| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 探地雷达研究现状 | 第9-11页 |
| 1.2.1 探地雷达技术及其在隧道地质超前预报中的研究现状 | 第9-10页 |
| 1.2.2 探地雷达数据处理研究现状 | 第10-11页 |
| 1.3 卷积神经网络的研究历史 | 第11-12页 |
| 1.4 小波分析在探地雷达数据去噪中的应用 | 第12-13页 |
| 1.5 本文主要研究内容及各章节安排 | 第13-15页 |
| 第二章 探地雷达工作原理 | 第15-23页 |
| 2.1 探地雷达基本组成 | 第15页 |
| 2.2 探地雷达工作原理 | 第15-18页 |
| 2.3 探地雷达在介质中的传播特性 | 第18-19页 |
| 2.4 探地雷达探测性能 | 第19-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于小波分析的探地雷达数据去噪 | 第23-38页 |
| 3.1 小波分析概述 | 第23页 |
| 3.2 小波变换及性质 | 第23-25页 |
| 3.3 多分辨率分析与小波包理论 | 第25-31页 |
| 3.3.1 多分辨率分析 | 第25-27页 |
| 3.3.2 Mallat算法 | 第27-28页 |
| 3.3.3 小波包理论 | 第28-31页 |
| 3.4 小波阈值去噪方法研究 | 第31-34页 |
| 3.4.1 小波去噪原理 | 第31-32页 |
| 3.4.2 阈值函数 | 第32-34页 |
| 3.4.3 小波去噪算法步骤 | 第34页 |
| 3.5 基于小波包分析的雷达数据去噪 | 第34-37页 |
| 3.5.1 基于小波包分析的雷达数据去噪原理 | 第34-36页 |
| 3.5.2 实际探地雷达数据去噪 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 卷积神经网络 | 第38-52页 |
| 4.1 卷积神经网络的基本结构 | 第38-41页 |
| 4.2 卷积神经网络的主要特点 | 第41-43页 |
| 4.3 卷积神经网络算法描述 | 第43-45页 |
| 4.4 典型CNN的网络模型LENET-5 | 第45-47页 |
| 4.5 两种改进的卷积神经网络模型 | 第47-51页 |
| 4.5.1 改进的CNN网络模型一——CNN-1 | 第47-49页 |
| 4.5.2 改进的CNN网络模型二——CNN-2 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 探地雷达数据分类实验结果与分析 | 第52-61页 |
| 5.1 实验数据与实验平台 | 第52-54页 |
| 5.1.1 实验数据 | 第52-54页 |
| 5.1.2 实验平台 | 第54页 |
| 5.2 实验一：模型CNN-1,CNN-2与LENET-5分类准确率对比实验 | 第54-55页 |
| 5.3 实验二：卷积核选取对模型分类准确性能影响实验 | 第55-58页 |
| 5.3.1 卷积核选取对CNN-1分类准确性能的影响 | 第55-57页 |
| 5.3.2 卷积核选取对CNN-2分类准确性能的影响 | 第57-58页 |
| 5.4 实验三：全连接层神经元个数对模型分类准确性能影响实验 | 第58-60页 |
| 5.4.1 全连接层神经元个数对CNN-1分类准确性能的影响 | 第58-59页 |
| 5.4.2 全连接层神经元个数对CNN-2分类准确性能的影响 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |
