技术领域
[0001] 本
发明涉及地球物理探测技术领域，特别是涉及一种路基含水状态的确定方法及确定系统。
背景技术
[0002] 近年来，随着交通运输的极大发展，高
密度的车辆运行和大量的地下工程建设使得各类路基发生病害的几率增大，也使得原有的路基病害的程度加剧，路基病害会致使车辆运行平顺度变差，不仅会威胁行车安全，而且威胁人民的生命安全与财产安全，因此，及时发现路基病害并进行相应的治理对促进交通安全进步有着十分重要的意义，研究快速、可靠、全面的既有路基检测方法成为迫切需要解决的问题。
[0003] 路基病害的传统探测方法以挖探、钎探为主，然而缺点是成本高、工期长、信息量小、随意性大、容易对被测路基造成损坏。随着近年研究的进展，路基含水率的高低被普遍认为是影响路基
质量状态的重要因素之一，路基含水状态的正确快速分类是道路地下病害
风险评价的重要依据。由于路基含水状态的变化会引起介质
介电常数与电导率的显著变化，从而引起探地雷达接收
信号的
波形、
频率等属性发生变化，因此利用探地雷达数据对路基含水状态进行分类预测是理论可行的方案。因此，探地雷达因具有轻便快捷、抗干扰能
力强、
分辨率高、快速无损、剖面直观等优点成为有效的评估路基状态的探测方法。
[0004] 然而，现有的基于雷达探测技术的路基含水状态检测技术中，探地雷达数据的处理依赖处理人员的人工经验和主观判断进行人工分类，识别难度，效率低，存在极大的个体差异，影响路基状态判断的准确性，拖慢路基检测进度。
[0005] 因此，如何准确高效地确定路基的含水状态，成为本领域技术人员亟需解决的技术问题。
发明内容
[0006] 本发明的目的是提供一种路基含水状态的确定方法及确定系统，能够准确高效地确定路基的含水状态。
[0007] 为实现上述目的，本发明提供了如下方案：
[0008] 一种路基含水状态的确定方法，所述确定方法包括：
[0009] 获取目标路基伽
马通
滤波器组
倒谱系数向量；
[0010] 将所述目标路基伽马通
滤波器组倒谱系数向量输入到含水状态
预测模型中，得到目标路基的含水状态；其中，所述含水状态预测模型的输入为目标路基伽马通滤波器组倒谱系数向量，所述含水状态预测模型的输出为目标路基的含水状态；所述含水状态预测模型是根据伽马通滤波器组倒谱系数
算法和
深度信念网络模型算法建立而成；所述含水状态预测模型的建立方法具体包括：
[0011] 获取训练样本，所述训练样本包括多个
训练数据，所述训练数据为含水状态已知的路基的伽马通滤波器组倒谱系数向量；
[0012] 将所述训练样本输入深度信念网络模型，对所述深度信念网络模型进行无监督训练，获得所述含水状态预测模型。
[0013] 可选的，所述将所述训练样本输入深度信念网络模型，对所述深度信念网络模型进行无监督训练，获得所述含水状态预测模型，具体包括：
[0014] 将所述训练样本逐层输入各个受限
玻尔兹曼机，对各个所述
受限玻尔兹曼机进行无监督训练，获得对应的无监督受限玻尔兹曼机，所述无监督受限玻尔兹曼机的下层为可视层，所述无监督受限玻尔兹曼机的上层为
隐藏层；
[0015] 将各个所述无监督受限玻尔兹曼机堆叠，并在最上层的所述无监督受限玻尔兹曼机的隐藏层上加入一个分类层，形成所述含水状态预测模型。
[0016] 可选的，所述将所述训练样本输入深度信念网络模型，对所述深度信念网络模型进行无监督训练，获得所述含水状态预测模型之后，还包括：
[0017] 将所述训练样本输入所述含水状态预测模型，获得无监督含水状态预测结果；
[0018] 根据所述无监督含水状态预测结果及各个所述训练数据对应的路基的含水状态确定无监督预测误差；
[0019] 判断所述无监督预测误差是否小于预测误差
阈值，获得第一判断结果；
