自組織特征映射網(wǎng)絡(luò)在探地雷達(dá)數(shù)據(jù)處理中的應(yīng)用

陳長(zhǎng)敬　單波　陳松

[摘要]通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)原理的介紹，利用其可以訓(xùn)練分類的特性，通過(guò)對(duì)方波函數(shù)、理論模擬數(shù)據(jù)的試驗(yàn)，最后在野外實(shí)際采集剖面選取的區(qū)域進(jìn)行了識(shí)別和分類，達(dá)到了反映在剖面上的不同區(qū)域地質(zhì)體的判別和認(rèn)定，滿足數(shù)據(jù)處理的要求。

[關(guān)鍵詞]探地雷達(dá) 神經(jīng)網(wǎng)絡(luò) 自組織特征映射

[中圖分類號(hào)] TN95 [文獻(xiàn)碼] B [文章編號(hào)] 1000-405X（2015）-3-131-3

1前言

在探地雷達(dá)的數(shù)據(jù)處理中，通常采用的是類似地震數(shù)據(jù)處理中的一些手段和方法，比如去除零漂、增益處理、帶通濾波、道均衡等等，這些方法均是對(duì)整個(gè)剖面進(jìn)行操作的，而我們可以通過(guò)神經(jīng)網(wǎng)絡(luò)方法，對(duì)數(shù)據(jù)體中某幾個(gè)區(qū)域進(jìn)行選取，對(duì)比研究，以判斷其存在的雷同性或者差異性，來(lái)達(dá)到分類的目的，用以不同深度和區(qū)域地質(zhì)體的判別和認(rèn)定。

2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及算法

2.1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)系統(tǒng)是用數(shù)學(xué)思維模擬人腦神經(jīng)信息處理方式的一種人工智能網(wǎng)絡(luò)，它是一個(gè)高度復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng)，由大量簡(jiǎn)單的神經(jīng)元廣泛相互連接而成。神經(jīng)元一般是一個(gè)多輸入單輸出的非線性器件，它是神經(jīng)網(wǎng)絡(luò)的基本處理單元，結(jié)構(gòu)模型見(jiàn)圖1所示。神經(jīng)網(wǎng)絡(luò)因其具有大規(guī)模并行計(jì)算、容錯(cuò)性強(qiáng)、分布式存儲(chǔ)及超強(qiáng)學(xué)習(xí)能力等優(yōu)點(diǎn)，被廣泛應(yīng)用于諸多領(lǐng)域，并取得了引人注目的成果。

經(jīng)過(guò)多年的發(fā)展，已經(jīng)發(fā)展出感知器網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、徑向基網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)和LVQ網(wǎng)絡(luò)等等。

在已知目標(biāo)向量的情況下，可以采用由導(dǎo)師的訓(xùn)練方法，然后針對(duì)探地雷達(dá)數(shù)據(jù)的特點(diǎn)，這里沒(méi)有采用BP神經(jīng)網(wǎng)絡(luò)等需要導(dǎo)師的網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，而采用了無(wú)需提供導(dǎo)師信號(hào)的神經(jīng)網(wǎng)絡(luò)——自組織神經(jīng)網(wǎng)絡(luò)。

2.2自組織特征映射神經(jīng)網(wǎng)絡(luò)算法

自組織神經(jīng)網(wǎng)絡(luò)的無(wú)導(dǎo)師學(xué)習(xí)方式更類似于人類大腦認(rèn)知過(guò)程，其最重要的特點(diǎn)是通過(guò)自動(dòng)尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)。自組織神經(jīng)網(wǎng)絡(luò)又分為幾個(gè)內(nèi)容，自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)、特征映射網(wǎng)絡(luò)、共振理論模型等。本文采用的自組織特征映射（SOM）神經(jīng)網(wǎng)絡(luò)，是由芬蘭神經(jīng)網(wǎng)絡(luò)專家Kohonen于1981年提出的。SOM網(wǎng)絡(luò)共有兩層—輸入層和輸出層，分別模擬感知外界輸入信息的視網(wǎng)膜和做出響應(yīng)的大腦皮層，對(duì)于某個(gè)特定的輸入模式，輸出層會(huì)有某個(gè)節(jié)點(diǎn)產(chǎn)生最大響應(yīng)而獲勝，獲勝神經(jīng)元對(duì)其鄰近神經(jīng)元存在側(cè)擬制機(jī)制。

SOM網(wǎng)絡(luò)采用的學(xué)習(xí)算法稱為Kohonen算法，采用優(yōu)勝域思想，模擬生物區(qū)域神經(jīng)興奮競(jìng)爭(zhēng)機(jī)制，其算法過(guò)程按如下步驟進(jìn)行：

