探地雷达绕射波弱信号提取方法及电子设备与流程

本发明涉及探地雷达相关技术领域，特别是一种探地雷达绕射波弱信号提取方法及电子设备。

背景技术：

探地雷达技术是一种空洞裂缝等地下病害探测的有效方法，相关技术的研究涉及病害体探测的机理、数值模拟、数据处理算法、信号分析技术等，但是只解决了空洞裂缝等病害探测的初步问题(张海燕，2000；李萍，等，2003；任月清，2005；张小蓟，等，2008)。采用小波分析和模糊神经网络的方法又因其固有缺陷(如结构不易确定，陷入局部极小点等)而无法得到精确的识别结果。

实际上，传统的探地雷达技术没有考虑强信号对绕射波弱信号干扰屏蔽作用，难以有效解决地下的空洞和裂缝探测难题。

技术实现要素：

基于此，有必要针对现有技术考虑强信号对绕射波弱信号干扰屏蔽作用的技术问题，提供一种探地雷达绕射波弱信号提取方法及电子设备。

本发明提供一种探地雷达绕射波弱信号提取方法，包括：

采集地下空间的探地雷达信号，其中，探地雷达信号携带地下空间内部的连续材质和不连续材质的电参数信号；

对所述探地雷达信号，利用强反射信号屏蔽效应去除方法进行预处理，所述强反射信号屏蔽效应去除方法利用局部平面波方程去除与连续材质有关的连续性平面波信号，得到含有噪声和绕射波的探地雷达预处理数据；

利用所述的探地雷达预处理数据，构建绕射波稀疏重构模型，去除噪声，提取出与不连续材质有关的绕射波数据。

进一步的，所述强反射信号屏蔽效应去除方法使用强反射信号正则化估计模型进行快速迭代求解，所述强反射信号正则化估计模型为：

其中α,β>0为正则化因子，r(σ)为平面波破坏滤波器函数，σ为倾角斜率矢量，l1为拉普拉斯算子，l2为微分算子；

根据所述强反射信号正则化估计模型，计算当j^α,β(σ)为最小值时的倾角斜率矢量为预处理倾角斜率矢量；

将所述预处理倾角斜率矢量代入平面波破坏滤波器函数得到探地雷达预处理数据。

更进一步的，所述快速迭代求解为：

进行多次迭代计算，直到得到j^α,β(σ)的最小值或者达到预设的迭代次数阈值，其中每一次迭代计算：

其中，ξ>0为步长参数，pγ()为投影集合，σk+1为第k+1次迭代时的倾角斜率矢量，gjα(σk)为第k次迭代时j^α,β(σ)的梯度，

进一步的，所述绕射波稀疏重构模型，得到绕射波数据，具体包括：

从所述的探地雷达预处理数据中抽取数据块组成待学习样本；

根据待学习样本构建绕射波重构模型，所述模型如下：

其中，待学习样本y为探地雷达预处理数据矩阵，yi,i＝1,2,...,n表示第i个探地雷达预处理数据；dj为d为基函数矩阵的第j列；x是列向量满足||xi||0≤δ的稀疏表示矩阵；δ为稀疏测度因子；

将计算得到的dx为绕射波数据。

更进一步的，所述根据待学习样本构建绕射波重构模型，具体包括：

根据先求出样本在稀疏测度δ下的稀疏表示；

更新基函数矩阵中的每一列，以提高拟合样本精度；

通过迭代计算缩小稀疏表示误差。

本发明提供一种用于探地雷达绕射波弱信号提取的电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

采集地下空间的探地雷达信号，其中，探地雷达信号携带地下空间内部的连续材质和不连续材质的电参数信号；

对所述探地雷达信号，利用强反射信号屏蔽效应去除方法进行预处理，所述强反射信号屏蔽效应去除方法利用局部平面波方程去除与连续材质有关的连续性平面波信号，得到含有噪声和绕射波的探地雷达预处理数据；

