[发明专利]一种压制轨枕强干扰的探地雷达信号深度学习处理方法

权利要求书

1.一种压制轨枕强干扰的探地雷达信号深度学习处理方法，其特征在于，包括以下步骤；

S₁，采用快速数值模拟方法构建训练神经网络所需要的训练集和测试集；

S₂，基于深度学习框架构建适用于探地雷达信号处理的RestUNet；

S₃，将训练集和测试集喂入构建好的RestUNet进行训练；

S₄，将原始数据导入训练后的RestUNet进行预测；得到有效去除轨枕干扰的探地雷达数据。

2.根据权利要求1所述的一种压制轨枕强干扰的探地雷达信号深度学习处理方法，其特征在于，所述步骤S₂中的RestUNet采用了128个4*4个步幅为2的卷积核进行填充卷积。

3.根据权利要求2所述的一种压制轨枕强干扰的探地雷达信号深度学习处理方法，其特征在于，所述的RestUNet采用Relu激活后再使用256个4*4个步幅为2的卷积核进行填充卷积加上批标准化。

4.根据权利要求3所述的一种压制轨枕强干扰的探地雷达信号深度学习处理方法，其特征在于，所述的RestUNet采用Relu激活后再使用512个4*4个步幅为2的卷积核进行填充卷积加上批标准化完成编码过程。

5.根据权利要求4所述的一种压制轨枕强干扰的探地雷达信号深度学习处理方法，其特征在于，所述的RestUNet采用Relu激活后再使用256个4*4个步幅为2的卷积核进行填充反卷积加上批标准化。

6.根据权利要求5所述的一种压制轨枕强干扰的探地雷达信号深度学习处理方法，其特征在于，所述的RestUNet采用Relu激活后再使用128个4*4个步幅为2的卷积核进行填充反卷积加上批标准化。

7.根据权利要求6所述的一种压制轨枕强干扰的探地雷达信号深度学习处理方法，其特征在于，所述的RestUNet采用Relu激活后再使用64个4*4个步幅为2的卷积核进行填充反卷积。

8.根据权利要求7所述的一种压制轨枕强干扰的探地雷达信号深度学习处理方法，其特征在于，所述的RestUNet采用Relu激活后再使用1个4*4个步幅为1的卷积核进行填充卷积并进行一次Tanh激活。