CN111413651B - 一种磁场总场的补偿方法、装置、系统及存储介质 - Google Patents

Abstract

本申请公开了一种磁场总场的补偿方法、装置、系统及存储介质，通过超导三轴磁强计获取磁场在坐标系下的分量值，通过光泵传感器获取磁场的光泵总场值，对分量值进行校正，得到校正后的分量值。利用磁干扰补偿模型、校正后的分量值和光泵总场值得到方向余弦特征矩阵，通过惯导传感器获取姿态信息，基于姿态信息确定姿态特征矩阵，对方向余弦特征矩阵，姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵。将滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵输入已训练好的磁场补偿模型，得到补偿的磁干扰值，根据光泵总场值和补偿的磁干扰值得到目标磁场总场值。如此，可以得到精度更高的磁场总场值。

Description

一种磁场总场的补偿方法、装置、系统及存储介质

技术领域

本申请涉及航空磁场总场法探测领域，尤其涉及一种磁场总场的补偿方法、装置、系统及存储介质。

背景技术

航空磁场总场法探测具有探测效率高，探测面积广，相对便宜等优势，是磁法探测的最优选择之一。然而在实际的飞行探测过程中，由于传感器需要搭载到飞行器上，飞行器载体存在磁性物质对磁传感器探头产生不可忽略的磁干扰，为了实现高精度测量必须合理补偿传感器周围的磁干扰。

目前，总场探测中磁干扰补偿方法基于三轴磁通门建模，其中光泵实现总场信息采集，三轴磁通门实现载体姿态信息的测量，并根据1950年Tolles提出的Tolles-lawson线性补偿模型和1961年Leikak给出的机动方案进行算法补偿以消除运动相关磁干扰。其中在实际磁补偿过程中，最终补偿水平主要受姿态测量精度以及磁补偿模型影响。

目前航空磁场总场补偿存在的问题是：现有磁补偿模型主要使用磁通门传感器测量背景磁场三分量求解出方向余弦从而进行磁补偿，磁通门噪声较高并且存在一定转向差，导致补偿后光泵总场输出仍然有与运动姿态相关的噪声。

发明内容

本申请实施例提供了一种磁场总场的补偿方法、装置、系统及存储介质，使得补偿后的磁场总场值中与运动姿态相关的噪声降低甚至去除，从而可以提高补偿精度，得到精度更高的磁场总场值。

一方面，本申请实施例提供了一种磁场总场的补偿方法，该方法包括：

通过超导三轴磁强计获取磁场在坐标系下的分量值；

通过光泵传感器获取磁场的光泵总场值；

对分量值进行校正，得到校正后的分量值；

利用磁干扰补偿模型、校正后的分量值和光泵总场值得到方向余弦特征矩阵；

通过惯导传感器获取姿态信息，基于姿态信息确定姿态特征矩阵；

对方向余弦特征矩阵，姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵；

将滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵输入已训练好的磁场补偿模型，得到补偿的磁干扰值；

根据光泵总场值和补偿的磁干扰值得到目标磁场总场值。

另一方面，本申请实施例提供了一种磁场总场的补偿装置，该装置包括：

分量值获取模块用于通过超导三轴磁强计获取磁场在坐标系下的分量值；

光泵总场值获取模块用于通过光泵传感器获取磁场的光泵总场值；

分量值校正模块用于对分量值进行校正，得到校正后的分量值；

特征矩阵获取模块用于利用磁干扰补偿模型、校正后的分量值和光泵总场值得到方向余弦特征矩阵；通过惯导传感器获取姿态信息，基于姿态信息确定姿态特征矩阵；

滤波模块用于对方向余弦特征矩阵，姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵；

磁场补偿确定模块用于将滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵输入已训练好的磁场补偿模型，得到补偿的磁干扰值；

总场值确定模块用于根据光泵总场值和补偿的磁干扰值得到目标磁场总场值。

另一方面提供了一种磁场总场补偿设备，该终端包括处理器和存储器，存储器中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现如上述的磁场总场的补偿方法。

另一方面提供了一种计算机可读存储介质，计算机存储介质中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现如上述的磁场总场的补偿方法。

