自組織特征映射網(wǎng)絡在探地雷達數(shù)據(jù)處理中的應用

1、    自組織特征映射網(wǎng)絡在探地雷達數(shù)據(jù)處理中的應用    陳長敬單波陳松摘要通過對神經(jīng)網(wǎng)絡原理的介紹，利用其可以訓練分類的特性，通過對方波函數(shù)、理論模擬數(shù)據(jù)的試驗，最后在野外實際采集剖面選取的區(qū)域進行了識別和分類，達到了反映在剖面上的不同區(qū)域地質(zhì)體的判別和認定，滿足數(shù)據(jù)處理的要求。關(guān)鍵詞探地雷達 神經(jīng)網(wǎng)絡 自組織特征映射 tn95 文獻碼 b 1000-405x（2015）-3-131-31前言在探地雷達的數(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，這些方法均是對整個剖面進行操作的，而我們可

2、以通過神經(jīng)網(wǎng)絡方法，對數(shù)據(jù)體中某幾個區(qū)域進行選取，對比研究，以判斷其存在的雷同性或者差異性，來達到分類的目的，用以不同深度和區(qū)域地質(zhì)體的判別和認定。2神經(jīng)網(wǎng)絡結(jié)構(gòu)及算法2.1神經(jīng)網(wǎng)絡結(jié)構(gòu)神經(jīng)網(wǎng)絡系統(tǒng)是用數(shù)學思維模擬人腦神經(jīng)信息處理方式的一種人工智能網(wǎng)絡，它是一個高度復雜的非線性動力學系統(tǒng)，由大量簡單的神經(jīng)元廣泛相互連接而成。神經(jīng)元一般是一個多輸入單輸出的非線性器件，它是神經(jīng)網(wǎng)絡的基本處理單元，結(jié)構(gòu)模型見圖1所示。神經(jīng)網(wǎng)絡因其具有大規(guī)模并行計算、容錯性強、分布式存儲及超強學習能力等優(yōu)點，被廣泛應用于諸多領(lǐng)域，并取得了引人注目的成果。經(jīng)過多年的發(fā)展，已經(jīng)發(fā)展出感知器網(wǎng)絡、bp網(wǎng)絡、徑向基網(wǎng)絡、ho

3、pfield網(wǎng)絡、自組織網(wǎng)絡和lvq網(wǎng)絡等等。在已知目標向量的情況下，可以采用由導師的訓練方法，然后針對探地雷達數(shù)據(jù)的特點，這里沒有采用bp神經(jīng)網(wǎng)絡等需要導師的網(wǎng)絡進行訓練學習，而采用了無需提供導師信號的神經(jīng)網(wǎng)絡自組織神經(jīng)網(wǎng)絡。2.2自組織特征映射神經(jīng)網(wǎng)絡算法自組織神經(jīng)網(wǎng)絡的無導師學習方式更類似于人類大腦認知過程，其最重要的特點是通過自動尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自適應地改變網(wǎng)絡參數(shù)與結(jié)構(gòu)。自組織神經(jīng)網(wǎng)絡又分為幾個內(nèi)容，自組織競爭網(wǎng)絡、特征映射網(wǎng)絡、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，是由芬蘭神經(jīng)網(wǎng)絡專家kohonen于1981年提出的。som網(wǎng)絡共有兩層輸入層和

4、輸出層，分別模擬感知外界輸入信息的視網(wǎng)膜和做出響應的大腦皮層，對于某個特定的輸入模式，輸出層會有某個節(jié)點產(chǎn)生最大響應而獲勝，獲勝神經(jīng)元對其鄰近神經(jīng)元存在側(cè)擬制機制。som網(wǎng)絡采用的學習算法稱為kohonen算法，采用優(yōu)勝域思想，模擬生物區(qū)域神經(jīng)興奮競爭機制，其算法過程按如下步驟進行：2.2.1初始化給定初始學習率（0）；建立初始優(yōu)勝鄰域nj*（0）；給輸出層各神經(jīng)元對應的權(quán)向量賦小隨機數(shù)，并進行歸一化處理得到wj。2.2.2輸入模式自組織網(wǎng)絡中選取一個輸入模式，并進行歸一化處理得到x。2.2.3尋找獲勝神經(jīng)元將x與輸出層所有神經(jīng)元對應的權(quán)向量wj進行相似性比較，最相似的神經(jīng)元獲勝，權(quán)向量為wj

