Вплив зменшення шуму вхідного сигналу на класифікацію місцезнаходження об’екту штучною нейронною мережею при надширокосмуговій радіоінтроскопії

  • O. M. Dumin Харківський національний університет імені В. Н. Каразіна http://orcid.org/0000-0001-5067-9689
  • V. A. Plakhtii Харківський національний університет імені В. Н. Каразіна http://orcid.org/0000-0002-0442-2716
  • O. A. Prishchenko Харківський національний університет імені В. Н. Каразіна http://orcid.org/0000-0001-7143-9545
  • D. V. Shyrokorad Запорізький національний технічний університет http://orcid.org/0000-0002-2784-4081
Ключові слова: підповерхневий радар, штучна нейронна мережа, імпульсна електромагнітна хвиля, класифікація об’єктів, вейвлет-перетворення, метод гусениці

Анотація

Актуальність. Широке використання імпульсного надширокосмугового підповерхневого зондування для низки практичних застосувань в археології, будівництві та в гуманітарному розмінуванні стримується наявністю шумів і завад високого рівня в прийнятому відбитому полі. Часто це робить класифікацію об’єктів під поверхнею землі практично неможливим вже на невеликих глибинах та віддаленнях від приймальної та передавальної антени. Окрім використання спеціальних конструкцій антенних систем для покращення результату розпізнавання, викликає інтерес застосування сучасних методів цифрової фільтрації сигналів.

Мета роботи. Дослідити вплив знешумлення вхідних сигналів на якість розпізнавання штучною нейронною мережею підповерхневих об’єктів та їхніх координат для моделі адитивного гаусового шуму різного рівня.

Матеріали та методи. В даній роботі була перевірена ідея покращити стабільність розпізнавання прихованих об’єктів в умовах присутності сторонніх шумів шляхом попередньої обробки вхідних сигналів новітніми популярними методами шумоподавлення, такими як метод гусениці та вейвлет-перетворення. Для виключення випадковості результату відповіді нейронної мережі для кожної реалізації адитивного шуму заданого рівня була проведена достатня кількість спроб для кожного із методів та наведена статистика, яка ілюструє ефективність кожного з підходів. Для перевірки гіпотези про ефективність знешумлення вхідних сигналів проводиться числове моделювання електродинамічної структури, яка є моделлю реальної підстилаючої поверхні з об’єктом, методом кінцевих різниць у часовому просторі (FDTD). На отриманих ідеальних часових залежностях амплітуди відбитого поля тренується штучна нейронна мережа на правильне розпізнавання положення об’єкта, яку в подальшому перевіряють на тих же ж вхідних сигналах, до яких доданий шум певного рівня. Похибки у розпізнаванні в останньому випадку порівнюють із аналогічними похибками у випадку, коли до зашумлених вхідних сигналів застосовують популярні сучасні процедури знешумлення.

Результати. Продемонстровано, що штучна нейронна мережа має гарні апроксимуючі властивості, здатні ефективно протистояти шумам у вхідних сигналах. Показано, що для всіх рівнів шуму статистично метод гусениці погіршує якість розпізнавання об’єктів. Метод фільтрації на основі вейвлет-перетворення статистично незначним чином покращує класифікацію об’єктів ніж за відсутності знешумлення, але цей результат не відрізняється стабільністю.

Висновки. Для ефективного застосування методів фільтрації шумів у прийнятих сигналах імпульсного радара, необхідно мати попередні знання про характер шумів або особливості корисного сигналу. Імплементація методів знешумлення без використання цих знань не може покращити якість розпізнавання підповерхневих об’єктів.

Завантаження

Дані завантаження ще не доступні.

Біографії авторів

O. M. Dumin, Харківський національний університет імені В. Н. Каразіна

Україна, 61022, м. Харків, м. Свободи,4

V. A. Plakhtii, Харківський національний університет імені В. Н. Каразіна

Україна, 61022, м. Харків, м. Свободи,4

O. A. Prishchenko, Харківський національний університет імені В. Н. Каразіна

Україна, 61022, м. Харків, м. Свободи,4

D. V. Shyrokorad, Запорізький національний технічний університет

Україна, 69063, м. Запоріжжя, вул. Жуковського, 64

Посилання

Daniels DJ. Ground penetrating radar, 2nd ed. London; IEEE; 2004. 726 p.

Harmuth H. Nonsinusoidal waves for radar and radiocommunications. New York: Academic Press; 1981. 396 p.

Taylor JD. Ultrawidebandradar: applications and design. Boca Raton, NewYork: CRC Press; 2012. 536 p.

Ristic A, Govedarica M, Vrtunski M, Pctrovacki D. Application of GPR for creating underground structure model of specific areas of interest. Proceedings of the 15th International Conference on Ground Penetrating Radar; 2014 Jun 30- Jul 4; Brussels; p. 450-455.

Liu H, Huang X, Xing B, Cui J, Spencer BF, Liu QH. Estimating Azimuth of Subsurface Linear Targets By Polarimetric GPR. Proceedings of the IEEE International Geoscience and Remote Sensing Symposium; 2018 Jul 22-27; Valencia; p. 6784-6787.

Tivive FHC, Bouzerdoum A, Abeynayake C. GPR Target Detection by Joint Sparse and Low-Rank Matrix Decomposition. IEEE Transactions on Geoscience and Remote Sensing. 2018 of November;57(5):2583-2595.