本申请实施例提供的磁场总场的补偿方法、装置、系统及存储介质，具有如下技术效果：通过超导三轴磁强计获取磁场在坐标系下的分量值；通过光泵传感器获取磁场的光泵总场值；对分量值进行校正，得到校正后的分量值；利用磁干扰补偿模型、校正后的分量值和光泵总场值得到方向余弦特征矩阵；通过惯导传感器获取姿态信息，基于姿态信息确定姿态特征矩阵；对方向余弦特征矩阵，姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵；将滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵输入已训练好的磁场补偿模型，得到补偿的磁干扰值，根据光泵总场值和补偿的磁干扰值得到目标磁场总场值。如此，可以使得补偿后的磁场总场值中与运动姿态相关的噪声降低甚至去除，从而可以提高补偿精度，得到精度更高的磁场总场值。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本申请实施例提供的一种磁场总场的补偿方法的流程示意图；

图2是本申请实施例提供的一种分量值校正方法的流程示意图；

图3是本申请实施例提供的一种方向余弦特征矩阵确定方法的流程示意图；

图4是本申请实施例提供的一种姿态特征矩阵确定方法的流程示意图；

图5是本申请实施例提供的一种磁场补偿模型的结构示意图；

图6是本申请实施例提供的一种磁场补偿模型的训练方法的流程示意图；

图7是本申请实施例提供的一种剩余磁干扰的示意图；

图8是本申请实施例提供的一种磁场总场的补偿装置的结构示意图；

图9是本申请实施例提供的一种磁场总场的补偿方法的服务器的硬件结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

以下介绍本申请一种磁场总场的补偿方法的具体实施例，图1是本申请实施例提供的一种磁场总场的补偿方法的流程示意图，本说明书提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，该方法可以包括：

本申请实施例中，所有实施步骤的执行主语可以是同一个设备，还可以由不同的设备执行，设备可以是终端，服务器或者其他的计算机设备。

S101：通过超导三轴磁强计获取磁场在坐标系下的分量值。

坐标系下的分量值是超导三轴磁强计测量出来的，是有误差的。分量值的个数为3个，可以看做是X轴，Y轴，Z轴三个轴向的分量。

本申请实施例中，步骤S101中的超导三轴磁强计可以被称为超导量子干涉器件(superconducting Quantum Interference Device，SQUID)，超导量子干涉器件是目前已知的比较灵敏的磁传感器，广泛应用于微弱磁信号的探测。超导量子干涉器件是一个超导环，通过读出超导环内感受到的磁通来读出磁场。由于超导量子干涉器件的超导环的面积很小，环内磁场均匀，超导量子干涉器件测的磁通就与超导量子干涉器件的超导环耦合的磁场强度成正比。因此使用超导量子干涉器件超导环平面耦合磁通以及超导量子干涉器件测量磁场就构成了SQUID磁强计。磁强计是矢量传感器，只测量SQUID超导环平面法线方向的磁场。

在实际应用中，要测量磁场总场，需要测量磁场矢量的三个分量，即X轴，Y轴，Z轴三个轴向的分量，也就是步骤S101中的在坐标系下的分量值。通过三个轴向的分量获得磁场总场。要使用现有的SQUID磁强计测量磁场的总场，需使用三个SQUID磁强计，三个磁强计相互垂直，分别定义为X轴，Y轴，Z轴三个垂直分量。三轴磁强计测得矢量磁场在XYZ三个垂直方向的矢量分量，从而获得总场的测量。

S103：通过光泵传感器获取磁场的光泵总场值。

可选的，光泵传感器获得的磁场的光泵总场值在本申请中是一个参考值。相较于超导三轴磁强计的坐标系下的分量值，光泵总场值更接近于真正的磁场总场，然而，由于光泵传感器中仍含有部分磁干扰的原因，光泵总场值还不够准确，达不到本申请的要求。

S105：对分量值进行校正，得到校正后的分量值。

由于超导三轴磁强计本身器件特性导致输出的在坐标系下的分量值中包含有偏移量，因此需要对分量值进行校正，得到校正后的分量值，以备后续步骤使用。

本申请实施例中，设备可以利用寻优算法对分量值进行偏移量校正，得到校正后的分量值。寻优算法可以包括粒子群优化算法，梯度下降算法，牛顿法，遗传算法，模拟退火算法等等。下面以粒子群优化算法为例，对步骤S105的技术手段进行阐述。

