盐渍土土壤的地质雷达超前探测与判读技术

　　本书针对盐渍土地层，就地质雷达的现场探测技术、波形特征解译以及智能化处理等三个重要关联问题，在总结前期研究和应用成果的基础上，阐述了地质雷达探测的基本理论；依托实体工程，系统分析了探测参数设置、探测适用性与波形图像判读特征；基于BP神经网络和Contourlet等高变换的图像处理技术，提取了波形数字特征并给出了智能化判读方法；更进一步地，依托深度学习，建立了基于RBM模型、小波变换和卷积神经网络的波形图像处理技术。本书可供岩土与地质工程领域的科研、勘察、设计、施工及检测技术人员使用，也可作为高等学校土木工程等相关专业师生的教学参考书。

暂缺《盐渍土土壤的地质雷达超前探测与判读技术》作者简介

第1章 绪论
1.1 概述
1.2 国内外研究现状
1.3 存在的主要问题
第2章 地质雷达探测基本理论
2.1 地质雷达基本组成
2.2 地质雷达工作原理
2.2.1 电磁学理论
2.2.2 传播介质的介电特性
2.2.3 探测原理
2.2.4 探测性能
2.3 地质雷达数据采集与显示
2.3.1 实测数据采集
2.3.2 采集数据显示
2.4 地质雷达数据分析技术
2.4.1 背景去除
2.4.2 反褶积处理
2.4.3 道间平衡处理
2.4.4 道内平衡处理
第3章 现场探测技术与波形图像特征
3.1 概述
3.2 探测参数设定
3.2.1 天线中心频率
3.2.2 时间窗口
3.2.3 采样间隔
3.2.4 电磁波发射率
3.2.5 叠加系数
3.3 探测适用性分析
3.3.1 研究方案
3.3.2 模型试验
3.3.3 图像特征分析
3.3.4 探测实例
3.3.5 适用性分析结果
3.4 粗粒弱氯盐渍土的波形图像特征
3.4.1 工程概况
3.4.2 探测方法
3.4.3 模型试验
3.4.4 图像特征分析
3.5 粗粒弱硫酸盐渍土的波形图像特征
3.5.1 工程概况
3.5.2 探测方法
3.5.3 模型试验
3.5.4 图像特征分析
第4章 波形数字特征与智能化判读
4.1 概述
4.2 人工神经网络基本原理
4.2.1 神经元模型
4.2.2 传递函数
4.2.3 网络结构
4.3 BP神经网络
4.3.1 BP神经网络学习
4.3.2 BP神经网络算法
4.3.3 神经网络反分析
4.4 BP神经网络与颜色特征提取
4.4.1 研究背景
4.4.2 研究方案
4.4.3 原始图像预处理
4.4.4 神经网络构建
4.4.5 神经网络训练与识别
4.4.6 颜色特征提取
4.5 Contourlet变换与智能化判读
4.5.1 背景思路
4.5.2 现场探测
4.5.3 研究方案
4.5.4 原始图像预处理
4.5.5 图像变换
4.5.6 K-means++聚类分析与样本库建立
4.6 Contourlet智能化判读实例
4.6.1 现场探测
4.6.2 LP变换与K-means++聚类
4.6.3 自动识别与验证
第5章 基于RBM模型的探测数据仿真处理
5.1 概述
5.2 深度学习的发展与应用
5.2.1 机器学习的发展
5.2.2 深度学习的应用
5.3 深度学习的原理和方法
5.3.1 基本原理
5.3.2 常用方法
5.4 RBM模型
5.4.1 模型定义
5.4.2 学习算法
5.4.3 评估算法
5.5 地质雷达数据仿真处理
5.5.1 数据库建立
5.5.2 基本设置
5.5.3 构建RBM模型
5.5.4 仿真结果
第6章 基于小波变换的探测图像处理
6.1 概述
6.2 小波变换基本性质
6.2.1 连续小波变换(CWT)
6.2.2 离散小波变换(DWT)
6.3 多频率分析与小波包理论
6.3.1 多频率分析
6.3.2 WALLAT算法
6.3.3 小波包理论
6.4 小波阈值去噪方法
6.4.1 去噪原理
6.4.2 阈值函数
6.4.3 去噪步骤
6.5 基于小波包分析的雷达数据去噪
6.5.1 小波包去噪原理
6.5.2 去噪实例
第7章 基于卷积神经网络的探测图像处理
7.1 概述
7.2 卷积神经网络基本理论
7.2.1 模型结构
7.2.2 应用特点
7.2.3 算法
7.3 典型卷积神经网络模型Lenet
7.3.1 结构组成参数
7.3.2 卷积过程
7.4 两种改进的卷积神经网络模型
7.4.1 CNN-1卷积神经网络模型
7.4.2 CNN-2卷积神经网络模型
7.5 探测数据分类实验
7.5.1 实验数据
7.5.2 实验平台
7.5.3 实验1：分类准确率对比
7.5.4 实验2：卷积核对分类性能的影响
7.5.5 实验3：全连接层神经元个数对分类性能的影响
参考文献