CN114023526A - 基于bp神经网络的主动磁补偿方法、系统、计算机装置、计算机可读存储介质和产品 - Google Patents
基于bp神经网络的主动磁补偿方法、系统、计算机装置、计算机可读存储介质和产品 Download PDFInfo
- Publication number
- CN114023526A CN114023526A CN202111102609.6A CN202111102609A CN114023526A CN 114023526 A CN114023526 A CN 114023526A CN 202111102609 A CN202111102609 A CN 202111102609A CN 114023526 A CN114023526 A CN 114023526A
- Authority
- CN
- China
- Prior art keywords
- magnetic field
- neural network
- magnetic
- compensation
- signals
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
- H01F13/00—Apparatus or processes for magnetising or demagnetising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K9/00—Screening of apparatus or components against electric or magnetic fields
- H05K9/0001—Rooms or chambers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种基于BP神经网络的主动磁补偿方法、系统、计算机装置、计算机可读存储介质和计算机产品,用于补偿磁屏蔽房中的空间剩磁。所述主动磁补偿方法包括:获取基于空间剩磁的磁场信号,所述磁场信号由磁场矢量传感器对空间剩磁检测而获得,且所述磁场信号依据矢量信息分为多路;接收多路的磁场信号,利用第一BP神经网络对多路磁场信号进行处理,输出相应的控制信号,所述控制信号用于驱动磁场补偿装置对空间剩磁进行负反馈调节。本申请解决了因磁屏蔽房漏磁及线圈不同轴向的磁场耦合等引入的磁场导致的补偿精度低、磁场干扰大等问题,通过BP神经网络的多层前馈机制模拟磁场在三维空间的耦合过程和解耦过程,提高了主动磁补偿的效果。
Description
技术领域
本申请涉及极弱磁测量技术领域,特别是涉及一种基于BP神经网络的主动磁补偿方法、系统、计算机装置、和计算机可读存储介质和计算机产品。
背景技术
近零磁环境空间是极弱磁测量的必要条件,环境中的空间剩磁越小,测量灵敏度越高。近零磁环境空间对于具有安全性与更高空间分辨率的心脑磁测量、以及前沿物理理论认证等有着重大意义。近年来,随着人工智能技术取得突破,利用量子磁场精密测量方法测量心脑磁并生成新型无损被动高分辨率心脑磁成像来对心脏、大脑活动或病理进行研究是未来的发展趋势。
为了得到零磁空间,所有活动均在磁屏蔽房中进行。重型屏蔽房通常使用三层及以上坡莫合金屏蔽层,对低频磁场进行屏蔽,再配合纯铝材料进行建造,对高频磁场屏蔽。但因为与磁屏蔽桶相比,磁屏蔽房体积更大,棱角处易产生漏磁,安装和施工过程引入的不良环节更多,各方面因素都限制了磁屏蔽房的屏蔽性能;另外如坡莫合金的高磁导率软磁材料,除了具有磁导率高的特点,还具有矫顽力低的特性。任何铁磁材料如果被磁化了,就会出现磁畴,局部分布且指向不同,并且在测量过程中,由于磁强计的移动或者磁场波动都会导致磁强计无法正常工作。因此为了在磁屏蔽房中产生近零磁环境,必须在磁屏蔽房中加入主动磁补偿装置。
然而由于磁场在空间中的分布特性,磁场信号在检测时无法避免磁场发生耦合,例如采用三轴磁场线圈进行检测时,磁补偿线圈很难做到三轴完全无耦合,尤其是常用的亥姆霍兹线圈,三轴磁场耦合较为严重,为普通磁场补偿带来困难。在对空间剩磁进行主动磁补偿时,对主动磁补偿负反馈的控制方法而言,一般采用算法简单的最小二乘法、多项式拟合法;但是由于最小二乘法、多项式拟合法和磁场的特性不匹配、以及存在拟合精度低等问题,影响了主动磁补偿的效果。
发明内容
基于此,有必要针对上述技术问题,提供一种基于BP神经网络的主动磁补偿方法。
本申请基于BP神经网络的主动磁补偿方法,用于补偿磁屏蔽房中的空间剩磁,所述主动磁补偿方法包括:
获取基于空间剩磁的磁场信号,所述磁场信号由磁场矢量传感器对空间剩磁检测而获得,且所述磁场信号依据矢量信息分为多路;
接收多路的磁场信号,利用第一BP神经网络对多路磁场信号进行处理,输出相应的控制信号,所述控制信号用于驱动磁场补偿装置对空间剩磁进行负反馈调节。
以下还提供了若干可选方式,但并不作为对上述总体方案的额外限定,仅仅是进一步的增补或优选,在没有技术或逻辑矛盾的前提下,各可选方式可单独针对上述总体方案进行组合,还可以是多个可选方式之间进行组合。
可选的,每路磁场信号是通过多个初始磁场信号经加权运算得到的,每个初始磁场信号采集自不同的空间位置。
可选的,所述磁场矢量传感器为基于SERF原理的三轴矢量传感器,所述三轴矢量传感器的敏感轴布置方式包括空间上两两垂直的X方向、Y方向、Z 方向,每个方向对应其中一路磁场信号。
可选的,所述三轴矢量传感器包括多个、且部署于不同的空间位置,各所述三轴矢量传感器分别获取所在位置每个方向的初始磁场信号;
同一方向的各初始磁场信号经加权运算得到对应的一路磁场信号,其中加权运算时的权重依据是各三轴矢量传感器与磁屏蔽房中待检测目标的距离。
可选的,基于每路磁场信号,第一BP神经网络的输出层输出对应的一路控制信号,每路控制信号依照与磁场信号相关的矢量信息相应的驱动磁场补偿装置。
