本发明专利技术提供一种基于全连接神经网络的磁异常探测方法，将弱磁异常探测准换成二分类问题，即识别磁异常信号是否存在于磁异常信号的二分类问题。特征信息的选取是该方法决定分类精度的关键问题。本方法从磁异常信号自身的物理特性出发，选择目标磁矩和最小熵特征作为特征信息，作为神经网络的输入，构建基于全连接神经网络的弱磁异常探测模型，利用此模型对磁场信号进行分类，实现弱磁异常探测，如图3所示。因为本方法在低信噪比下，能够高性能的识别地识别磁异常，并且不需要手动设置检测阈值，有更好的自适应能力。有更好的自适应能力。有更好的自适应能力。
【技术实现步骤摘要】
一种基于全连接神经网络的磁异常探测方法
[0001]本专利技术属于磁异常探测
，具体设计一种基于全连接神经网络的磁异常探测方法，可广泛应用与水下目标探测等领域。
技术介绍
[0002]磁性目标产生的磁场叠加到地磁场上，使其周围空间的磁场分布发生变化，从而形成磁异常。通过对磁异常的探测可以实现对水下目标的探测与定位。然而，由于目标产生的磁异常随着空间距离快速衰减，这会导致远距离探测到的磁异常非常小。同时，海浪等海水运动所产生的磁场噪声以及地磁场及其与太阳风之间复杂的相互作用会产生低频磁噪声等，构成水下磁探测的主要背景磁噪声。在水下磁探测过程中，目标产生的弱磁异常信号通常深埋在背景磁噪声中。弱磁异常的探测方法在很大程度决定了水下磁场的实际探测能力。因此开展磁异常探测的方法研究，有助于提升水下复杂环境的目标探测能力，具有重要的学术有意思和广泛的应用价值。
[0003]目前的磁异常探测方法，通常都是基于噪声或者基于目标的磁异常探测方法，如(TangY,Liu Z,Pan M,et al.Detection of Magnetic Anomaly Signal Based on Information Entropy of Differential Signal[J].IEEE Geoence&Remote Sensing Letters,2018:1
‑
5.)用于对磁传感器获取的差分信号进行信息熵估计，以检测磁噪声模式的任何变化(C.Wan,M.Pan,Q.Zhang,D.Chen,H.Pang,and X.Zhu,“Performance improvement of magnetic anomaly detector using Karhunen
–
Loeve expansion,”IET Sci.,Meas.Technol.,vol.11,no.5,pp.600
–
606,Aug.2017.)用地磁噪声的自相关函数对正交基函数进行修正，并通过匹配滤波检测异常。以上方法都受到低信噪比得限制。
技术实现思路
[0004]本专利技术的目的在传统磁异常探测方法受到低信噪比限制，提出一种基于全连接神经网络的磁异常探测方法，以满足在低信噪比下磁异常探测的需求。
[0005]本专利技术的目的是这样实现的：包括如下步骤：
[0006]步骤1：确定磁异常信号对应的特征信息：磁矩特征以及最小熵特征：
[0007]在磁异常检测中，当传感器与铁磁目标的距离大于目标自身大小的2.5倍时，可以将铁磁目标近似为磁矩为M的磁偶极子，以目标为原点建立坐标系。建立如图1所示的目标探测模型，在该模型中，传感器平行于X轴，以速度v运动，t是时间，坐标为p(x,y,z)，
[0008]x＝x0+vt,y＝y0,z＝z0[0009]其中x0,y0,z0分别是传感器在X轴方向的初始位置，传感器到目标的横向距离，传感器到目标的纵向距离，r0是目标到传感器运动轨迹之间的距离。
[0010]磁矩特征为:根据目标磁矩的有关先验知识，磁矩特征可以用一组分解成个正交基函数的系数来表示。可以将磁异常信号T
r
分解成一组正交基函数，得到的三个系数如下表示：
[0011][0012]式中f
i
(τ)(i＝1,2,3)是分解的正交基函数。
[0013][0014][0015][0016]基函数的系数α
i
(i＝1,2,3)可以通过的公式得到：
[0017][0018]其中μ0＝4π
×
10
‑7H/m
[0019]将E作为神经网络的输入。
[0020]最小熵特征为：
[0021]其中：p(x
i
)表示磁场x
i
的概率密度函数。
