鹽漬土土壤的地質雷達超前探測與判讀技術

第1章 緒論
1.1 概述
1.2 國內外研究現(xiàn)狀
1.3 存在的主要問題
第2章 地質雷達探測基本理論
2.1 地質雷達基本組成
2.2 地質雷達工作原理
2.2.1 電磁學理論
2.2.2 傳播介質的介電特性
2.2.3 探測原理
2.2.4 探測性能
2.3 地質雷達數(shù)據(jù)采集與顯示
2.3.1 實測數(shù)據(jù)采集
2.3.2 采集數(shù)據(jù)顯示
2.4 地質雷達數(shù)據(jù)分析技術
2.4.1 背景去除
2.4.2 反褶積處理
2.4.3 道間平衡處理
2.4.4 道內平衡處理
第3章 現(xiàn)場探測技術與波形圖像特征
3.1 概述
3.2 探測參數(shù)設定
3.2.1 天線中心頻率
3.2.2 時間窗口
3.2.3 采樣間隔
3.2.4 電磁波發(fā)射率
3.2.5 疊加系數(shù)
3.3 探測適用性分析
3.3.1 研究方案
3.3.2 模型試驗
3.3.3 圖像特征分析
3.3.4 探測實例
3.3.5 適用性分析結果
3.4 粗粒弱氯鹽漬土的波形圖像特征
3.4.1 工程概況
3.4.2 探測方法
3.4.3 模型試驗
3.4.4 圖像特征分析
3.5 粗粒弱硫酸鹽漬土的波形圖像特征
3.5.1 工程概況
3.5.2 探測方法
3.5.3 模型試驗
3.5.4 圖像特征分析
第4章 波形數(shù)字特征與智能化判讀
4.1 概述
4.2 人工神經網絡基本原理
4.2.1 神經元模型
4.2.2 傳遞函數(shù)
4.2.3 網絡結構
4.3 BP神經網絡
4.3.1 BP神經網絡學習
4.3.2 BP神經網絡算法
4.3.3 神經網絡反分析
4.4 BP神經網絡與顏色特征提取
4.4.1 研究背景
4.4.2 研究方案
4.4.3 原始圖像預處理
4.4.4 神經網絡構建
4.4.5 神經網絡訓練與識別
4.4.6 顏色特征提取
4.5 Contourlet變換與智能化判讀
4.5.1 背景思路
4.5.2 現(xiàn)場探測
4.5.3 研究方案
4.5.4 原始圖像預處理
4.5.5 圖像變換
4.5.6 K-means++聚類分析與樣本庫建立
4.6 Contourlet智能化判讀實例
4.6.1 現(xiàn)場探測
4.6.2 LP變換與K-means++聚類
4.6.3 自動識別與驗證
第5章 基于RBM模型的探測數(shù)據(jù)仿真處理
5.1 概述
5.2 深度學習的發(fā)展與應用
5.2.1 機器學習的發(fā)展
5.2.2 深度學習的應用
5.3 深度學習的原理和方法
5.3.1 基本原理
5.3.2 常用方法
5.4 RBM模型
5.4.1 模型定義
5.4.2 學習算法
5.4.3 評估算法
5.5 地質雷達數(shù)據(jù)仿真處理
5.5.1 數(shù)據(jù)庫建立
5.5.2 基本設置
5.5.3 構建RBM模型
5.5.4 仿真結果
第6章 基于小波變換的探測圖像處理
6.1 概述
6.2 小波變換基本性質
6.2.1 連續(xù)小波變換(CWT)
6.2.2 離散小波變換(DWT)
6.3 多頻率分析與小波包理論
6.3.1 多頻率分析
6.3.2 WALLAT算法
6.3.3 小波包理論
6.4 小波閾值去噪方法
6.4.1 去噪原理
6.4.2 閾值函數(shù)
6.4.3 去噪步驟
6.5 基于小波包分析的雷達數(shù)據(jù)去噪
6.5.1 小波包去噪原理
6.5.2 去噪實例
第7章 基于卷積神經網絡的探測圖像處理
7.1 概述
7.2 卷積神經網絡基本理論
7.2.1 模型結構
7.2.2 應用特點
7.2.3 算法
7.3 典型卷積神經網絡模型Lenet
7.3.1 結構組成參數(shù)
7.3.2 卷積過程
7.4 兩種改進的卷積神經網絡模型
7.4.1 CNN-1卷積神經網絡模型
7.4.2 CNN-2卷積神經網絡模型
7.5 探測數(shù)據(jù)分類實驗
7.5.1 實驗數(shù)據(jù)
7.5.2 實驗平臺
7.5.3 實驗1：分類準確率對比
7.5.4 實驗2：卷積核對分類性能的影響
7.5.5 實驗3：全連接層神經元個數(shù)對分類性能的影響
參考文獻