基于多级神经网络的探地雷达三维反演方法及系统技术方案

本公开涉及探地雷达数据反演技术领域，提出了一种基于多级神经网络的探地雷达三维反演方法及系统，先将数据转换为三维稠密体数据，基于道间注意力的插值，达到相邻B‑scan特征相互增强的目的，进而在插值生成三维数据的过程中保留目标结构特征；然后采用条件生成对抗抑制杂波，使三维数据中仅保留具有能够反映目标物体的双曲波特征；最终通过Transformer模型进行反演到可靠的地下目标物体的三维映射，将三维体数据特征与解码器特征相融合，自动定位，并细化局部细节，生成仅含有所需要的目标物体的地下三维结构，进而得到可靠的地下目标物体的三维映射。

【技术实现步骤摘要】

本公开涉及探地雷达数据反演相关，具体地说，是涉及一种基于多级神经网络的探地雷达三维反演方法及系统。

技术介绍

1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，并不必然构成在先技术。

2、探地雷达(ground penetrating radar,gpr)数据反演在探地雷达数据解译中起着重要作用，它将原始数据转化为地下结构和属性的直接映射，增强了对地下情况的深入理解，并为后续的决策提供支持。探地雷达(ground penetrating radar,gpr)数据反演面临多参数反演、非唯一性、数据噪声、有限观测几何以及计算复杂性等难点。非唯一性问题需要结合先验信息和附加约束进行解释和验证，然而探地雷达数据的先验信息很难获取。同时，数据质量和噪声的处理对于反演结果的准确性也至关重要。有限观测几何限制了完整地下结构的准确反演。这些难点问题需要更为有效的计算方法来提高反演质量。随着深度学习的快速发展，其在探地雷达反演问题上的应用也越来越受到重视。

3、专利技术人在研究中发现，现有的基于深度学习的研究都是基于二维b-scan图像进行的，本文档来自技高网...

【技术保护点】

1.基于多级神经网络的探地雷达三维反演方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于多级神经网络的探地雷达三维反演方法，其特征在于，稠密体数据生成方法，包括如下步骤：

3.如权利要求1所述的基于多级神经网络的探地雷达三维反演方法，其特征在于，三维反演方法，包括如下步骤：

4.如权利要求1所述的基于多级神经网络的探地雷达三维反演方法，其特征在于：还包括构建探地雷达三维反演网络TCGA-Net，包括三级网络：

5.如权利要求4所述的基于多级神经网络的探地雷达三维反演方法，其特征在于：在第二级和第三级网络之间采用耦合学习的配对数据训...

【技术特征摘要】

1.基于多级神经网络的探地雷达三维反演方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于多级神经网络的探地雷达三维反演方法，其特征在于，稠密体数据生成方法，包括如下步骤：

3.如权利要求1所述的基于多级神经网络的探地雷达三维反演方法，其特征在于，三维反演方法，包括如下步骤：

4.如权利要求1所述的基于多级神经网络的探地雷达三维反演方法，其特征在于：还包括构建探地雷达三维反演网络tcga-net，包括三级网络：

5.如权利要求4所述的基于多级神经网络的探地雷达三维反演方法，其特征在于：在第二级和第三级网络之间采用耦合学习的配对数据训练的方法；

6.如权利要求4所述的基于多级神经网络的探地雷达三维反演方法，其特征在于：3d-declutter模型包括编码器，基于simam注意力机制的生成器，以及...

【专利技术属性】
技术研发人员：原达，徐天家，杨歌星，李博洋，范德明，姜新波，王萍，王枚，红梅，
申请(专利权)人：山东工商学院，
类型：发明
国别省市：