一种磁异常探测的多特征提取及融合方法技术

本发明专利技术公开了一种磁异常探测的多特征提取及融合方法，是对磁异常信号的数据进行预处理，选择磁异常信号的时频特征，统计特征，以及目标磁矩特征作为磁异常信号的多特征，并使用核主成分分析法在特征层进行多特征融合，对磁异常信号进行数据处理，为神经网络框架提供有效的输入信息。并且能够在低信噪比下检测出磁异常信号，提高了检测效率，减低了虚假率，提升了神经网络的性能。了神经网络的性能。了神经网络的性能。

【技术实现步骤摘要】
一种磁异常探测的多特征提取及融合方法


[0001]本专利技术属于磁异常探测
，具体涉及一种磁异常探测的多特征提取及融合方法。

技术介绍

[0002]磁异常检测技术是一种发现隐藏在强而复杂的磁背景中的铁磁体的技术。在许多实际情况下，目标距离检测传感器非常远，这导致在低信噪比下的检测难度高。目前的大多数方法都是通过一些基于信号分析的方法来确定目标的存在，例如正交基函数检测法和最小熵检测法。然而，尽管这些方法消耗低资源，但检测性能不够令人满意。近年来，由于计算机能力的提高，复杂方法在磁异常探测中变得适用。神经网络在磁异常探测中有了更为广泛的应用。对于神经网络框而言，磁异常信号的数据预处理在其中占有重要地位，多特征提取以及特征融合是提升神经网络检测性能的关键因素。