一种可选的实施方式中，设备可以利用粒子群优化算法和光泵总场值对分量值进行校正，得到校正后的分量值。图2是本申请实施例提供的一种分量值校正方法的流程示意图，如图2所示，该方法包括：

S201：初始化三个分量值对应的偏移值。

上文中指出分量值的数量是3个，因此，可以将三个分量值定义为H_x，H_y和H_z。初始化分量值就是预先设置3个分量值对应的3个偏移值，O_x，O_y和O_z。

S202：初始化偏移值组成的粒子群中粒子的当前速度和当前位置。

其中，粒子群中的粒子的取值范围可以是-50至50，粒子群中粒子的数量可以设置是20个，粒子的速度范围是-0.5至0.5。

该步骤中，设备可以预先设置每个粒子的当前速度和当前位置，当前位置和当前速度要在粒子的取值范围和粒子的速度范围之内。

S203：以光泵总场值为依据，计算每个粒子在当前速度和当前位置下的适应度，并按照预设规则更新每个粒子的当前速度和当前位置。

可选的，设备可以是通过三轴合成总场与光泵均方差平均值，该均方根误差作为该粒子的适应度。如公式(1)所示：

其中，n为本段要校正数据的总长度，H_ix，H_iy和H_iz分别是实测超导三轴磁强计的输出，即3个分量值，，O_x，O_y和O_z是3个偏移值；H_e是磁场对应的光泵总场值，fitness是适应度。

具体的，粒子更新速度以及位置方法按照公式(2)规则进行：

x_i＝x_i-1+v_i

v_i＝w·v_i-1+c₁·rand()·(p_best-x_i-1)+c₂·rand()·(g_best-x_i-1)

其中，x_i和x_i-1分别为粒子更新后的当前位置与更新前的当前位置，v_i和v_i-1分别为粒子更新后的当前速度与更新前的当前速度，b_best和g_best是该粒子的最优位置以及全局最优位置，rand()是随机数。特别的，w、c₁和c₂分别为惯性因子以及粒子的全局和局部搜索能力，需要预先设置，本实例可以分别设置为0.5，0.2，0.2。

S204：若更新次数满足预设的迭代次数，转至步骤S205；否则转至步骤203。

若当前速度和当前位置的更新次数不满足预设的迭代次数，重新203的步骤，迭代计算每个粒子在当前速度和当前位置下的适应度，随后，继续更新每个粒子的当前速度和当前位置……

S205：以光泵总场值为依据，计算每个粒子在当前速度和当前位置下的适应度。

如果当前速度和当前位置的更新次数满足预设的迭代次数，比如1000次，则参考步骤S203下的公式(1)，得到每个粒子在当前速度和当前位置下的适应度。

S206：从每个粒子的适应度中挑选出值最小的适应度。

S207：将该适应度对应的偏移量作为目标偏移量。

每个粒子在当前迭代次数下都有一个适应度，也有一个偏移量，步骤是206和步骤S207就是为了找出最合适的偏移量，作为目标偏移量。

S208：根据目标偏移量和分量值确定出校正后的分量值。

目标偏移量包括3个偏移量，对分量值和目标偏移量做基础运算，比如使用3个分量值分别减去其对应的偏移量，得到校正后的分量值B_x，B_y和B_z。

S107：利用磁干扰补偿模型、校正后的分量值和光泵总场值得到方向余弦特征矩阵。

一种可选的实施方式中，磁干扰补偿模型可以是16项补偿模型，还可以是21项补偿模型。下面以21向补偿模型为例，对步骤S107进行阐述。

本申请介绍一种如何得到方向余弦特征矩阵的方法。图3是本申请实施例提供的一种方向余弦特征矩阵确定方法的流程示意图，如图3所示，该方法包括：

S301：根据校正后的分量值和光泵总场值的商得到载体坐标系下的方向余弦角。

设备可以根据校正后的分量值B_x，B_y和B_z，以及光泵总场值H_e求解磁场在载体坐标下的方向余弦角u₁，u₂和u³。如下公式(3)：

S302：基于磁干扰补偿模型，方向余弦角和光泵总场值确定出永磁干扰，感应干扰和涡流干扰。

可选的，以光泵探头安装点为原点建立机体坐标系建模，根据磁干扰特性以及21项补偿模型把磁干扰分为永磁干扰H_p、感应干扰H_i、涡流干扰H_eddy，如公式(4)所示：