2.2.1初始化

給定初始學(xué)習(xí)率η（0）；建立初始優(yōu)勝鄰域Nj*（0）；給輸出層各神經(jīng)元對(duì)應(yīng)的權(quán)向量賦小隨機(jī)數(shù)，并進(jìn)行歸一化處理得到Wj。

2.2.2輸入模式

自組織網(wǎng)絡(luò)中選取一個(gè)輸入模式，并進(jìn)行歸一化處理得到X。

2.2.3尋找獲勝神經(jīng)元

將X與輸出層所有神經(jīng)元對(duì)應(yīng)的權(quán)向量Wj進(jìn)行相似性比較，最相似的神經(jīng)元獲勝，權(quán)向量為Wj*：

2.2.4確定優(yōu)勝鄰域Nj*（t）

以j*為中心確定t時(shí)刻的權(quán)值調(diào)整域，優(yōu)勝鄰域內(nèi)的所有神經(jīng)元均按其離開獲勝神經(jīng)元的距離遠(yuǎn)近不同調(diào)整權(quán)值，隨著訓(xùn)練次數(shù)的增加，優(yōu)勝鄰域半徑不斷收縮。

2.2.5調(diào)整權(quán)值

只有獲勝神經(jīng)元才有權(quán)按下式學(xué)習(xí)調(diào)整其權(quán)向量Wj*：

其中η（t）隨時(shí)間變化逐漸下降到0，一般取 或

2.2.6重新歸一化處理

對(duì)經(jīng)學(xué)習(xí)調(diào)整后的權(quán)向量重新進(jìn)行歸一化處理，循環(huán)計(jì)算，直到學(xué)習(xí)率η衰減到0。

3理論數(shù)值模擬應(yīng)用

3.1區(qū)分方波函數(shù)

首先通過(guò)方波函數(shù)，用有導(dǎo)師的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)神經(jīng)網(wǎng)絡(luò)的使用加以試驗(yàn)說(shuō)明。

原始數(shù)據(jù)共48道，400ms采樣時(shí)間的方波數(shù)據(jù)，200-400ms的振幅2倍于0-200ms，如圖2中a所示，將0-48道的0-100ms和300-400ms的數(shù)據(jù)拼接構(gòu)成網(wǎng)絡(luò)輸入信號(hào)，目標(biāo)函數(shù)為一個(gè)長(zhǎng)度為201的向量，0-100為0，101-201為1；測(cè)試數(shù)據(jù)選取為原始數(shù)據(jù)中100-350ms部分的數(shù)據(jù)，測(cè)試目標(biāo)函數(shù)為一個(gè)長(zhǎng)度為251的向量，0-100為0，101-251為1。

通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到圖2中b中所示結(jié)果，星號(hào)為目標(biāo)曲線，紅色為輸出曲線，綠色為誤差曲線，可以看出誤差為零，訓(xùn)練結(jié)果還是令人滿意的。

3.2判別模擬數(shù)據(jù)

對(duì)一個(gè)模擬數(shù)據(jù)的某一塊數(shù)據(jù)體（圖3（a）），我們采用自組織特征映射網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練分類。

根據(jù)上述的算法，對(duì)18-37道、15-50ms采樣時(shí)間的數(shù)據(jù)進(jìn)行訓(xùn)練分類，在分成5類的情況下，從18道至37道網(wǎng)絡(luò)自動(dòng)識(shí)別成為以下情況：4 4 4 5 5 5 2 2 2 2 2 2 3 3 3 3 1 1 1 1，其中一個(gè)數(shù)字代表一類情況，用其他道的數(shù)據(jù)測(cè)試該網(wǎng)絡(luò)時(shí)可以得到如下結(jié)果：40道返回?cái)?shù)字1，15道返回?cái)?shù)字4，與實(shí)際情況相符合。

可以看出SOM算法對(duì)不同的波形分類的情況還是比較理想的，當(dāng)然這個(gè)分類情況和事先給定的種類也有關(guān)系，給定的種類越多，分的越細(xì)，給定的種類越少，分的越粗。對(duì)于圖3（b）中40ms附近的反射異常，在2個(gè)分類的情況下，可以方便的與圍巖分辨出來(lái)，反射異常區(qū)的各道為一個(gè)類別，圍巖區(qū)域?yàn)橐粋€(gè)類別。

4實(shí)際數(shù)據(jù)應(yīng)用

下面我們通過(guò)實(shí)際采集到的雷達(dá)數(shù)據(jù)進(jìn)行訓(xùn)練處理。

野外作業(yè)主機(jī)為美國(guó)GSSI公司的SIR-20型，天線為40M低頻組合天線，數(shù)據(jù)共70道，采樣長(zhǎng)度1024ms，0.2m點(diǎn)測(cè)采集，64次疊加，數(shù)據(jù)為在灰?guī)r地區(qū)獲取。