[0020] 当所述第一判断结果表示所述无监督预测误差大于所述预测误差阈值时，根据所述无监督预测误差对所述含水状态预测模型进行误差反向传播调整，以获得微调后的所述含水状态预测模型。
[0021] 可选的，所述根据所述无监督预测误差对所述含水状态预测模型进行误差反向传播调整，以获得微调后的所述含水状态预测模型，具体包括：
[0022] 获取验证样本和测试样本，所述验证样本包括多个验证样本对，每个验证样本对包括多个验证路基伽马通滤波器组倒谱系数向量和一个验证路基含水状态，所述测试样本包括多个测试样本对，每个测试样本对包括多个测试路基伽马通滤波器组倒谱系数向量和一个测试路基含水状态；
[0023] 根据所述无监督预测误差对所述含水状态预测模型进行误差反向传播调整，获得调整权值后的误差反向调整预测模型；
[0024] 利用所述验证样本对所述误差反向调整预测模型进行训练及交叉验证，获得验证误差；
[0025] 利用所述测试样本对所述误差反向调整预测模型进行测试，获得测试误差；
[0026] 判断是否满足终止条件，获得第二判断结果，所述终止条件为：连续多个验证误差差值小于设定的差值阈值，且连续多个所述验证误差均小于对应的测试误差，其中，所述验证误差差值为相邻的两个所述验证误差的差值；
[0027] 当第二判断结果表示满足终止条件时，将所述误差反向调整预测模型作为最终的含水状态预测模型；
[0028] 当第二判断结果表示不满足终止条件时，返回所述“将所述训练样本输入深度信念网络模型，对所述深度信念网络模型进行无监督训练，获得所述含水状态预测模型”。
[0029] 可选的，所述目标路基伽马通滤波器组倒谱系数向量的确定方法包括：
[0030] 获取目标路基的探地雷达数据；
[0031] 对所述探地雷达数据按照设定的
采样率和采样点数进行降采样，获得降采样探地雷达数据；
[0032] 采用伽马通滤波器组倒谱系数算法对所述降采样探地雷达数据进行处理，获得每道降采样探地雷达数据对应的伽马通滤波器组倒谱系数向量。
[0033] 一种路基含水状态的确定系统，所述确定系统包括：
[0034] 系数向量获取模
块，用于获取目标路基伽马通滤波器组倒谱系数向量；
[0035] 含水状态预测模块，用于将所述目标路基伽马通滤波器组倒谱系数向量输入到含水状态预测模型中，得到目标路基的含水状态；其中，所述含水状态预测模型的输入为目标路基伽马通滤波器组倒谱系数向量，所述含水状态预测模型的输出为目标路基的含水状态；所述含水状态预测模型是根据伽马通滤波器组倒谱系数算法和深度信念网络模型算法建立而成；所述含水状态预测模型的建立子系统具体包括：
[0036] 训练样本获取模块，用于获取训练样本，所述训练样本包括多个训练数据，所述训练数据为含水状态已知的路基的伽马通滤波器组倒谱系数向量；
[0037] 无监督训练模块，用于将所述训练样本输入深度信念网络模型，对所述深度信念网络模型进行无监督训练，获得所述含水状态预测模型。
[0038] 可选的，所述无监督训练模块具体包括：
[0039] 受限玻尔兹曼机训练单元，用于将所述训练样本逐层输入各个受限玻尔兹曼机，对各个所述受限玻尔兹曼机进行无监督训练，获得对应的无监督受限玻尔兹曼机，所述无监督受限玻尔兹曼机的下层为可视层，所述无监督受限玻尔兹曼机的上层为隐藏层；
[0040] 预测模型生成单元，用于将各个所述无监督受限玻尔兹曼机堆叠，并在最上层的所述无监督受限玻尔兹曼机的隐藏层上加入一个分类层，形成所述含水状态预测模型。
[0041] 可选的，所述确定系统还包括：
[0042] 训练样本预测模块，用于将所述训练样本输入所述含水状态预测模型，获得无监督含水状态预测结果；
[0043] 无监督预测误差确定模块，用于根据所述无监督含水状态预测结果及各个所述训练数据对应的路基的含水状态确定无监督预测误差；