其中，p_i是永磁干扰对应的补偿系数，a_ij是感应干扰对应的补偿系数，b_ij和c_ij是涡流干扰对应的补偿系数，H_e'是光泵总场值H_e对时间求导得到的，u′_j是u_j对时间求导得到的。

S303：根据永磁干扰，感应干扰和涡流干扰确定出总磁干扰公式。

总的磁干扰可由以上三部分组成，进一步推导出系统总磁干扰表达式如公式(5)：

S304：从总磁干扰公式中提取出方向余弦特征矩阵。

如此，可以从磁干扰公式可以提取出影响磁干扰H_pod产生的21项特征矩阵R如公式(6)：

R＝[H_eu₁ H_eu₂ H_eu₃ H_eu₁u₁ H_eu₁u₂ H_eu₁u₃ H_eu₂u₂ H_eu₂u₃ H_eu₁u₁′ H_eu₂u₁′ H_eu₃u₁′H_eu₁u₂′ H_eu₂u₂′ H_eu₃u₂′ H_eu₁u₃′ H_eu₂u₃′ H_e′u₁u₁ H_e′u₁u₂ H_e′u₁u₃ H_e′u₂u₂ H_e′u₂u₃]

如此，设备可以得到方向余弦特征矩阵。

S109：通过惯导传感器获取姿态信息，基于姿态信息确定姿态特征矩阵。

本申请实施例中，姿态信息包括翻滚角、俯仰角和偏航角。

图4是本申请实施例提供的一种姿态特征矩阵确定方法的流程示意图，如图4所示，该方法包括：

S401：将翻滚角、俯仰角和偏航角分别转换成翻滚角对应的第一弧度、俯仰角对应的第二弧度和偏航角对应的第三弧度。

S402：对第一弧度、第二弧度和第三弧度进行求解，得到第一弧度对应的正弦值和余弦值，第二弧度对应的正弦值和余弦值，第三弧度对应的正弦值和余弦值。

S403：根据第一弧度对应的正弦值和余弦值，第二弧度对应的正弦值和余弦值，第三弧度对应的正弦值和余弦值生成姿态特征矩阵。

实际上，根据坐标转换公式可知，方向余弦与三个姿态角可以相互转换，方向余弦是姿态角的正余弦组成的函数，但是由于安装等误差并不能将公式完全表达出来。因此可以从由姿态角求出的正余弦值中生成影响磁干扰产生的姿态特征矩阵，利用神经网络进行非线性组合，最终得到6项姿态特征矩阵，姿态特征矩阵可以如公式(7)所示：

P＝[sin(r) cos(r) sin(p) cos(p) sin(h) cos(h)]

其中r、p和h分别为翻滚角、俯仰角、偏航角，sin(r)和cos(r)为翻滚角对应的正余弦值，sin(p)和cos(p)为俯仰角对应的正余弦值，sin(h)和cos(h)为偏航角对应的正余弦值。

综上，设备可以得到方向余弦特征矩阵和姿态特征矩阵。

S111：对方向余弦特征矩阵，姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵。

一种可选的滤波处理的实施方式中，可以利用高通滤波器对方向余弦特征矩阵，姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵。

具体的，将21项方向余弦特征矩阵、6项姿态特征矩阵共27列信号进行频谱分析，基于频谱图分别估算每列信号在姿态频率(0.01-10Hz)范围内的主频率大小(f₀，f₁...f₂₈)，从28组频率值中选取最小的频率值f_min，并以0.5f_min频率大小为截止频率构建高通FIR滤波器，最后对余弦特征矩阵、姿态特征矩阵共27列信号通过构建的高通FIR滤波器进行滤波，并将滤波后方向余弦特征矩阵和滤波后的姿态特征矩阵保存下来。

