CN112098998A - 一种基于遗传算法的多频率探地雷达剖面融合方法 - Google Patents

一种基于遗传算法的多频率探地雷达剖面融合方法 Download PDF

Info

Publication number
CN112098998A
CN112098998A CN202010988389.0A CN202010988389A CN112098998A CN 112098998 A CN112098998 A CN 112098998A CN 202010988389 A CN202010988389 A CN 202010988389A CN 112098998 A CN112098998 A CN 112098998A
Authority
CN
China
Prior art keywords
data
ground penetrating
penetrating radar
genetic algorithm
signal
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
Application number
CN202010988389.0A
Other languages
English (en)
Other versions
CN112098998B (zh
Inventor
赵文轲
卢国泽
原琳
王帮兵
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010988389.0A priority Critical patent/CN112098998B/zh
Publication of CN112098998A publication Critical patent/CN112098998A/zh
Application granted granted Critical
Publication of CN112098998B publication Critical patent/CN112098998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • 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
    • G01S7/418—Theoretical aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于遗传算法的多频率探地雷达剖面融合方法，属于近地表地球物理领域。本发明是在同一测线上使用装备了不同中心频率的探地雷达天线进行数据采集，并经过数据处理使得不同数据集保持数据的空间一致性，从而利用遗传算法来获取不同频率信号加权融合的最优权重系数，将不同频率的数据集输出为一个复合的剖面显示。本发明通过遗传算法将来自同一空间位置的不同频率下采集的探地雷达数据集进行融合，从而尽可能地在浅部保留高频率数据的高分辨率特征，同时获取低频率数据在深部的探测信息，以便对地下获取更全面的认识。

