CN112633147A - 一种基于多特征融合与智能迭代优化算法的磁异常检测方法 - Google Patents
一种基于多特征融合与智能迭代优化算法的磁异常检测方法 Download PDFInfo
- Publication number
- CN112633147A CN112633147A CN202011524144.9A CN202011524144A CN112633147A CN 112633147 A CN112633147 A CN 112633147A CN 202011524144 A CN202011524144 A CN 202011524144A CN 112633147 A CN112633147 A CN 112633147A
- Authority
- CN
- China
- Prior art keywords
- magnetic anomaly
- anomaly detection
- sample
- magnetic
- optimization algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种磁异常检测方法,能够对含有地磁背景噪声的磁异常信号进行消噪与多特征提取,完成特征融合。首先将样本划分为测试样本与训练样本,然后进行机器学习,得到最优的磁异常检测模型,最后输入采集的磁信号,由磁异常检测模型得到检测结果。该方法的具体步骤包括:1)采集样本;2)对样本进行消噪预处理;3)对消噪预处理之后的样本进行多特征提取;4)融合多个特征;5)训练得到最优的磁异常检测模型;6)输出磁异常检测结果。本发明目的在于提供一种磁异常检测方法,可以提高原始采集信号的信噪比,多维度刻画信号,快速准确地训练得到最优的磁异常检测模型,实现对磁异常的检测。
Description
技术领域
本发明涉及机器学习、微弱信号去噪技术、特征融合技术,总体属于基于学习的磁异常检测领域。
背景技术
铁磁材料被地磁场磁化后,会对周围的磁场产生影响,而磁异常检测是一种检测各种铁磁目标引起磁场发生微小变化的方法,适用于绝大部分场景。但在实际应用中,由于磁异常信号通常深埋在地磁噪声中,并且伴有平台干扰噪声、传感器固有噪声,具有非常低的信噪比。因此,磁异常检测需要将铁磁目标产生的弱磁异常信号与各类背景噪声区分开来,限制了其性能和效率。
近几十年来,磁传感器行业的发展,使磁传感器具有更高灵敏度,传感器固有噪声已经减少,平台干扰噪声也可以通过校准程序大大降低,所以环境地磁噪声已成为磁异常探测器探测范围的限制因素。这是由于:1)磁异常磁场比环境地磁噪声小得多,且随距离的三次方急剧减小,导致探测范围有限。2)环境地磁噪声波动与目标磁场特征具有相似性。而且,环境地磁噪声通常是一种时变的磁干扰,由于存在一些不可控制的变量,难以仅仅采用统计特性对其描述。因此,对磁异常信号进行多维度刻画才能完整表征。
总体来说,磁异常检测作为一种基于铁磁物体对地球磁场产生扰动或异常的基本现象的无源检测方案,具有结构简单、性能高、不暴露、抗干扰能力强等优点,在各种应用领域一直备受关注,如公共安全领域(预测地震、发现掩埋水雷,故障诊断),科学领域(发现矿藏,地球科学搜索),和军事领域(潜艇检测、车辆跟踪,未爆炸武器处理)等。因此,需要磁异常检测对于各个领域都十分重要。
发明内容
本发明的目的在于提供一种磁异常检测方法,能够快速准确对样本进行有监督训练学习,且具有较好的鲁棒性,通过将待测磁信号样本到训练得到的磁异常检测模型,得到磁异常检测结果,判断是否有磁异常发生。
为实现上述目的,本发明提供如下技术方案:
基于多特征融合与智能迭代优化算法的磁异常检测方法,具体步骤如下:
步骤1,采集样本;
步骤2,对样本进行消噪预处理;
步骤3,对消噪预处理之后的样本进行多特征提取;
步骤4,对提取的多个特征进行融合;
步骤5,使用智能迭代优化算法与机器学习训练得到最优的磁异常检测模型;
步骤6,将待测磁信号样本输入最优磁异常检测模型,得到磁异常检测结果。
所述采集样本,搭建采集平台对真实地磁环境背景噪声和含噪磁异常信号采集。
所述对样本进行消噪预处理,包括对采集样本进行降噪和去除趋势项,同时对样本进行划分并打上标签,用于有监督学习。
所述对消噪预处理之后的样本进行多特征提取,包括提取表征信号统计特性的特征、表征目标的磁矩特性的特征和基于特征提取算法提取的特征。
所述对提取的多个特征进行融合,包括使用贝叶斯理论、Z数、D数、模糊集理论,证据理论算法融合多个特征。
所述使用智能迭代优化算法与机器学习训练得到最优的磁异常检测模型,包括采用智能迭代优化算法对训练模型参数进行寻优,采用有监督学习算法对训练样本进行训练,然后使用测试集样本对训练出的模型进行测试,检验模型的优劣,最后得到最优的磁异常检测模型。
附图说明
图1是本发明方法流程图。
图2是本发明方法实例采集平台示意图。
具体实施方式
下面结合附图及具体实施方式,以EMD为去噪算法,改进证据理论为融合算法,SVM为有监督学习算法为例,详细描述本发明的技术方案。
如图1所示,具体步骤:
步骤1,采集样本;
步骤2,对样本进行消噪预处理;
步骤3,对消噪预处理之后的样本进行多特征提取;;
步骤4,使用改进的证据理论算法融合多个特征;
步骤5,使用智能迭代优化算法与机器学习训练得到最优的磁异常检测模型;
步骤6,将待测磁信号样本输入最优磁异常检测模型,得到磁异常检测结果。