[0044] 第一判断模块，用于判断所述无监督预测误差是否小于预测误差阈值，获得第一判断结果；
[0045] 误差反向传播模块，用于当所述第一判断结果表示所述无监督预测误差大于所述预测误差阈值时，根据所述无监督预测误差对所述含水状态预测模型进行误差反向传播调整，以获得微调后的所述含水状态预测模型。
[0046] 可选的，所述误差反向传播模块具体包括：
[0047] 样本获取单元，用于获取验证样本和测试样本，所述验证样本包括多个验证样本对，每个验证样本对包括多个验证路基伽马通滤波器组倒谱系数向量和一个验证路基含水状态，所述测试样本包括多个测试样本对，每个测试样本对包括多个测试路基伽马通滤波器组倒谱系数向量和一个测试路基含水状态；
[0048] 误差反向传播单元，用于根据所述无监督预测误差对所述含水状态预测模型进行误差反向传播调整，获得调整权值后的误差反向调整预测模型；
[0049] 验证误差确定单元，用于利用所述验证样本对所述误差反向调整预测模型进行训练及交叉验证，获得验证误差；
[0050] 测试误差确定单元，用于利用所述测试样本对所述误差反向调整预测模型进行测试，获得测试误差；
[0051] 第二判断单元，用于判断是否满足终止条件，获得第二判断结果，所述终止条件为：连续多个验证误差差值小于设定的差值阈值，且连续多个所述验证误差均小于对应的测试误差，其中，所述验证误差差值为相邻的两个所述验证误差的差值；
[0052] 当第二判断结果表示满足终止条件时，将所述误差反向调整预测模型作为最终的含水状态预测模型；
[0053] 当第二判断结果表示不满足终止条件时，返回所述“将所述训练样本输入深度信念网络模型，对所述深度信念网络模型进行无监督训练，获得所述含水状态预测模型”。
[0054] 可选的，所述目标路基伽马通滤波器组倒谱系数向量的确
定子系统包括：
[0055] 探地雷达数据获取模块，用于获取目标路基的探地雷达数据；
[0056] 降采样模块，用于对所述探地雷达数据按照设定的采样率和采样点数进行降采样，获得降采样探地雷达数据；
[0057] 系数向量确定模块，用于采用伽马通滤波器组倒谱系数算法对所述降采样探地雷达数据进行处理，获得每道降采样探地雷达数据对应的伽马通滤波器组倒谱系数向量。
[0058] 根据本发明提供的具体
实施例，本发明公开了以下技术效果：
[0059] 本发明提供了一种路基含水状态的确定方法及确定系统，确定方法包括：获取目标路基伽马通滤波器组倒谱系数向量；将所述目标路基伽马通滤波器组倒谱系数向量输入到含水状态预测模型中，得到目标路基的含水状态；其中，所述含水状态预测模型是根据伽马通滤波器组倒谱系数算法和深度信念网络模型算法建立而成的，将目标路基的伽马通滤波器组倒谱系数向量输入含水状态预测模型，能够自动获得目标路基的含水状态的评价结果。与传统的人工分类方法相比，本发明提供的确定方法及确定系统，无需人工参与，不依赖处理人员的人工经验和主观判断，因此，不仅效率高，而且能够有效避免由于个体差异带来的误差，从而能够准确可靠地对既有路基进行含水状态检测。
附图说明
[0060] 为了更清楚地说明本发明实施例或
现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0061] 图1为本发明实施例1提供的路基含水状态的确定方法的
流程图；
[0062] 图2为本发明实施例1提供的含水状态预测模型的建立方法的流程图；
[0063] 图3为本发明实施1提供的误差反向传播调整的流程图；
[0064] 图4为本发明实施例2提供的路基含水状态的确定系统的结构
框图；
[0065] 图5为本发明实施例3提供的路基含水状态的确定方法的流程图。
具体实施方式