Zhao S, Al-Qadi IL. Super-Resolution of 3-D GPR Signals to Estimate Thin Asphalt Overlay Thickness Using the XCMP Method. IEEE Transactions on Geoscience and Remote Sensing. 2018 Aug;57(2):893-901.

Taflove A, Hagness S. Computational Electrodynamics: The Finite-Difference Time-Domain Method, 3rd ed. Boston, London; Artech House; 2005. Chapter 9, Computational Electromagnetics: The Finite-Difference Time-Domain Method; p. 629-669.

Liu Y, Guo LX. FDTD investigation on GPR detecting of underground subsurface layers and buried objects. Proceedings of the IEEE MTT-S International Conference on Numerical Electromagnetic and Multiphysics Modeling and Optimization; 2016 Jul 27-29; Beijing; p. 1-2. doi: 10.1109/NEMO.2016.7561622

Giannakis I, Giannopoulos A, Warren C. A Machine Learning-Based Fast-Forward Solver for Ground Penetrating Radar With Application to Full-Waveform Inversion. IEEE Transactions on Geoscience and Remote Sensing. 2019 January;57(7):4417-4426.

Hasija K, Vadhera S, Kumar A, Kishore A. Detection and location of faults in underground cable using Matlab/Simulink/ANN and OrCad. Proceedings of the 6th IEEE Power India International Conference; 2014 Dec 5-7; Delhi. p. 1-5. doi: 10.1109/POWERI.2014.7117624

Birkenfeld S. Automatic detection of reflexion hyperbolas in gpr data with neural networks. Proceedings of the World Automation Congress; 2010 Sep 19-23; Kobe;. p. 1-6.

Shyrokorad D, Dumin O, Dumina O, Katrich V, Chebotarev V. Approximating properties of artificial neural network in time domain for the analysis of electromagnetic fields reflected from model of human body surface. Proceedings of the Microwaves, Millimeter and Submillimeter Waves; 2010 Jun 21-26; Kharkiv; p. 1-3. doi: 10.1109/MSMW.2010.5546075

Moon WM, Miao XG, Singhroy V, Lowman PD. Integrated geophysical imaging of the Sudbury Structure using ERS-1 SAR and other airborne geophysical data. Proceedings of the IEEE International Geoscience and Remote Sensing Symposium; 1994 Aug 8-12; Pasadena; p. 711.

Zhou Y, Chen W. MCA-Based Clutter Reduction From Migrated GPR Data of Shallowly Buried Point Target. IEEE Transactions on Geoscience and Remote Sensing. 2008 September;57(1):432-448.

Bai X, Peng X. Radar Image Series Denoising of Space Targets Based on Gaussian Process Regression. IEEE Transactions on Geoscience and Remote Sensing. 2009 Feb;57(7):4659-4669.

Dumin O, Prishchenko O, Pochanin G, Plakhtii V, Shyrokorad D. Subsurface Object Identification by Artificial Neural Networks and Impulse Radiolocation. Proceedings of the IEEE Second International Conference on Data Stream Mining; 2018 Aug 21-25; Lviv; p. 434-437.

Ogurtsova T, Ruban V, Pojedinchuk A, Pochanin O, Pochanin G, Capineri L, Falorni P, Borgioli G, Bechtel T, Crawford F. Criteria for Selecting Object Coordinates at Probing by the Impulse UWB GPR with the “1Tx + 4Rx” Antenna System. Proceedings of the International Conference on Ultrawideband and Ultrashort Impulse Signals; 2018 Sep 4-7; Odessa; p. 161-164.

Varianytsia-Roshchupkina LA, Roshchupkin SV. Subsurface object imaging with two types of RTR-differential GPR system. Proceedings of the 8th International Conference on Ultrawideband and Ultrashort Impulse Signals; 2016 Sep 5-11; Odessa; p. 145-147.

Haykin S. Neural Networks, 2nd ed, New Jersey: Prentice-Hall; 1999. p. 823.

Shyrokorad D, Dumin O, Dumina O. Time domain analysis of reflected impulse fields by artificial neural network. Proceedings of the 4th International Conference on Ultrawideband and Ultrashort Impulse Signals; 2008 Sep 15-19; Sevastopol; p. 124-126.

Dumin O, Dumina O, Shyrokorad D. Time domain analysis of fields reflected from model of human body surface using artificial neural network. Proceedings of the 3rd European Conference on Antennas and Propagation; 2009 Mar 23-27; Berlin; p. 235-238.

Shyrokorad D, Dumin O, Dumina O, Katrich V. Analysis of transient fields reflected from model of human body surface using convolutional neural network. Proceedings of the International Conference on Mathematical Methods in Electromagnetic Theory; 2010 Sep 6-8; Kyiv; p. 1-4. doi: 10.1109/MMET.2010.5611389.

Dumin OM, Prishchenko O, Shyrokorad D, Plakhtii V. Application of UWB Electromagnetic Waves for Subsurface Object Location Classification by Artificial Neural Networks. Proceedings of the 9th International Conference on Ultrawideband and Ultrashort Impulse Signals; 2018 Sep 4-7; Odessa; p. 290-293.

Опубліковано
2019-12-24
Цитовано
0 статей

Найбільш популярні статті цього автора (авторів)