TY - JOUR T1 - Detecting Cylindrical Targets Characteristics Hidden in GPR Images Using Artificial Neural Network and Template Matching TT - شناسایی مشخصات اهداف استوانه‌ای پنهان در تصاویر GPR با استفاده از دو روش هوشمند شبکه‌های عصبی و تطبیق الگو JF - jeg JO - jeg VL - 9 IS - 4 UR - http://jeg.khu.ac.ir/article-1-1957-fa.html Y1 - 2016 SP - 3069 EP - 3092 KW - Ground-Penetrating Radar (GPR) KW - Geometrical parameters of cylindrical targets KW - Artificial neural network KW - Template matching KW - Normalized cross correlation N2 - رادار نفوذی زمین (GPR) روش ژئوفیزیکی غیرمخرب و با قدرت تفکیک زیاد است که از بازتاب امواج الکترومغناطیسی با فرکانس بالا برای آشکارسازی اشیاء مدفون استفاده می‌کند. در پژوهش حاضر این روش برای تعیین پارامترهای هندسی اهداف استوانه‌ای مدفون نظیر انواع ساختارهای تونلی استفاده شده است. دست‌یابی به‌چنین مقصودی براساس تعیین روابط پنهان بین پارامترهای هندسی اهداف استوانه‌ای و پارامترهای هذلولی پاسخ GPR، با استفاده از روش‌های هوشمند شبکه‌های عصبی مصنوعی و شناخت الگو، انجام شده است. برای این منظور پاسخ GPR مدل‌های مصنوعی استوانه‌ای شکل تولید شده با مدل‌سازی پیش‌رو به‌ روش اختلاف محدود دوبعدی، به‌عنوان الگو در الگوریتم‌های شبکه‌های عصبی مصنوعی و تطبیق الگو استفاده شده است. ساختار شبکه عصبی استفاده شده براساس استخراج ویژگی‌های متمایز و منحصر به‌فرد (مقادیر ویژه و نرم مقادیر ویژه) از تصاویر GPR و تعیین تمام پارامترهای هندسی اهداف، به‌طور هم‌زمان بنا شده است. عملیات تطبیق الگو نیز با به‌کارگیری دو روش شباهت مختلف هم‌آمیخت حوزۀ فضایی و هم‌بستگی متقابل نرمالیزه شده در حوزۀ عدد موج دوبعدی، صورت گرفت. نتایج پژوهش نشان می­دهد که هر دوروش هوشمند استفاده شده، قابلیت کاربرد برجا، سریع، دقیق و خودکار را برای اهداف ژئوتکنیکی واقعی دارند، هرچند درمجموع روش شبکه­های عصبی نسبت به‌ روش تطبیق الگو خطای کم‌تر و در نتیجه قدرت تخمین بیش‌تر برای پارامترهای هندسی اهداف استوانه­ای مدفون دارد.  M3 10.18869/acadpub.jeg.9.4.3069 ER -