可选的,所述第一BP神经网络由第二BP神经网络经学习训练获得,所述学习训练包括:
设定训练误差阈值;
所述第二BP神经网络对至少一部分的样本数据集进行学习训练,获得最优权值矩阵和最优阈值矩阵;
所述第二BP神经网络采用梯度下降法根据最优权值矩阵和最优阈值矩阵更新权值矩阵和阈值矩阵;
如果训练误差达到训练误差阈值,则停止学习训练,获得第一BP神经网络。
可选的,所述第二BP神经网络对至少一部分的样本数据集进行学习训练,获得最优权值矩阵和最优阈值矩阵,具体包括:
设定所述第二BP神经网络初始权值矩阵和初始阈值矩阵;
将所述初始权值矩阵和初始阈值矩阵作为粒子群算法中的位置参数;
利用粒子群算法进行迭代运算,更新粒子的位置参数和速度参数;
根据迭代运算停止时的位置参数和速度参数、获得粒子的全局最优位置参数,即最优权值矩阵和最优阈值矩阵。
本申请还提供一种基于BP神经网络的主动磁补偿系统,所述系统包括:
检测装置,检测磁屏蔽房中的空间剩磁并输出多路磁场信号,所述磁场信号依据矢量信息分为多路;
计算机装置,接收多路磁场信号,利用第一BP神经网络对多路磁场信号进行处理,输出相应的控制信号;
磁场补偿装置,接收所述控制信号并相应产生补偿磁场,对屏蔽房中的空间剩磁进行负反馈调节。
本申请还提供一种计算机装置,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现本申请所述的基于BP神经网络的主动磁补偿方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请所述的基于BP神经网络的主动磁补偿方法的步骤。
本申请还提供一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现本申请所述的基于BP神经网络的主动磁补偿方法的步骤。
本申请的基于BP神经网络的主动磁补偿方法、系统、计算机装置和计算机可读存储介质至少具有以下技术效果之一:
本申请基于BP神经网络的主动磁补偿方法,解决了因磁屏蔽房漏磁及线圈不同轴向的磁场耦合等引入的磁场导致的补偿精度低、均匀区小、磁场干扰大等问题,通过BP神经网络的多层前馈机制模拟补偿磁场在三维空间的非线性耦合过程和解耦过程,从而动态地进行磁场补偿,提高了空间磁场均匀度,减小剩磁,优化了主动磁补偿的效果;
本申请基于BP神经网络的主动磁补偿方法利用粒子群算法(PSO算法),在最大化第一BP神经网络的非线性拟合能力的同时,大大提高了大型零磁空间内剩磁的主动补偿精度及对磁扰动的抗干扰能力。
附图说明
图1为本申请一实施例中基于BP神经网络主动磁补偿方法的流程示意图;
图2为图1中所述方法的原理框图;
图3为本申请一实施例中第二BP神经网络学习训练的流程示意图;
图4为本申请一实施例中BP神经网络控制模型的结构示意图;
图5为本申请一实施例中第二BP神经网络学习训练的流程示意图;
图6为本申请一实施例中利用粒子群算法进行第二BP神经网络学习训练的流程示意图;
图7为本申请一实施例中利用粒子群算法进行第二BP神经网络学习训练的流程示意图;
图8为本申请一实施例中计算机装置的内部结构图;
图9为本申请一实施例中基于BP神经网络主动磁补偿系统的结构示意图。
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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、次序。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个、三个等,除非另有明确具体的限定。
本申请中,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,包含了一系列单元的系统、产品或设备不必限于清楚地列出的那些单元,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它单元。
SERF原子磁强计是一种高精度的磁场检测装置,磁场干扰会影响SERF原子磁强计对极弱磁的测量,为保证SERF原子磁强计的工作环境,现有技术中通常采用磁场补偿技术对环境磁场进行补偿以获得近零磁环境空间。由于磁场的特性导致没有任何线圈可以达到完美的单轴磁场效果,一定会掺杂了其他轴的磁场信号,这必然会引起不同轴向的补偿线圈(例如三轴线圈)产生的补偿磁场(例如由三轴线圈产生的三轴补偿磁场)之间的耦合效果。因此,磁场很难进行解耦,影响了主动磁补偿的效果。
参见图1~图2,为解决因磁屏蔽房漏磁及线圈磁场耦合等引入的磁场导致的补偿精度低、磁场干扰大等问题,本申请一实施例提供一种基于BP神经网络的主动磁补偿方法,用于补偿磁屏蔽房中的空间剩磁,主动磁补偿方法包括:
步骤S10,获取基于空间剩磁的磁场信号,磁场信号由磁场矢量传感器对空间剩磁检测而获得,且磁场信号依据矢量信息分为多路;
步骤S20,接收多路的磁场信号,利用第一BP神经网络对多路磁场信号进行处理,输出相应的控制信号,控制信号用于驱动磁场补偿装置对空间剩磁进行负反馈调节。
如图2所示,主动磁补偿过程是动态的,开始工作时,空间剩磁为磁场磁场矢量传感器接收磁场第一BP神经网络接收磁场信号驱动磁场补偿装置产生补偿磁场补偿磁场对磁场进行负反馈调节。工作一段时间后,空间剩磁为补偿磁场与磁场B(11)差值整体负反馈调节构成闭环控制系统,当剩磁达到所需水平,即空间剩磁不干扰磁场矢量传感器的检测结果时,系统达到动态平衡。可以理解,磁场矢量传感器适用于极弱磁测量领域的空间磁场测量,例如可以是根据SERF原理构建的磁场传感器,也可以是超导量子干涉仪。
针对步骤S10,为获取更准确的磁场信号,在一个实施例中,磁场矢量传感器为基于SERF原理的三轴矢量传感器,三轴矢量传感器的敏感轴布置方式包括空间上两两垂直的X方向、Y方向、Z方向(三轴正交),每个方向对应其中一路磁场信号。