Description

一种基于遗传算法的多频率探地雷达剖面融合方法
技术领域
本发明属于近地表地球物理领域，涉及一种基于遗传算法的多频率探地雷达剖面融合方法。
背景技术
不同频率采集的探地雷达数据成像可以提供不同的视觉显示：即高频探地雷达数据成像具有更高的分辨率但较低的穿透深度；而低频探地雷达数据成像可以提供较低分辨率但更高的穿透深度。因此，利用多个天线频率可以提高对地下不同尺度目标体的识别能力，而这需要对每个不同频率的数据集分别进行分析。探地雷达数据融合的方法可以进一步将多个数据集融合在一起，并输出为一个复合的剖面显示，使我们对地下的认识更加全面。
传统的探地雷达数据融合方法可分为两类。一类是二维的图像融合，即把多个探地雷达剖面进行拼接，其中来自高频数据的部分在上方，低频的在下方。然而这种方法容易在融合图像上遗留明显的拼接痕迹，且依赖于操作人员的经验。此外，由信号到图像的数据类型的转换几乎是不可逆的，因此，基于图像融合的方式容易忽视信号的物理意义，例如信号的频率谱、相位谱以及波传播特征等。
另一类涉及一维的信号融合，通过某种加权的方式将信号进行加权融合，或者利用傅里叶变换、小波变换等方式将信号从时间域转换到频率域进行加权融合。目前使用这类方法的研究中，大多数是对整道信号采取了固定的一个权重系数，这可能会埋没了信号的某些特征。
综上，传统的图像融合忽视丢失信号的物理参量，而常规的基于加权的一维信号融合又难以完全保留信号的有效能量，尤其是高频信号的有效能量。因此，在实现数据融合的基础上自适应地表征各个频率信号的有效能量的分布，是本研究领域的一项挑战。
发明内容
本发明的目的是针对现有技术的不足，提供一种基于遗传算法的多频率探地雷达剖面融合方法。该方法是在同一测线上使用装备了不同中心频率的探地雷达天线进行数据采集，并经过数据处理使得不同数据集保持数据的空间一致性，从而利用遗传算法来获取不同频率信号加权融合的最优权重系数，将不同频率的数据集输出为一个复合的剖面显示。本发明的方法能够尽可能地在浅部保留高频率数据的高分辨率特征，同时获取低频率数据在深部的探测信息，以便对地下获取更全面的认识。
本发明具体采用的技术方案如下：
一种基于遗传算法的多频率探地雷达剖面融合方法，包括如下步骤：
S1：在同一测线上使用不同中心频率的探地雷达天线进行数据采集，获得不同频率的数据集；
S2：对不同频率的数据集进行数据预处理；
S3：对预处理后的不同频率的数据集进行配准，保持数据的空间一致性；
S4：建立多频率探地雷达信号融合表达式：
Sf＝W1*S1+W2*S2+…+Wk*Sk
其中，Sf是融合后的信号，S1到Sk表示一系列频率由高到低的信号，k的值视具体数据采集过程中使用的天线数量而定，Wk对应相同下标信号Sk的权重系数，且满足：
W1+W2+…+Wk＝1
S5：使用遗传算法求取不同频率信号加权融合的权重系数的最优解，包括：
S51：初始化
初始种群由随机产生的N个个体W组成，每个个体对待求取的权重系数进行编码，其中n表示配准后的离散信号采样点个数，初始遗传代数G设为0，其表达式如下：
Figure BDA0002690001110000021
其中，
Figure BDA0002690001110000022
表示第i个个体对应第j个离散信号采样点的权重系数；
S52：适应度评估
构建目标函数，计算当前代数种群内个体的适应值；所述的目标函数F为：
Figure BDA0002690001110000023
其中，Sf(j)为第j个离散信号采样点的融合结果，d(j)为离散的拟合信号中的第j个采样点；所述的离散的拟合信号d(j)可由下式得到：
Figure BDA0002690001110000031
其中，nk表示该离散信号Sk(j)从第一个采样点开始直到累积能量达到总能量的90％时的采样点；
S53：遗传操作
(1)基因选择：挑选出M个经目标函数计算的适应值最低的权重系数，且M＜N；
(2)交叉：根据选择的权重系数生成另外N-M个新的权重系数；
(3)变异：用随机产生的Pm*(N-M)个权重系数来替换根据交叉算子产生的部分权重系数，其中Pm为变异率；
S54：补充子代：用步骤S43产生的新的权重系数来替换适应度最差的N-M权重系数；
S55：返回步骤S52，并计遗传代数G＝G+1，直至达到预设的遗传代数；
S6：将不同频率的数据集按照权重系数加权融合，生成一个复合的剖面显示。
本发明具备的有益效果：
(1)本发明采用了多频率探地雷达数据融合技术，最终获得了一个综合的融合剖面，相比于常规的单频率探地雷达系统的工作方式，克服了单一频率探地雷达数据在分辨率和穿透深度方面的限制，提高了数据解释的效率。
(2)本发明采用了基于遗传算法的信号加权融合技术，相比于传统的加权融合，解决了非动态权重系数在保留信号特征方面的缺陷，而利用遗传算法求取的最优化自适应权重系数可以更好地保留信号的优势信息，即最大限度地保留高频的高分辨率和低频信号的深穿透距离。
