没有合适的资源?快使用搜索试试~ 我知道了~
基于深度学习的探月雷达对月面浅表层不规则形状介质预测.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 56 浏览量
2023-02-23
20:06:22
上传
评论
收藏 1023KB DOCX 举报
温馨提示
试读
14页
基于深度学习的探月雷达对月面浅表层不规则形状介质预测.docx
资源推荐
资源详情
资源评论
1. 引言
月球是与地球最近的天体,但时至今日,人类对月球表面月壤结构的勘探能力和成果
仍十分有限。在美国 Apollo 任务中
[1]
,宇航员仅在近地表提取了月壤与月岩样本,月球更
深部的原状结构信息和深部样品无法获取。我国嫦娥探月工程项目在月面上采用了探地雷
达系统进行探测
[2-4]
,科学研究结果表明探地雷达系统不仅能够对月球地下介质分布开展有
效的探测,也能为月面深部钻采的场地优选和路径规划提供依据,增强月面钻探的能力,
降低钻探取样的风险。由于探地雷达的高频电磁波在月壤及月岩砂砾介质中具有很强的散
射特征和各向异性特征,探测回波复杂,并且数据有限,采用传统的数据处理与目标成像
技术难以对月壤中的月岩体形态进行精确成像,无法高效地适用于未来月球探测任务中。
本文针对月面浅层(5~10 m 深)钻进采样的科学需求,在雷达探测数据处理引入机器学习算
法,增强探月雷达探测数据实时地层成像的效率,最终为月球探测任务的月岩钻进避障和
钻进策略优化提供一种可行的解决方案。
由于近年来计算机计算性能的提高,机器学习算法的爆发性发展,人工智能神经网络
算法相对于传统的模型反演算法展现出了巨大的发展潜力和优势。研究成果表明人工智能
神经网络在探地雷达信号处理中具有较高效准确的优势
[5-7]
。深度神经网络由输入层、隐藏
层和输出层组成,输入数据的特征变量作为多变量线性组合被传递给隐藏层的节点,隐藏
层的每个节点设置非线性激活函数,通过每层的线性组合传递至输出层,从而实现神经网
络对复杂非线性关系的建模。
随着深度神经模型的不断优化和扩展,已有学者将深度学习应用于探地雷达回波信号
分类。Gao 等人
[8]
利用基于区域的快速卷积网络方法(faster R-ConvNet)进行路面缺陷检测,
探测精度可达 89.13%。Li 等人
[9]
利用快速目标检测(You Only Look Once, YOLO)模型检测
沥青路面的隐藏裂隙,并在小数据集上也取得良好效果。2020 年,Khudoyaro 等人
[10]
将深
度 3 维卷积神经网络应用于 3 维探地雷达数据,识别地下物体,将城市道路分类为管道、
孔洞、检修孔和土壤,其准确率达到了 97%。然而,当前的研究方法需要花费大量人力进
行特征标定,而对于探地雷达图像识别而言,目标的精确几何特征仍无法定量描述,因此
只能将其输出特征分类为不同的地质结构,分类结果单一且粗糙。
为了获得更准确的掩埋物体特征,Liu 等人
[11]
提出基于全波形反演的检测算法,能够
准确恢复地下掩埋的圆柱体位置和直径,但是麦克斯韦方程组的计算需要消耗大量资源,
无法实时获得结果。于是,Giannakis 等人
[12]
将深度学习与探地雷达(Ground-Penetrating
Radar, GPR)信号处理结合,实时预测掩埋物体的深度,但目前仅支持对规则圆形进行处
理,无法针对复杂表面预测,地质环境也局限于混凝土与钢筋结构,难以处理月球环境。
因此,本文结合深度神经网络在非线性问题中的优势,搭建了一种能分析预测不规则
介质上表面几何特征与位置的深度学习模型。首先利用边缘检测等数字图像处理方法获取
月岩轮廓,构建月下地质结构环境,模拟仿真得到探地雷达回波信号数据集;其次,利用
主成分分析法提取雷达回波数据的主要特征,提取后的特征能够加强信号的表现力,作为
神经网络模型的输入数据;最后,根据反向传播算法,搭建了一种深度神经网络模型,在