第一BP神经网络是本申请各实施例中实际应用BP神经网络的一种模型,它包括现有技术中BP神经网络的输入层、隐含层和输出层。本实施例中,第一 BP神经网络的输入层有三个输入端口,各输入端口和多路信号相对应,每一路磁场信号都通过特定的输入端口连接进入第一BP神经网络;第一BP神经网络的输出层的输出控制信号,该控制信号的数量和位置和多路的磁场信号的数量相同。
主动磁补偿的基本原理是对空间剩磁进行负反馈调节,现有技术中不同轴向磁场信号之间的耦合效果导致了补偿精度低。而BP神经网络算法包括两个方面:信号的前向传播和误差的反向传播,即计算实际输出时按从输入到输出的方向进行,而权值矩阵和阈值矩阵的修正从输出到输入的方向进行。采用训练完备的第一BP神经网络控制算法对内部磁场进行补偿控制,第一BP神经网络可以将复杂的非线性耦合通过训练建立先进的控制系统从而达到相对理想的控制效果。
针对步骤S20,为使第一BP神经网络达到更优的效果,在一个实施例中,基于每路磁场信号,第一BP神经网络的输出层输出对应的一路控制信号,每路控制信号依照与磁场信号相关的矢量信息相应的驱动磁场补偿装置。进一步地,控制信号依据矢量信息分为多路,各路控制信号分别通过调整独立的电流源信号控制三轴静磁场补偿线圈产生补偿磁场。进一步地,磁场补偿装置产生的补偿磁场与磁场信号的矢量信息相对应。
第一BP神经网络产生三路控制信号,驱动三轴静磁场补偿线圈以产生对应不同轴向的补偿磁场,控制信号与磁场信号的矢量信息相一致。即检测获取的磁场信号是三轴正交,控制信号也是三轴正交,且二者的矢量信息一一对应。可以理解,在空间剩磁和控制信号的矢量信息不相一致的情况下,本文各实施例也可以实施,此时磁场的耦合和解耦过程是不同的,但BP神经网络仍然可以学习磁场解耦和耦合的过程。空间剩磁和控制信号的矢量信息相一致的情况下,磁场的解耦过程和耦合过程是模拟同步的,进一步保证主动磁补偿的效果。
针对步骤S10,由于极弱磁测量的效果受到与检测目标的距离的影响,在一个实施例中,每路磁场信号是通过多个初始磁场信号经加权运算得到的,每个初始磁场信号采集自不同的空间位置。
具体地,基于SERF原理的三轴矢量传感器包括多个、且部署于不同的空间位置,各三轴矢量传感器分别获取所在位置每个方向的初始磁场信号;同一方向的,各初始磁场信号经加权运算得到对应的一路磁场信号,其中加权运算时的权重依据是各三轴矢量传感器与磁屏蔽房中待检测目标的距离。可以理解,各初始磁场信号加权运算的权重可以相同或不同。进一步地,各三轴矢量传感器与待检测目标的距离为与待测目标几何中心的最小距离。以应用于脑磁测量为例,几何中心为待测者头部的中心。
本实施例中,基于SERF原理的三轴矢量传感器在进行数据采集与处理的过程中,采集磁屏蔽房目标区域空间中心均匀划分的9个点的磁场。以脑磁测量为例,将每个点的三轴磁场记录后,对9个点的磁场检测数值做加权平均(离头部较远的点权重更小,离头部较近的权重更大)将加权平均的结果作为空间磁场剩磁真值(基于空间剩磁的磁场信号)。再用三轴电流源进行补偿,得到空间近零磁状态。在对信号进行采集时,根据空间布置方式对9个点的磁场采集点分为三个采集组,第一BP神经网络输入层的输入端口和输出端口分别接入一个采集组。可以理解,根据待测目标物附近(例如人的脑部、人的胸部)的空间构型和表面形状,9个点的磁场采集点可以灵活布置。在位置发生调整时,可以按照下文对第二BP神经网络学习训练的方式获得第一BP神经网络。进一步地,基于SERF原理的三轴矢量传感器为一种能够测量空间剩磁的SERF原子磁强计。
针对步骤S20涉及的磁场补偿装置,在一个实施例中,为克服现有磁屏蔽房内主动磁场补偿装置的不足,提供一种使得目标区域均匀区更大,剩磁更小的磁场补偿装置。
具体地,磁场补偿装置带有的补偿线圈是采用目标场法设计的大均匀区三轴静磁场补偿线圈,相比普通的亥姆霍兹线圈等具有更大的均匀区,从而提高整个系统的补偿能力。
参见图3,第一BP神经网络是训练完备的BP神经网络控制模型,具体由第二BP神经网络经学习训练获得,在一个实施例中,学习训练包括:
步骤S100,设定训练误差阈值;
步骤S200,第二BP神经网络对至少一部分的样本数据集进行学习训练,获得最优权值矩阵和最优阈值矩阵;
步骤S300,第二BP神经网络采用梯度下降法根据最优权值矩阵和最优阈值矩阵更新权值矩阵和阈值矩阵;
步骤S400,如果训练误差达到训练误差阈值,则停止学习训练,获得第一 BP神经网络。
第一BP神经网络和第二BP神经网络表示不同时间状态下的BP神经网络 (backpropagation)模型,在BP神经网络没有学习训练完备时为第二BP神经网络,学习训练完备后为第一BP神经网络。本实施例中,样本数据集是第二 BP神经网络按照本申请各实施例所述的主动磁补偿方法在动态工作时获得的,例如连续采集第二BP神经网络的输入层和输出层的信号50次,包括各输入端口的磁场信号和各控制信号,构建样本数据集。在其他实施方式中,样本数据集包括磁场信号以及电流源输出的电流信号。可以理解,由于控制信号用于调整电流源输出的电流信号,而电流源输出的电流信号更容易获得,所以优选电流源输出的电流信号作为样本数据集的一部分。利用BP神经网络具体的参数进行优化,以获得训练完备的第一BP神经网络。
在一个实施例中,获得第一BP神经网络后,还包括利用至少一部分的样本数据集测试评估所述第一BP神经网络。本实施例中,将样本数据集划分为训练集和测试集,分别用于训练第二BP神经网络和测试第一BP神经网络。可以理解,通过测试可以调试传感器的布置数量和空间布置方式以获得更优异的效果。
参见图3和图4,在一个实施例中,对获得第一BP神经网络的过程进行详细说明。
本实施例建立的BP神经网络模型由输入层、隐含层和输出层构成。通过 AD模块(模数转换)将SERF原子磁强计获得的模拟信号转换为数字信号,具体为将采集到的磁场信号转化为的电压信号u为BP神经网络的输入层单元,其中uj表示输入层第j个结点的输入,j=1,...,M,其中将M为SERF原子磁强计的三倍,各输入结点分为三类,分别为Bx,By和Bz(三轴正交的数字信号)采集到的磁场信号转化为的电压信号;ok表示输入层第k个结点的输出, k=1,...,N,N为电流源个数,即控制系统输出的控制信号个数。