附图说明
图1为本发明融合方法的流程图；
图2为遗传算法过程图；
图3为多频率(100&250MHz)探地雷达融合剖面图。
图4为利用GA求取的最优融合权重系数。
图5为种群中最优个体的适应值随遗传代数的变化图。
具体实施方式
下面结合附图和具体实施例本发明做进一步阐述和说明。
如图1所示，为本实施例中的基于遗传算法的多频率探地雷达剖面融合方法流程，该方法包括如下步骤：
第一步、在同一测线上使用不同中心频率的探地雷达天线进行数据采集；
第二步、对不同频率数据集进行数据常规处理：
探地雷达的采集数据需要预先进行常规的数据处理，得到预处理剖面图像。具体的数据处理过程可根据测量对象进行调整，以能够得到良好的图像显示效果为准。在本发明中，数据处理包括数据编辑、直流成分去除、振幅增益、一维带通滤波、背景一致性噪声去除、二维滤波。
第三步、对不同数据集进行配准以保持数据的空间一致性，主要操作包括：
(1)对信号的时间剪切以保持纵向上相同初至时间和信号长度；
(2)剔除多余信号道以保持数据在横向上的空间一致；
(3)数据重采样(通常对低频数据进行上采样)使得不同数据集的点位互相对应；
(4)振幅归一化，保持不同频率信号的振幅分布均衡；：
第四步、使用遗传算法来求取不同频率信号加权融合的权重系数的最优解，从而得到融合信号，并将不同频率数据集输出到一个复合的剖面显示中。
其中，本发明将多频率探地雷达信号融合表达式为：
Sf＝W1*S1+W2*S2+…+Wk*Sk
其中，Sf是融合后的信号，S1到Sk表示一系列频率由高到低的信号，k为采集信号的天线数量；Wk对应相同下标信号Sk的权重系数，且满足：
W1+W2+…+Wk＝1
遗传算法(genetic algorithm，GA)是一种模拟自然生物进化机制的算法，从自然选择的淘汰法则中寻找最优解。为了保留单一频率信号的特点，即高频信号的高分辨率和低频信号的深探测距离，应用了遗传算法来寻找不同频率信号加权融合的权重系数的全局最优解。如图2所示，采用遗传算法求取不同频率信号加权融合的权重系数的最优解的流程如下：
(1)确定待求解问题及变量等参数。
本实施例中，要求解的问题为每一个频率下的离散采样点的权重系数。
(2)对变量进行编码。
(3)初始化种群P。
本实施例在初始化过程中，初始种群由随机产生的500个个体W组成，每一代中包含200个父代以及300个子代，个体长度与信号采样点数相同，总遗传代数为2000代。
每个个体对待求取的权重系数进行编码，初始遗传代数G设为0，其表达式如下：
Figure BDA0002690001110000051
其中，
Figure BDA0002690001110000052
表示第i个个体对应第j个离散信号采样点的权重系数；其中n表示配准后的离散信号采样点个数，
(4)适应度评估。
构建目标函数，计算当前代数种群内个体的适应值；所述的目标函数F为：
Figure BDA0002690001110000053
其中，Sf(j)为第j个离散信号采样点的融合结果，d(j)为离散的拟合信号中的第j个采样点；所述的离散的拟合信号d(j)可由下式得到：
Figure BDA0002690001110000054
其中，nk表示该离散信号Sk(j)从第一个采样点开始直到累积能量达到总能量的90％时的采样点。
(5)遗传操作。
(1)基因选择：挑选出M个经目标函数计算的适应值最低的权重系数，且M＜N；
(2)交叉：根据选择的权重系数生成另外500-M个新的权重系数；本实施例中采用的交叉率为1。
(3)变异：用随机产生的Pm*(500-M)个权重系数来替换根据交叉算子产生的部分权重系数，其中Pm为变异率；本实施例中采用的变异率为0.05。
(6)补充子代：用遗传操作后产生的新的权重系数来替换适应度最差的500-M权重系数；
重复上述步骤，并计遗传代数G＝G+1，直至达到预设的遗传代数。
第五步、将不同频率的数据集按照权重系数加权融合，生成一个复合的剖面显示。
下面将上述方法应用于某一具体的实例中，以展示其技术效果。
图3是处理后的单个频率探地雷达的剖面显示图以及融合后的剖面图。(a)100MHz剖面，曲线表示地下潜在的基岩界面；(b)250MHz剖面，箭头标记了探地雷达从草坪经过水泥路面时的位置；(c)100-250MHz融合剖面，箭头标记了井盖的位置，矩形指示树根分布的区域，椭圆指示了地下的空洞。
图4是利用遗传算法求得的最佳融合权重系数。图为高频信号的权重系数，同一采样点上高频与低频信号各自的权重系数之和恒为1。
图5是使用的遗传算法中种群内最优个体的适应值随遗传代数的变化。此过程即为问题求解的寻优过程。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (7)

