地下管网雷达图像智能解译方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 地下管线检测方法研究现状 | 第9-10页 |
| 1.2.2 GPR探测地下管线研究现状 | 第10-11页 |
| 1.2.3 GPR目标自动识别现状 | 第11-12页 |
| 1.3 研究内容和技术路线 | 第12-15页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 研究方法和技术路线 | 第12-15页 |
| 1.4 本文创新点 | 第15-16页 |
| 2 GPR探测地下管线的正演数值模拟研究 | 第16-28页 |
| 2.1 地下管线GPR探测的正演理论 | 第16-22页 |
| 2.1.1 基本原理 | 第16-17页 |
| 2.1.2 参数选择 | 第17-19页 |
| 2.1.3 成像特征模型 | 第19-20页 |
| 2.1.4 数据基本处理流程 | 第20页 |
| 2.1.5 数值模拟软件GprMax | 第20-22页 |
| 2.2 基于FDTD探测地下管线正演模型 | 第22-23页 |
| 2.2.1 构建正演数值模型 | 第22页 |
| 2.2.2 建立参数模型及试验方案 | 第22-23页 |
| 2.3 正演试验及波谱特征分析 | 第23-27页 |
| 2.3.1 不同管线材质的波谱特征 | 第23-24页 |
| 2.3.2 不同埋地介质的波谱特征 | 第24-26页 |
| 2.3.3 不同管线半径的波谱特征 | 第26页 |
| 2.3.4 不同管线埋深的波谱特征 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 波谱图像识别和特征提取 | 第28-40页 |
| 3.1 图像自动识别技术选择 | 第28-29页 |
| 3.2 识别和提取特征过程分析 | 第29-38页 |
| 3.2.1 波谱模型 | 第29-30页 |
| 3.2.2 方法介绍 | 第30-33页 |
| 3.2.3 试验与仿真分析 | 第33-38页 |
| 3.3 本章小结 | 第38-40页 |
| 4 地下管线信息的反演研究 | 第40-54页 |
| 4.1 人工神经网络理论研究 | 第41-45页 |
| 4.1.1 BP神经网络 | 第41-43页 |
| 4.1.2 遗传算法优化BP神经网络 | 第43-45页 |
| 4.2 建立训练样本库 | 第45-46页 |
| 4.2.1 设计试验 | 第45-46页 |
| 4.2.2 数据处理 | 第46页 |
| 4.3 BP神经网络训练和测试 | 第46-49页 |
| 4.3.1 训练样本的选取 | 第46-47页 |
| 4.3.2 训练结果 | 第47-49页 |
| 4.4 GA-BP神经网络训练和测试 | 第49-51页 |
| 4.4.1 数据选取及归一化处理 | 第50-51页 |
| 4.4.2 网络测试 | 第51页 |
| 4.5 本章小结 | 第51-54页 |
| 5 结论与展望 | 第54-56页 |
| 5.1 结论 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 附录 | 第62-72页 |
