本文關鍵詞：深度學習在探地雷達數(shù)據(jù)處理中的應用研究

  更多相關文章： 深度學習 圖像特征 RBM模型 DBN深度學習算法

【摘要】：探地雷達因其分辨率好、工作效率高、操作簡便和無損傷探測的特點,被廣泛應用于各種工程領域。深度學習是機器學習中的一個新興的研究領域,深度學習能夠對特征進行良好的表達,并且能自動地提取分所需要的特征。更重要的是能夠在大規(guī)模數(shù)據(jù)處理中取得非常好的效果。深度學習能夠很好地應用于探地雷達數(shù)據(jù)處理,并能有效地學習探地雷達圖像的有效特征,將深度學習應用于探地雷達圖像的處理,能夠無監(jiān)督地學習探地雷達圖像,并有監(jiān)督地進行圖像分類。本文中,首先對探地雷達的電磁學原理、數(shù)據(jù)采集原理及探測性能進行研究。其次對深度學習的理論,深度學習的方法及限制玻爾茲曼機(RBM)模型進行研究。深度學習算法中的RBM模型相對比較容易學習,這種模型的算法克服了直接對多層網(wǎng)絡進行訓練的效率問題。因此,本文的后續(xù)實驗仿真采用基于RBM構建的深度信念網(wǎng)絡模型(DBN)并用于探地雷達數(shù)據(jù)處理。接著介紹了樣本庫的建立,實驗的一些參數(shù)的設置以及RBM模型的構建。由于探地雷達圖像是由電磁波反射形成的,為了能夠更直觀地表示探地雷達圖像處理結果,采用softmax分類器對學習的探地雷達圖像進行分類。最后通過對已建立好的樣本庫進行實驗,采用DBN深度學習算法對探地雷達圖像進行無監(jiān)督學習,并采用wake-sleep算法進行微調,實驗結果表明通過該方法能進行無監(jiān)督地學習探地雷達數(shù)據(jù),并能很好地進行分類。
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN957.52

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 余凱;賈磊;陳雨強;徐偉;;深度學習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

2 張建明;詹智財;成科揚;詹永照;;深度學習的研究與發(fā)展[J];江蘇大學學報(自然科學版);2015年02期

3 朱新玲;;馬爾科夫鏈蒙特卡羅方法研究綜述[J];統(tǒng)計與決策;2009年21期

4 肖兵，周翔，湯井田;探地雷達技術及其應用和發(fā)展[J];物探與化探;1996年05期

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 陳碩;深度學習神經(jīng)網(wǎng)絡在語音識別中的應用研究[D];華南理工大學;2013年

2 杜騫;深度學習在圖像語義分類中的應用[D];華中師范大學;2014年

，

本文編號：1249344