体的适应度以进化遗传算法的种群的步骤包括：
用分类的错误率作为评价遗传算法各个个体的适应度函数，所述分类的错误率等于1减去证据理论K近邻分类器的分类精度。
4.如权利要求3所述的基于分类器的道路地下空洞识别方法，其特征在于：所述获取道路上各区域的探地雷达的感测数据的步骤之后包括：
对所述获取探地雷达的感测数据进行滤波处理。
5.如权利要求1-4中任一项所述的基于分类器的道路地下空洞识别方法，其特征在于：
所述反射波能量值E的计算方式如下：
Figure FDA0002285421760000021
其中，N为采样点数，Pi为第i个采样点的反射波的幅值；
所述反射系数R的计算方式如下：
Figure FDA0002285421760000022
其中，P0为直达波的峰值；所述反射波的傅里叶频谱幅值F(ω)的计算方式如下：
Figure FDA0002285421760000023
f(t)为反射波的幅度的时域信号，ω为反射波的幅度信号频率，t为反射波的幅度信号采样时间；
所述反射波的空洞响应值K的计算方式如下：K＝αR+βF(ω)，α为预设的反射系数权值，β为预设的傅里叶频谱幅度权值。
6.一种基于分类器的道路地下空洞识别装置，其特征在于，包括：
获取模块，用于获取道路上各区域的探地雷达的感测数据，所述感测数据用于表征基于探地雷达的反射波的幅度；
处理模块，用于根据所述探地雷达的感测数据，计算各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值；其中，所述反射波的反射系数根据所述反射波的幅度值与入射波的幅度值的比值计算得到，所述空洞响应值根据反射系数以及傅里叶频谱幅度加权求和运算得到；
识别模块，用于将各区域内反射波的能量值、反射波的幅度值、反射波的反射系数、反射波的傅里叶频谱幅度以及反射波的空洞响应值作为输入数据输入至预先训练好的分类器中进行分类，得到对应区域是否为地下空洞的识别结果；
其中，所述预先训练好的分类器为证据理论K近邻分类器，所述证据理论K近邻分类器中的参数由遗传算法确定，根据KNN分类器的分类精度确定所述遗传算法的适应度函数。
7.如权利要求6所述的基于分类器的道路地下空洞识别装置，其特征在于：还包括分类器训练模块，用于确定用于训练学习的探地雷达的感测数据训练样本，所述感测数据训练样本包括用作训练输入集的道路上各区域的探地雷达的感测数据以及用作训练输出集的类别数据，所述类别数据包括用于指示道路的区域为地下空洞的第一类别数据以及用于指示道路的区域为非地下空洞的第二类别数据；利用遗传算法随机产生一个种群，每个个体作为证据理论K近邻分类器的参数向量；对应每个参数向量求证据理论K近邻分类器对所述感测数据训练样本的分类精度；根据分类精度评价遗传算法各个个体的适应度以进化遗传算法的种群，直至所有的个体的适应度都排在第一位，得到的个体为证据理论K近邻分类器的最优参数向量，基于所述最优参数向量的证据理论K近邻分类器为所述预先训练好的分类器。
8.如权利要求7所述的基于分类器的道路地下空洞识别装置，其特征在于：所述遗传算法为NSGA-Ⅱ算法；
所述分类器训练模块进一步用于用分类的错误率作为评价遗传算法各个个体的适应度函数，所述分类的错误率等于1减去证据理论K近邻分类器的分类精度。
9.如权利要求6-8中任一项所述的基于分类器的道路地下空洞识别装置，其特征在于：
所述反射波能量值E的计算方式如下：
Figure FDA0002285421760000041
其中，N为采样点数，Pi为第i个采样点的反射波的幅值；
所述反射系数R的计算方式如下：
Figure FDA0002285421760000042
其中，P0为直达波的峰值；所述反射波的傅里叶频谱幅值F(ω)的计算方式如下：
Figure FDA0002285421760000043
f(t)为反射波的幅度的时域信号，ω为反射波的幅度信号频率，t为反射波的幅度信号采样时间；
所述反射波的空洞响应值K的计算方式如下：K＝αR+βF(ω)，为预设的反射系数权值，β为预设的傅里叶频谱幅度权值。
10.一种基于分类器的道路地下空洞识别系统，其特征在于，包括如上述权利要求6-9中任一项所述的基于分类器的道路地下空洞识别装置以及探地雷达，所述道路地下空洞识别装置与探地雷达通信连接。
CN201911163989.7A 2019-11-22 2019-11-22 基于分类器的道路地下空洞识别方法、装置及系统 Pending CN110991507A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911163989.7A CN110991507A (zh) 2019-11-22 2019-11-22 基于分类器的道路地下空洞识别方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911163989.7A CN110991507A (zh) 2019-11-22 2019-11-22 基于分类器的道路地下空洞识别方法、装置及系统

Publications (1)

Publication Number Publication Date
CN110991507A true CN110991507A (zh) 2020-04-10

Family

ID=70086421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911163989.7A Pending CN110991507A (zh) 2019-11-22 2019-11-22 基于分类器的道路地下空洞识别方法、装置及系统