[0066] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0067] 本发明的目的是提供一种路基含水状态的确定方法及确定系统，能够准确高效地确定路基的含水状态。
[0068] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0069] 图1为本发明实施例1提供的路基含水状态的确定方法的流程图。如图1所示，一种路基含水状态的确定方法，所述确定方法包括：
[0070] 步骤101：获取目标路基伽马通滤波器组倒谱系数向量；
[0071] 步骤102：将所述目标路基伽马通滤波器组倒谱系数向量输入到含水状态预测模型中，得到目标路基的含水状态；其中，所述含水状态预测模型的输入为目标路基伽马通滤波器组倒谱系数向量，所述含水状态预测模型的输出为目标路基的含水状态；所述含水状态预测模型是根据伽马通滤波器组倒谱系数算法和深度信念网络模型算法建立而成。
[0072] 图2为本发明实施例1提供的含水状态预测模型的建立方法的流程图。如图2所示，所述含水状态预测模型的建立方法具体包括：
[0073] 步骤201：获取训练样本，所述训练样本包括多个训练数据，所述训练数据为含水状态已知的路基的伽马通滤波器组倒谱系数向量；
[0074] 步骤202：将所述训练样本输入深度信念网络模型，对所述深度信念网络模型进行无监督训练，获得所述含水状态预测模型；
[0075] 步骤203：将所述训练样本输入所述含水状态预测模型，获得无监督含水状态预测结果；
[0076] 步骤204：根据所述无监督含水状态预测结果及各个所述训练数据对应的路基的含水状态确定无监督预测误差；
[0077] 步骤205：判断所述无监督预测误差是否小于预测误差阈值，获得第一判断结果；
[0078] 若是，执行步骤206；
[0079] 否则，执行步骤207；
[0080] 步骤206：输出所述含水状态预测模型；
[0081] 步骤207：根据所述无监督预测误差对所述含水状态预测模型进行误差反向传播调整，以获得微调后的所述含水状态预测模型。
[0082] 具体地，步骤202：将所述训练样本输入深度信念网络模型，对所述深度信念网络模型进行无监督训练，获得所述含水状态预测模型，具体包括：
[0083] 将所述训练样本逐层输入各个受限玻尔兹曼机，对各个所述受限玻尔兹曼机进行无监督训练，获得对应的无监督受限玻尔兹曼机，所述无监督受限玻尔兹曼机的下层为可视层，所述无监督受限玻尔兹曼机的上层为隐藏层；
[0084] 将各个所述无监督受限玻尔兹曼机堆叠，并在最上层的所述无监督受限玻尔兹曼机的隐藏层上加入一个分类层，形成所述含水状态预测模型。
[0085] 图3为本发明实施1提供的误差反向传播调整的流程图。如图3所示，步骤206：根据所述无监督预测误差对所述含水状态预测模型进行误差反向传播调整，以获得微调后的所述含水状态预测模型，具体包括：
[0086] 步骤301：获取验证样本和测试样本，所述验证样本包括多个验证样本对，每个验证样本对包括多个验证路基伽马通滤波器组倒谱系数向量和一个验证路基含水状态，所述测试样本包括多个测试样本对，每个测试样本对包括多个测试路基伽马通滤波器组倒谱系数向量和一个测试路基含水状态；
[0087] 步骤302：根据所述无监督预测误差对所述含水状态预测模型进行误差反向传播调整，获得调整权值后的误差反向调整预测模型；
[0088] 步骤303：利用所述验证样本对所述误差反向调整预测模型进行训练及交叉验证，获得验证误差；
[0089] 步骤304：利用所述测试样本对所述误差反向调整预测模型进行测试，获得测试误差；
[0090] 步骤305：判断是否满足终止条件，获得第二判断结果，所述终止条件为：连续多个验证误差差值小于设定的差值阈值，且连续多个所述验证误差均小于对应的测试误差，其中，所述验证误差差值为相邻的两个所述验证误差的差值；