S113：将滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵输入已训练好的磁场补偿模型，得到补偿的磁干扰值。

一种可选的实施方式中，如图5所示，磁场补偿模型可以为神经网络模型，还可以是递归网络模型等等，下面以神经网络模型为例，该磁场补偿模型可以包括第一子模型、第二子模型和输出层，其中，第一子模型对应滤波后的方向余弦特征矩阵，第二子模型对应滤波后的姿态特征矩阵。可选的，第一子模型和第二子模型并联设置，且分别与输出层连接。可选的，第一子模型和第二子模型的结构相同，分别包括第一隐藏层和第二隐藏层。

具体的，该磁场补偿模型包括上分支，也就是第一子模型，第一子模型主要由滤波后的方向余弦特征矩阵作为输入，第一子模型包括第一隐藏层和第二隐藏层。其中，第一隐藏层和第二隐藏层分别包括64个神经元。该磁场补偿模型还包括下分支，也就是第二子模型，第二子模型主要由滤波后的姿态特征矩阵作为输入，第二子模型包括第一隐藏层和第二隐藏层。其中，第一隐藏层和第二隐藏层分别包括64个神经元。第一子模型和第二子模型分别连接到包括一个神经元的输出层，将上下分支输出同事连接至输出层进行求和作为总输出。

其中，输入层和隐藏层的激活函数采用ReLu函数，表达式如公式(8)所示：

输出层采用线性激活函数，表达式如公式(9)所示：

g(x)＝∑_ix_iw_i

一种可选的实施方式中，可以将获取的样本数据集作为训练样本，进行训练以得到磁场补偿模型。本申请实施例还提供一种磁场补偿模型的训练方法，如图6所示，包括：

S601：获取样本数据集，样本数据集包括多个样本磁场中每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵以及参考磁干扰；参考磁干扰是参考磁干扰对应的参考光泵总场值通过滤波处理后得到的。

步骤S601中的每个样本磁场对应的滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵的确定可以参考上文中步骤S101-S111对应的内容，这里就不在赘述。

每个样本磁场对应的参考磁干扰的获取的具体步骤为：通过光泵传感器获取每个样本磁场的光泵总场值，随后，可以使用步骤S111的高通滤波器对每个样本磁场的光泵总场值进行滤波，得到每个样本磁场对应的参考磁干扰。

磁干扰相关信号的频率是有固定范围的，但是传感器实际测量信号频率复杂。下面阐述需要对方向余弦特征矩阵，姿态特征矩阵进行滤波处理的原因：1、滤波是为了特征信号在磁干扰频率附近的信号成分，以及滤除光泵传感器信号中地磁场的波动(直流成分)以尽可能的提取出磁干扰(也就是上文中的参考磁干扰)，再进行拟合求解，提高拟合精度。2、如果不滤波，首先光泵传感器输出中包含磁干扰以及地球磁场大小两部分，地球磁场50uT是磁干扰(nT级别)的数千倍，滤波是要提取磁干扰，而不是地球磁场和磁干扰之和的输出。

S602：构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型。

S603：基于当前机器学习模型，对每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵进行磁干扰预测操作，确定每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵对应的预测磁干扰。

S604：基于每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵对应的预测磁干扰和参考磁干扰，确定损失值。

损失值可以采用均方根误差，如公式(10)所示：

其中，MSE代表的是指均方根误差，用来作为网络的损失值。y_i代表的是预测磁干扰，基于27项特征通过神经网络训练输出的磁干扰，为预测值。Bopm_h_i代表的是参考磁干扰，是实测值。

S605：当损失值大于预设阈值时，转至步骤S606，否则转至步骤S607。

S606：基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；转至步骤S603。

S607：确定损失值小于或等于预设阈值，将当前机器学习模型确定为磁场补偿模型。

一种可选的实施方式中，可以将获取的样本数据集分为训练样本和验证样本，进行训练以得到磁场补偿模型。训练样本用来训练得到磁场补偿模型，验证样本用来验证磁场补偿模型的准确性。