采集样本,包括使用三轴磁通门传感器Mag 690-FL100、MCC USB-2408多功能采集卡、MCC数据采集软件等,搭建信号采集平台,采集地磁背景环境噪声信号和含地磁背景环境噪声的磁异常信号,如图2所示。
对样本进行消噪预处理,包括通过EMD算法对采集的样本信号去趋势项,提高信噪比,同时对样本进行划分并打上标签,用于有监督学习。
对消噪预处理之后的样本进行多特征提取,包括提取表征信号的统计特性和目标的磁矩特性的特征,主要是指提取6个表征统计特征的无量纲常数和5个表征目标磁矩特性的磁张量参数以及KPCA前3个最大特征值。
使用改进的证据理论算法融合多个特征,包括确定原始基本概率分配矩阵、平均基本概率分配矩阵、计算欧几里得距离、通过逆函数变换距离、得到加权证据与融合结果。
改进证据理论算法关键公式:
其中所有N个事件的平均概率和为1。
计算原始基本概率分配矩阵BPA mi(Fj)与平均概率分配矩阵ma(Fj)的欧几里得距离
得到一个n维的距离矩阵D=[d1a,d2a,...,dna]T。
使用逆变换函数求距离矩阵的相似度
所有相似度的和设为支持度,有
得到证据新的权重因子公式
wi=sim(mi,ma)/sup(ma),i=1,2,...,n
得到修改后的证据
得到改进之后的规则,即融合结果
本例中,将融合后的结果输入SVM学习具有较高的收敛精度,与直接输入学习相比,具有更好的收敛效果。
使用智能迭代优化算法与机器学习训练得到最优的磁异常检测模型,本例中采用具有快速收敛的智能迭代优化算法—模拟退火算法对训练模型所需的参数寻优。由于本例中使用的小样本,最终采用具有较好的鲁棒性,较强泛化能力的有监督学习算法—支持向量机SVM对采集的训练样本进行训练,然后使用测试集样本对训练出的模型进行测试,检验模型的优劣,最后得到最优的检测模型。
将待测磁信号样本输入最优磁异常检测模型,得到磁异常检测结果。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于多特征融合与智能迭代优化算法的磁异常检测方法,包括如下步骤:
步骤1,采集样本;
步骤2,对样本进行消噪预处理;
步骤3,对消噪预处理之后的样本进行多特征提取;
步骤4,对提取的多个特征进行融合;
步骤5,使用智能迭代优化算法与机器学习训练得到最优的磁异常检测模型;
步骤6,将待测磁信号样本输入最优磁异常检测模型,得到磁异常检测结果。
2.根据权利要求1所述的基于多特征融合与智能迭代优化算法的磁异常检测方法,其特征在于:步骤1所述的采集样本,包括采集两种磁信号,一种是地磁环境背景噪声信号,另一种是含有地磁背景噪声与磁异常的信号。
3.根据权利要求1所述的基于多特征融合与智能迭代优化算法的磁异常检测方法,其特征在于:步骤2所述的对样本进行消噪预处理,包括对采集样本进行降噪和去除趋势项,同时对样本根据是否存在磁异常进行划分并打上标签,用于有监督学习。
4.根据权利要求1所述的基于多特征融合与智能迭代优化算法的磁异常检测方法,其特征在于:步骤3所述的对消噪预处理之后的样本进行多特征提取,包括三种特征,分别是提取表征信号统计特性的特征、表征目标的磁矩特性的特征和基于特征提取算法提取的特征。
5.根据权利要求1所述的基于多特征融合与智能迭代优化算法的磁异常检测方法,其特征在于:步骤4所述的对提取到的多个特征进行融合,特征融合算法包括贝叶斯理论、Z数、D数、模糊集理论,证据理论。
6.根据权利要求1所述的基于多特征融合与智能迭代优化算法的磁异常检测方法,其特征在于:步骤5所述的使用智能迭代优化算法与机器学习训练得到最优的磁异常检测模型,包括采用智能迭代优化算法对训练模型参数进行寻优,采用有监督学习算法对训练样本进行训练,然后使用测试集样本对训练出的模型进行测试,检验模型的优劣,最后得到最优的磁异常检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524144.9A CN112633147A (zh) | 2020-12-22 | 2020-12-22 | 一种基于多特征融合与智能迭代优化算法的磁异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524144.9A CN112633147A (zh) | 2020-12-22 | 2020-12-22 | 一种基于多特征融合与智能迭代优化算法的磁异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633147A true CN112633147A (zh) | 2021-04-09 |
Family
ID=75320610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011524144.9A Pending CN112633147A (zh) | 2020-12-22 | 2020-12-22 | 一种基于多特征融合与智能迭代优化算法的磁异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633147A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359192A (zh) * | 2021-06-04 | 2021-09-07 | 北京中科导控科技有限公司 | 一种微弱磁异常目标检测及定位方法 |
CN114296140A (zh) * | 2021-11-18 | 2022-04-08 | 电子科技大学 | 一种基于梯度信息熵正交基分解的磁异常检测方法 |