隐含层中,假设ωi,j表示隐含层第i个结点到输入层第j个节点之间的权值矩阵;θi表示隐含层第i个节点的阈值;φ表示隐含层的激励函数;ωk,i表示输出层第k个节点到隐含层第i个节点之间的权值矩阵,i=1,...,q;αk表示输出层第k个节点的阈值,k=1,...,L;ψ表示输出层的激励函数。其中网络的隐含层和输出层的激励函数分别为tansig函数和purelin函数。
参见图5,首先进行大量实验,找到在各个AD模块采集信息的条件下,如何调节三轴补偿线圈的控制电流会让目标区域内的磁场均匀度和剩磁大小达到最好的效果,将三轴线圈的控制电流大小进行记录,由于磁场波动,重复实验 50次。由于采集的AD值较大,而tansig的有效范围是0-1之间,所以先对采集的训练数据进行归一化处理,通过找寻数据集的最大值与最小值进行归一化, (将磁场信号以及电流源输出的信号进行归一化,作为样本数据集,取前80%作为训练集,后20%作为测试集。)具体方式如下式,其中n为数据集的容量:
式中,xmin为数据序列的最小数,xmax为数据序列的最大数。
在进行了大量实验后,可以得到理想电流输出数据集Tk,k=1,...,N。BP 神经网络的算法过程大致如下:
(2)误差的反向传播过程:对于每一个样本p的二次型误差准则函数Ep 为系统对P个训练样本的总误差准则函数为根据梯度下降法依次修正输出层权值矩阵的修正量Δωki、输出层阈值矩阵的修正量Δαk、隐含层权值矩阵的修正量Δωij、隐含层阈值矩阵的修正量Δθi。
最后得到四个修正量如下,其中η为神经网络的学习率,一般设置为0.01。梯度下降法的权值矩阵和阈值矩阵调整公式如下:
为解决学习速率最佳值的不确定性问题,本实施例引入自适应学习速率算法结合BP神经网络对磁屏蔽房剩磁进行补偿,自适应学习准则为检查权值矩阵是否真正降低了误差函数,如果确实如此,则说明所选学习速率偏小,可以适当增加,反之则减小。本实施例所使用的自适应学习速率调整公式为,其中 E(k)为第k步误差平方和,初始学习速率η(0)可以在0-1中随意选择:
训练迭代完毕后的神经网络模型,通过测试集进行检验,若误差满足要求,即认为形成第一BP神经网络,否则将重新进行训练。
参见图6,在一个实施例中,结合粒子群算法对学习训练进行优化。BP神经网络属于非线性优化、拟合精度高,但也存在泛化能力不够强,容易陷入局部最优的问题,并且训练过程过久、收敛速度慢。
针对步骤S200,在一个实施例中,第二BP神经网络对至少一部分的样本数据集进行学习训练,获得最优权值矩阵和最优阈值矩阵,具体包括:
步骤S210,设定第二BP神经网络初始权值矩阵和初始阈值矩阵;
步骤S220,将初始权值矩阵和初始阈值矩阵作为粒子群算法中的位置参数;
步骤S230,利用粒子群算法进行迭代运算,更新粒子的位置参数和速度参数;
步骤S240,根据迭代运算停止时的位置参数和速度参数、获得粒子的全局最优位置参数,即最优权值矩阵和最优阈值矩阵。
PSO算法(粒子群算法)是基于全局最优的搜索算法,具高效的搜索能力,泛化能力强,有利于得到多目标意义下的最优解,且通用性较好,具有更快的收敛速度。因此采用PSO算法优化BP神经网络既能发挥BP神经网络的非线性优化能力,又能补偿其泛化能力弱和容易陷入局部最优的缺陷,从而提高了主动磁补偿的补偿精度,抑制磁场的扰动信号。
本实施例结合PSO算法优化BP神经网络的神经元之间的初始权值矩阵以及神经元对应的阈值矩阵;将优化后的权值矩阵继续使用梯度下降法二次优化,得到效果最佳的神经网络模型;最后利用PSO-BP神经网络(结合PSO算法优化后的BP神经网络)对大型零磁空间的目标区域内剩磁进行补偿。
本实施例利用PSO算法优化BP神经网络建立主动磁补偿控制模型,可以在最大化BP神经网络的非线性拟合能力的同时,结合PSO算法的基于全局寻优的搜索优势及更好的泛化能力,大大提高了大型零磁空间内剩磁的主动补偿精度及对磁扰动的抗干扰能力,为心脑磁测量及前沿物理理论验证探索提高可靠性与可行性。PSO-BP神经网络的主动磁补偿方法同样适用于不同的磁屏蔽空间,在工程应用中有较高的实用价值。
参见图7,在一个实施例,详细讲解基于PSO优化第二BP神经网络的获得第一BP神经网络的方法,具体包括如下步骤:
步骤S1,将SERF原子磁强计的输出信号以及标准电流源输出信号采集后保存并归一化,从而建立第二BP神经网络所需的训练集与测试集;
具体地,步骤S1中的数据采集采用的是将SERF原子磁强计的值作为磁场空间真值,手动调节电流源将其轴磁场归为0,记录电流源示值作为标准输出,将磁场值与电流值均归一化取80%为训练集,20%为测试集。需要的说明的是,训练集和测试集的数据采集百分比,仅为示例。本领域技术人员可根据训练效果和测试结果适应性调整。
步骤S2,预先设定第二BP神经网络的层数,输入层、隐藏层和输出层的神经元个数,以及初始权值矩阵和阈值。将初始权值矩阵与阈值矩阵作为粒子的位置参数,并对位置参数和速度参数进行随机初始化,设定PSO算法中所需的学习因子、速度惯性权重、最大迭代次数、适应度函数、粒子的个数等。
具体地,在步骤S2中,第二BP神经网络选取的结构为输入层有27个节点,对应SERF原子磁强计分别采集三维正交(X轴、Y轴、Z轴)的9个值;隐含层有两层,分别为30和10个节点;输出层有3个节点,对应控制三轴线圈的三组电流源信号。设置第二BP神经网络参数迭代次数为1000,学习速率为0.1,训练目标为0.00001,设置第二BP神经网络的隐含层和输出层的激励函数分别为tansig函数和purelin函数。将初始权值矩阵与阈值矩阵作为粒子的位置参数,并对位置参数和速度参数进行随机初始化,设定PSO算法中所需的学习因子c1和c2分别为1.5和2.5、速度惯性权重w为0.5、最大迭代次数为1000、适应度函数、粒子的个数为50。需要的说明的是,以上实施例中的提到的相关节点、以及第二BP神经网络和算法参数仅为示例,本领域技术人员可根据不同的环境条件适应性调整。
