【技术实现步骤摘要】
本专利技术属于磁学和信号处理，具体涉及基于att-googlenet-svm的甚低频磁异常信号识别方法。
技术介绍
1、在常规海洋条件下，甚低频磁背景信号和磁扰动信号均存在大量的噪声，如海浪中盐离子切割地磁场产生的海浪噪声、电网负载变化引起的甚低频磁场背景中的自有噪声等。而在以往对于地磁的研究中，由于地磁的中心频率低，噪声的中心频率远高于目标信号的中心频率，去噪仅仅需要简单的去除高频信号，保留低频信号。而甚低频磁场的频率为50hz，磁场信号既存在低频噪声也存在高频噪声。甚低频磁异常信号是非线性、非平稳信号，由于海洋的内波、洋流等大量相关因素的影响，使得甚低频磁异常信号的去噪难度较大。同时，甚低频磁异常信号本身信号微弱、探测难度大，且其扰动特征规律不明确，使得甚低频磁异常信号的识别难度较大。
2、针对甚低频磁信号的识别，目前相关研究并不充足。电磁信号的动态范围大，在电压型传感器中信号幅度约为mv或nv量级，在实测过程中，传感器测量得到的电磁信号将受到仪器及探测环境的电磁噪声影响，使得有效数据与噪声的频带发生混叠，尤其是晚期数据易淹没在噪声中，造成电阻率等特征参数提取结果误差大。国内水下目标磁近程探测多见于地磁探测以及基于主动激励源的甚低频磁场探测，大部分已公开的研究仍处于仿真阶段。常用的方法包括传感器阵列技术、信号处理算法和机器学习方法。传感器阵列技术可以提高信号的接收灵敏度和空间分辨率；信号处理算法可以降低环境噪声的影响并提取出有效的信号特征；机器学习方法则可以通过训练模型实现自动化的信号识别。但上述方法均无法分别在
技术实现思路
1、本专利技术要解决的技术问题是：提供基于att-googlenet-svm的甚低频磁异常信号识别方法，用于在复杂海洋环境下提取有效甚低频磁异常信号。
2、本专利技术为解决上述技术问题所采取的技术方案为：基于att-googlenet-svm的甚低频磁异常信号识别方法，包括以下步骤：
3、s1：通过传感器采集甚低频磁信号得到原始时间序列数据；结合欧几里得距离法与均值平滑法对原始时间序列数据进行预处理以减少噪声信号；
4、s2：将预处理后的时间序列数据转换为时频图像，并将时频图像加载为图像数据并存储；
5、s3：从图像数据中提取灰度图像，并从灰度图像中提取多维灰度特征；
6、s4：在神经网络模型的全连接层前插入注意力层并训练该模型；训练达到预设精度后使用支持向量机分类器替换模型的全连接层，并训练支持向量机至预设精度；
7、s5：利用训练好的att-googlenet-svm模型识别步骤s3得到的多维灰度特征，分别输出有目标结果和无目标结果。
8、按上述方案，所述的步骤s1中，具体步骤为：
9、设甚低频磁场信号为连续时间信号f(t)，传感器以时间间隔δt＝0.002ms进行采样，得到离散信号f(n,δt)＝fn(n＝1,2,3,...,n-1)，其中n为信号长度；
10、每次分别从x轴、y轴和z轴检测甚低频磁场信号，共取6组数据，在数据中取得两近邻点下标为{xx,yx,xy,yy,xz,yz}，其欧几里得距离表示为：
11、
12、其中i＝x、y、z,分别表示三个维度的数据；
13、当临近簇的数据点大于阈值时定义为异常信号。
14、按上述方案，所述的步骤s2中，具体步骤为：根据预处理后的时间序列数据创建时频图,使用助手函数helpercreatergbfromtf将时频图创建为rgb图像数据并存储。
15、按上述方案，所述的步骤s3中，具体步骤为：
16、使用rgb2gray函数将rgb图像转换为灰度图像，并通过计算灰度图像的均值、方差和能量获取多维灰度特征。
17、按上述方案，所述的步骤s4中，具体步骤为：
18、s41：在原始的googlenet神经网络模型的全连接层前插入注意力层，选用矩阵注意力机制训练模型；
19、s42：训练模型达到预设精度后使用支持向量机分类器替换模型的全连接层，并训练支持向量机至预设精度。
20、进一步的，所述的步骤s41中，具体步骤为：
21、s411：准备输入数据和标签数据并转换为张量形式用于神经网络；
22、s412：定义模型架构，并令输入为x(batch_size,input_dim)，其中batch_size表示批量大小，input_dim表示输入维度。
23、进一步的，所述的步骤s412中，具体步骤为：
24、s4121：计算注意力权重；将输入x与权重矩阵w相乘得到u＝x*w；添加偏置向量b：
25、u＝u+b；
26、对u应用softmax激活函数获得注意力权重a：
27、a＝softmax(u)；
28、s4122：应用注意力权重；将输入x与注意力权重a逐元素相乘，得到加权输入z：
29、z＝x*a。