Country Status (1)

Country Link
CN (1) CN110991507A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926526A (zh) * 2021-03-30 2021-06-08 矽典微电子(上海)有限公司 基于毫米波雷达的停车检测方法及系统
CN115220115A (zh) * 2022-09-21 2022-10-21 江苏筑升土木工程科技有限公司 一种道路空洞在线检测系统及检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537382A (zh) * 2015-01-12 2015-04-22 杭州电子科技大学 基于遗传算法优化支持向量机的肌电信号步态识别方法
CN105512635A (zh) * 2015-12-15 2016-04-20 鲁东大学 一种融合类别属性的深度网络地下目标识别方法及系统
CN109190510A (zh) * 2018-08-13 2019-01-11 中国矿业大学(北京) 基于探地雷达的地下空洞量化识别方法
CN110245642A (zh) * 2019-06-21 2019-09-17 北京市市政工程研究院 一种基于深度学习的雷达图谱识别方法及系统
JP2019190998A (ja) * 2018-04-25 2019-10-31 株式会社日立情報通信エンジニアリング 空洞識別システム及び空洞識別方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537382A (zh) * 2015-01-12 2015-04-22 杭州电子科技大学 基于遗传算法优化支持向量机的肌电信号步态识别方法
CN105512635A (zh) * 2015-12-15 2016-04-20 鲁东大学 一种融合类别属性的深度网络地下目标识别方法及系统
JP2019190998A (ja) * 2018-04-25 2019-10-31 株式会社日立情報通信エンジニアリング 空洞識別システム及び空洞識別方法
CN109190510A (zh) * 2018-08-13 2019-01-11 中国矿业大学(北京) 基于探地雷达的地下空洞量化识别方法
CN110245642A (zh) * 2019-06-21 2019-09-17 北京市市政工程研究院 一种基于深度学习的雷达图谱识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘峰: "基于多目标优化的多标签分类算法参数调谐研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
姜化冰: "探地雷达地下空洞目标探测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
张扬等: "一种新的证据 K-NN 数据分类算法", 《火力与指挥控制》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926526A (zh) * 2021-03-30 2021-06-08 矽典微电子(上海)有限公司 基于毫米波雷达的停车检测方法及系统
CN112926526B (zh) * 2021-03-30 2023-12-29 矽典微电子(上海)有限公司 基于毫米波雷达的停车检测方法及系统
CN115220115A (zh) * 2022-09-21 2022-10-21 江苏筑升土木工程科技有限公司 一种道路空洞在线检测系统及检测方法

Similar Documents

Publication Publication Date Title
CN111007572B (zh) 道路地下空洞的自动识别方法、装置及系统
CN104749568B (zh) 一种基于水听器阵列的浅海目标深度的分类方法
Lu et al. Feature extraction and automatic material classification of underground objects from ground penetrating radar data
CN111811617B (zh) 一种基于短时傅里叶变换和卷积神经网络的液位预测方法
CN111649817A (zh) 一种分布式光纤振动传感器系统及其模式识别方法
CN113029327B (zh) 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法
CN110991507A (zh) 基于分类器的道路地下空洞识别方法、装置及系统
CN110427878A (zh) 一种快速射电暴信号识别方法与系统
CN111695461B (zh) 一种基于图频特性的雷达杂波智能分类方法
CN112462355A (zh) 一种基于时频三特征提取的对海目标智能检测方法
CN115480305A (zh) 边坡地震动力响应及灾变过程多元多域感知监测方法
CN108646248A (zh) 一种针对低速运动声源的被动声学测速测距方法
CN117419915A (zh) 一种多源信息融合的电机故障诊断方法
CN113468804B (zh) 一种基于矩阵束和深度神经网络的地下管道识别方法
CN110458071A (zh) 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法
CN111007464B (zh) 基于最优加权的道路地下空洞识别方法、装置及系统
CN106197646A (zh) 一种光纤振动检测减小误差的方法及纤振动检测装置
CN117452496A (zh) 一种震声传感器目标探测识别方法
CN117496463A (zh) 一种提高道路感知精度的学习方法及系统
Peng et al. Seismic signal recognition using improved BP neural network and combined feature extraction method
CN110806444B (zh) 基于浅地层剖面仪与svm的海底底质识别与分类方法
CN113178198A (zh) 一种基于毫米波感知的非接触式声纹生物认证方法
Shen et al. An alternative method for surface current extraction from X-band marine radar images
CN117217103B (zh) 基于多尺度注意力机制的星载sar海杂波生成方法及系统
CN113177581B (zh) 一种基于毫米波感知的液晶屏幕内容远程感知方法

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
TA01 Transfer of patent application right

Effective date of registration: 20200827

Address after: No.86-a2112, Wanxing Road, Changyang, Fangshan District, Beijing 102400

Applicant after: Beijing Zhongke blueprints Technology Co.,Ltd.

Applicant after: Zhongke yuntu Technology Co., Ltd

Address before: No.86-a2112, Wanxing Road, Changyang, Fangshan District, Beijing 102400

Applicant before: Beijing Zhongke blueprints Technology Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20200410

RJ01 Rejection of invention patent application after publication