充物分別為水、空氣，然后再在相同的位置放置一個差不多尺寸的金屬水管。 [0042]采用GSSI公司出產的SIR2.0進行實測數據采集，測量方式采用點測法，發(fā)射中心 頻率為1GHz的高斯脈沖，天線步進0.0 lm，移動100次。
[0043]對于每種填充物，選取有目標回波的20組數據，每組數據的維數為1024*1。
[0044] 第二步，分別對探地雷達獲取的不同裂縫填充物的模擬回波信號進行經驗模態(tài)分 解處理，并將得到的模擬經驗模態(tài)分量與探地雷達直接接收的模擬回波信號進行相關性分 析，將與模擬回波信號相關性大的模擬經驗模態(tài)分量選為最優(yōu)模擬經驗模態(tài)分量。
[0045] 第二步中的表達式如下：
[0047]上式中，EMD{}表示對信號進行經驗模態(tài)分解。
[0048]第三步，分別對探地雷達獲取的不同裂縫填充物的模擬回波信號進行小波分解處 理，并將得到的模擬小波分解系數與探地雷達直接接收下來的模擬回波信號進行相關性分 析，將與模擬回波信號相關性大的模擬小波分解系數選為最優(yōu)模擬小波分解系數。
[0049] 小波分解過程中，小波基選取為"C〇if5"，依據第二步得到的經驗模態(tài)分量的個數 選取小波分解層數，本發(fā)明中選取層數為5.
[0050] 第三步中的表達式如下：
[0052]上式中W{}表示小波分解。
[0053]第四步，將每種裂縫填充物的最優(yōu)模擬小波分解系數分別與該裂縫填充物的最優(yōu) 模擬經驗模態(tài)分量進行相關性分析，將與最優(yōu)模擬經驗模態(tài)分量相關性大的最優(yōu)模擬小波 分解系數作為該裂縫填充物的模擬回波信號的模擬特征分量，表達式如下：
[0055]圖3(a)_(c)分別為裂縫填充物是空氣、水和金屬時回波的經驗模態(tài)分量和小波分 解系數之間的相關系數。
[0056]第五步，將各種填充物的模擬特征分量作為新建過完備字典的基，構造字典。表達 式如下：
[0058]本發(fā)明中所建字典的維數為1024*3。
[0059]建立模擬場景，采集不同模擬裂縫填充物回波信號，將實測回波信號和上述建模 結果比對，對回波信號進行分析，初步評判回波特征。重復第二步到第四步，對實際測量場 景下的裂縫填充物的回波數據即待重構信號進行相同的處理得到待重構信號的特征分量。 根據第五步得到的過完備字典，將特征分量代入壓縮感知算法，進行信號重構分辨。即：
[0060] 第六步，通過探地雷達向待識別的實際探測場景發(fā)射實測發(fā)射信號，獲取該實際 探測場景的地下隱藏裂縫填充物的實測回波信號。
[0061] 第七步，對探地雷達獲取的地下隱藏的裂縫填充物的實測回波信號進行經驗模態(tài) 分解處理，并將得到的實測經驗模態(tài)分量與探地雷達直接接收下來的實測回波信號進行相 關性分析，將與實測回波信號相關性大的實測經驗模態(tài)分量選為最優(yōu)實測經驗模態(tài)分量。
[0062] 第八步，對探地雷達獲取的地下隱藏的裂縫填充物的實測回波信號進行小波分解 處理，并將得到的實測小波分解系數與探地雷達直接接收下來的實測回波信號進行相關性 分析，將與實測回波信號相關性大的實測小波分解系數選為最優(yōu)實測小波分解系數。
[0063] 第九步，將地下隱藏的裂縫填充物的最優(yōu)實測小波分解系數分別與該地下隱藏裂 縫填充物的最優(yōu)實測經驗模態(tài)分量進行相關性分析，將與最優(yōu)實測經驗模態(tài)分量相關性大 的最優(yōu)實測小波分解系數作為該地下隱藏的裂縫填充物的實測回波信號的實測特征分量。
[0064] 第十步，通過壓縮感知重構方法，將步驟9所得的實測特征分量與步驟5所構造的 字典進行信號重構分辨，由此確定實際探測場景的地下隱藏的裂縫填充物的種類。在本發(fā) 明優(yōu)選實施例中，壓縮感知重構方法的稀疏度取為1。
[0065] 根據第一步的信號稀疏性分析，在所建字典中可以找到一組基表示待重構信號， 表達式如下：
[0067] 上式中，η表示噪聲，Xi表示系數。
[0068]而根據壓縮感知理論，若有一個隨機矩陣與過完備字典滿足RIP性質，則可以通過 這個矩陣將高維的信號轉換到低維，最后通過壓縮感知重構算法，用低維數據還原出原信 號。其表達式如下：
[0070] 上式中，yi表示降低維度后的數據，Φ表示隨機矩陣，％重構得到的稀疏系數，ε為 重構算法的判決門限。
[0071] 本發(fā)明中，隨機矩陣的維數取為100*1024,采用正交匹配追蹤算法(Orthogonal Matching Pursuit，0ΜΡ)進行數據重構。圖4(a)-(c)分別為實測裂縫填充物為空氣、水和金 屬時10%數據量分辨結果。
