摘要：针对时空序列建模分析问题,利用函数扩展技术,结合线性脉冲响应滤波原理,提出一种新型时空神经网络。该网络由函数扩展功能模块和线性延时脉冲模块组成。函数扩展功能模块将网络输入空间映射到高维空间,实现时空序列非线性模式到高维映射空间线性模式转换;线性脉冲延时模块等效于时空线性脉冲响应滤波器,用于拟合时空序列中的线性模式。采用LevenbergMarquardt最优方法对网络进行训练,设计时空神经网络的快速学习算法。机场噪声仿真结果表明,该网络具有快速收敛和高精度的特点,预测精度高于时空自相关移动平均模型和多层感知器神经网络。

摘要：探地雷达(GPR)凭借其无损、高效、准确等优势已被广泛应用于道路检测、市政及环境工程等领域。GPR数据反演是获取地下层状介质参数的一种有效手段,但传统基于模型驱动的GPR反演存在线性反演精度不足,非线性反演求解难度大、时效性差等问题,无法满足现有工程勘探需求。近年来,基于深度学习的数据驱动反问题求解算法得到飞速发展,为GPR层状介质参数反演提供了一种新的思路。考虑到GPR传播的时空特性,文中提出一种基于时空神经网络的层状介质参数反演方法。首先,利用随机模拟算法生成大量一维介质参数模型,并结合有限差分算法计算得到对应GPR数据,构建出神经网络训练所需的输入/输出数据对;然后,设计合适的层状介质参数反演网络模型,并利用构建的训练数据对训练神经网络模型,得到GPR数据与地下介质参数之间映射关系的网络参数;最后,利用训练好的神经网络模型对不同层状介质模型进行反演测试,验证了所提方法的有效性和准确性。