數(shù)據(jù)剖面見(jiàn)圖4，由于工作環(huán)境為灰?guī)r地區(qū)，初步判斷B區(qū)域?yàn)榉瓷洚惓?，?duì)A區(qū)域存有疑慮?，F(xiàn)根據(jù)SOM算法，應(yīng)用神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行分類辨別，通過(guò)訓(xùn)練歸類，得出以下結(jié)論：A區(qū)域49-55道與B區(qū)域62-70道屬于同一類別的，56-61道屬于另外一個(gè)類別。因此認(rèn)定A區(qū)域與B區(qū)域應(yīng)為同一類地層反射引起，由于振幅較強(qiáng)，判斷為一個(gè)埋深較大的溶洞，56-61道可能由于區(qū)域含水吸收導(dǎo)致能量較弱，后經(jīng)開挖驗(yàn)證，A區(qū)域與B區(qū)域確實(shí)為一個(gè)連通溶洞，且規(guī)模很大。

5結(jié)論

通過(guò)對(duì)方波函數(shù)的判別、模擬數(shù)據(jù)的訓(xùn)練分類以及實(shí)際數(shù)據(jù)異常反射區(qū)的分類判定，可以看出神經(jīng)網(wǎng)絡(luò)方法作為一個(gè)手段來(lái)對(duì)探地雷達(dá)數(shù)據(jù)處理還是很有效果的，在一定程度上能夠滿足剖面處理的要求，達(dá)到使用的目的。本文使用無(wú)導(dǎo)師的網(wǎng)絡(luò)進(jìn)行訓(xùn)練的目的就是為了能夠自動(dòng)判別分類，避免人為干預(yù)的影響，當(dāng)然某些情況下以可以采用有導(dǎo)師的網(wǎng)絡(luò)，有針對(duì)性的進(jìn)行識(shí)別。

本文得到中國(guó)地質(zhì)調(diào)查局基[2014]01-034-013項(xiàng)目資助。

Abstract： Get across the introduce of neural network， using the characteristic than training the network to classified， after the experimentation on square function and simulation data， finally carry on real acquisition data， identify and class the choosed area， achieve the aim to distinguish and cognizance about structure in different area on profile，satisfy the require of data process.

Keywords： GPR Neural network Self-Organizing Feature Map

參考文獻(xiàn)

[1]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2005.

Fei Si Technology R & D center. Neural Network Theory and MATLAB7 Implementation[M]. Beijing： Electronic Industry Press，2005.

[2]李大心.探地雷達(dá)方法與應(yīng)用[M].北京：地質(zhì)出版社，1994.

Li Da-xin. Method and application of ground penetrating radar [M]. Beijing： Geology Press， 1994.

[3]翟波，楊峰，孫水明.基于二維濾波的探地雷達(dá)數(shù)據(jù)去噪研究[J].南京師范大學(xué)學(xué)報(bào)，2007，7（3）：80.

Zhai Bo， Yang Feng， Shui Ming-sun. Based on two-dimensional filtering of ground penetrating radar data denoising [J]. Nanjing Normal University， 2007，7 （3）： 80.

[4]楊峰，彭蘇萍，張全升. 地質(zhì)雷達(dá)精細(xì)處理技術(shù)方法的應(yīng)用研究[J].工程勘察，2007，（4）：70-74

Yang Feng， Su Ping-peng， Zhang Quan-sheng. Ground Penetrating Radar Method for fine processing technology applied research [J]. Engineering Survey， 2007 （4） ：70-74.

[5]郝建新，魏玉峰，林雄斌，地質(zhì)雷達(dá)探測(cè)干擾因素及圖像識(shí)別研究[J].工程勘察，2008（11）：73-75.

Jian-Xin Hao， Yu-Feng Wei， Lin Xiongbin， ground penetrating radar interference factors and image recognition research[J]. Engineering Survey， 2008 （11） ：73-75.

[6] David. J. Bescoby， Gavin C. Cawley， and P. Neil Chroston. Enhanced interpretation of magnetic survey data from archaeological sites using artificial neural networks[J]. Geophysics，2006， 71，H45.

[7] Zhengping Liu and Jiaqi Liu. Seismic-controlled nonlinear extrapolation of well parameters using neural networks. Geophysics，1998，63：2035.

[8] Zehui Huang， John Shimeld， Mark Williamson， and John Katsube. Permeability prediction with artificial neural network modeling in the Venture gas field， offshore eastern Canada. Geophysics 1996，61：422.

[9]Bennett L. Bearden and Robert M. Mink. Seismic expression of structural style in Norphlet formation， offshore Alabama. Geophysics， 1989，54：1230.