廣州市市政工程設計研究總院有限公司;中南大學楊軍獲國家專利權
買專利賣專利找龍圖騰,真高效! 查專利查商標用IPTOP,全免費!專利年費監控用IP管家,真方便!
龍圖騰網獲悉廣州市市政工程設計研究總院有限公司;中南大學申請的專利一種GPR異常反射波分離與提取方法獲國家發明授權專利權,本發明授權專利權由國家知識產權局授予,授權公告號為:CN114997223B 。
龍圖騰網通過國家知識產權局官網在2025-08-15發布的發明授權授權公告中獲悉:該發明授權的專利申請號/專利號為:202210576534.3,技術領域涉及:G06F18/241;該發明授權一種GPR異常反射波分離與提取方法是由楊軍;馮德山;張華;王珣;劉菊玖;袁忠明設計研發完成,并于2022-05-25向國家知識產權局提交的專利申請。
本一種GPR異常反射波分離與提取方法在說明書摘要公布了:本公開實施例中提供了一種GPR異常反射波分離與提取方法,屬于數據處理技術領域,具體包括:步驟1,創建深度Res?CNN網絡結構;步驟2,建立深度Res?CNN網絡結構的GPR數據集;步驟3,對所述GPR數據集進行預處理;步驟4,將預處理后的GPR數據集訓練用于GPR異常反射波分離與提取的深度Res?CNN網絡權重模型;步驟5,利用深度Res?CNN網絡權重模型分離實際采集的數據剖面中的異常反射波并提取有效反射波。通過本公開的方案,能夠快速分離和提取GPR數據中的異常反射波,為進一步準確解釋地下異常特征奠定基礎。
本發明授權一種GPR異常反射波分離與提取方法在權利要求書中公布了:1.一種GPR異常反射波分離與提取方法,其特征在于,包括: 步驟1,創建深度Res-CNN網絡結構,其中,所述深度Res-CNN的網絡結構包括5個下采樣塊、5個上采樣塊和1個輸出塊,在下采樣塊和上采樣塊之間設置有SkipConnection結構連接組成的殘差塊,每個下采樣塊包括卷積層、LeakyReLU激活函數層和MaxPooling層,卷積層依次包括4個2×2和1個1×1大小的卷積核,輸入通道依次為16、32、64、128、256,每個上采樣塊包括轉置卷積層、BatchNormalization層和ReLU激活函數層,卷積層依次包括1個1×1和4個2×2大小的卷積核,輸入通道依次為128、64、32、16、16,輸出層包括轉置卷積層和Sigmoid激活函數層; 步驟2,建立深度Res-CNN網絡結構的GPR數據集; 步驟3,對所述GPR數據集進行預處理; 步驟4,將預處理后的GPR數據集訓練用于GPR異常反射波分離與提取的深度Res-CNN網絡權重模型; 所述步驟4具體包括: 步驟4.1,將經過預處理的GPR數據集按照預設比例隨機分配至訓練集、驗證集和測試集; 步驟4.2,在下采樣塊中,采用LeakyReLU激活函數防止下采樣塊中負值導致神經元信息丟失,在上采樣塊中,不涉及負值參數,直接采用ReLU激活函數恢復數據,以及,采用sigmoid激活函數使輸出掩碼數據恢復在區間[0,1]; 步驟4.3,引入SkipConnection結構的殘差層; 步驟4.4,在深度Res-CNN網絡結構訓練過程中增加一個批歸一化層,并使深度Res-CNN網絡每一層的輸入保持相同的分布; 步驟4.5,選擇使用二元交叉熵函數作為損失函數來評估訓練深度Res-CNN網絡結構的質量,其中,所述二元交叉熵函數表示為: 式中,yi為真實的二值標簽值,i=1表示正類值,i=0表示負類值,pyi為預測的概率值; 步驟4.6,選擇具有自適應學習率的RMSprop方法對每個網絡訓練參數進行迭代學習,更新迭代過程如下: 式中,E[g2]為平方梯度的移動平均值,θ為需要更新的參數,gt為θ在t時刻的梯度,η為學習率,∈為防止分母為0的最小參數; 步驟4.7,設置深度Res-CNN網絡結構的單批訓練多個樣本、預設的學習率和網絡訓練次數,當損失函數訓練穩定時得到經過訓練的深度Res-CNN網絡權重模型; 步驟5,利用深度Res-CNN網絡權重模型分離實際采集的數據剖面中的異常反射波并提取有效反射波。
如需購買、轉讓、實施、許可或投資類似專利技術,可聯系本專利的申請人或專利權人廣州市市政工程設計研究總院有限公司;中南大學,其通訊地址為:510030 廣東省廣州市越秀區環市東路348號東;或者聯系龍圖騰網官方客服,聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。
1、本報告根據公開、合法渠道獲得相關數據和信息,力求客觀、公正,但并不保證數據的最終完整性和準確性。
2、報告中的分析和結論僅反映本公司于發布本報告當日的職業理解,僅供參考使用,不能作為本公司承擔任何法律責任的依據或者憑證。