买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广州市市政工程设计研究总院有限公司;中南大学申请的专利一种GPR异常反射波分离与提取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114997223B 。

龙图腾网通过国家知识产权局官网在2025-08-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210576534.3，技术领域涉及：G06F18/241；该发明授权一种GPR异常反射波分离与提取方法是由杨军;冯德山;张华;王珣;刘菊玖;袁忠明设计研发完成，并于2022-05-25向国家知识产权局提交的专利申请。

本一种GPR异常反射波分离与提取方法在说明书摘要公布了：本公开实施例中提供了一种GPR异常反射波分离与提取方法，属于数据处理技术领域，具体包括：步骤1，创建深度Res‑CNN网络结构；步骤2，建立深度Res‑CNN网络结构的GPR数据集；步骤3，对所述GPR数据集进行预处理；步骤4，将预处理后的GPR数据集训练用于GPR异常反射波分离与提取的深度Res‑CNN网络权重模型；步骤5，利用深度Res‑CNN网络权重模型分离实际采集的数据剖面中的异常反射波并提取有效反射波。通过本公开的方案，能够快速分离和提取GPR数据中的异常反射波，为进一步准确解释地下异常特征奠定基础。

本发明授权一种GPR异常反射波分离与提取方法在权利要求书中公布了：1.一种GPR异常反射波分离与提取方法，其特征在于，包括： 步骤1，创建深度Res-CNN网络结构，其中，所述深度Res-CNN的网络结构包括5个下采样块、5个上采样块和1个输出块，在下采样块和上采样块之间设置有SkipConnection结构连接组成的残差块，每个下采样块包括卷积层、LeakyReLU激活函数层和MaxPooling层，卷积层依次包括4个2×2和1个1×1大小的卷积核，输入通道依次为16、32、64、128、256，每个上采样块包括转置卷积层、BatchNormalization层和ReLU激活函数层，卷积层依次包括1个1×1和4个2×2大小的卷积核，输入通道依次为128、64、32、16、16，输出层包括转置卷积层和Sigmoid激活函数层； 步骤2，建立深度Res-CNN网络结构的GPR数据集； 步骤3，对所述GPR数据集进行预处理； 步骤4，将预处理后的GPR数据集训练用于GPR异常反射波分离与提取的深度Res-CNN网络权重模型； 所述步骤4具体包括： 步骤4.1，将经过预处理的GPR数据集按照预设比例随机分配至训练集、验证集和测试集； 步骤4.2，在下采样块中，采用LeakyReLU激活函数防止下采样块中负值导致神经元信息丢失，在上采样块中，不涉及负值参数，直接采用ReLU激活函数恢复数据，以及，采用sigmoid激活函数使输出掩码数据恢复在区间[0,1]； 步骤4.3，引入SkipConnection结构的残差层； 步骤4.4，在深度Res-CNN网络结构训练过程中增加一个批归一化层，并使深度Res-CNN网络每一层的输入保持相同的分布； 步骤4.5，选择使用二元交叉熵函数作为损失函数来评估训练深度Res-CNN网络结构的质量，其中，所述二元交叉熵函数表示为： 式中，yi为真实的二值标签值，i＝1表示正类值，i＝0表示负类值，pyi为预测的概率值； 步骤4.6，选择具有自适应学习率的RMSprop方法对每个网络训练参数进行迭代学习，更新迭代过程如下： 式中，E[g2]为平方梯度的移动平均值，θ为需要更新的参数，gt为θ在t时刻的梯度，η为学习率，∈为防止分母为0的最小参数； 步骤4.7，设置深度Res-CNN网络结构的单批训练多个样本、预设的学习率和网络训练次数，当损失函数训练稳定时得到经过训练的深度Res-CNN网络权重模型； 步骤5，利用深度Res-CNN网络权重模型分离实际采集的数据剖面中的异常反射波并提取有效反射波。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广州市市政工程设计研究总院有限公司;中南大学，其通讯地址为：510030 广东省广州市越秀区环市东路348号东；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。