步骤S3,通过适应度函数计算个体最优适应度pbest和全局最优适应度gbest。个体最优适应是对单个粒子的所有位置中计算得到的最小适应度,全局最优适应度是对整个种群的所有位置中计算得到的最小适应度。计算每个粒子的适应度值Fit[i],对第i个粒子,用它的适应度值Fit[i]和pbest(i)比较,取其中更小的为pbest(i),再用它的适应度值Fit[i]和gbest(i)比较,取其中更小的为 gbest(i)。其中步骤S2与步骤S3中的适应度函数,为多个输入样本按照第二BP 神经网络正向传播计算输出与样本实际标准输出的误差绝对值之和:其中ym为样本实际标准输出,为第二BP神经网络计算输出,m=1,,2,...,L,L为输出样本个数。
步骤S4,根据粒子群算法的速度和位置更新公式,更新粒子的速度和位置,并将迭代次数加一;
具体地,更新公式为;
vid=ω*vid+c1r1(pid-xid)+c2r2(pgd-xid)
xid=xid+vid
其中ω为速度惯性权重,c1和c2为学习因子,r1和r2为[0,1]范围内的均匀随机数,pid为粒子的个体最优适应度位置。
步骤S5,判断迭代次数是否大于最大迭代次数,以及全局最优适应度是否小于设定值。如果迭代次数大于最大次数或全局最优适应度小于设定值,则执行步骤S6,反之,则继续执行步骤S3到步骤S5;
步骤S6,输出该粒子的全局最优位置,即对应第二BP神经网络的最优初始权值矩阵和阈值矩阵参数;
步骤S7,通过误差反向传播的梯度下降法对PSO优化的初始阈值矩阵和权值矩阵继续更新,当训练误差达到设定值时即停止第二BP神经网络的训练,得到用于控制线圈电流的BP神经网络控制模型,即本申请各实施例所述的第一 BP神经网络。
应该理解的是,虽然图1、图3、图5、图6和图7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、图3、图5、图6和图7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于BP神经网络的主动磁补偿方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤S10,获取基于空间剩磁的磁场信号,磁场信号由矢量传感器对空间剩磁检测而获得,且磁场信号依据矢量信息分为多路;
步骤S20,接收多路的磁场信号,利用第一BP神经网络对多路磁场信号进行处理,输出相应的控制信号,控制信号用于驱动磁场补偿装置对空间剩磁进行负反馈调节。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
步骤S10,获取基于空间剩磁的磁场信号,磁场信号由矢量传感器对空间剩磁检测而获得,且磁场信号依据矢量信息分为多路;
步骤S20,接收多路的磁场信号,利用第一BP神经网络对多路磁场信号进行处理,输出相应的控制信号,控制信号用于驱动磁场补偿装置对空间剩磁进行负反馈调节。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在一个实施例中,提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现以下步骤:
步骤S10,获取基于空间剩磁的磁场信号,磁场信号由矢量传感器对空间剩磁检测而获得,且磁场信号依据矢量信息分为多路;
步骤S20,接收多路的磁场信号,利用第一BP神经网络对多路磁场信号进行处理,输出相应的控制信号,控制信号用于驱动磁场补偿装置对空间剩磁进行负反馈调节。
本实施例中,计算机程序产品包括程序代码部分,以用于当计算机程序产品由一个或多个计算装置执行时,执行本申请各实施例中所述的主动磁补偿方法的步骤。计算机程序产品可被存储在计算机可读记录介质上。还可经由数据网络(例如,通过RAN、经由因特网和/或通过RBS)提供计算机程序产品以便下载。备选地或附加地,该方法可被编码在现场可编程门阵列(FPGA)和/ 或专用集成电路(ASIC)中,或者功能性可借助于硬件描述语言被提供以便下载。
在一个实施例中,同时基于软件环境和硬件环境,还提供一种基于BP神经网络的主动磁补偿系统,系统包括检测装置、计算机装置和磁场补偿装置,其中:
检测装置,检测磁屏蔽房中的空间剩磁并输出多路磁场信号,所述磁场信号依据矢量信息分为多路;
计算机装置,接收多路磁场信号,利用第一BP神经网络对多路磁场信号进行处理,输出相应的控制信号;
磁场补偿装置,接收所述控制信号并相应产生补偿磁场,对屏蔽房中的空间剩磁进行负反馈调节。
本实施例中,检测装置即上述各实施例中所述的磁场矢量传感器。关于基于BP神经网络的主动磁补偿系统中涉及方法的具体限定可以参见上文中对于基于BP神经网络的主动磁补偿方法的解释限定,在此不再赘述。
现有技术中,采用商用仪器(例如NI板卡或ZI的商用仪器)实现本申请各实施例所述的基于BP神经网络的主动磁补偿方法处理速度较慢。具体而言,磁屏蔽房为十分复杂的环境空间,较传统的以NI公司的板卡(如NI-9264)或 ZI公司的锁相放大器为主,由板卡进行AD与DA采集与输出,对磁场信号进行采集并使得第一BP神经网络产生相应的控制信号,但NI板卡具有量程通用性,会产生较大的电压噪声,从而产生较大的磁场噪声。由于磁屏蔽房性能相比磁屏蔽桶的固有缺陷,如果仅仅采用NI板卡或ZI的商用仪器,控制方法十分有限,且处理速度较慢,带宽与动态性能较差。
为解决使用商用仪器所带来的技术问题,在一个实施例中,说明上述各实施例中基于BP神经网络的主动磁补偿方法和主动磁补偿系统。