[0091] 若是，执行步骤306：将所述误差反向调整预测模型作为最终的含水状态预测模型；
[0092] 否则，返回所述步骤202：将所述训练样本输入深度信念网络模型，对所述深度信念网络模型进行无监督训练，获得所述含水状态预测模型。
[0093] 实施例2：
[0094] 图4为本发明实施例2提供的路基含水状态的确定系统的结构框图。如图4所示，一种路基含水状态的确定系统，所述确定系统包括：
[0095] 系数向量获取模块401，用于获取目标路基伽马通滤波器组倒谱系数向量；
[0096] 含水状态预测模块402，用于将所述目标路基伽马通滤波器组倒谱系数向量输入到含水状态预测模型中，得到目标路基的含水状态；其中，所述含水状态预测模型的输入为目标路基伽马通滤波器组倒谱系数向量，所述含水状态预测模型的输出为目标路基的含水状态。所述含水状态预测模型是根据伽马通滤波器组倒谱系数算法和深度信念网络模型算法建立而成；所述含水状态预测模型的建立子系统具体包括：
[0097] 训练样本获取模块403，用于获取训练样本，所述训练样本包括多个训练数据，所述训练数据为含水状态已知的路基的伽马通滤波器组倒谱系数向量；
[0098] 无监督训练模块404，用于将所述训练样本输入深度信念网络模型，对所述深度信念网络模型进行无监督训练，获得所述含水状态预测模型；
[0099] 训练样本预测模块405，用于将所述训练样本输入所述含水状态预测模型，获得无监督含水状态预测结果；
[0100] 无监督预测误差确定模块406，用于根据所述无监督含水状态预测结果及各个所述训练数据对应的路基的含水状态确定无监督预测误差；
[0101] 第一判断模块407，用于判断所述无监督预测误差是否小于预测误差阈值，获得第一判断结果；
[0102] 误差反向传播模块408，用于当所述第一判断结果表示所述无监督预测误差大于所述预测误差阈值时，根据所述无监督预测误差对所述含水状态预测模型进行误差反向传播调整，以获得微调后的所述含水状态预测模型。
[0103] 具体地，所述无监督训练模块404具体包括：
[0104] 受限玻尔兹曼机训练单元，用于将所述训练样本逐层输入各个受限玻尔兹曼机，对各个所述受限玻尔兹曼机进行无监督训练，获得对应的无监督受限玻尔兹曼机，所述无监督受限玻尔兹曼机的下层为可视层，所述无监督受限玻尔兹曼机的上层为隐藏层；
[0105] 预测模型生成单元，用于将各个所述无监督受限玻尔兹曼机堆叠，并在最上层的所述无监督受限玻尔兹曼机的隐藏层上加入一个分类层，形成所述含水状态预测模型。
[0106] 具体地，所述误差反向传播模块401具体包括：
[0107] 样本获取单元，用于获取验证样本和测试样本，所述验证样本包括多个验证样本对，每个验证样本对包括多个验证路基伽马通滤波器组倒谱系数向量和一个验证路基含水状态，所述测试样本包括多个测试样本对，每个测试样本对包括多个测试路基伽马通滤波器组倒谱系数向量和一个测试路基含水状态；
[0108] 误差反向传播单元，用于根据所述无监督预测误差对所述含水状态预测模型进行误差反向传播调整，获得调整权值后的误差反向调整预测模型；
[0109] 验证误差确定单元，用于利用所述验证样本对所述误差反向调整预测模型进行训练及交叉验证，获得验证误差；
[0110] 测试误差确定单元，用于利用所述测试样本对所述误差反向调整预测模型进行测试，获得测试误差；
[0111] 第二判断单元，用于判断是否满足终止条件，获得第二判断结果，所述终止条件为：连续多个验证误差差值小于设定的差值阈值，且连续多个所述验证误差均小于对应的测试误差，其中，所述验证误差差值为相邻的两个所述验证误差的差值；
