CN116879961A - 一种基于XGBoost的磁偶极子目标定位方法 - Google Patents

一种基于XGBoost的磁偶极子目标定位方法 Download PDF

Info

Publication number
CN116879961A
CN116879961A CN202310723708.9A CN202310723708A CN116879961A CN 116879961 A CN116879961 A CN 116879961A CN 202310723708 A CN202310723708 A CN 202310723708A CN 116879961 A CN116879961 A CN 116879961A
Authority
CN
China
Prior art keywords
magnetic
data
xgboost
dipole
training
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
Application number
CN202310723708.9A
Other languages
English (en)
Inventor
邱伟
冉晓玉
马树青
颜冰
蓝强
张理论
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202310723708.9A priority Critical patent/CN116879961A/zh
Publication of CN116879961A publication Critical patent/CN116879961A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/40—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for measuring magnetic field characteristics of the earth
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Geophysics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于XGBoost的磁偶极子目标定位方法，涉及地磁探测技术领域，其技术方案要点是：分别获取磁偶极子的位置和磁矩数据、磁感应强度数据；根据磁感应强度数据得到输入数据，并将磁偶极子的位置和磁矩数据作为标签数据；对XGBoost模型进行训练；根据训练好的XGBoost模型，反演磁偶极子目标的位置和磁矩。本发明能够有效提高磁偶极子目标定位的精度，特别是与其他的机器学习算法相比具有较好的定位性能，该方法能够有效地在实际工程中应用。