30、进一步的，所述的步骤s42中，具体步骤为：
31、s421：将模型的隐藏层的输出作为特征向量传递给svm分类器；这些特征向量是隐藏层中每个样本的表示；
32、s422：使用机器学习库实现支持向量机分类器，对特征向量和标签数据进行格式转换和预处理；
33、s423：使用准备好的特征向量和标签数据训练支持向量机分类器；根据所选的机器学习库和模型参数设置超参数，利用训练集训练得到的att-googlenet-svm模型。
34、进一步的，将所述的步骤s42中替换为：
35、待模型训练达到预设的精度后，去掉模型的最后一个全连接层，替换为支持向量机分类器，并训练支持向量机至预设精度。
36、一种计算机存储介质，其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行基于att-googlenet-svm的甚低频磁异常信号识别方法。
37、本专利技术的有益效果为：
38、1.本专利技术的基于att-googlenet-svm的甚低频磁异常信号识别方法，通过将传感器采集到的原始时间序列数据首先进行数据预处理，并将数据转化为视频图像，然后提取灰度图像，从灰度图像中提取多维灰度特征，并分别送入已经训练好的att-googlenet-svm模型进行识别，实现了在复杂海洋环境下提取有效甚低频磁异常信号的功能。
39、2.本专利技术采用注意力机制帮助神经网络集中关注输入数据中最相关的部分；通过学习到的权重，神经网络自动选择和加权不同输入的特征，从而提高模型对关键信息的感知能力，有助于准确地识别磁信号中的重要特征。
40、3.本专利技术采用支持向量机和神经网络相结合提高了整体模型的泛化能力；神经网络通过学习大量样本数据捕捉到更多的特征信息，从而提高了模型的鲁棒性；而支持向量机本文档来自技高网...
【技术保护点】
1.基于Att-GoogleNet-SVM的甚低频磁异常信号识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于Att-GoogleNet-SVM的甚低频磁异常信号识别方法，其特征在于：所述的步骤S1中，具体步骤为：
3.根据权利要求1所述的基于Att-GoogleNet-SVM的甚低频磁异常信号识别方法，其特征在于：所述的步骤S2中，具体步骤为：根据预处理后的时间序列数据创建时频图,使用助手函数helperCreateRGBfromTF将时频图创建为RGB图像数据并存储。
4.根据权利要求1所述的基于Att-GoogleNet-SVM的甚低频磁异常信号识别方法，其特征在于：所述的步骤S3中，具体步骤为：
5.根据权利要求1所述的基于Att-GoogleNet-SVM的甚低频磁异常信号识别方法，其特征在于：所述的步骤S4中，具体步骤为：
6.根据权利要求5所述的基于Att-GoogleNet-SVM的甚低频磁异常信号识别方法，其特征在于：所述的步骤S41中，具体步骤为：
7.根据权利要求6所述的
8.根据权利要求5所述的基于Att-GoogleNet-SVM的甚低频磁异常信号识别方法，其特征在于：所述的步骤S42中，具体步骤为：
9.根据权利要求5所述的基于Att-GoogleNet-SVM的甚低频磁异常信号识别方法，其特征在于：将所述的步骤S42中替换为：
10.一种计算机存储介质，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求9中任意一项所述的基于Att-GoogleNet-SVM的甚低频磁异常信号识别方法。
...【技术特征摘要】
1.基于att-googlenet-svm的甚低频磁异常信号识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于att-googlenet-svm的甚低频磁异常信号识别方法，其特征在于：所述的步骤s1中，具体步骤为：
3.根据权利要求1所述的基于att-googlenet-svm的甚低频磁异常信号识别方法，其特征在于：所述的步骤s2中，具体步骤为：根据预处理后的时间序列数据创建时频图,使用助手函数helpercreatergbfromtf将时频图创建为rgb图像数据并存储。
4.根据权利要求1所述的基于att-googlenet-svm的甚低频磁异常信号识别方法，其特征在于：所述的步骤s3中，具体步骤为：
5.根据权利要求1所述的基于att-googlenet-svm的甚低频磁异常信号识别方法，其特征在于：所述的步骤s4中，具体步骤为：...
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。