[发明专利]一种融合类别属性的深度网络地下目标识别方法及系统

权利要求书

1.一种融合类别属性的深度网络地下目标识别方法，其特征在于，包括以下步骤：

对接收到的多个地下目标物的探地雷达回波信号进行预处理，提取分别表征所述多个 目标物的多个目标信号；

根据所述多个目标信号建立样本数据集，所述样本数据集包括所述多个目标信号和目 标信号所属的多个类别信息；

深度网络分类器对所述样本数据集内的数据进行深度网络训练迭代计算，寻找使得所 述样本数据集的代价函数值最小的参数；

在所述深度网络训练迭代计算过程中，利用softmax回归方式进行分类识别以确定所 述多个目标物。

2.根据权利要求1所述的融合类别属性的深度网络地下目标识别方法，其特征在于，所 述对接收到的多个地下目标物返回的探地雷达回波信号即GPR回波信号进行预处理，具体 包括：

对多个所述GPR回波信号分别进行背景噪声去除、滤波处理、道间信号能量均衡、子波 相干加强和深部弱信号增强处理。

3.根据权利要求2所述的融合类别属性的深度网络地下目标识别方法，其特征在于，设 接收到的所述探地雷达回波信号共有m个，根据所述多个目标信号建立数据样本集，具体 为：

从所述m个GPR回波信号中提取目标信号A-scan数据，并组合成目标信号矩阵X＝[x ⁽ⁱ⁾]，其中，x⁽ⁱ⁾(i＝1,2,…,m)表示第i个A-scan样本数据，每个A-scan数据为矩阵X中的一 列，对应的样本类别矩阵为{y⁽ⁱ⁾},i＝1,2,…,m，y⁽ⁱ⁾是样本数据x⁽ⁱ⁾对应的类别信息标签，m 个样本数据构成的样本数据集为{(x⁽¹⁾,y⁽¹⁾),…,(x^(m),y^(m))}，其分别属于k个类别。

4.根据权利要求3所述的融合类别属性的深度网络地下目标识别方法，其特征在于，深 度网络分类器对所述样本数据集内的数据进行深度网络训练迭代计算，寻找使得所述样本 数据集的代价函数值最小的参数，具体为：

A、把X＝[x⁽ⁱ⁾](i＝1,2,…,m)作为深层稀疏编码模型的输入数据，通过下式计算所述 深度网络的第i隐层的状态：

hi=11+exp(-hi-1·WiT+bi)h0=X,∀i∈{1,2,...,l};]]>

其中，W为各隐层之间的连接参数，即权值向量，b为偏置项；

B、通过BP算法计算得到使所述样本数据集的代价函数值最小的全局最优权值向量W和 偏置项b，其中所述样本数据集的代价函数J(W,b)为：

J(W,b)=[1mΣi=1mJ(W,b;x(i),y(i))]+λ2Σl=1nl-1Σi=1slΣj=1sl+1(Wij(i))2+βΣj=1s2KL(ρ|ρ‾j)]]>

其中，n_l，s_l分别表示深度网络层数和l层单元数，为稀疏性约束项；

KL(ρ|ρ‾j)=ρlog2ρρ‾j+(1-ρ)log21-ρ1-ρ‾j;]]>

其中，ρ为稀疏惩罚系数，是隐藏层j单元平均输出值；

是代价函数J(W,b)的均方差项；

J(W,b;x(i),y(i))=12||hW,b(x(i))-y(i)||2,hW,b(x(i))]]>是深度网络的第i隐层的自动 编码器的网络输出向量；

是权重衰减项，λ为权重衰减参数；

其中，在网络训练每个迭代过程中，用梯度下降法对目标函数J(W,b)进行优化。