一种基于多特征融合卷积神经网络的弱磁异常自适应探测方法技术

本发明专利技术涉及一种基于多特征融合卷积神经网络的弱磁异常自适应探测方法。分析目标产生的磁异常信息，选择希尔伯特边际谱、希尔伯特瞬时能量和小波系数作为磁异常的预处理特征信息，构建基于卷积神经网络的弱磁异常探测模型，通过磁异常数据的训练集和测试集，获得最优参数的感知模型，利用该模型实现对弱磁异常的探测。本发明专利技术能够通过磁异常的预处理特征信息使得输入卷积神经网络的输入信息具有更明确的物理含义，提升了神经网络的性能。同时采用多个特征信息对磁异常信号进行判断，降低了目标探测的虚警概率，提高探测精度，提升低信噪比下磁性目标的探测能力。噪比下磁性目标的探测能力。噪比下磁性目标的探测能力。

【技术实现步骤摘要】
一种基于多特征融合卷积神经网络的弱磁异常自适应探测方法


[0001]本专利技术所涉及到一种基于多特征融合卷积神经网络的弱磁异常自适应探测方法。该方法可广泛用于能源矿藏勘测、水下各种管线探测、水下目标探测、水下考古、沉船勘测、扫雷反潜等领域。

技术介绍

[0002]文献“Processing of magnetic scalar gradiometer signals using orthonormalized functions[J].Sensors&Actuators A,2002,102(1
‑
2):67
‑
75”和“An efficient method for processing scalar magnetic gradiometer signals[J].Sensors&Actuators A,2004,114(1):73
‑
79”公开了一种基于正交基函数的磁异常探测方法。该方法是通过构建一组正交基函数，利用该正交基函数处理磁场梯度信号，根据正交基函数的性质，计算其对应的系数，构建一种基于该系数的探测指标，实现对磁异常的探测。随着磁异常信噪比的降低，计算得到对应正交基函数系数的误差变大，因此基于该系数构建的探测指标会受到干扰。这使得目标探测的虚警概率增加，探测概率降低。

