一种融合类别属性的深度网络地下目标识别方法及系统的制作方法
【技术领域】
[0001] 本发明涉及探地雷达技术领域，特别是一种融合类别属性的深度网络地下目标识 别方法及系统。
【背景技术】
[0002] 探地雷达（ground penetrating radar，GPR)是20世纪80年代新兴起的一种利用 电磁波反射原理，来探测地下目标物以及地质结构与分布的浅地层无损探测技术。它根据 电磁波在介质中传播时，其传播路径、强度、波形随介质的电磁性质和几何结构而发生变化 的性质，推断介质的结构和目标的位置、形状等，已经成为浅层地下探测的有效手段。由于 地下物质成分的多样和复杂，介质损耗造成电磁波在有损耗介质中传播发生较大衰减;构 成大地物质的物理成份、密度、湿度等参数因地质环境的不同而差异很大，以及地上地下各 种杂波干扰等诸多因素，造成探地雷达系统在数据处理、数据分析与解译上的困难。
[0003] 探地雷达地下目标识别主要包括目标特征提取和识别，目标特征提取与选择己经 有较成熟的方法。由于地下环境复杂，目标体形状各异，难以得到完备的样本集，这使得地 下目标识别方法研究方面仍面临许多技术上的难点，导致GPR在实际应用中难以达到预期 的性能。
[0004] 目前，常用的地下目标识别方法主要有以下几类:基于时域参数的识别方法，基于 统计学的识别方法和神经网络识别方法。
[0005] (1)采用时域参数进行识别。时域特征参数，能在一定程度上反映着信号的形状及 位置信息，但对于复杂地质环境中的目标信号，直接在时域上识别正确率较低。
[0006] (2)统计学识别方法主要是基于隐马尔可夫模型HMM(Hidden Markov Model)的检 测方法，以及HMM与神经网络结合的方法。这一类方法都以回波信号中双曲线目标的形状特 征为基础，并未涉及地下目标回波信号中丰富的时频联合信息，识别的精度有待于提高。
[0007] (3)神经网络识别方法，比较常用的有BP网络（Back Propagation)、RBF网络 (Radical Bas is Function)、支撑向量机SVM(Support Vector Machine)和小波网络WNN (Wavelet Neural Network)等。
[0008] BP神经网络具有一般神经网络的优点，如学习规则简单，较强的非线性映射能力 和容错能力等。BP神经网络的缺点在于随着网络层数的增加，模型训练易陷入局部极值以 及算法的收敛速度慢，从而降低特征提取分类的效果和效率。
[0009] 与BP网络相比，RBF网络具有唯一最佳逼近的特性，且无局部极小问题存在;具有 较强的输入和输出映射功能；网络连接权值与输出呈线性关系;学习过程收敛速度快;具有 很强的聚类分析能力。RBF网络的不足:它不能解释本身的推理过程和推理依据;不能向用 户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作;它把一切问题的 特征都变为数字，把一切推理都变为数值计算，易导致信息丢失。
[0010] SVM是一种以统计学理论为基础的，以结构风险最小化的学习机学习方法，在解决 小样本、非线性及高维模式识别问题中表现出特有的优势。从理论上说，SVM算法得到的将 是全局最优解，解决了 BP网络中无法避免的局部极值问题。SVM方法的两个不足:对大规模 训练样本难以实施，用于解决多分类问题存在困难。
[0011 ] 小波神经网络WNN(Wavelet Neural Network)是由大量非线性处理单元广泛互连 而成的网络，具有逼近能力强、收剑速度快、网络结构明确、网络参数(隐层结点数和权重） 的选取有理论依据、有效避免了局部最小值等优点，并且能大规模并行处理、分布式信息存 储，具有较强的函数学习能力和容错能力。相比多层感知器MLP (mul t i-lay er perc印tron)网络和RBF网络，小波神经网络的构造比较复杂，其运算复杂度增加;在多维输 入的情况下，随着网络的输入维数的增加，网络所需训练样本呈指数增长，网络结果也将随 之变得庞大，导致收敛速度下降；隐含层结点数确定困难;无法根据实际情况自适应选择合 适的小波基函数。
[0012] 浅层学习 （shal low learning)虽然理论模型简单，但对复杂函数的表示能力弱， 并且浅层模型提取出来的浅层特征对复杂问题分类的效率不高。传统的神经网络结构通过 增加隐含层的结点个数，在一定程度上能够克服浅层网络的特征学习能力不足的缺点，但 是传统神经网络反向传播算法参数随机初始化，收敛速度慢，而且在参数初始化不当的情 况下会引起网络学习局部收敛，严重过拟合。