Description

一种基于XGBoost的磁偶极子目标定位方法
技术领域
本发明涉及地磁探测技术领域，更具体地说，它涉及一种基于XGBoost的磁偶极子目标定位方法。
背景技术
磁异常可以用于探测和定位磁性物体，目前，该技术已被广泛用于对未爆炸物进行定位、港口船舶监测、室内物体定位、胶囊胃镜等领域，具有重要的军事民用价值。因此，研究如何运用磁异常探测技术来进行目标定位非常有理论价值。
现有的磁场三分量定位方法，主要通过将磁性目标在远场条件下等效为磁偶极子，建立磁偶极子模型描述目标的磁感应强度，进而构建一个磁偶极子目标定位非线性方程组，并通过算法对其进行求解。目前，磁性目标定位方法主要分为磁梯度张量定位、优化算法定位、实时滤波算法定位和机器学习算法定位四类。磁梯度张量定位方法存在各传感器轴系间的非对准误差，影响该系统的定位性能；优化算法定位包括传统优化算法和智能优化算法，传统优化算法对初值比较敏感，且需满足函数可导。智能优化算法容易陷入局部最优；实时滤波方法在目标定位系统维数较高时容易发散。而机器学习算法可以通过训练集和调节参数来准确地拟合磁感应强度和磁偶极子之间的非线性关系，从而实现对磁性目标的精准定位。
因此，探索高精度同时满足实时性的机器学习算法对于磁偶极子目标定位极其重要。
发明内容
本发明的目的是为了解决上述问题，提供一种基于XGBoost的磁偶极子目标定位方法，用于解决磁偶极子目标定位精度低的问题，能够较快地对磁传感器测量得到的目标磁感应强度数据进行分析。
本发明的上述技术目的是通过以下技术方案得以实现的：一种基于XGBoost的磁偶极子目标定位方法，包括如下步骤：
S1、分别获取磁偶极子的位置和磁矩数据、磁感应强度数据；
S2、根据磁感应强度数据得到输入数据，并将磁偶极子的位置和磁矩数据作为标签数据；
S3、对XGBoost模型进行训练；
S4、根据训练好的XGBoost模型，反演磁偶极子目标的位置和磁矩。
本发明进一步设置为：所述步骤S1的具体步骤为：
S101、构建磁偶极子的位置以及磁矩和磁感应强度的函数关系；
S102、将x、y、z轴上的采集范围设置为lb为[0,0,0]，ub为[15,15,10]，mx、my、mz参数的采集范围设置为lb为[0,0,0]，ub为[1000,1000,1400]，总共生成50000个点。只要给出磁偶极子的位置(x,y,z)和磁矩(mx,my,mz)，就可以求出磁感应强度三分量Bx,By,Bz。磁偶极子的位置和磁矩(6个参数数据)带入到磁偶极子的位置以及磁矩和磁感应强度的函数关系式可以得到12个磁感应强度数据，因此每个点产生磁感应强度(12个元素)和磁性目标的位置和磁矩参数(6个元素)，视为一个数据对。
本发明进一步设置为：所述的磁偶极子的位置以及磁矩和磁感应强度的函数关系如下：
构建多个磁传感器构成的传感器阵列，并且传感器的坐标位置已知；所用传感器均为三轴磁通门传感器，并且已经消除了地磁场的影响；每台磁传感器的测量值B是目标x,y,z三轴方向上的异常场，即：
B＝[Bx,By,Bz]
将第i台磁传感器测量的磁异常表述为：
目标产生的磁感应强度为：
其中，μ0为真空磁导率，大小为4π×10-7H/m，r是目标与传感器之间的距离，m为磁矩矢量，r为磁偶极子到磁传感器的矢径；
将B在直角坐标系下将磁矩矢量在xyz方向上展开为：
其中，Bx,By,Bz为磁性目标在三轴方向上产生的磁异常，(x0,y0,z0)为磁偶极子目标位置，(x,y,z)为磁传感器的坐标，r是目标与传感器之间的距离，(mx,my,mz)代表磁矩矢量在各坐标轴上的投影分量。
本发明进一步设置为：所述步骤S2的具体步骤为：
S201、将磁感应强度数据(Bx1，By1，Bz1...Bx4，By4，Bz4)作为输入数据；
S202、将磁偶极子的位置和磁矩数据(x，y，z，mx，my，mz)作为标签数据。
本发明进一步设置为：所述步骤S3的具体步骤为：
S301、将5万条标签数据和输入数据作为训练输入数据、训练标签数据，将一组真实的磁偶极子的位置和磁矩对应的磁感应强度、磁偶极子的位置以及磁矩数据分别作为测试输入数据和测试标签数据；
S302、利用训练输入数据和训练输出标签数据训练XGBoost模型，并将测试输入数据输入到XGBoost模型，得到XGBoost模型输出数据(x,y,z,mx,my,mz)；
S303、对XGBoost模型进行评价，完成对XGBoost模型的训练。
本发明进一步设置为：所述XGBoost模型的损失函数的表达式如下：
本发明进一步设置为：所述XGBoost模型的损失函数的表达式如下：
其中，α,λ,β为超参数，i为树模型上每个叶子节点的索引，N为树模型上的叶节点总数，Fi为泰勒展开的第一次项，Gj为泰勒展开的第二次项。
一种基于XGBoost的磁偶极子目标定位系统，其特征在于，包括：
数据获取模块，用于分别获取磁偶极子的位置和磁矩数据、磁感应强度数据；
数据处理模块，根据磁感应强度数据得到输入数据，并将磁偶极子的位置和磁矩数据作为标签数据；