CN114325846A (zh) * | 2021-11-18 | 2022-04-12 | 电子科技大学 | 一种利用时间相干性抑噪的磁异常检测方法 |
CN115236755A (zh) * | 2022-07-25 | 2022-10-25 | 中国自然资源航空物探遥感中心 | 基于张量特征值的航磁异常边界检测方法、装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577607A (zh) * | 2013-11-20 | 2014-02-12 | 哈尔滨工程大学 | 一种基于地磁异常数据形态特征的边界补偿方法 |
CN105841797A (zh) * | 2016-03-15 | 2016-08-10 | 中南大学 | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 |
US20170299761A1 (en) * | 2014-06-12 | 2017-10-19 | China Aeronautical Radio Electronics Research Institute | Air-ground integrated earth magnetic field combined observation method and system |
US10207816B1 (en) * | 2017-09-14 | 2019-02-19 | SparkCognition, Inc. | Aerially dispersible massively distributed sensorlet system |
CN111044814A (zh) * | 2019-11-28 | 2020-04-21 | 中国电力科学研究院有限公司 | 一种对变压器直流偏磁异常进行辨识的方法及系统 |
CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
CN111967309A (zh) * | 2020-07-03 | 2020-11-20 | 西安电子科技大学 | 一种电磁信号智能协同识别方法及系统 |
-
2020
- 2020-12-22 CN CN202011524144.9A patent/CN112633147A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577607A (zh) * | 2013-11-20 | 2014-02-12 | 哈尔滨工程大学 | 一种基于地磁异常数据形态特征的边界补偿方法 |
US20170299761A1 (en) * | 2014-06-12 | 2017-10-19 | China Aeronautical Radio Electronics Research Institute | Air-ground integrated earth magnetic field combined observation method and system |
CN105841797A (zh) * | 2016-03-15 | 2016-08-10 | 中南大学 | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 |
US10207816B1 (en) * | 2017-09-14 | 2019-02-19 | SparkCognition, Inc. | Aerially dispersible massively distributed sensorlet system |
CN111044814A (zh) * | 2019-11-28 | 2020-04-21 | 中国电力科学研究院有限公司 | 一种对变压器直流偏磁异常进行辨识的方法及系统 |
CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
CN111967309A (zh) * | 2020-07-03 | 2020-11-20 | 西安电子科技大学 | 一种电磁信号智能协同识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
SHUCHANG LIU 等: "Magnetic Anomaly Detection based on Full Connected Neural Network", 《IEEE ACCESS》 * |
张坚 等: "基于小波滤波与RBF网络的微弱磁场信号检测", 《兵工自动化》 * |
张浩: "磁异常信号检测与源定位方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359192A (zh) * | 2021-06-04 | 2021-09-07 | 北京中科导控科技有限公司 | 一种微弱磁异常目标检测及定位方法 |
CN113359192B (zh) * | 2021-06-04 | 2022-06-10 | 北京中科导控科技有限公司 | 一种微弱磁异常目标检测及定位方法 |
CN114296140A (zh) * | 2021-11-18 | 2022-04-08 | 电子科技大学 | 一种基于梯度信息熵正交基分解的磁异常检测方法 |
CN114325846A (zh) * | 2021-11-18 | 2022-04-12 | 电子科技大学 | 一种利用时间相干性抑噪的磁异常检测方法 |