[0013] 为解决传统的神经网络随机初始化网络中的权值，容易导致网络收敛到局部最小 值问题，2006年，Hinton G和他的团队提出了一种深度置信网络(deep belief network, DBN)，提出多隐层的人工神经网络具有优异的特征学习能力，可以学习得到更深刻更本质 的特征，从而更有利于可视化或分类;深度神经网络可以通过"逐层初始化"（layer-wise pre-training)的方法克服传统神经网络学习速度慢的缺点。逐层初始化是通过无监督学 习实现的。深度学习的本质是通过构建含有多个隐层的机器学习模型和海量的训练数据， 来学习和得到大量更具代表性的特征信息，从而提高分类和预测的准确性。此后，多种深度 学习模型被陆续提出，并在各个领域得到应用。
[0014] 深度学习与浅层学习的本质区别是网络层次和训练方式不同。浅层学习一般只含 有一个隐含层，而深度学习往往含有多个隐含层，可以将复杂的问题分层次研究和表达，层 次之间非线性，对于复杂函数表达能力强;但网络层次过多会使得训练时间变长，而且训练 层次的增多也并不能确保算法精度得到提升。为此，深度学习引进了新的训练方法一一即 "分层训练"，以提高学习效率和分类效果。
[0015] 研究表明，目标识别与分类性能与训练样本的数量、算法迭代次数有密切关系。当 运用大量（如5万个以上）训练样本进行训练时，随着迭代次数的增加，识别率从88.59%上 升到97.27%。当降低训练样本数量时，算法对测试样本的识别率会急速下降，尤其当训练 所使用的样本不足2万个时，识别率仅为59.21 %，识别效果下降明显。这对于GPR目标数据 的分析与识别是不能满足需要的。因此，需要提出一种当样本量不足或训练迭代次数不多 时可有效地提高GPR目标的识别率的识别方法。
【发明内容】
[0016] 本发明提供一种融合类别属性的深度网络地下目标识别方法及系统，以解决现有 的技术问题，当样本量不足或训练迭代次数不多时可有效地提高GPR目标的识别率。
[0017] -方面，本发明实施例提供一种融合类别属性的深度网络地下目标识别方法，包 括以下步骤：
[0018] 对接收到的多个地下目标物返回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；
[0019] 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；
[0020] 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；
[0021] 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。
[0022] 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进行预处理，具体包 括：
[0023]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。
[0024]在一个实施例中，设接收到的所述探地雷达回波信号即GPR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：
[0025]从所述m个GPR回波信号中提取目标信号A-scan数据组合成目标信号矩阵X=[x (1)]，其中，x(1)(i = l，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& (1)}4 = 1，2，一，!11，7(1)是样本数据^1)对应的类别信息标签， 111 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。
[0026] 在一个实施例中，进一步的，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：
[0027] A、把Χ=[Χ(1)](? = 1，2，···，π〇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：
[0028]
[0029] 其中，W为各隐层之间的连接参数，即权值向量，b为偏置项；
[0030] 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，b，其中所述样本数据集的代价函数J (W，b)为：
[0031]
[0032] 其中，m，si分别表示深度网络层数和1层单元数，|y^.)为稀疏性约束项；
[0