1.一种基于遗传算法的多频率探地雷达剖面融合方法，其特征在于，包括如下步骤：
S1：在同一测线上使用不同中心频率的探地雷达天线进行数据采集，获得不同频率的数据集；
S2：对不同频率的数据集进行数据预处理；
S3：对预处理后的不同频率的数据集进行配准，保持数据的空间一致性；
S4：建立多频率探地雷达信号融合表达式：
Sf＝W1*S1+W2*S2+…+Wk*Sk
其中，Sf是融合后的信号，S1到Sk表示一系列频率由高到低的信号，k为采集信号的天线数量；Wk对应相同下标信号Sk的权重系数，且满足：
W1+W2+…+Wk＝1
S5：使用遗传算法求取不同频率信号加权融合的权重系数的最优解，包括：
S51：初始化
初始种群由随机产生的N个个体W组成，每个个体对待求取的权重系数进行编码，其中n表示配准后的离散信号采样点个数，初始遗传代数G设为0，其表达式如下：
Figure FDA0002690001100000011
其中，
Figure FDA0002690001100000012
表示第i个个体对应第j个离散信号采样点的权重系数；
S52：适应度评估
构建目标函数，计算当前代数种群内个体的适应值；所述的目标函数F为：
Figure FDA0002690001100000013
其中，Sf(j)为第j个离散信号采样点的融合结果，d(j)为离散的拟合信号中的第j个采样点；所述的离散的拟合信号d(j)可由下式得到：
Figure FDA0002690001100000014
其中，nk表示该离散信号Sk(j)从第一个采样点开始直到累积能量达到总能量的90％时的采样点；
S53：遗传操作
(1)基因选择：挑选出M个经目标函数计算的适应值最低的权重系数，且M＜N；
(2)交叉：根据选择的权重系数生成另外N-M个新的权重系数；
(3)变异：用随机产生的Pm*(N-M)个权重系数来替换根据交叉算子产生的部分权重系数，其中Pm为变异率；
S54：补充子代：用步骤S43产生的新的权重系数来替换适应度最差的N-M权重系数；
S55：返回步骤S52，并计遗传代数G＝G+1，直至达到预设的遗传代数；
S6：将不同频率的数据集按照权重系数加权融合，生成一个复合的剖面显示。
2.如权利要求1所述的基于遗传算法的多频率探地雷达剖面融合方法，其特征在于，步骤S2所述的预处理包括头文件编辑、直流成分去除、振幅增益、一维带通滤波、背景一致性噪声去除、二维滤波。
3.如权利要求1所述的基于遗传算法的多频率探地雷达剖面融合方法，其特征在于，所述的S3具体为：
S31：对预处理后的不同频率的信号进行剪切，保持纵向上相同的起始时间和截止时间；
S32：剔除多余信号道，保持在横向上的空间一致；
S33：对数据进行重采样，使得不同频率的信号的采样点位互相对应；
S34：振幅归一化，保持不同频率信号的振幅分布均衡。
4.如权利要求1所述的基于遗传算法的多频率探地雷达剖面融合方法，其特征在于，步骤S33中对数据进行重采样，具体为对低频数据进行上采样。
5.如权利要求1所述的基于遗传算法的多频率探地雷达剖面融合方法，其特征在于，步骤S51的初始化过程中，采用500个个体数量的种群，每一代中包含200个父代以及300个子代，个体长度与信号采样点数相同，总遗传代数为2000代。
6.如权利要求1所述的基于遗传算法的多频率探地雷达剖面融合方法，其特征在于，步骤S53的交叉过程中，采用的交叉率为1。
7.如权利要求1所述的基于遗传算法的多频率探地雷达剖面融合方法，其特征在于，步骤S54的变异过程中，采用的变异率为0.05。
CN202010988389.0A 2020-09-18 2020-09-18 一种基于遗传算法的多频率探地雷达剖面融合方法 Active CN112098998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010988389.0A CN112098998B (zh) 2020-09-18 2020-09-18 一种基于遗传算法的多频率探地雷达剖面融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010988389.0A CN112098998B (zh) 2020-09-18 2020-09-18 一种基于遗传算法的多频率探地雷达剖面融合方法

