自组织特征映射网络在探地雷达数据处理中的应用

陈长敬　单波　陈松

[摘要]通过对神经网络原理的介绍，利用其可以训练分类的特性，通过对方波函数、理论模拟数据的试验，最后在野外实际采集剖面选取的区域进行了识别和分类，达到了反映在剖面上的不同区域地质体的判别和认定，满足数据处理的要求。

[关键词]探地雷达 神经网络 自组织特征映射

[中图分类号] TN95 [文献码] B [文章编号] 1000-405X（2015）-3-131-3

1前言

在探地雷达的数据处理中，通常采用的是类似地震数据处理中的一些手段和方法，比如去除零漂、增益处理、带通滤波、道均衡等等，这些方法均是对整个剖面进行操作的，而我们可以通过神经网络方法，对数据体中某几个区域进行选取，对比研究，以判断其存在的雷同性或者差异性，来达到分类的目的，用以不同深度和区域地质体的判别和认定。

2神经网络结构及算法

2.1神经网络结构

神经网络系统是用数学思维模拟人脑神经信息处理方式的一种人工智能网络，它是一个高度复杂的非线性动力学系统，由大量简单的神经元广泛相互连接而成。神经元一般是一个多输入单输出的非线性器件，它是神经网络的基本处理单元，结构模型见图1所示。神经网络因其具有大规模并行计算、容错性强、分布式存储及超强学习能力等优点，被广泛应用于诸多领域，并取得了引人注目的成果。

经过多年的发展，已经发展出感知器网络、BP网络、径向基网络、Hopfield网络、自组织网络和LVQ网络等等。

在已知目标向量的情况下，可以采用由导师的训练方法，然后针对探地雷达数据的特点，这里没有采用BP神经网络等需要导师的网络进行训练学习，而采用了无需提供导师信号的神经网络——自组织神经网络。

2.2自组织特征映射神经网络算法

自组织神经网络的无导师学习方式更类似于人类大脑认知过程，其最重要的特点是通过自动寻找样本中的内在规律和本质属性，自适应地改变网络参数与结构。自组织神经网络又分为几个内容，自组织竞争网络、特征映射网络、共振理论模型等。本文采用的自组织特征映射（SOM）神经网络，是由芬兰神经网络专家Kohonen于1981年提出的。SOM网络共有两层—输入层和输出层，分别模拟感知外界输入信息的视网膜和做出响应的大脑皮层，对于某个特定的输入模式，输出层会有某个节点产生最大响应而获胜，获胜神经元对其邻近神经元存在侧拟制机制。

SOM网络采用的学习算法称为Kohonen算法，采用优胜域思想，模拟生物区域神经兴奋竞争机制，其算法过程按如下步骤进行：

2.2.1初始化

给定初始学习率η（0）；建立初始优胜邻域Nj*（0）；给输出层各神经元对应的权向量赋小随机数，并进行归一化处理得到Wj。

2.2.2输入模式

自组织网络中选取一个输入模式，并进行归一化处理得到X。

2.2.3寻找获胜神经元

将X与输出层所有神经元对应的权向量Wj进行相似性比较，最相似的神经元获胜，权向量为Wj*：

2.2.4确定优胜邻域Nj*（t）

以j*为中心确定t时刻的权值调整域，优胜邻域内的所有神经元均按其离开获胜神经元的距离远近不同调整权值，随着训练次数的增加，优胜邻域半径不断收缩。

2.2.5调整权值

只有获胜神经元才有权按下式学习调整其权向量Wj*：

其中η（t）随时间变化逐渐下降到0，一般取 或

2.2.6重新归一化处理

对经学习调整后的权向量重新进行归一化处理，循环计算，直到学习率η衰减到0。

3理论数值模拟应用

3.1区分方波函数

首先通过方波函数，用有导师的神经网络进行训练，对神经网络的使用加以试验说明。

原始数据共48道，400ms采样时间的方波数据，200-400ms的振幅2倍于0-200ms，如图2中a所示，将0-48道的0-100ms和300-400ms的数据拼接构成网络输入信号，目标函数为一个长度为201的向量，0-100为0，101-201为1；测试数据选取为原始数据中100-350ms部分的数据，测试目标函数为一个长度为251的向量，0-100为0，101-251为1。

