Метод дискретної томографії при обробці даних надширокосмугової підповерхневої радіолокації штучною нейронною мережею

  • 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: штучна нейронна мережа, імпульсна електромагнітна хвиля, підповерхневий радар, класифікація об’єктів, томографія

Анотація

Актуальність. Розпізнавання об’єктів під поверхнею землі набуло надзвичайної актуальності через низку практичних застосувань у будівництві, археології та енергетичній галузі. Перспективний напрямок розвитку підповерхневого зондування полягає у побудові систем виявлення вибухових речовин і предметів за допомогою надкоротких електромагнітних імпульсів, бо саме вони дозволяють виявляти об’єкти, що не мають металевих складових.

Мета роботи. Ця робота має на меті покращити роботу штучної нейронної мережі (ШНМ) для визначення глибини об’єкта, який знаходиться під землею, шляхом попередньої обробки вхідної інформації на основі підходу дискретної томографії.

Матеріали та методи. Запропоновано вирішити проблему визначення глибини розташування підповерхневого об’єкту шляхом опромінення поверхні пласкою імпульсною електромагнітною хвилею та аналізу часових залежностей амплітуди відбитої хвилі в еквідистантних точках над поверхнею землі. Аналіз прийнятих сигналів здійснюється ШНМ покращеної структури із використанням додаткових даних, що отримані завдяки знанням часових залежностей прийнятих сигналів та матеріальних параметрів діелектричної структури, що досліджується. Задача поширення пласкої хвилі із часовою залежністю у вигляді гаусового імпульсу в підповерхневому середовищі, що містить ідеальнопровідний об’єкт, розв’язана числовим методом скінченних різниць у часовому просторі. Амплітуди напруженості електричного поля над землею в заданих просторових точках та моментах часу утворюють першу частину набору вхідних даних для багатошарової ШНМ. Друга частина вхідних даних включає лінійну суперпозицію даних з першої частини набору з коефіцієнтами, що отримані на основі підходу дискретної томографії та променевого методу.

Результати. Робота ШНМ перевірена на прикладі опромінення імпульсною електромагнітною хвилею ідеально провідного циліндричного об'єкту, розташованого всередині землі на заданій глибині. Було досліджено точність визначення глибини об'єкту та вплив другої частини вхідних даних на точність розпізнавання глибини для декількох тестових випадків.

Висновки. Застосування методу дискретної томографії дає змогу зменшити обсяг вхідних даних при збереженні відмінних апроксимаційних характеристик ШНМ.

Завантаження

##plugins.generic.usageStats.noStats##

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

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 4-7 of September; Odessa;. p. 145-147.

Yanovsky FJ, Ivashchuk VE, Prokhorenko VP. Through-the-wall surveillance technologies. Proceedings of the 6th International Conference on Ultrawideband and Ultrashort Impulse Signals; 2012 17-21 of September; Sevastopol; p. 30-33.

Pochanin G, Masalov S, Pochanina I, Capineri L, Falorni P, Bechtel T. Modern trends in development and application of the UWB radar systems. Proceedings of the 8th International Conference on Ultrawideband and Ultrashort Impulse Signals; 2016 5-11 of September; Odessa; p. 7-11.

Zhou Huilin, Wang Wei-Ping, Wang Yu-Hao. Constructive neural network for landmine classification using ultra wideband GPR. Proceedings of the Seventh International Conference on Machine Learning and Cybernetics; 2008 12-15 of July; Kunming; p. 1197-1201.

Taok A, Kandil N, Affes S. Neural Networks for Fingerprinting-Based Indoor Localization Using Ultra-Wideband. Journal of Communications. 2008 May;4(4):267-275.

Chen Chi-Chih, Higgins MB, O'Neill K, Detsch R. Ultrawide-bandwidth fully-polarimetric ground penetrating radar classification of subsurface unexploded ordnance. IEEE Transactions on Geoscience and Remote Sensing. 2001 June;39(6):1221-1230.

Sharma P, Kumar B, Singh D, Gaba SP. Non-metallic pipe detection using SF-GPR: A new approach using neural network. Proceedings of the IEEE International Geoscience and Remote Sensing Symposium; 2016 10-15 of July; Beijing; p. 6609-6612.

Varyanitsa-Roshchupkina LA, Pochanin GP. Video Pulse Electromagnetic Wave Diffraction on Subsurface Objects. Telecommunications and Radio Engineering. 2007;66(5):391-414.

Hebb D. Organization of behavior. New York; J. Wiley; 1949. 378 p.

Sruthi IV, Anurenjan PR. A dynamic bow-tie antenna using soft computing methods. Proceedings of the International Conference on Control Communication and Computing; 2013 13-15 of December; Thiruvananthapuram; p. 113-118.

Dumin O, Khmara S, Shyrokorad D. Artificial neural networks in time domain electromagnetics, Proceedings of the 11th International Conference on Antenna Theory and Techniques; 2017 24-27 of May; Kyiv; p. 118-121.

Herman GT, Kuba A. Discrete Tomography: Foundations, Algorithms, and Applications. Boston; Birkhäuser; 1999. 479 p.

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.

Dumin OM, Plakhtii VA, Prishchenko OA, Shyrokorad DV. Subsurface object recognition by ultrawideband radar and artificial neural networks. Visnyk Kharkivskogo Natsionalnogo Universytetu imeni V. N. Karazina. Radiofizyka I elektronika. 2018;28:24-29.

Pochanin GP, Ruban VP, Kholod PV, Shuba OA, Pochanina I.Ye, Batrakova AG, Urdzik SN, Batrakov DO, Golovin DV. Advances in ground penetrating radars for road surveying. Proceedings of the Ultrawideband and Ultrashort Impulse Signals; 2014 15-19 of Sep; Kharkiv; p. 13-18.

Rimer M, Martinez T. Softprop: softmax neural network backpropagation learning. Proceedings of the IEEE International Joint Conference on Neural Networks; 2004 25-29 of Jul; Budapest; p. 979-983.

Цитування

Comparison of subsurface object recognition by artificial neural networks and correlation method
(2020) Visnyk of V.N. Karazin Kharkiv National University, series “Radio Physics and Electronics”
Crossref

Опубліковано
2018-12-28
Цитовано
Як цитувати
Dumin, O. M., Plakhtii, V. A., Prishchenko, O. A., & Shyrokorad, D. V. (2018). Метод дискретної томографії при обробці даних надширокосмугової підповерхневої радіолокації штучною нейронною мережею. Вісник Харківського національного університету імені В. Н. Каразіна. Серія «Радіофізика та електроніка», (29), 17-26. https://doi.org/10.26565/2311-0872-2018-29-03

Найбільш популярні статті цього автора (авторів)