进一步的，训练集训练过程中采用adam(自适应时刻估计方法)计算每个参数的自适应学习率，调整模型的权重和偏差参数。并且为了减少过拟合，在两层隐藏层中加入dropout优化方法，按照一定的概率将部分神经元舍弃防止出现过拟合现象。最后不断调整不同的参数大小，找出较小的一组MSE时的对应参数为最终参数(MSE＝0.000110，adam设置参数为β₁＝0.9，β₂＝0.99，∈＝10e^-11，dropout＝0.2)，此时的神经网络为最终的磁场补偿模型，将模型保存下来。

S115：根据光泵总场值和补偿的磁干扰值得到目标磁场总场值。

设备可以根据光泵总场值和补偿模型预测的磁干扰值得到补偿后的目标磁场总场值，也就是将光泵总场值和补偿的磁干扰值进行适当的运算，比如相加或者相减，得到目标磁场总场值，即完成磁补偿。

综上，本申请实施例中，为了更好的说明基于超导三轴磁强计与惯导组合的航空总场补偿方法优势，可以通过搭建基于超导三轴磁强计以及惯导和光泵传感器的磁探测系统并取得实际探测的数据，将实测的超导三轴磁强计与惯导以及光泵传感器的数据代入上述实例的技术方案中进行进一步补偿，补偿结果如图7所示，其中虚线为光泵传感器输出经过滤波之后的补偿前剩余磁干扰，点划线为经过现有技术中16项线性补偿模型补偿后的剩余磁干扰，实线为经过本发明补偿后的磁干扰，从图中可以看出本发明的新方法与传统补偿方法相比，可以进一步压制运动相关噪声。并且补偿前后的补偿精度与改善比的统计如下表(1)所示：

从表中可以看到基于超导三轴磁强计与惯导组合的补偿方法补偿后的标准差(精度)由0.22nT提升到0.067pT,改善比由6.5倍提升到21，效果显著。

综上所示，本申请提出了一种基于超导三轴磁强计与惯导组合的磁补偿方法，可以有效解决现有仅利用磁通门等磁传感器获作为姿态信息进行建模导致的补偿后仍有运动相关磁干扰问题，从而实现总场高精度测量。因此，本发明有效克服了现有技术中的种种缺点而具有高度产业利用价值。

本申请实施例还提供了一种磁场总场的补偿装置，图8是本申请实施例提供的一种磁场总场的补偿装置的结构示意图，如图8所示，该装置包括：

分量值获取模块801用于通过超导三轴磁强计获取磁场在坐标系下的分量值；

光泵总场值获取模块802用于通过光泵传感器获取磁场的光泵总场值；

分量值校正模块803用于对分量值进行校正，得到校正后的分量值；

特征矩阵获取模块804用于利用磁干扰补偿模型、校正后的分量值和光泵总场值得到方向余弦特征矩阵；通过惯导传感器获取姿态信息，基于姿态信息确定姿态特征矩阵；

滤波模块805用于对方向余弦特征矩阵，姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵；

磁场补偿确定模块806用于将滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵输入已训练好的磁场补偿模型，得到补偿的磁干扰值；

总场值确定模块807用于根据光泵总场值和补偿的磁干扰值得到目标磁场总场值。

一种可选的实施方式中，该装置还包括训练模块，用于：

获取样本数据集，样本数据集包括多个样本磁场中每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵以及参考磁干扰；参考磁干扰是参考磁干扰对应的参考光泵总场值通过滤波处理后得到的；

构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；

基于当前机器学习模型，对每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵进行磁干扰预测操作，确定每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵对应的预测磁干扰；

基于每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵对应的预测磁干扰和参考磁干扰，确定损失值；

当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：基于当前机器学习模型，对每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵进行磁干扰预测操作，确定每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵对应的预测磁干扰；