技术实现思路

[0003]本专利技术的目的在于提供一种磁异常探测的多特征提取及融合方法。
[0004]本专利技术的目的通过如下技术方案来实现：
[0005]一种磁异常探测的多特征提取及融合方法，步骤如下：
[0006]步骤1：确定磁异常信号的时频特征；
[0007]步骤2：确定磁异常信号的统计特征；
[0008]步骤3：确定磁异常信号的目标磁矩信号；
[0009]步骤4：在特征层，使用核成分分析法融合特征向量，减少非线性冗余；
[0010]步骤5：经过处理之后的特征信息，作为神经网络的输入，进入神经网络架构。
[0011]进一步地，所述步骤1利用小波变换来获取磁异常信号的时频特征；小波变换为：
[0012][0013]其中，为磁异常信号，为小波函数。
[0014]进一步地，所述步骤2统计特征如平均值，方差，极值和峰值这些统计特征，通过以下公式计算：
[0015][0016][0017]β3＝max{S}
[0018]β4＝min{S}
[0019][0020]其中S表示测量信号，N表示信号的采样数。
[0021]进一步地，所述步骤3根据目标磁矩的有关先验知识，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：
[0022][0023]式中f
i
(τ)(i＝1,2,3)是分解的正交基函数。
[0024][0025][0026][0027]基函数的系数α
i
(i＝1,2,3)可以通过的公式得到：
[0028][0029]其中μ0＝4π
×
10
‑7H/m。
[0030]进一步地，所述步骤4经过多特征提取之后，减少磁异常信号的冗余信息，减少算力，保留有效信息，但是，在特征层中各个特征的非线性关系会出现冗余问题，会对磁异常探测的结果造成影响。所以，在特征层，使用核成分分析法融合特征向量，减少非线性冗余，过程如下所示：
[0031]磁特征样本集为X
m
×
n
，非线性核函数为φ(x)，它的协方差矩阵可以写为
[0032][0033]协方差矩阵C所对应的特征集λ，特征向量集为α，有
[0034]Cα＝λα
[0035]对上述公式用φ(x
k
),(k＝1,2,
···
,n)做内积，得到：
[0036][0037]内积的计算量十分的复杂，这里可以通过引入核函数，得到核矩阵K(x
i
,x
j
)＝<φ(x
i
),φ(x
j
)>的方法简化内积，则上式可以简化为
[0038]nλα＝Kα
[0039]特征向量集可以表示为α＝(α1,α2,
···
,α
n
)
T
，令，令为K的非零特征集，上
述公式可以简化为：
[0040][0041]将降序排列对应的特征向量为α1＞α2＞α3＞
···
＞α
n
在给定的贡献率下可以得到需要的特征值数为k，选取前k个特征值构成融合B
m
×
k
，经过核主成分分析之后的特征样本集Y
k
×
n
为：
[0042][0043]本专利技术的有益效果在于：
[0044]选择磁异常信号的时频特征，统计特征，以及目标磁矩特征作为磁异常信号的多特征，并使用核主成分分析法在特征层进行多特征融合对磁异常信号进行数据处理，为神经网络框架提供有效的输入信息。并且能够在低信噪比下检测出磁异常信号，提高了检测效率，减低了虚假率，提升了神经网络的性能。
附图说明
[0045]图1为本专利技术流程图。
具体实施方式
[0046]下面结合附图对本专利技术做进一步描述。
[0047]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。
[0048]本专利技术提供了一种磁异常探测的多特征提取及融合方法。该方法的基本思路是：选择磁异常信号的时频特征，统计特征，以及目标磁矩特征作为磁异常信号的多特征，并使用核主成分分析法在特征层进行多特征融合对磁异常信号进行数据处理，为神经网络框架提供有效的输入信息。如图1流程图所示：
[0049]1、确定磁异常信号的时频特征：目前，小波变换已将成为处理非平稳信号的有力工具，目标产生的磁异常信号正是非平稳信号，因此，本专利技术选用利用小波变换来获取磁异常信号的时频特征。
[0050]小波变换为：
[0051]其中，为磁异常信号，为小波函数。
[0052]2、确定磁异常信号的统计特征：当收到目标磁矩的影响的时候，原始磁场会发生变化。统计特征如平均值，方差，极值和峰值等都可以作为神经网络的统计特征，平均值描述了磁异常信号的整体特性。极值可以呈现峰值。方差和峰值反映了尖峰差异，这些统计特征可以通过以下公式计算。
[0053][0054][0055]β3＝max{S}
[0056]β4＝min{S}
[0057][0058]其中S表示测量信号，N表示信号的采样数。
[0059]3、确定磁异常信号的目标磁矩信号。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。根据OBF理论，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：
[0060][0061]式中f
i
(τ)(i＝1,2,3)是分解的正交基函数。
[0062][0063][0064][0065]基函数的系数α
i
(i＝1,2,3)可以通过的公式得到：
[0066][0067]其中μ0＝4π
×
10
‑7H/m
[0068]4、经过多特征提取之后，可以减少磁异常信号的冗余信息，减少算力，保留有效信息，但是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种磁异常探测的多特征提取及融合方法，其特征在于：步骤如下：步骤1：确定磁异常信号的时频特征；步骤2：确定磁异常信号的统计特征；步骤3：确定磁异常信号的目标磁矩信号；步骤4：在特征层，使用核成分分析法融合特征向量，减少非线性冗余；步骤5：经过处理之后的特征信息，作为神经网络的输入，进入神经网络架构。2.根据权利要求1所述的一种磁异常探测的多特征提取及融合方法，其特征在于：所述步骤1利用小波变换来获取磁异常信号的时频特征；小波变换为：其中，为磁异常信号，为小波函数。3.根据权利要求1所述的一种磁异常探测的多特征提取及融合方法，其特征在于：所述步骤2统计特征如平均值，方差，极值和峰值这些统计特征，通过以下公式计算：步骤2统计特征如平均值，方差，极值和峰值这些统计特征，通过以下公式计算：β3＝max{S}β4＝min{S}其中S表示测量信号，N表示信号的采样数。4.根据权利要求1所述的一种磁异常探测的多特征提取及融合方法，其特征在于：所述步骤3根据目标磁矩的有关先验知识，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：式中是分解的正交基函数。是分解的正交基函数。是分解的正交基函数。
基函数的系数α
i
(i＝1,2,3)可以通过的公式得到：其中μ0＝4π
×
10
‑7H/m。5.根据权利要求1所述的一种磁异常探测的多特征提取及融合方法，其特征在于：所述步骤4经过多特征提取之后...

【专利技术属性】
技术研发人员：张晓峻，侯琳琳，刘思雨，任子豪，王锋，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：