[0022]步骤2：根据磁异常数据集，可以通过将数据训练集和测试集：构建基于全连接神经网络的探测模型，将步骤1中的两个特征信息作为神经网络的输入，通过全连接层输出探测结果，通过对全连接神经网络模型的训练，来获得最优参数，最后用测试集来评估模型的性能。如图2所示。
[0023]步骤3：经过步骤2可以确定最优参数，从而确定基于全连接神经网络的弱磁异常探测模型。
[0024]步骤4：根据实际测得的磁场信息，用确定的弱磁异常探测模型来进行磁异常探测。
[0025]与现有技术相比，本专利技术的有益效果是：本专利技术将磁矩特征和最小熵特征作为特征信息具有明确的物理特征，能够有效提高神经网络模型的性能。本专利技术不需要手动设置检测阈值，有更好的自适应能力。本专利技术分析磁异常信号，将磁矩特征和最小熵特征作为特征信息，构建基于全连接神经网络的磁异常探测模型，实现在低信噪比下的磁异常探测。
附图说明
[0026]图1为目标探测模型；
[0027]图2为模型训练图；
[0028]图3为一个训练流程图。
具体实施方式
[0029]为了使
的人员更好地理解本专利技术提出的方案，下面结合附图和实施方式对本发现实施案例进一步的详细说明。
[0030]本专利技术提供了一种基于全连接神经网络的测一场探测方法。该方法的基本思路是：将弱磁异常探测准换成二分类问题，即识别磁异常信号是否存在于磁异常信号的二分类问题。特征信息的选取是该方法决定分类精度的关键问题。本方法从磁异常信号自身的物理特性出发，选择目标磁矩和最小熵特征作为特征信息，作为神经网络的输入，构建基于全连接神经网络的弱磁异常探测模型，利用此模型对磁场信号进行分类，实现弱磁异常探测，如图3所示。因为本方法在低信噪比下，能够高性能的识别地识别磁异常，并且不需要手动设置检测阈值，有更好的自适应能力。
[0031]1.确定选择目标磁矩和最小熵作为特征信息，构建基于全连接神经网络的磁异常探测模型。探测模型总有4层，输出层，隐藏层的激活函数为ReLu,输出层的激活函数为sigmoid，各层数的节点为40，30，8，1，由于是二分类问题，损失函数选择二元交叉熵函数。
[0032]采用交叉验证法划分训练集和测试集，构建和训练基于全连接神经网络的弱磁异常探测模型，如图3所示，确定最优参数，从而获得感知模型。
[0033]2.计算磁异常信号的特征信息
[0034]步骤1：确定磁异常信号对应的特征信息：磁矩特征以及最小熵特征：
[0035]在磁异常检测中，当传感器与铁磁目标的距离大于目标自身大小的2.5倍时，可以将铁磁目标近似为磁矩为M的磁偶极子，以目标为原点建立坐标系。建立如图1所示的目标探测模型，在该模型中，传感器平行于X轴，以速度v运动，t是时间，坐标为p(x,y,z)，
[0036]x＝x0+vt,y＝y0,z＝z0[0037]其中x0,y0,z0分别是传感器在X轴方向的初始位置，传感器到目标的横向距离，传感器到目标的纵向距离，r0是目标到传感器运动轨迹之间的距离。
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于全连接神经网络的磁异常探测方法，其特征在于，步骤如下：步骤1：确定磁异常信号对应的特征信息，磁矩特征以及最小熵特征：步骤2：根据磁异常数据集，通过将数据训练集和测试集：构建基于全连接神经网络的探测模型，将步骤1中的特征信息作为神经网络的输入，通过全连接层输出探测结果，对全连接神经网络模型的训练，来获得最优参数，用测试集来评估模型的性能；步骤3：经过步骤2确定最优参数，从而确定基于全连接神经网络的弱磁异常探测模型；步骤4：根据实际测得的磁场信息，用确定的弱磁异常探测模型来进行磁异常探测。2.根据权利要求1所述的一种基于全连接神经网络的磁异常探测方法，其特征在于：在磁异常检测中，当传感器与铁磁目标的距离大于目标自身大小的2.5倍时，将铁磁目标近似为磁矩为M的磁偶极子，以目标为原点建立坐标系，建立目标探测模型，在该模型中，传感器平行于X轴，以速度v运动，t是时间，坐...
【专利技术属性】
技术研发人员：张晓峻，侯琳琳，任子豪，章贤，王锋，韩庆国，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。