利用所述的探地雷达预处理数据，构建绕射波稀疏重构模型，去除噪声，提取出与不连续材质有关的绕射波数据。

进一步的，所述强反射信号屏蔽效应去除方法使用强反射信号正则化估计模型进行快速迭代求解，所述强反射信号正则化估计模型为：

其中α,β>0为正则化因子，r(σ)为平面波破坏滤波器函数，σ为倾角斜率矢量，l1为拉普拉斯算子，l2为微分算子；

根据所述强反射信号正则化估计模型，计算当j^α,β(σ)为最小值时的倾角斜率矢量为预处理倾角斜率矢量；

将所述预处理倾角斜率矢量代入平面波破坏滤波器函数得到探地雷达预处理数据。

更进一步的，所述快速迭代求解为：

进行多次迭代计算，直到得到j^α,β(σ)的最小值或者达到预设的迭代次数阈值，其中每一次迭代计算：

其中，ξ>0为步长参数，pγ()为投影集合，σk+1为第k+1次迭代时的倾角斜率矢量，gjα(σk)为第k次迭代时j^α,β(σ)的梯度，

进一步的，所述绕射波稀疏重构模型，得到绕射波数据，具体包括：

从所述的探地雷达预处理数据中抽取数据块组成待学习样本；

根据待学习样本构建绕射波重构模型，所述模型如下：

其中，待学习样本y为探地雷达预处理数据矩阵，yi,i＝1,2,...,n表示第i个探地雷达预处理数据；dj为d为基函数矩阵的第j列；x是列向量满足||xi||0≤δ的稀疏表示矩阵；δ为稀疏测度因子；

将计算得到的dx为绕射波数据。

更进一步的，所述根据待学习样本构建绕射波重构模型，具体包括：

根据先求出样本在稀疏测度δ下的稀疏表示；

更新基函数矩阵中的每一列，以提高拟合样本精度；

通过迭代计算缩小稀疏表示误差。

本发明利用局部平面波方程去除与连续材质有关的连续性平面波信号，保证反演求解过程稳定性和强信号估计准确性，同时通过绕射波稀疏重构模型，有效挖掘出隐藏在探地雷达信号中与小尺度空洞、裂隙等信息有关的绕射波弱信号，从而提高小尺度空洞和裂缝等病害的识别能力。

附图说明

图1为本发明一种探地雷达绕射波弱信号提取方法的工作流程图；

图2为本发明最佳实施例的工作流程图；

图3为根据本发明的一个可选实施方式中，一种强反射信号屏蔽效应去除流程图；

图4为根据本发明实施例的一种探地雷达绕射波弱信号提取流程图；

图5为本发明一种用于探地雷达绕射波弱信号提取的电子设备的硬件结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细的说明。

如图1所示为本发明一种探地雷达绕射波弱信号提取方法的工作流程图，包括：

步骤s101，采集地下空间的探地雷达信号，其中，探地雷达信号携带地下空间内部的连续材质和不连续材质的电参数信号；

步骤s102，对所述探地雷达信号，利用强反射信号屏蔽效应去除方法进行预处理，所述强反射信号屏蔽效应去除方法利用局部平面波方程去除与连续材质有关的连续性平面波信号，得到含有噪声和绕射波的探地雷达预处理数据；

步骤s103，利用所述的探地雷达预处理数据，构建绕射波稀疏重构模型，去除噪声，提取出与不连续材质有关的绕射波数据。

具体来说，步骤s101，采集地下空间的探地雷达信号，其中，探地雷达信号携带地下空间内部的连续和不连续材质的电参数信号。在获取探地雷达信号时，可以在预设地下空间的地面上布设雷达观测系统，然后，采用自激自收的方式，获取探地雷达回波信号(即，探地雷达信号)。在通过接收天线接收到的回波信号中携带了地下空间电参数的不连续信息，该不连续信息能够确定地下空间中不连续体的分布情况，其中，不连续体包括空洞和裂隙等。步骤s102，针对采集的探地雷达信号，利用强反射信号屏蔽效应去除方法进行预处理，该方法利用局部平面波方程去除与连续材质有关的连续性平面波信号，得到探地雷达预处理数据，该数据含有噪声和绕射波。步骤s103，利用所述的探地雷达预处理数据，构建绕射波稀疏重构模型，去除噪声，提取出与不连续材质有关的绕射波。

相对于现有探地雷达技术中的没有考虑强信号对绕射波弱信号干扰，导致检测分辨率有限，本发明利用局部平面波方程去除与连续材质有关的连续性平面波信号，保证反演求解过程稳定性和强信号估计准确性，同时通过绕射波稀疏重构模型，有效挖掘出隐藏在探地雷达信号中与小尺度空洞、裂隙等信息有关的绕射波弱信号，从而提高小尺度空洞和裂缝等病害的识别能力。

