基于深度学习的GPR时频域联合电磁反演方法

作者：罗诗光; 任强; 王成浩; 宋千; 雷文太^*

来源：电波科学学报, 2022, 37(04): 555-567.

• 探地雷达(GPR)
• 电磁反演
• 深度学习
• 卷积神经网络(CNN)
• 自编码器

对探地雷达(ground penetrating radar, GPR)数据进行电磁反演可以获得探测区域中目标的几何参数和电磁参数.本文针对GPR时域数据与频域数据在图像域的特征差异，首先设计了基于深度学习的GPR维度变换自编码器提取GPR回波数据的时域特征，并对GPR时频域特征进行一致化处理；然后设计了基于时频融合数据的电磁反演处理框架GPR-EInet，并分别使用2 000和200个GPR B-Scan数据对GPR-EInet进行训练和测试.仿真实验结果表明，GPR-EInet可以在SNR=-10 dB、目标介电常数与背景介电常数的相对偏差为50%的情况下实现单/双目标的电磁反演，介电常数反演结果与真实值的结构相似性指数（structure similarity index measure, SSIM）达到了0.995 64.分别运用GPR-EInet、ünet与PINet对仿真数据进行电磁反演，结果表明：GPREInet的抗噪性能要优于PINet与ünet.对实测的GPR数据也开展了电磁反演实验，获得了探测区域的目标参数信息.与单独的时域或频域数据反演相比，时频融合数据提升了GPR-EInet的电磁反演精度与噪声抑制能力.

• 单位
  中南大学; 中国电波传播研究所