Publications (2)

Publication Number Publication Date
CN112098998A true CN112098998A (zh) 2020-12-18
CN112098998B CN112098998B (zh) 2022-08-23

Family

ID=73760463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010988389.0A Active CN112098998B (zh) 2020-09-18 2020-09-18 一种基于遗传算法的多频率探地雷达剖面融合方法

Country Status (1)

Country Link
CN (1) CN112098998B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862868A (zh) * 2021-01-31 2021-05-28 南京信息工程大学 一种基于线性变换和小波分析的运动海浪图像配准融合方法
CN113687427A (zh) * 2021-08-18 2021-11-23 上海圭目机器人有限公司 基于双频反投影法的探地雷达目标位置预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1595195A (zh) * 2004-06-17 2005-03-16 上海交通大学 基于信息融合的超宽带探地雷达自动目标识别方法
WO2014106755A1 (en) * 2013-01-07 2014-07-10 Bae Systems Plc Image processing
WO2015002618A1 (en) * 2013-07-05 2015-01-08 Gencer Nevzat Guneri Method and system for dual-band active thermal imaging using multi-frequency currents
CN104793203A (zh) * 2015-04-17 2015-07-22 中南大学 一种用于多频多通道探地雷达的数据融合方法
CN108710888A (zh) * 2018-01-05 2018-10-26 中国矿业大学(北京) 一种探地雷达数据配准方法
CN110780271A (zh) * 2019-10-18 2020-02-11 西安电子科技大学 基于卷积神经网络的空间目标多模式雷达分类方法
CN111627035A (zh) * 2020-04-16 2020-09-04 浙江大学 一种利用小波变换进行探地雷达属性特征融合方法
CN111651434A (zh) * 2019-10-22 2020-09-11 摩登汽车有限公司 基于遗传算法的毫米波雷达数据的处理方法、装置及设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1595195A (zh) * 2004-06-17 2005-03-16 上海交通大学 基于信息融合的超宽带探地雷达自动目标识别方法
WO2014106755A1 (en) * 2013-01-07 2014-07-10 Bae Systems Plc Image processing
WO2015002618A1 (en) * 2013-07-05 2015-01-08 Gencer Nevzat Guneri Method and system for dual-band active thermal imaging using multi-frequency currents
CN104793203A (zh) * 2015-04-17 2015-07-22 中南大学 一种用于多频多通道探地雷达的数据融合方法
CN108710888A (zh) * 2018-01-05 2018-10-26 中国矿业大学(北京) 一种探地雷达数据配准方法
CN110780271A (zh) * 2019-10-18 2020-02-11 西安电子科技大学 基于卷积神经网络的空间目标多模式雷达分类方法
CN111651434A (zh) * 2019-10-22 2020-09-11 摩登汽车有限公司 基于遗传算法的毫米波雷达数据的处理方法、装置及设备
CN111627035A (zh) * 2020-04-16 2020-09-04 浙江大学 一种利用小波变换进行探地雷达属性特征融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YAN MINGMING 等: "New Structure of Kalman Filter base on Adaptive Genetic Algorithm for Radar Networking", 《2014 26TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 *
卢国泽 等: "基于小波变换的多频率探地雷达剖面融合", 《中国地球科学联合学术年会 2019》 *
许献磊等: "探地雷达多频数据融合算法研究", 《地球物理学进展》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862868A (zh) * 2021-01-31 2021-05-28 南京信息工程大学 一种基于线性变换和小波分析的运动海浪图像配准融合方法
CN112862868B (zh) * 2021-01-31 2023-12-01 南京信息工程大学 一种基于线性变换和小波分析的运动海浪图像配准融合方法
CN113687427A (zh) * 2021-08-18 2021-11-23 上海圭目机器人有限公司 基于双频反投影法的探地雷达目标位置预测方法
CN113687427B (zh) * 2021-08-18 2023-11-28 上海圭目机器人有限公司 基于双频反投影法的探地雷达目标位置预测方法

Also Published As

Publication number Publication date
CN112098998B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
Butnor et al. Utility of ground‐penetrating radar as a root biomass survey tool in forest systems
CN108921885B (zh) 一种综合三类数据源联合反演森林地上生物量的方法
CN112098998B (zh) 一种基于遗传算法的多频率探地雷达剖面融合方法
Mahdavi et al. Object-based classification of wetlands in Newfoundland and Labrador using multi-temporal PolSAR data
Vierling et al. Shrub characterization using terrestrial laser scanning and implications for airborne LiDAR assessment
Donald Geostatistics for mapping weeds, with a Canada thistle (Cirsium arvense) patch as a case study
Puente et al. A genetic programming approach to estimate vegetation cover in the context of soil erosion assessment
CN113312993B (zh) 一种基于PSPNet的遥感数据土地覆盖分类方法
Chen et al. Investigating rice cropping practices and growing areas from MODIS data using empirical mode decomposition and support vector machines
CN110415709A (zh) 基于声纹识别模型的变压器工作状态识别方法
CN116452023B (zh) 基于低频微波雷达vod数据的公里级碳储量评估方法
Siqueira et al. Multifractal analysis of vertical profiles of soil penetration resistance at the field scale
Martini et al. A combined geophysical-pedological approach for precision viticulture in the Chianti hills.
CN111627035A (zh) 一种利用小波变换进行探地雷达属性特征融合方法
Nguyen et al. Rice-planted area extraction by time series analysis of ENVISAT ASAR WS data using a phenology-based classification approach: A case study for Red River Delta, Vietnam
CN114819737A (zh) 公路路域植被的碳储量估算方法、系统及存储介质
CN107832798B (zh) 基于nsct阶梯网模型的极化sar图像目标检测方法
Panten et al. Viticultural experimentation using whole blocks: evaluation of three floor management options
Lantini et al. A deep learning approach for tree root detection using GPR spectrogram imagery
Sgrenzaroli et al. Tropical forest cover monitoring: Estimates from the GRFM JERS-1 radar mosaics using wavelet zooming techniques and validation
CN112380984B (zh) 一种基于遥感的盐沼植被缓流能力空间评价方法
Mensah et al. Estimation of soil water content using electromagnetic induction sensors under different land uses
Sahbeni Prediction of soil salinity using a Random Forest-based model between 2000 and 2016: A case study in the Great Hungarian Plain
CN111665569B (zh) 一种双模频率域被动源电场法
CN117079147B (zh) 一种道路内部病害识别方法、电子设备及存储介质

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