训练过程中自主调整神经元节点权重,实现对掩埋介质的上表面几何特征与位置的回归预
测。
与传统探地雷达数据处理方法相比,本文所提模型有以下优点:(1)本文针对月球环
境,采用数字图像处理方法获取掩埋介质轮廓,并构建大量接近真实几何特征的月球地质
模型;(2)本文采用的深度神经网络模型,其中隐藏层神经元节点的激活函数具有非线性特
征,从而对非线性数据处理具有较好的预测结果;(3)本文对于雷达信号进行分类,利用训
练完成后的数字化成像模型,使用时直接输入回波信号数据获得成像结果,计算消耗小,
耗时低,能够满足未来航天任务设计的实时性要求。
2. 基于数字图像的月球地质环境搭建方法
在探地雷达的人工智能神经网络训练中,训练数据通常来自两种情况:(1)相对有限的
一组探地雷达真实数据;(2)基于简单规则形状模型而获取的仿真模拟数据。这些数据有如
下缺点:(1)真实数据的数据量不足、环境或系统影响因素多;(2)简单模型获得的模拟仿真
数据不能反映实际情况。在当前更快速的全波形正向求解器和改进的分析方法背景下,如
何获得更逼真的月壤模型模拟数据是解决问题的关键。本文根据月面环境,基于电磁波在
地下的传播特性,结合嫦娥 3 号和 4 号搭载的月球探测器参数,以及 Apollo 系列任务返回
的月壤与月岩样本图像,构建了一种接近真实的月面地质环境的建模和回波数据分类方
法。
2.1 探月雷达参数设计
探月雷达的工作原理是发射天线将超宽带的毫微秒电磁波脉冲向月面辐射,当遇到电
性特征不同的物质(如熔岩层和溅射物)时,电磁波将会发生反射和散射现象。探月雷达的
接收天线将接收到的信号进行放大、采样,随后对获得的探测信号进行处理、反演成像,
最终可获得月球地下介质的结构分布。
为深入探究不同深度下复杂月球地质结构特征与探月雷达回波信号的关系,本文首先
针对月球浅表层 0.5 m 深单个掩埋非规则形状月岩块体进行仿真模拟,取得预测结果后,
再进行 10 m 深月球复杂地质环境模拟。其月面雷达探测系统的主要技术指标如表 1 所
示。
表 1 探月雷达的参数设计
名称
0.5 m 深探月雷
达
主要参数和技
术指标
10 m 深探月雷
达
主要参数和技
术指标
中心频率
(MHz)
1200
700
动态范围
(dB)
≥48
≥96
探测深度(m)
≥0.5
≥10
深度分辨率
(cm)
≤2
≤20
下载: 导出 CSV
| 显示表格
针对月面下 0.5 m 的浅层月面雷达穿透深度,设计月面雷达的中心频率为 1.2 GHz。
在月球环境条件下,其探测距离向分辨率约为 2 cm,该月面雷达系统可用于探测月面表层
掩埋月岩的轮廓和分布位置。针对 10 m 深的探测目标,设计月面雷达中心频率为 700
MHz。在月壤条件下,其探测距离向分辨率约为 20 cm,该月面雷达系统可用于探测月壤
厚度及月岩分层结构。
2.2 构建 2 维无规则介质正演模型
在正演仿真模型中的月壤中月岩介质物性参数和几何参数设计,则采用基于 Apollo
14 任务返回的岩石样本作为参考模型
[13]
,从而可使得仿真模型和月岩表面形态更接近真实
的月面条件与环境,能更有效地检验方法的有效性。其岩石样本部分照片如图 1 所示。
图 1 Apollo 14 号返回样品图像
下载: 全尺寸图片 幻灯片
构建几何参数的过程中,首先通过提取真实月岩照片的月岩轮廓来构建 2 维 gprMax
仿真模型
[14]
,从而可精确地模拟月岩样品表面较为真实的粗糙形态特征。在 2 维月岩图像
中,图像存储的大部分信息主要由边缘组成,表现为局部特征不连续,可将其理解为图像
剩余13页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3895
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功