[0112] 当第二判断结果表示满足终止条件时，将所述误差反向调整预测模型作为最终的含水状态预测模型；
[0113] 当第二判断结果表示不满足终止条件时，返回所述“将所述训练样本输入深度信念网络模型，对所述深度信念网络模型进行无监督训练，获得所述含水状态预测模型”。
[0114] 本实施例中，所述目标路基伽马通滤波器组倒谱系数向量的确定子系统包括：
[0115] 探地雷达数据获取模块，用于获取目标路基的探地雷达数据；
[0116] 降采样模块，用于对所述探地雷达数据按照设定的采样率和采样点数进行降采样，获得降采样探地雷达数据；
[0117] 系数向量确定模块，用于采用伽马通滤波器组倒谱系数算法对所述降采样探地雷达数据进行处理，获得每道降采样探地雷达数据对应的伽马通滤波器组倒谱系数向量。
[0118] 实施例3：
[0119] 图5为本发明实施例3提供的路基含水状态的确定方法的流程图。如图5所示，路基含水状态的确定方法的具体实施过程包括以下步骤：
[0120] 步骤一：获取含水状态已知的路基的原始探地雷达数据，并对原始探地雷达数据按照固定的采样率和采样点数进行降采样。
[0121] 步骤二：按照探测时已知的路基含水状态对降采样处理后的探地雷达数据进行分类标签信息补充，按照含水率小于15％、大于15％小于25％、大于25％小于35％和大于35％分为I、II、III、IV四种类别。
[0122] 步骤三：利用伽马通(γ-Tone)滤波器组倒谱系数(GFCC)算法对降采样的探地雷达数据进行处理，获取每道降采样探地雷达数据对应的GFCC系数向量。
[0123] 将降采样后的单道探地雷达数据表示为列向量 表示一个单列的矩阵，n表示降采样后的单道点数，中的元素pn表示降采样后的单道探地雷达数据的每个采样点的值，对每道数据求γ-Tone滤波器组倒谱系数的过程如下：
[0124] 首先将γ-Tone滤波器表示成公式(1)所示的形式：
[0125] g(f,t)＝kta-1e-2πbtcos(2πft+φ) (1)
[0126] 其中，g(f,t)表示单个γ-Tone滤波器的时域响应，t≥0，t表示采样时间序列，f表示滤波器的中心频率，k表示滤波器增益，a表示滤波器阶数，φ表示
相位，e表示自然常数，b表示衰减因子，衰减因子决定相应的滤波器的带宽，它与中心频率f的关系如公式(2)所示：
[0127]
[0128] γ-Tone滤波器组的响应由多通道γ-Tone滤波器响应
叠加而成。要应用多通道γ-Tone滤波器需要先对数据进行分
帧，即将单道探地雷达数据 切分成数个较短的单帧数据 M表示数据的分帧数量。
[0129] 滤波器组中的每个γ-Tone滤波器对每个单帧数据的响应如公式(3)所示：
[0130]
[0131] 其中，符号“*”表示卷积运算符号，i＝0,1,…,N-1，N表示滤波器组的通道数量，Gm(i)表示滤波器组中第i个γ-Tone滤波器对第m个单帧数据的响应，tm表示第m个单帧数据对应的采样时间序列，tm≥0， 表示第i个单帧数据，fi表示滤波器组中第i个滤波器的中心频率，表达式如下：
[0132]
[0133] 其中，fH表示滤波器的截止频率；vi表示滤波器重叠因子，用于
指定相邻滤波器之间重叠百分比，且i＝0,1,…,N-1。
[0134] 由此计算出的各个γ-Tone滤波器对各个单帧数据的响应构成了一个矩阵，表示输入的探地雷达数据在规定的特定频域的分布变化，称为γ-Tone滤波器(GF)特征系数，对每一个GF特征系数进行离散余弦变换(DCT)并将各个通道的滤波器的响应进行叠加：
[0135]
[0136] 其中，j＝1,2,…,N-1，Cj表示第j个γ-Tone滤波器的倒谱系数(GFCC)。
[0137] 严格来说这个特征系数Cj并不是倒谱系数，因为倒谱系数的产生要取对数
