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！

龙图腾网获悉成电深地求索(成都)科技有限公司申请的专利一种探地雷达信号智能去噪与增强方法及系统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：CN121559512B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202610092753.2，技术领域涉及：G01S13/88；该发明授权一种探地雷达信号智能去噪与增强方法及系统是由罗蕾;代强设计研发完成，并于2026-01-23向国家知识产权局提交的专利申请。

本一种探地雷达信号智能去噪与增强方法及系统在说明书摘要公布了：本发明公开了一种探地雷达信号智能去噪与增强方法及系统，涉及探地雷达数据处理技术领域，包括以下步骤：利用正演模拟软件生成合成雷达剖面，并在雷达剖面添加模拟噪声，生成含噪剖面，构建训练数据集；构建并训练DRSN‑ATT‑UNET网络模型，所述网络模型以U‑Net为基本架构，并在编码器中集成了深度残差收缩模块，在跳跃连接中集成了注意力门控模块；加载待处理的实际探地雷达剖面数据，并进行标准化预处理；将预处理后的剖面数据输入到已训练好的网络模型中，输出去噪并增强后的雷达剖面；对模型输出进行反标准化后处理，输出高信噪比雷达图像。本发明能够有效抑制矿山等复杂环境下的探地雷达噪声，显著提升数据质量，为精准地质解释提供可靠基础。

本发明授权一种探地雷达信号智能去噪与增强方法及系统在权利要求书中公布了：1.一种探地雷达信号智能去噪与增强方法，其特征在于：包括以下步骤： S1：利用正演模拟软件生成合成雷达剖面，并在雷达剖面添加模拟噪声，生成含噪剖面，构建训练数据集； S2：构建DRSN-ATT-UNET网络模型，所述DRSN-ATT-UNET网络模型以U-Net为基本架构，并在编码器中集成深度残差收缩模块，在跳跃连接中集成注意力门控模块；利用复合损失函数训练DRSN-ATT-UNET网络模型； S3：加载待处理的实际探地雷达剖面数据，并进行标准化预处理；将预处理后的剖面数据输入到已训练好的DRSN-ATT-UNET网络模型中，进行前向推理，模型输出即为去噪并增强后的雷达剖面；对模型输出进行反标准化后处理，并输出最终的高信噪比雷达图像； 所述DRSN-ATT-UNET网络模型的结构包括： 编码器：由四级下采样单元构成，每级下采样单元包括一个卷积块、一个深度残差收缩模块和一个最大池化层，所述深度残差收缩模块用于从含噪输入中提取多层次深度特征，并自适应抑制噪声相关的特征；所述卷积块由卷积层、批归一化和ReLU激活函数组成； 解码器：由四级上采样单元构成，每级上采样单元包括一个转置卷积层、一个注意力门控模块和一个卷积块；编码器与解码器的特征图通过跳跃连接拼接，所述注意力门控模块嵌入在跳跃连接中，用于逐步恢复空间分辨率并聚焦于重要信号特征； 瓶颈层：位于编码器与解码器之间，包含一个非局部注意力块，用于捕捉整个剖面中的长程依赖关系，增强模型对全局结构的理解； 所述深度残差收缩模块用于从含噪输入中提取多层次深度特征，并自适应抑制噪声相关的特征，具体包括： 设输入特征图为，其中H为高度，W为宽度，C为通道数，对输入特征图进行残差特征提取，残差特征R的提取过程表示为： 其中为卷积核权重，表示卷积操作； 自适应软阈值计算，对输入特征图X进行全局平均池化，得到通道级统计特征： 其中c为通道索引； 通过两个全连接层FC生成通道注意力权重： 其中为全连接层权重，为Sigmoid函数； 计算每个通道的软阈值： 根据每个通道的软阈值，对残差特征R的每个元素进行软阈值收缩，得到残差收缩特征： 将残差收缩特征和输入特征图逐元素相加，并输出去噪后的特征图； 所述非局部注意力块具体包括： 特征映射与嵌入：设瓶颈层输入特征图为，分别通过三个独立的1×1卷积层生成查询映射Q、键映射K和值映射V，即： 其中为卷积权重； 相似度矩阵计算：将查询映射Q和键映射K展平为二维矩阵，尺寸分别为和，计算空间注意力权重矩阵S： 其中为缩放因子，Softmax为归一化函数； 特征聚合：将注意力权重矩阵S与展平尺寸为HW×C的值映射V相乘，得到加权聚合特征： 随后将尺寸重塑为H×W×C； 残差连接与输出：将聚合特征通过一个1×1卷积层进行通道调整，并与原始输入特征进行残差相加，得到非局部注意力块的最终输出： 其中为输出卷积权重。

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成电深地求索(成都)科技有限公司，其通讯地址为：610000 四川省成都市武侯区武侯大道三河段72号；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”。

以上内容由龙图腾AI智能生成。