如图9所示,本实施例对基于BP神经网络的主动磁补偿系统进一步详细说明,主动磁补偿系统包括:三轴磁场传感网络模块9、AD模块(图中未示出)、 DSP系统4、三轴电流源模块10、DA模块(图中未示出)、以及三轴补偿线圈模块8。其中,三轴磁场传感网络模块9包括Bx传感网络1、By传感网络2、Bz 传感网络3,三轴电流源模块10包括Bx电流源5、Bx电流源6、Bx电流源7。
初始工作状态下(未产生补偿磁场时),假设在磁屏蔽房中空间剩磁为 (11),空间剩磁被三轴磁场传感器网络9获取,磁场信号经AD模块接入到DSP 系统4,利用DSP系统4的捕获端口直接对磁场量值进行分析计算。DSP系统4 通过数字信号与已经训练完备的第一BP神经网络输出相应三轴控制信号,控制三轴低噪声电流源10输出相应电流,由DA模块输出控制电压,并控制三轴补偿线圈8产生相应补偿磁场补偿后剩余构成闭环控制系统,当剩磁达到所需水平时系统达到动态平衡。
具体的,三轴磁场传感器网络9包括若干磁场矢量传感器,每个磁场矢量传感器从大型零磁空间采集的各测试点的矢量方向的磁场信号,各测试点对应的阈值和权值形成上述各实施例中不同阶段的权值矩阵和阈值矩阵,矢量方向即两两垂直的X轴、Y轴和Z轴方向。通过AD模块转换成电信号,通过固化入DSP控制系统中的第一BP神经网络后,可以得到控制目标区域达到近零磁状态的电流源控制信号,再由DA模块反归一化得到输出控制电压,完成本申请各实施例的方法中所述负反馈调节。进一步地,结合具体的软件环境和硬件环境做进一步解释说明。
三轴磁场传感网络模块9包括的磁场矢量传感器采用三轴的SERF原子磁强计。三轴的SERF原子磁强计作为SERF原子磁强计的优化,具体来说是指SERF 原子磁强计的内部对三轴进行了精细的磁补偿,以获得高精度低噪声的检测效果。
AD模块包括型号AD7768的芯片。AD7768为20位高精度八通道AD芯片。为提高系统抗干扰能力,AD模块中加入了噪声匹配电路。AD7768是一款8通道 24位同步采样ADC,具备功耗调节功能,每通道最大ADC输出数据速率为 256Ksps,适用于高精度医疗脑电图(EEG)和心电图(ECG)。ADA4896-2是单位增益稳定、低噪声、轨到轨输出、高速电压反馈型放大器,静态电流为3mA, 1/f噪声为2.4nV/√Hz,将其作为AD7768采集电路的前级放大器,ADR444为超低噪声、4.096基准电压源,以及吸电流和源电流能力的LDO,作为AD电路的基准电压。整个电路作为高精度磁场传感器的采集装置,经过与研旭DSP开发板进行联调发现噪声换算后低于磁场传感器噪声底限。
DSP系统4采用型号为TMS320F28335的芯片作为处理器。芯片 TMS320F28335可以快速实现比较复杂的控制算法,满足大型零磁空间中主动磁补偿的实时性要求。
三轴电流源模块10采用MCS型多通道低噪声电流源。具体选择DMT公司的 MCS型多通道低噪声电流源,其具有超低噪声水平10pA/√Hz,通过通道并联也可以达到320mA的输出量程,满足使用条件。
DA模块为高精度低噪声单通道芯片AD5791。AD5791是一款20位、无缓冲电压输出型数模转换器,具有1ppm相对精度和1LSB DNL,还可以提供0.05ppm/℃温度漂移、0.1ppmp-p噪声和优于1ppm的长期稳定性,且噪声频谱密度可达7.5nV/√Hz。
为提高系统抗干扰能力,DA模块中加入了精密放大器。DA芯片后级输出的电压源选取型号为LTZ1000的电压源。LTZ1000是一款超稳定的温度可控基准电压源,ADA4077是一款高精度低噪声运算放大器,具有超低的失调电压和极低的输入偏置电流,由LTZ1000与ADA4077组合提供±10V的标准基本电压, AD8676是精密轨到轨运算放大器,具有超低失调、漂移和电压噪声,而且输入偏置电流在整个工作温度范围内均非常低,作为DA芯片的后级输出。
DSP系统4与PC机14通讯。为便于监测和调节,DSP系统4有RS232接口, RS232接口可以进行DSP与PC机14(计算机)之间的通讯,RS232接口连接到对三轴磁场分量监控的计算机,通过PC机14完成控制参数的在线修改以及对磁轴承工作状态进行监控,进行剩磁监控以及补偿磁场参数调节等。进一步地,本实施例中提供了两类接口,一类接口采集高精度三轴矢量磁场传感器感应的磁场信号,通过SPI接口通讯传递给DSP进行数字信号处理,由DSP固化的BP 神经网络程序对数字信号处理得到相应控制信号,将控制信号由第二类接口,即DA接口传递给相应电流源,产生补偿磁场信号,并构成整个系统的负反馈,从而使得目标区域内剩磁减小,均匀度增大。
对于硬件环境,本实施例采用集成电路取代商用NI板卡(器件选型如本实施例所述),包括DSP芯片与高精度AD5791与AD7768构建完整电路系统,本实施例实现了数字控制器与采集、控制系统的集成化设计,满足最大程度的主动磁补偿系统集成化的要求,使得本实施例做到了装置体积小、重量轻,降低成本且减少磁场噪声的引入。
本实施例中使用的原始实验数据采用Matlab神经网络工具箱进行BP神经网络建模,得到神经网络各权重分布,改写为通用编程语言后固化进DSP系统 4的芯片内,从而提升补偿精度。
具体地,在训练获得第一BP神经网络的过程中,BP神经网络阈值矩阵和权值矩阵调整可以利用MATLAB工具箱进行参数辨识,可极大提高计算效率。在学习训练过程中,当训练误差达到设定值时即停止神经网络的训练,得到用于控制线圈电流的神经网络控制模型,即第一BP神经网络。最终将训练完备的神经网络模型通过C语言描述后写成DSP程序由CCS6.0固化入控制电路的硬件环境,即可完成高精度主动磁补偿。