CN114325846B (zh) * | 2021-11-18 | 2023-06-20 | 电子科技大学 | 一种利用时间相干性抑噪的磁异常检测方法 |
CN114296140B (zh) * | 2021-11-18 | 2023-08-18 | 电子科技大学 | 一种基于梯度信息熵正交基分解的磁异常检测方法 |
CN115236755A (zh) * | 2022-07-25 | 2022-10-25 | 中国自然资源航空物探遥感中心 | 基于张量特征值的航磁异常边界检测方法、装置 |
CN115236755B (zh) * | 2022-07-25 | 2023-10-03 | 中国自然资源航空物探遥感中心 | 基于张量特征值的航磁异常边界检测方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633147A (zh) | 一种基于多特征融合与智能迭代优化算法的磁异常检测方法 | |
Pei et al. | SAR automatic target recognition based on multiview deep learning framework | |
US8102260B2 (en) | Methods, systems and devices for detecting threatening objects and for classifying magnetic data | |
CN113554089A (zh) | 一种图像分类对抗样本防御方法、系统及数据处理终端 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN104749334A (zh) | 基于模式识别的生物式异常水质评价系统设计方法 | |
Li et al. | IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
Fan et al. | Magnetic anomaly detection using one-dimensional convolutional neural network with multi-feature fusion | |
Wang et al. | A deep neural network based method for magnetic anomaly detection | |
CN112738092A (zh) | 一种日志数据增强方法、分类检测方法及系统 | |
Wan et al. | Robust and efficient classification for underground metal target using dimensionality reduction and machine learning | |
CN112270285B (zh) | 一种基于稀疏表示和胶囊网络的sar图像变化检测方法 | |
CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
CN116894223A (zh) | 一种基于自适应对消与ResNet神经网络的机载水下异常检测方法 | |
Harid et al. | Automated large‐scale extraction of whistlers using mask‐scoring regional convolutional neural network | |
Wang et al. | Research on radar emitter signal feature extraction method based on fuzzy entropy | |
Duan et al. | Sensitivity analysis and classification algorithms comparison for underground target detection | |
Su et al. | PSR-LSTM model for weak pulse signal detection | |
Chao et al. | Research on network intrusion detection technology based on dcgan | |
Duan | Automatic identification of conodont species using fine-grained convolutional neural networks | |
Zhang | Abnormal detection of pumping unit bearing based on extension theory | |
CN114330450A (zh) | 一种多物理场融合探测识别潜航器的方法及系统 | |
Qiu et al. | Improved DBSCAN for Infrared Cluster Small Target Detection | |
CN112541524A (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210409 |
|
WD01 | Invention patent application deemed withdrawn after publication |