在其中一个实施例中，所述强反射信号屏蔽效应去除方法使用强反射信号正则化估计模型进行快速迭代求解，所述强反射信号正则化估计模型为：

其中α,β>0为正则化因子，r(σ)为平面波破坏滤波器函数，σ为倾角斜率矢量，l1为拉普拉斯算子，l2为微分算子；

根据所述强反射信号正则化估计模型，计算当j^α,β(σ)为最小值时的倾角斜率矢量为预处理倾角斜率矢量；

将所述预处理倾角斜率矢量代入平面波破坏滤波器函数得到探地雷达预处理数据。

在本发明实施例中，考虑sobolev罚函数和反射信号平滑约束，构建一种正则化强反射信号估计模型：

其中α>0为正则化因子，ω(σ)为稳定算子，sobolev罚函数形式如下：

其中表示边界单位外法向量；l1为拉普拉斯算子，形式如下：

在neumann边界条件下，可简化为：

其中(·,·)表示向量内积。

在此基础上提出正则化反射估计模型：

其中l2为微分算子，形式：

上述正则化反射估计模型，通过sobolev罚函数约束，保证反演求解稳定性；通过强反射信号先验性平滑约束，确保探地雷达强反射信号估计准确性。

在其中一个实施例中，所述快速迭代求解为：

进行多次迭代计算，直到得到j^α,β(σ)的最小值或者达到预设的迭代次数阈值，其中每一次迭代计算：

其中，ξ>0为步长参数，pγ()为投影集合，σk+1为第k+1次迭代时的倾角斜率矢量，gjα(σk)为第k次迭代时j^α,β(σ)的梯度，

具体来说，利用迭代求解算法，目标函数j^α,β(σ)梯度计算如下：

更新方案为：

其中ξ>0，pγ()为投影集合。

在其中一个实施例中，所述绕射波稀疏重构模型，得到绕射波数据，具体包括：

从所述的探地雷达预处理数据中抽取数据块组成待学习样本；

根据待学习样本构建绕射波重构模型，所述模型如下：

其中，待学习样本y为探地雷达预处理数据矩阵，yi,i＝1,2,...,n表示第i个探地雷达预处理数据；dj为d为基函数矩阵的第j列；x是列向量满足||xi||0≤δ的稀疏表示矩阵；δ为稀疏测度因子；

将计算得到的dx为绕射波数据。

在本发明实施例中，构建绕射波重构模型：

其中，待学习样本y＝[y1,y1,l,yn]为去除强反射后的探地雷达预处理数据，yi,i＝1,2,...,n表示第i个探地雷达数据道；dj为d为基函数矩阵第j列；x是列向量满足||xi||0≤δ的稀疏表示矩阵；δ为稀疏测度因子。求解稀疏表示模型是在满足稀疏约束情况下，关于基函数矩阵d和稀疏系数矩阵x的双优化问题，其中稀疏测度δ为约束边界条件。当基函数矩阵d固定时，信号的稀疏表示同样是稀疏约束求解问题，因此，相比于纯粹的稀疏表示任务，构建基函数矩阵需要增加基函数矩阵每列的更新过程。

在其中一个实施例中，所述根据待学习样本构建绕射波重构模型，具体包括：

根据先求出样本在稀疏测度δ下的稀疏表示；

更新基函数矩阵中的每一列，以提高拟合样本精度；

通过迭代计算缩小稀疏表示误差。

本实施例采用交替优化方法求解。在基函数矩阵，即字典学习中，先求出样本在稀疏测度下的稀疏表示，进而更新字典中原子，以提高拟合样本精度，最后通过迭代计算缩小稀疏表示误差，提出探地雷达绕射波弱信号。

如图2所示为本发明最佳实施例的工作流程图，包括：

步骤s201，获取地下空间的探地雷达信号，其中，探地雷达信号携带地下空间内部的连续和不连续材质的电参数信号。

在本发明实施例中，在获取探地雷达信号时，可以在预设地下空间的地面上布设雷达观测系统，然后，采用自激自收的方式，获取探地雷达回波信号(即，探地雷达信号)。在通过接收天线接收到的回波信号中携带了地下空间电参数的不连续信息，该不连续信息能够确定地下空间中不连续体的分布情况，其中，不连续体包括空洞和裂隙等。

步骤s202，针对采集的探地雷达信号，利用强反射信号屏蔽效应去除方法进行预处理，该方法利用局部平面波方程去除与连续材质有关的连续性平面波信号，得到探地雷达预处理数据，该数据含有噪声和绕射波。