结合软件和硬件环境,本实施例详细描述了硬件资源和软件算法步骤。应用者在使用基于BP神经网络的主动磁补偿方法和主动磁补偿系统的过程中,可以根据其特殊的应用领域通过修改软件更新算法,从而灵活方便地实现其功能。本实施例采用DSP芯片作为处理器,固化BP神经网络控制算法对磁场进行控制。解决了漏磁剩磁情况复杂、普通的控制方法不能达到良好控制的问题。而采用训练完备的第一BP神经网络可以应对复杂的磁场环境,使得整个系统的性能达到良好的效果。本申请各实施例中所述的主动磁场补偿系统主要包括高性能磁屏蔽房、DSP系统、接口电路、高精度磁场传感器网络以及磁补偿线圈模块,DSP通过接口电路与磁场传感器获取环境静磁三轴分量Bx,By,Bz的AD转换数据,由训练完备的BP神经网络控制算法进行实时补偿,再由高精度DA电路与小量程低噪声电流源向补偿线圈输出相应电流,通过线圈产生目标磁场对空间内静磁进行补偿,从而为心脑磁检测等提供近零磁环境。
本申请实施例中所述的基于BP神经网络的主动磁补偿方法有效提高了磁场补偿精度,避免了磁场扰动干扰,动态性能得以提高,从而提升了整个系统的性能。本申请各实施例中所述的主动磁补偿系统能够但不限于用来对大型零磁空间的静磁分量进行补偿,特别适用于心脑磁检测、验证前沿物理理论等。
本申请各实施例中所述的主动磁场补偿装置实现了大型零磁空间主动磁补偿设施的集成化设计,并结合BP神经网络控制算法加以改进,使得补偿系统精度与动态性能大大提高,减小了商用仪器级联引入的噪声特性,提升了整个系统的性能。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时,可视为该附图也同时披露了所涉及的各个实施例的组合例。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.基于BP神经网络的主动磁补偿方法,用于补偿磁屏蔽房中的空间剩磁,其特征在于,所述主动磁补偿方法包括:
获取基于空间剩磁的磁场信号,所述磁场信号由磁场矢量传感器对空间剩磁检测而获得,且所述磁场信号依据矢量信息分为多路;
接收多路的磁场信号,利用第一BP神经网络对多路磁场信号进行处理,输出相应的控制信号,所述控制信号用于驱动磁场补偿装置对空间剩磁进行负反馈调节。
2.根据权利要求1所述的主动磁补偿方法,其特征在于,每路磁场信号是通过多个初始磁场信号经加权运算得到的,每个初始磁场信号采集自不同的空间位置。
3.根据权利要求1所述的主动磁补偿方法,其特征在于,所述磁场矢量传感器为基于SERF原理的三轴矢量传感器,所述三轴矢量传感器的敏感轴布置方式包括空间上两两垂直的X方向、Y方向、Z方向,每个方向对应其中一路磁场信号。
4.根据权利要求3所述的主动磁补偿方法,其特征在于,所述三轴矢量传感器包括多个、且部署于不同的空间位置,各所述三轴矢量传感器分别获取所在位置每个方向的初始磁场信号;
同一方向的各初始磁场信号经加权运算得到对应的一路磁场信号,其中加权运算时的权重依据是各三轴矢量传感器与磁屏蔽房中待检测目标的距离。
5.根据权利要求1所述的主动磁补偿方法,其特征在于,基于每路磁场信号,第一BP神经网络的输出层输出对应的一路控制信号,每路控制信号依照与磁场信号相关的矢量信息相应的驱动磁场补偿装置。
6.根据权利要求1所述的主动磁补偿方法,其特征在于,所述第一BP神经网络由第二BP神经网络经学习训练获得,所述学习训练包括:
设定训练误差阈值;
所述第二BP神经网络对至少一部分的样本数据集进行学习训练,获得最优权值矩阵和最优阈值矩阵;
所述第二BP神经网络采用梯度下降法根据最优权值矩阵和最优阈值矩阵更新权值矩阵和阈值矩阵;
如果训练误差达到训练误差阈值,则停止学习训练,获得第一BP神经网络。
7.根据权利要求6所述的主动磁补偿方法,其特征在于,所述第二BP神经网络对至少一部分的样本数据集进行学习训练,获得最优权值矩阵和最优阈值矩阵,具体包括:
设定所述第二BP神经网络初始权值矩阵和初始阈值矩阵;
将所述初始权值矩阵和初始阈值矩阵作为粒子群算法中的位置参数;
利用粒子群算法进行迭代运算,更新粒子的位置参数和速度参数;
根据迭代运算停止时的位置参数和速度参数、获得粒子的全局最优位置参数,即最优权值矩阵和最优阈值矩阵。
8.基于BP神经网络的主动磁补偿系统,其特征在于,包括:
检测装置,检测磁屏蔽房中的空间剩磁并输出多路磁场信号,所述磁场信号依据矢量信息分为多路;
计算机装置,接收多路磁场信号,利用第一BP神经网络对多路磁场信号进行处理,输出相应的控制信号;
磁场补偿装置,接收所述控制信号并相应产生补偿磁场,对屏蔽房中的空间剩磁进行负反馈调节。
9.计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1~7任一项所述的主动磁补偿方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1~7任一项所述的主动磁补偿方法的步骤。
11.计算机程序产品,包括计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1~7任一项所述的主动磁补偿方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111102609.6A CN114023526A (zh) | 2021-09-18 | 2021-09-18 | 基于bp神经网络的主动磁补偿方法、系统、计算机装置、计算机可读存储介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111102609.6A CN114023526A (zh) | 2021-09-18 | 2021-09-18 | 基于bp神经网络的主动磁补偿方法、系统、计算机装置、计算机可读存储介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114023526A true CN114023526A (zh) | 2022-02-08 |
Family
