探地雷達(dá)雙曲波智能提取與可視化

第1章 緒論 1
參考文獻(xiàn) 4
第2章 基于貝葉斯非負(fù)矩陣分解的雜波抑制 8
2.1 方法論述 8
2.1.1 非負(fù)矩陣分解原理 8
2.1.2 變分貝葉斯非負(fù)矩陣分解 10
2.2 實驗結(jié)果與分析 14
2.2.1 模擬數(shù)據(jù)分析 14
2.2.2 實測數(shù)據(jù)分析 16
本章小結(jié) 20
參考文獻(xiàn) 20
第3章 基于多標(biāo)簽層次聚類的探地雷達(dá)雙曲波提取 22
3.1 MHCD算法 22
3.1.1 多標(biāo)簽層次聚類 22
3.1.2 目標(biāo)提取方法的構(gòu)造與定義 28
3.2 實驗結(jié)果與分析 31
3.2.1 多標(biāo)簽層次聚類結(jié)果分析 32
3.2.2 目標(biāo)提取結(jié)果分析 35
3.2.3 與其他檢測方法的比較 37
本章小結(jié) 42
參考文獻(xiàn) 42
第4章 基于隨機森林和多標(biāo)簽層次聚類的雙曲波提取 44
4.1 像素分類模型 44
4.1.1 CCDF特征提取方法 44
4.1.2 模型結(jié)構(gòu) 49
4.1.3 參數(shù)優(yōu)化 51
4.2 像素區(qū)域化方法 52
4.3 實驗結(jié)果與分析 54
4.3.1 鄰域范圍對CCDF的影響 56
4.3.2 CCDF與LBP、SURF、Harris特征的比較 57
4.3.3 參數(shù)優(yōu)化對分類模型的影響 59
4.3.4 像素分類性能分析 60
4.3.5 區(qū)域化方法的優(yōu)化性能分析 62
4.3.6 像素分類及區(qū)域化對目標(biāo)檢測的影響 65
4.3.7 與其他檢測方法的比較 66
本章小結(jié) 68
參考文獻(xiàn) 68
第5章 基于原型網(wǎng)絡(luò)的GPR雙曲波ROI提取 69
5.1 基于注意力機制的原型網(wǎng)絡(luò) 69
5.1.1 原型網(wǎng)絡(luò)框架 69
5.1.2 雙曲波分類識別 73
5.1.3 雙曲波回歸預(yù)測 76
5.2 實驗結(jié)果與分析 79
5.2.1 原型網(wǎng)絡(luò)模型結(jié)果分析 79
5.2.2 ROI提取結(jié)果分析 80
5.2.3 雙曲波擬合算法分析 85
本章小結(jié) 87
參考文獻(xiàn) 87
第6章 基于峰點相似性擬合的GPR雙曲波提取與可視化 89
6.1 方法論述 89
6.1.1 峰點定義 89
6.1.2 基于峰點相似性擬合算法 91
6.1.3 雙曲波可視化建模 97
6.2 實驗結(jié)果與分析 97
6.2.1 模擬數(shù)據(jù)集實驗結(jié)果 97
6.2.2 真實數(shù)據(jù)集實驗結(jié)果 99
6.2.3 PSFE整體性能分析 101
6.2.4 雙曲波可視化建模分析 104
本章小結(jié) 105
參考文獻(xiàn) 106
第7章 一種GPR數(shù)據(jù)雙曲波可視化挖掘方法 107
7.1 方法論述 107
7.1.1 特征提取與變換 108
7.1.2 構(gòu)造能量特征空間 110
7.1.3 能量特征空間可視化—極坐標(biāo)圖 111
7.1.4 極坐標(biāo)圖—時間序列圖聯(lián)合交互技術(shù) 113
7.1.5 雙曲波標(biāo)注 115
7.2 實驗案例研究 117
7.2.1 實驗案例1 117
7.2.2 實驗案例2 118
本章小結(jié) 120
參考文獻(xiàn) 120