当损失值小于或等于预设阈值时，将当前机器学习模型确定为磁场补偿模型。

一种可选的实施方式中，该装置还包括：

分量值校正模块用于利用粒子群优化算法和光泵总场值对分量值进行校正，得到校正后的分量值。

一种可选的实施方式中，该装置还包括：

特征矩阵获取模块用于根据校正后的分量值和光泵总场值的商得到载体坐标系下的方向余弦角；

基于磁干扰补偿模型，方向余弦角和光泵总场值确定出永磁干扰，感应干扰和涡流干扰；

根据永磁干扰，感应干扰和涡流干扰确定出总磁干扰公式；

从总磁干扰公式中提取出方向余弦特征矩阵。

一种可选的实施方式中，该装置还包括：

特征矩阵获取模块用于将翻滚角、俯仰角和偏航角分别转换成翻滚角对应的第一弧度、俯仰角对应的第二弧度和偏航角对应的第三弧度；

对第一弧度、第二弧度和第三弧度进行求解，得到第一弧度对应的正弦值和余弦值，第二弧度对应的正弦值和余弦值，第三弧度对应的正弦值和余弦值；

根据第一弧度对应的正弦值和余弦值，第二弧度对应的正弦值和余弦值，第三弧度对应的正弦值和余弦值生成姿态特征矩阵。

一种可选的实施方式中，该装置还包括：

滤波模块用于利用高通滤波器对方向余弦特征矩阵，姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵。

本申请实施例中的装置与方法实施例基于同样地申请构思。

本申请实施例所提供的方法实施例可以在计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图9是本申请实施例提供的一种磁场总场的补偿方法的服务器的硬件结构框图。如图9所示，该服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Units，CPU)910(处理器910可以包括但不限于微处理器NCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器930，一个或一个以上存储应用程序923或数据922的存储介质920(例如一个或一个以上海量存储设备)。其中，存储器930和存储介质920可以是短暂存储或持久存储。存储在存储介质920的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器910可以设置为与存储介质920通信，在服务器900上执行存储介质920中的一系列指令操作。服务器900还可以包括一个或一个以上电源960，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口940，和/或，一个或一个以上操作系统921，例如Windows ServerTN，Nac OS XTN，UnixTN,LinuxTN，FreeBSDTN等等。

输入输出接口940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器900的通信供应商提供的无线网络。在一个实例中，输入输出接口940包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口940可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。

本领域普通技术人员可以理解，图9所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器900还可包括比图9中所示更多或者更少的组件，或者具有与图9所示不同的配置。

本申请的实施例还提供了一种存储介质，所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种磁场总场的补偿方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述磁场总场的补偿方法。

可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(RON，Read-Only NeNory)、随机存取存储器(RAN，RandoN Access NeNory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本申请提供的设备通过超导三轴磁强计获取磁场在坐标系下的分量值；通过光泵传感器获取磁场的光泵总场值；对分量值进行校正，得到校正后的分量值；利用磁干扰补偿模型、校正后的分量值和光泵总场值得到方向余弦特征矩阵；通过惯导传感器获取姿态信息，基于姿态信息确定姿态特征矩阵；对方向余弦特征矩阵，姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵；将滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵输入已训练好的磁场补偿模型，得到补偿的磁干扰值，根据光泵总场值和补偿的磁干扰值得到目标磁场总场值。如此，可以使得补偿后的磁场总场值中与运动姿态相关的噪声降低甚至去除，从而可以提高补偿精度，得到精度更高的磁场总场值。

需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种磁场总场的补偿方法，其特征在于，所述方法包括：

通过超导三轴磁强计获取磁场在坐标系下的分量值；

通过光泵传感器获取所述磁场的光泵总场值；

对所述分量值进行校正，得到校正后的分量值；

利用磁干扰补偿模型、所述校正后的分量值和所述光泵总场值得到方向余弦特征矩阵；

通过惯导传感器获取姿态信息，基于所述姿态信息确定姿态特征矩阵；

对所述方向余弦特征矩阵，所述姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵；

将所述滤波后的方向余弦特征矩阵和所述滤波后的姿态特征矩阵输入已训练好的磁场补偿模型，得到补偿的磁干扰值；

根据所述光泵总场值和所述补偿的磁干扰值得到目标磁场总场值。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括训练得到所述磁场补偿模型的步骤；

所述训练得到所述磁场补偿模型，包括：

获取样本数据集，所述样本数据集包括多个样本磁场中每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵以及参考磁干扰；所述参考磁干扰是所述参考磁干扰对应的参考光泵总场值通过滤波处理后得到的；

构建预设机器学习模型，将所述预设机器学习模型确定为当前机器学习模型；

基于所述当前机器学习模型，对所述每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵进行磁干扰预测操作，确定所述每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵对应的预测磁干扰；