ID=80054709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111102609.6A Pending CN114023526A (zh) | 2021-09-18 | 2021-09-18 | 基于bp神经网络的主动磁补偿方法、系统、计算机装置、计算机可读存储介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114023526A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115932677A (zh) * | 2022-12-22 | 2023-04-07 | 中科知影(北京)科技有限公司 | 局部磁场补偿装置、磁场补偿系统和方法 |
-
2021
- 2021-09-18 CN CN202111102609.6A patent/CN114023526A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115932677A (zh) * | 2022-12-22 | 2023-04-07 | 中科知影(北京)科技有限公司 | 局部磁场补偿装置、磁场补偿系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107389049B (zh) | 一种基于类卡尔曼因子的磁罗盘误差实时补偿方法 | |
Beravs et al. | Magnetometer calibration using Kalman filter covariance matrix for online estimation of magnetic field orientation | |
JP7487156B2 (ja) | 磁場計測装置 | |
US20230324476A1 (en) | Magnetic field measurement apparatus, magnetic field measurement method, and storage medium with magnetic field measurement program stored thereon | |
JP6538943B2 (ja) | 測定装置および測定方法 | |
US20080161714A1 (en) | Analysis of multi-channel measurement data using orthogonal virtual channels | |
JP2004525347A (ja) | 電子コンパス及び全オリエンテーション動作に対する大磁気誤差の補償 | |
US20210161420A1 (en) | Magnetic field measuring apparatus, magnetic field measuring method, and recording medium storing magnetic field measuring program | |
US11497425B2 (en) | Magnetic field measurement apparatus | |
WO2004081595A1 (en) | Method and system for processing a multi-channel measurement of magnetic fields | |
CN113176529B (zh) | 一种磁梯度仪校正方法、磁梯度仪校正装置及存储介质 | |
CA2794126A1 (en) | Method for designing coil systems for generation of magnetic fields of desired geometry, a magnetic resonance imaging or magnetoencephalography apparatus with a coil assembly and a computer program. | |
WO2020241465A1 (ja) | 計測装置、計測方法、およびプログラム | |
CN110579730A (zh) | 一种三轴磁传感器的转向差校正方法 | |
CN114023526A (zh) | 基于bp神经网络的主动磁补偿方法、系统、计算机装置、计算机可读存储介质和产品 | |
CN111413651B (zh) | 一种磁场总场的补偿方法、装置、系统及存储介质 | |
CA2227291C (en) | Electrophysiological activity estimation method | |
JP2019215322A (ja) | 磁場計測装置、磁場計測方法、磁場計測プログラム | |
JP2020156870A (ja) | 心磁計測装置 | |
JP7365915B2 (ja) | 測定装置 | |
JP7330014B2 (ja) | 心磁計測装置、心磁計測方法、および、心磁計測プログラム | |
Liu et al. | A novel linear calibration model for three-axis fluxgate magnetometer | |
CN110568387B (zh) | 一种基于磁梯度张量的航天器磁矩测试方法 | |
JP7262243B2 (ja) | 測定装置、信号処理装置、信号処理方法、および、信号処理プログラム | |
Farago et al. | Enhancing Accuracy in Actigraphic Measurements: A Lightweight Calibration Method for Triaxial Accelerometers |
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 |