步骤s203，利用所述的探地雷达预处理数据，构建绕射波稀疏重构模型，去除噪声，提取出与不连续材质有关的探地雷达绕射波弱信号。

图3是根据本发明的一个可选实施方式中，一种强反射信号屏蔽效应去除流程图，包括如下步骤：

步骤s301，构建反射信号正则化估计模型；

步骤s302，通过快速迭代求解算法正则化估计模型，去除强反射信号干扰。

在执行上述步骤s301和步骤s302之后，就可以利用所述的探地雷达预处理数据，构建绕射波稀疏重构模型，去除噪声，提取出与不连续材质有关的绕射波，具体确定过程如图4所示。

图4是根据本发明实施例的一种探地雷达绕射波弱信号提取流程图，如图4所示，利用所述的探地雷达预处理数据，构建绕射波稀疏重构模型，提取出与不连续材质有关的绕射波，如下步骤：

步骤s401，从所述的探地雷达预处理数据中抽取数据块组成待学习样本；

步骤s402，根据待学习样本构建绕射波重构模型；

步骤s403，采用交替优化方法求解所述绕射波重构模型，提取探地雷达绕射波弱信号。

如图5所示为本发明一种用于探地雷达绕射波弱信号提取的电子设备的硬件结构示意图，包括：

至少一个处理器501；以及，

与所述至少一个处理器501通信连接的存储器502；其中，

所述存储器502存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

采集地下空间的探地雷达信号，其中，探地雷达信号携带地下空间内部的连续材质和不连续材质的电参数信号；

对所述探地雷达信号，利用强反射信号屏蔽效应去除方法进行预处理，所述强反射信号屏蔽效应去除方法利用局部平面波方程去除与连续材质有关的连续性平面波信号，得到含有噪声和绕射波的探地雷达预处理数据；

利用所述的探地雷达预处理数据，构建绕射波稀疏重构模型，去除噪声，提取出与不连续材质有关的绕射波数据。

图5中以一个处理器502为例。

电子设备还可以包括：输入装置503和输出装置504。

处理器501、存储器502、输入装置503及显示装置504可以通过总线或者其他方式连接，图中以通过总线连接为例。

存储器502作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的探地雷达绕射波弱信号提取方法对应的程序指令/模块，例如，图1、图2、图3、图4所示的方法流程。处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块，从而执行各种功能应用以及数据处理，即实现上述实施例中的探地雷达绕射波弱信号提取方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据探地雷达绕射波弱信号提取方法的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至执行探地雷达绕射波弱信号提取方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置503可接收输入的用户点击，以及产生与探地雷达绕射波弱信号提取方法的用户设置以及功能控制有关的信号输入。显示装置504可包括显示屏等显示设备。

在其中一个实施例中，所述强反射信号屏蔽效应去除方法使用强反射信号正则化估计模型进行快速迭代求解，所述强反射信号正则化估计模型为：

其中α,β>0为正则化因子，r(σ)为平面波破坏滤波器函数，σ为倾角斜率矢量，l1为拉普拉斯算子，l2为微分算子；

根据所述强反射信号正则化估计模型，计算当j^α,β(σ)为最小值时的倾角斜率矢量为预处理倾角斜率矢量；

将所述预处理倾角斜率矢量代入平面波破坏滤波器函数得到探地雷达预处理数据。

在其中一个实施例中，所述快速迭代求解为：

进行多次迭代计算，直到得到j^α,β(σ)的最小值或者达到预设的迭代次数阈值，其中每一次迭代计算：

其中，ξ>0为步长参数，pγ()为投影集合，σk+1为第k+1次迭代时的倾角斜率矢量，gjα(σk)为第k次迭代时j^α,β(σ)的梯度，

在其中一个实施例中，所述绕射波稀疏重构模型，得到绕射波数据，具体包括：

从所述的探地雷达预处理数据中抽取数据块组成待学习样本；

根据待学习样本构建绕射波重构模型，所述模型如下：

其中，待学习样本y为探地雷达预处理数据矩阵，yi,i＝1,2,...,n表示第i个探地雷达预处理数据；dj为d为基函数矩阵的第j列；x是列向量满足||xi||0≤δ的稀疏表示矩阵；δ为稀疏测度因子；

将计算得到的dx为绕射波数据。

在其中一个实施例中，所述根据待学习样本构建绕射波重构模型，具体包括：

根据先求出样本在稀疏测度δ下的稀疏表示；

更新基函数矩阵中的每一列，以提高拟合样本精度；

通过迭代计算缩小稀疏表示误差。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。