[0072]本發(fā)明的模擬回波信號和實測回波信號均為A-Scan回波數據。
[0073]本發(fā)明適用于多噪聲環(huán)境超寬帶探地雷達回波數據的特征提取以及地下裂縫填 充物的識別分類，具有較好的抗噪性和精確度。同時又大大的降低了目標識別分類過程中 所需的數據量，提高了超寬帶探地雷達應用的可行性FF0C希望對本發(fā)明方法的所有實現形 式進行保護。
【主權項】
1. 基于稀疏表示的地下隱藏裂縫填充物的識別方法，其特征是，包括如下步驟： 步驟1，構建具有不同填充物的地下隱藏裂縫的模擬探測場景，并通過探地雷達向所構 建的模擬探測場景發(fā)射信號，獲取不同裂縫填充物的模擬回波信號； 步驟2,分別對探地雷達獲取的不同裂縫填充物的模擬回波信號進行經驗模態(tài)分解處 理，并將得到的模擬經驗模態(tài)分量與模擬回波信號進行相關性分析，將與模擬回波信號相 關性大的模擬經驗模態(tài)分量選為最優(yōu)模擬經驗模態(tài)分量； 步驟3,分別對探地雷達獲取的不同裂縫填充物的模擬回波信號進行小波分解處理，并 將得到的模擬小波分解系數與模擬回波信號進行相關性分析，將與模擬回波信號相關性大 的模擬小波分解系數選為最優(yōu)模擬小波分解系數； 步驟4,將每種裂縫填充物的最優(yōu)模擬小波分解系數分別與該裂縫填充物的最優(yōu)模擬 經驗模態(tài)分量進行相關性分析，將與最優(yōu)模擬經驗模態(tài)分量相關性大的最優(yōu)模擬小波分解 系數作為該裂縫填充物的模擬回波信號的模擬特征分量； 步驟5，將各種填充物的模擬特征分量作為新建過完備字典的基，構造字典； 步驟6,通過探地雷達向待識別的實際探測場景發(fā)射信號，獲取該實際探測場景的地下 隱藏裂縫填充物的實測回波信號； 步驟7,對探地雷達獲取的地下隱藏的裂縫填充物的實測回波信號進行經驗模態(tài)分解 處理，并將得到的實測經驗模態(tài)分量與實測回波信號進行相關性分析，將與實測回波信號 相關性大的實測經驗模態(tài)分量選為最優(yōu)實測經驗模態(tài)分量； 步驟8,對探地雷達獲取的地下隱藏的裂縫填充物的實測回波信號進行小波分解處理， 并將得到的實測小波分解系數與實測回波信號進行相關性分析，將與實測回波信號相關性 大的實測小波分解系數選為最優(yōu)實測小波分解系數； 步驟9,將地下隱藏的裂縫填充物的最優(yōu)實測小波分解系數分別與該地下隱藏裂縫填 充物的最優(yōu)實測經驗模態(tài)分量進行相關性分析，將與最優(yōu)實測經驗模態(tài)分量相關性大的最 優(yōu)實測小波分解系數作為該地下隱藏的裂縫填充物的實測回波信號的實測特征分量； 步驟10,通過壓縮感知重構方法，將步驟9所得的實測特征分量與步驟5所構造的字典 進行信號重構分辨，由此確定實際探測場景的地下隱藏的裂縫填充物的種類。2. 根據權利要求1所述基于稀疏表示的地下隱藏裂縫填充物的識別方法，其特征是，所 述裂縫填充物為空氣、水和金屬。3. 根據權利要求1所述基于稀疏表示的地下隱藏裂縫填充物的識別方法，其特征是，所 述模擬回波信號和實測回波信號均為A-Scan回波數據。4. 根據權利要求1所述基于稀疏表示的地下隱藏裂縫填充物的識別方法，其特征是，步 驟10中，壓縮感知重構方法的稀疏度取為1。
【專利摘要】本發(fā)明公開一種基于稀疏表示的地下隱藏裂縫填充物識別方法，結合經驗模態(tài)分解和小波分解提取特征的優(yōu)點，先通過對不同地下裂縫填充物的回波信號進行經驗模態(tài)分解，得到最優(yōu)經驗模態(tài)分量。再將原回波信號進行小波分解，得到最優(yōu)小波分解系數。最后將最優(yōu)經驗模態(tài)分量和最優(yōu)小波分解系數進行相關性分析，將與最優(yōu)經驗模態(tài)相關性大的最優(yōu)小波分解系數作為新建過完備字典的基。在得到過完備字典之后，再用相同的方法以上相同的方法處理要求被識別的信號，得到該信號的最優(yōu)特征分量。最后將過完備字典和待識別最優(yōu)分量代入壓縮感知重構算法，對該信號進行重構識別。本發(fā)明其具有減少采樣數據量和精確度高的特點。
【IPC分類】G06K9/00
【公開號】CN105590093
【申請?zhí)枴緾N201510918150
【發(fā)明人】歐陽繕, 尚朝陽, 劉慶華, 謝躍雷, 晉良念, 周麗軍, 劉威亞, 顧坤良
【申請人】桂林電子科技大學
【公開日】2016年5月18日
【申請日】2015年12月11日