基于所述每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵对应的预测磁干扰和参考磁干扰，确定损失值；

当所述损失值大于预设阈值时，基于所述损失值进行反向传播，对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为所述当前机器学习模型；重复步骤：基于所述当前机器学习模型，对所述每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵进行磁干扰预测操作，确定所述每个样本磁场对应的滤波后的方向余弦特征矩阵、滤波后的姿态特征矩阵对应的预测磁干扰；

当所述损失值小于或等于所述预设阈值时，将所述当前机器学习模型确定为所述磁场补偿模型。

3.根据权利要求1所述的方法，其特征在于，所述对所述分量值进行校正，得到校正后的分量值，包括：

利用粒子群优化算法和所述光泵总场值对所述分量值进行校正，得到校正后的分量值。

4.根据权利要求1所述的方法，其特征在于，所述利用磁干扰补偿模型、所述校正后的分量值和所述光泵总场值得到方向余弦特征矩阵，包括：

根据所述校正后的分量值和所述光泵总场值的商得到载体坐标系下的方向余弦角；

基于所述磁干扰补偿模型，所述方向余弦角和所述光泵总场值确定出永磁干扰，感应干扰和涡流干扰；

根据所述永磁干扰，所述感应干扰和所述涡流干扰确定出总磁干扰公式；

从所述总磁干扰公式中提取出所述方向余弦特征矩阵。

5.根据权利要求1所述的方法，其特征在于，所述姿态信息包括翻滚角、俯仰角和偏航角；

所述基于所述姿态信息确定姿态特征矩阵，包括：

将所述翻滚角、俯仰角和偏航角分别转换成所述翻滚角对应的第一弧度、所述俯仰角对应的第二弧度和所述偏航角对应的第三弧度；

对所述第一弧度、所述第二弧度和所述第三弧度进行求解，得到所述第一弧度对应的正弦值和余弦值，所述第二弧度对应的正弦值和余弦值，所述第三弧度对应的正弦值和余弦值；

根据所述第一弧度对应的正弦值和余弦值，所述第二弧度对应的正弦值和余弦值，所述第三弧度对应的正弦值和余弦值生成所述姿态特征矩阵。

6.根据权利要求1所述的方法，其特征在于，所述对所述方向余弦特征矩阵，所述姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵，包括：

利用高通滤波器对所述方向余弦特征矩阵，所述姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵。

7.根据权利要求1或2所述的方法，其特征在于，所述磁场补偿模型包括第一子模型、第二子模型和输出层；所述第一子模型对应所述滤波后的方向余弦特征矩阵，所述第二子模型对应所述滤波后的姿态特征矩阵；

所述第一子模型和所述第二子模型并联设置，且分别与所述输出层连接；

所述第一子模型和所述第二子模型的结构相同，分别包括第一隐藏层和第二隐藏层。

8.一种磁场总场的补偿装置，其特征在于，所述装置包括：

分量值获取模块，用于通过超导三轴磁强计获取磁场在坐标系下的分量值；

光泵总场值获取模块，用于通过光泵传感器获取所述磁场的光泵总场值；

分量值校正模块，用于对所述分量值进行校正，得到校正后的分量值；

特征矩阵获取模块，用于利用磁干扰补偿模型、所述校正后的分量值和所述光泵总场值得到方向余弦特征矩阵；通过惯导传感器获取姿态信息，基于所述姿态信息确定姿态特征矩阵；

滤波模块，用于对所述方向余弦特征矩阵，所述姿态特征矩阵进行滤波处理，得到滤波后的方向余弦特征矩阵和滤波后的姿态特征矩阵；

磁场补偿确定模块，用于将所述滤波后的方向余弦特征矩阵和所述滤波后的姿态特征矩阵输入已训练好的磁场补偿模型，得到补偿的磁干扰值；

总场值确定模块，用于根据所述光泵总场值和所述补偿的磁干扰值得到目标磁场总场值。

9.一种磁场总场补偿设备，其特征在于，包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行如权利要求1-7任一所述的磁场总场的补偿方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-7任一所述的磁场总场的补偿方法。

Images