5、*：2.2.4確定優(yōu)勝鄰域nj*（t）以j*為中心確定t時刻的權(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)元的距離遠近不同調(diào)整權(quán)值，隨著訓練次數(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)按下式學習調(diào)整其權(quán)向量wj*：其中（t）隨時間變化逐漸下降到0，一般取 或2.2.6重新歸一化處理對經(jīng)學習調(diào)整后的權(quán)向量重新進行歸一化處理，循環(huán)計算，直到學習率衰減到0。3理論數(shù)值模擬應用3.1區(qū)分方波函數(shù)首先通過方波函數(shù)，用有導師的神經(jīng)網(wǎng)絡進行訓練，對神經(jīng)網(wǎng)絡的使用加以試驗說明。原始數(shù)據(jù)共48道，400ms采樣時間的方波數(shù)據(jù)，200-400ms的振幅2倍于0-200ms，如圖

6、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)絡輸入信號，目標函數(shù)為一個長度為201的向量，0-100為0，101-201為1；測試數(shù)據(jù)選取為原始數(shù)據(jù)中100-350ms部分的數(shù)據(jù)，測試目標函數(shù)為一個長度為251的向量，0-100為0，101-251為1。通過神經(jīng)網(wǎng)絡訓練，得到圖2中b中所示結(jié)果，星號為目標曲線，紅色為輸出曲線，綠色為誤差曲線，可以看出誤差為零，訓練結(jié)果還是令人滿意的。3.2判別模擬數(shù)據(jù)對一個模擬數(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)絡對其進行訓練分類。根據(jù)上述的算法，對18-37道、15-50ms采樣時間的數(shù)據(jù)進行訓練分類，在分

7、成5類的情況下，從18道至37道網(wǎng)絡自動識別成為以下情況：4 4 4 5 5 5 2 2 2 2 2 2 3 3 3 3 1 1 1 1，其中一個數(shù)字代表一類情況，用其他道的數(shù)據(jù)測試該網(wǎng)絡時可以得到如下結(jié)果：40道返回數(shù)字1，15道返回數(shù)字4，與實際情況相符合?？梢钥闯鰏om算法對不同的波形分類的情況還是比較理想的，當然這個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，給定的種類越少，分的越粗。對于圖3（b）中40ms附近的反射異常，在2個分類的情況下，可以方便的與圍巖分辨出來，反射異常區(qū)的各道為一個類別，圍巖區(qū)域為一個類別。4實際數(shù)據(jù)應用下面我們通過實際采集到的雷達數(shù)據(jù)進行訓練

8、處理。野外作業(yè)主機為美國gssi公司的sir-20型，天線為40m低頻組合天線，數(shù)據(jù)共70道，采樣長度1024ms，0.2m點測采集，64次疊加，數(shù)據(jù)為在灰?guī)r地區(qū)獲取。數(shù)據(jù)剖面見圖4，由于工作環(huán)境為灰?guī)r地區(qū)，初步判斷b區(qū)域為反射異常，對a區(qū)域存有疑慮。現(xiàn)根據(jù)som算法，應用神經(jīng)網(wǎng)絡對其進行分類辨別，通過訓練歸類，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道屬于另外一個類別。因此認定a區(qū)域與b區(qū)域應為同一類地層反射引起，由于振幅較強，判斷為一個埋深較大的溶洞，56-61道可能由于區(qū)域含水吸收導致能量較弱，后經(jīng)開挖驗證，a區(qū)域與b區(qū)域確實為一個連通溶洞，且規(guī)模很

9、大。5結(jié)論通過對方波函數(shù)的判別、模擬數(shù)據(jù)的訓練分類以及實際數(shù)據(jù)異常反射區(qū)的分類判定，可以看出神經(jīng)網(wǎng)絡方法作為一個手段來對探地雷達數(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，達到使用的目的。本文使用無導師的網(wǎng)絡進行訓練的目的就是為了能夠自動判別分類，避免人為干預的影響，當然某些情況下以可以采用有導師的網(wǎng)絡，有針對性的進行識別。本文得到中國地質(zhì)調(diào)查局基201401-034-013項目資助。abstract： get across the introduce of neural network， using the characteristic than training the n

10、etwork 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

11、： gpr neural network self-organizing feature map參考文獻1飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡理論與matlab7實現(xiàn)m.北京：電子工業(yè)出版社，2005.fei si technology r & d center. neural network theory and matlab7 implementationm. beijing： electronic industry press，2005.2李大心.探地雷達方法與應用m.北京：地質(zhì)出版社，1994.li da-xin. method and application of ground p

12、enetrating 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數(shù)據(jù)去噪研究j.南京師范大學學報，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)雷達精細處理技術(shù)方法的應用研究j.工程勘察，2007

13、，（4）：70-74yang 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)雷達探測干擾因素及圖像識別研究j.工程勘察，2008（11）：73-75.jian-xin hao， yu-feng wei， lin xiongbin， ground penetrating radar interferen

14、ce factors and image recognition researchj. 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 networksj. 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 modelin