能量，但此处并未取能量。然而在这将GFCC当作倒谱系数，是由于在上述计算过程中，GFCC和
梅尔频率倒谱系数(MFCC)具备相似的特征参数，而且特征参数的提取转换具有功能上的相似性。
[0138] 步骤四：把数据集划分为训练样本、验证样本和测试样本。
[0139] 所述训练样本包括多个训练样本对，每个训练样本对包括多个训练路基伽马通滤波器组倒谱系数向量和一个训练路基含水状态。所述验证样本包括多个验证样本对，每个验证样本对包括多个验证路基伽马通滤波器组倒谱系数向量和一个验证路基含水状态。所述测试样本包括多个测试样本对，每个测试样本对包括多个测试路基伽马通滤波器组倒谱系数向量和一个测试路基含水状态。
[0140] 步骤五：将多个训练路基伽马通滤波器组倒谱系数向量逐层输入各个受限玻尔兹曼机，对各个所述受限玻尔兹曼机进行无监督训练，获得对应的无监督受限玻尔兹曼机，所述无监督受限玻尔兹曼机的下层为可视层，所述无监督受限玻尔兹曼机的上层为隐藏层。将各个所述无监督受限玻尔兹曼机堆叠，并在最上层的所述无监督受限玻尔兹曼机的隐藏层上加入一个分类层，将形成的深度信念网络模型(DBN)作为含水状态预测模型。其中，受限玻尔兹曼机的可视层
节点与隐藏层节点之间全连接，但可视层和隐藏层层内的神经元节点无连接。
[0141] 所述分类层对应路基的含水状态，与所述分类层相邻的隐藏层(最后一个隐藏层)和所述分类层形成一个
前馈神经网络。最下层的无监督受限玻尔兹曼机的可视层为含水状态预测模型的
输入层，输入层的神经元节点个数与每一个样本数据的维度一致。第一层隐藏层的神经元节点个数小于输入层的神经元节点个数，往后的隐藏层神经元节点数依次比前一层少，在最后一层隐藏层上添加的一层为表征四个分类特征的分类层。
[0142] 步骤六：建立深度信念网络的目标函数，通过随机梯度下降来进行优化和更新网络的参数。
[0143] 将多个训练路基伽马通滤波器组倒谱系数向量输入所述含水状态预测模型，获得无监督含水状态预测结果。将无监督含水状态预测结果与已知的训练路基含水状态比较，计算
无监督学习输出与期望输出之间的误差，即含水状态确定无监督预测误差。
[0144] 当含水状态确定无监督预测误差大于预测误差阈值时，根据所述无监督预测误差对所述含水状态预测模型进行误差反向传播调整，即利用最后一层的前馈神经网络进行误差反向传播微调整个网络的权值，在微调过程中添加验证样本和测试样本，当训练完该批量数据后进行一次交叉验证和测试。当验证误差趋于某值长期不变，且验证误差低于测试误差时，停止网络训练。即在循环
迭代训练网络模型的过程中，连续多个验证误差差值小于设定的差值阈值，且连续多个所述验证误差均小于对应的测试误差时，说明满足终止条件，可以停止网络训练，获得最终的含水状态预测模型。其中，所述验证误差差值为相邻的两次训练过程中获得的两个所述验证误差的差值。
[0145] 步骤七：把目标路基的原始探地雷达数据进行降采样到特定采样率与采样点数，经过γ-Tone滤波器组倒谱系数算法计算出GFCC系数向量并输入到最终的含水状态预测模型中，含水状态预测模型的输出即为目标路基的含水状态分类结果。
[0146] 采用本发明提供的DBN模型对某一既有路基的一组数据进行含水状态识别，利用DBN对路基探地雷达剖面含水状态进行预测的准确率超过90％，表明本发明提供的方法可以用于路基雷达剖面含水状态的预测，利用DBN进行分类预测的耗时很短，表明本发明提供的方法可以应用于探测的实时处理中。
[0147] 本
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0148] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
