[发明专利]基于浅地层剖面仪与SVM的海底底质识别与分类方法

说明书

本发明公开了一种基于浅地层剖面仪与SVM的海底底质识别与分类方法，包含以下具体步骤：步骤1利用浅地层剖面仪采集指定地点的浅表地层回波声学信号数据；步骤2对步骤1的数据进行预处理，得到SVM训练所需要的训练集与测试集；步骤3采用的RBF核函数模型进行建模，对该模型进行训练，得到水底底质分类模型；步骤4利用交叉验证的方法，多次测试得到最优的参数C和参数γ，进而得到最优的底质分类模型；本发明利用浅地层剖面仪测量数据的SVM底质分类模型，经过训练后可处理大批量的数据，高效率、精准的识别海底底质类型，具有重要的应用价值。

技术领域

本发明涉及一种海底底质识别与分类的方法，尤其是基于浅地层剖面仪与SVM的海底底质识别与分类方法，属于海洋测绘技术领域。

背景技术

海底底质分类研究在民用和军用上都有着非常广阔的前景和意义，目前常用的海底分类方法有直接取样法与间接探测法。直接取样能够实现精确的底质分类，但成本高，深水处实现难度大，间接探测法是利用光学、声学、生物学等手段进行探测，利用声学方法遥测沉积物类型的原理是利用声学换能器向海底发射声波，通过记录并分析回波信号来了解海底沉积物的属性，具有工作高效、经济的特点。

在各类海洋探测仪器中，浅地层剖面仪(Sub-bottom Profiler)相比其它声学探测仪器发射频率较低，声波信号穿透能力强，可以探测到海底以下浅部地层的结构和构造情况。浅地层剖面仪获取的声学数据特别适合海底地质的识别与分类。

机器学习的目的是根据给定的训练样本求对某系统输入输出之间依赖关系的估计，使它能够对未知输出做尽可能准确的预测。支持向量机(Support Vector Machine,SVM)是一种基于统计学理论的机器学习算法，通过结构风险最小原则进行分类，在训练样本集中寻找一个最优的边界，将数据最大限度的分开。SVM对多维小样本数据分类效果较好，海底数据标定与采样困难，样本数目较少，适合使用SVM进行底质的分类与识别。

如何高效准确的采集不同底质的声波信号并选择合适的分类器进行分类，是底质分类面临的关键问题。如果能够结合浅地层剖面仪测量的基本数据对底质进行分类，那么比传统的直接取样和现有间接探测法会更加精确，且工作效率更高。

发明内容

本发明的目的在于，为了克服现有技术中存在的不足，提供了一种基于浅地层剖面仪与SVM的海底底质识别与分类方法，用于解决现有的方法效率低、精准低的技术问题。

为了解决背景技术所存在的问题，本发明的基于浅地层剖面仪与SVM的海底底质识别与分类方法，包括以下步骤如下：

步骤1：利用浅地层剖面仪采集指定地点的浅表地层回波声学信号数据。

步骤2：对步骤1的数据进行预处理，得到SVM训练所需要的训练集与测试集。

2.1原始数据其每ping数据间有特定的标识符，通过标识符对数据进行分割处理，将数据分ping读取储存；经过读写，我们可以看到每ping有N个代表声信号特征的数据图片原始数据。

2.2根据地质的厚度与水深，在每ping的数据中选取有用的数据，公式为：

S＝N*(X/M)

P＝N*(H/M)

其中S为每ping能反应水底底质的数据量，N为每ping的数据量，X为默认的底质厚度，M为浅地层剖面仪设置的最大量程，P有效数据开始序列数，H为水深。

2.3对整理后的数据进行归一化处理：使用离差标准化(Min-MaxNormalization)，使结果值映射到[0-1]之间。转换函数如下：