技术实现思路

[0003]要解决的技术问题
[0004]为了提升低信噪比下的弱磁异常探测性能，本专利技术提供一种基于支持向量机的弱磁异常自适应探测方法。由于地磁场噪声及其他低频磁噪声的干扰，远距离目标产生的弱磁异常通常掩埋在磁噪声中，本方法，分析磁异常信息，选择希尔伯特边际谱、希尔伯特瞬时能量和小波近似系数作为磁异常的预处理特征信息，构建基于卷积神经网络的弱磁异常探测模型，利用该模型实现对弱磁异常的探测。
[0005]技术方案
[0006]一种基于多特征融合卷积神经网络的弱磁异常自适应探测方法，其特征在于步骤如下：
[0007]步骤1：确定磁异信号常对应的预处理特征信息：希尔伯特边际谱、希尔伯特瞬时能量和小波近似系数：
[0008]希尔伯特边际谱：
[0009]希尔伯特瞬时能量：IE(t)＝∫
ω
H2(ω,t)dω
ꢀꢀꢀ
(2)
[0010]式中，H(ω,t)表示信号的希尔伯特谱；
[0011]小波近似系数：
[0012]式中，G(t)表示磁信号，ψ
j,k
(t)表示小波函数；
[0013]步骤2：在磁场数据集中，标定磁异常信号；将数据分为训练集和测试集两部分；构建一维卷积神经网络模型，该模型含有3个卷积模块，分别处理步骤1中的一种预处理特征
信息；每个卷积模块分别含有卷积层、池化层、全连接层；3个卷积模块输出的特征信息通过拼接层合成磁信号的特征向量；特征向量经过全连接层和softmax函数输出探测结果；通过测试集的数据对模型进行训练，获得模型的最优参数；在测试集的数据中，评估该参数的模型性能；
[0014]步骤3：确定最优参数的模型为弱磁异常感知模型；
[0015]步骤4：提取实测磁场梯度信号的特征信息，利用感知模型对该特征信息进行处理，实现对弱磁异常的探测。
[0016]一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
[0017]一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
[0018]一种计算机程序，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现上述的方法。
[0019]有益效果
[0020]本专利技术提出的一种基于多特征融合卷积神经网络的弱磁异常自适应探测方法，由于采用磁异常的多个预处理特征信息，利用卷积神经网络进行学习，实现对磁异常信号的探测。该方法通过机器学习的方式，自适应地获得目标的特征信息。根据特征信息进行自动识别。同时模型的输入数据采用多个预处理的特征信息，具有明确的物理含义。基于该模型的探测方法降低目标探测的虚警概率，提高探测精度，提升低信噪比下目标探测能力。
[0021]1、预处理的特征信息作为卷积神经网络模型的输入数据具有明确的物理含义，有效提高模型的分类性能。利用离散小波变换获取的近似系数、利用希尔伯特
‑
黄变换获取的边际谱和瞬时能量作为磁异常信号预处理特征信息。
[0022]2、每个预处理特征信息有一个卷积神经网络模型处理，最后三个预处理特征信息的模型合成一个总模型。利用磁异常数据集，通过训练该模型，获得最优的磁异常探测模型。基于该模型的探测方面克服传统方法中人为设置探测阈值对探测结果不确定性影响。
[0023]3、磁异常的预处理特征信息的选择影响感知模型的探测结果，可以添加磁异常的多个异构特征信息，提高目标的探测精度，提升低信噪比下目标探测能力。
附图说明
[0024]附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。
[0025]图1基于多特征融合卷积神经网络的弱磁异常自适应探测方法示意图；磁场信号经过信号预处理阶段获得3类磁信号的预处理特征信息；每类预处理特征信息经一维卷积神经网络中的卷积模块处理获得对应的特征信息，拼接层将3个卷积模块输出的特征信息合成磁信号的特征向量；特征向量经全连接层和softmax函数处理，输出最终的探测结果。
[0026]图2测量到的磁异常信号。
[0027]图3磁异常的探测结果。
具体实施方式
[0028]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。此外，下面描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0029]本专利技术提供一种基于支持向量机的弱磁异常自适应探测方法。该方法的基本思路是：磁异常探测可以视为一个典型的二分类问题，即目标产生的磁信号的存在与否。同时在二分类问题，特征信息的选择是决定分类精度的关键。本方法通过分析磁异常信号，选择希尔伯特边际谱、希尔伯特瞬时能量和小波近似系数作为磁异常的预处理特征信息，构建基于卷积神经网络的弱磁异常探测模型，利用该模型实现对弱磁异常的探测。本方法无须人为设置探测阈值，同时在探测过程中采用多个信号的预处理特征作为卷积神经网络的输入信息。因此，本方法具有自适应和高精度的探测能力，提升低信噪比下目标探测概率。
[0030]1、确定选择希尔伯特边际谱、希尔伯特瞬时能量和小波近似系数作为磁异常的预处理特征信息，构建基于卷积神经网络的弱磁异常探测模型。探测模型包含3个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征融合卷积神经网络的弱磁异常自适应探测方法，其特征在于步骤如下：步骤1：确定磁异信号常对应的预处理特征信息：希尔伯特边际谱、希尔伯特瞬时能量和小波近似系数：希尔伯特边际谱：希尔伯特瞬时能量：IE(t)＝∫
ω
H2(ω,t)dω
ꢀꢀꢀꢀꢀꢀꢀ
(2)式中，H(ω,t)表示信号的希尔伯特谱；小波近似系数：式中，G(t)表示磁信号，ψ
j,k
(t)表示小波函数；步骤2：在磁场数据集中，标定磁异常信号；将数据分为训练集和测试集两部分；构建一维卷积神经网络模型，该模型含有3个卷积模块，分别处理步骤1中的一种预处理特征信息；每个卷积模块分别含有卷积层、池化层、全连接层；3个卷积模块输出的特征信息通过拼接层合成磁信号的特征向量；...

【专利技术属性】
技术研发人员：樊黎明，赵维娜，王惠刚，胡浩，杨龙飞，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：