通过神经网络训练，得到图2中b中所示结果，星号为目标曲线，红色为输出曲线，绿色为误差曲线，可以看出误差为零，训练结果还是令人满意的。

3.2判别模拟数据

对一个模拟数据的某一块数据体（图3（a）），我们采用自组织特征映射网络对其进行训练分类。

根据上述的算法，对18-37道、15-50ms采样时间的数据进行训练分类，在分成5类的情况下，从18道至37道网络自动识别成为以下情况：4 4 4 5 5 5 2 2 2 2 2 2 3 3 3 3 1 1 1 1，其中一个数字代表一类情况，用其他道的数据测试该网络时可以得到如下结果：40道返回数字1，15道返回数字4，与实际情况相符合。

可以看出SOM算法对不同的波形分类的情况还是比较理想的，当然这个分类情况和事先给定的种类也有关系，给定的种类越多，分的越细，给定的种类越少，分的越粗。对于图3（b）中40ms附近的反射异常，在2个分类的情况下，可以方便的与围岩分辨出来，反射异常区的各道为一个类别，围岩区域为一个类别。

4实际数据应用

下面我们通过实际采集到的雷达数据进行训练处理。

野外作业主机为美国GSSI公司的SIR-20型，天线为40M低频组合天线，数据共70道，采样长度1024ms，0.2m点测采集，64次叠加，数据为在灰岩地区获取。

数据剖面见图4，由于工作环境为灰岩地区，初步判断B区域为反射异常，对A区域存有疑虑。现根据SOM算法，应用神经网络对其进行分类辨别，通过训练归类，得出以下结论：A区域49-55道与B区域62-70道属于同一类别的，56-61道属于另外一个类别。因此认定A区域与B区域应为同一类地层反射引起，由于振幅较强，判断为一个埋深较大的溶洞，56-61道可能由于区域含水吸收导致能量较弱，后经开挖验证，A区域与B区域确实为一个连通溶洞，且规模很大。

5结论

通过对方波函数的判别、模拟数据的训练分类以及实际数据异常反射区的分类判定，可以看出神经网络方法作为一个手段来对探地雷达数据处理还是很有效果的，在一定程度上能够满足剖面处理的要求，达到使用的目的。本文使用无导师的网络进行训练的目的就是为了能够自动判别分类，避免人为干预的影响，当然某些情况下以可以采用有导师的网络，有针对性的进行识别。

本文得到中国地质调查局基[2014]01-034-013项目资助。

Abstract： Get across the introduce of neural network， using the characteristic than training the network 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： GPR Neural network Self-Organizing Feature Map

参考文献

[1]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京：电子工业出版社，2005.

Fei Si Technology R & D center. Neural Network Theory and MATLAB7 Implementation[M]. Beijing： Electronic Industry Press，2005.

[2]李大心.探地雷达方法与应用[M].北京：地质出版社，1994.

Li Da-xin. Method and application of ground penetrating radar [M]. Beijing： Geology Press， 1994.

[3]翟波，杨峰，孙水明.基于二维滤波的探地雷达数据去噪研究[J].南京师范大学学报，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]杨峰，彭苏萍，张全升. 地质雷达精细处理技术方法的应用研究[J].工程勘察，2007，（4）：70-74

Yang 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，地质雷达探测干扰因素及图像识别研究[J].工程勘察，2008（11）：73-75.

Jian-Xin Hao， Yu-Feng Wei， Lin Xiongbin， ground penetrating radar interference factors and image recognition research[J]. 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 networks[J]. 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 modeling in the Venture gas field， offshore eastern Canada. Geophysics 1996，61：422.

[9]Bennett L. Bearden and Robert M. Mink. Seismic expression of structural style in Norphlet formation， offshore Alabama. Geophysics， 1989，54：1230.