数据训练模块，将5万条标签数据和输入数据作为训练输入数据、训练标签数据，利用训练输入数据和训练输出标签数据训练XGBoost模型；
反演模块，用于根据训练好的XGBoost模型，反演出磁偶极子的位置和磁矩。
综上所述，本发明具有以下有益效果：本发明是基于XGBoost模型的非线性反演方法，符合磁偶极子的位置以及磁矩和磁感应强度之间的复杂关系，使XGBoost模型可以准确地计算参数之间的关系，并且有效地提高定位精度。
附图说明
图1是本发明实施例1的方法流程图；
图2是本发明实施例2的系统流程图；
图3是本发明的训练集的采集点分布图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明的实施例及附图，对本发明的技术方案进行进一步详细地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将结合实施例来详细说明本发明。
磁偶极子：如果磁传感器与磁性物体之间的距离超过了其本身的2.5倍或更多，则可以将其视为磁偶极子。
XGBoost模型：一种基于梯度提升算法进行改进和优化而来的集成学习算法。
实施例1
如图1所示，本发明提供了一种基于XGBoost的磁偶极子目标定位方法，其实现方法如下：
S1、分别获取磁偶极子的位置和磁矩数据、磁感应强度数据；
S101、构建磁偶极子的位置以及磁矩和磁感应强度的函数关系。
S102、将x、y、z轴上的采集范围设置为lb为[0,0,0]，ub为[15,15,10]，mx、my、mz参数的采集范围设置为lb为[0,0,0]，ub为[1000,1000,1400]，总共生成50000个点。只要给出磁性极子的位置(x,y,z)和磁矩(mx,my,mz)，就可以求出磁感应强度三分量Bx,By,Bz。磁偶极子的位置和磁矩(6个参数数据)带入到磁偶极子的位置以及磁矩和磁感应强度的函数关系式可以得到12个磁感应强度数据，因此每个点产生磁感应强度(12个元素)和磁性目标的位置和磁矩参数(6个元素)，视为一个数据对。
磁偶极子的位置以及磁矩和磁感应强度的函数关系如下：
构建多个磁传感器构成的传感器阵列，并且传感器的坐标位置已知；所用传感器均为三轴磁通门传感器，并且已经消除了地磁场的影响。每台磁传感器的测量值B是目标x,y,z三轴方向上的异常场，即：
B＝[Bx,By,Bz]
将第i台磁传感器测量的磁异常表述为：
目标产生的磁感应强度为：
其中，μ0为真空磁导率，大小为4π×10-7H/m，r是目标与传感器之间的距离，m为磁矩矢量，r为磁偶极子到磁传感器的矢径；
将B在直角坐标系下将磁矩矢量在xyz方向上展开为：
其中，Bx,By,Bz为磁性目标在三轴方向上产生的磁异常，(x0,y0,z0)为磁偶极子目标位置，(x,y,z)为磁传感器的坐标，r是目标与传感器之间的距离，(mx,my,mz)代表磁矩矢量在各坐标轴上的投影分量。
S2、根据磁感应强度数据得到输入数据，并将磁偶极子的位置和磁矩数据作为标签数据；
S201、将磁感应强度数据(Bx1，By1，Bz1...Bx4，By4，Bz4)作为输入数据；
S202、将磁偶极子的位置和磁矩数据(x，y，z，mx，my，mz)作为标签数据。
S3、对XGBoost模型进行训练；
S301、将5万条标签数据和输入数据作为训练输入数据、训练标签数据，将一组真实的磁偶极子的位置和磁矩对应的磁感应强度、磁偶极子的位置以及磁矩数据分别作为测试输入数据和测试标签数据；
S302、利用训练输入数据和训练输出标签数据训练XGBoost模型，并将测试输入数据输入到XGBoost模型，得到XGBoost模型输出数据(x,y,z,mx,my,mz)；
S303、对XGBoost模型进行评价，完成对XGBoost模型的训练。
本实施例中，XGBoost模型的损失函数为：
其中，α,λ,β为超参数，i为树模型上每个叶子节点的索引，N为树模型上的叶节点总数，Fi为泰勒展开的第一次项，Gj为泰勒展开的第二次项。N只由树结构决定，目标函数是关于N的函数，XGBoost模型的效果与树的结构有直接联系，Obj越小，树的结构越好。
本实施例中，训练输入数据、训练标签数据分别为表1、表2所示，测试输入数据和测试标签数据分别为表3、表4所示。
表1训练输入数据
表2训练标签数据
表3测试输入数据
表4测试标签数据
S4、根据训练好的XGBoost模型，反演磁偶极子目标的位置和磁矩。
本实施例中，计算出生成的磁偶极子目标的位置和磁矩参数的均方根误差和相对误差。
均方根误差是用来衡量估计值同真值之间的偏差，计算公式如下：
平均相对误差(MPE)是一种常用的检验方法，用于检验估计结果与实际结果的偏离程度。以下是其计算公式：
本实例通过仿真磁偶极子目标定位实验，对XGBoost算法进行对比研究。仿真磁偶极子目标参数为[7m,7m,7m,500A·m2,500A·m2,707.1A·m2],4个磁传感器的三维坐标位置分别为[0,0,0]、[5m,0,0]、[10m,0,0]、[15m,0,0]。在原始测量磁异常数据上叠加在1nT的随机高斯白噪声模拟实际传感器测量噪声，采用XGBoost对磁偶极子目标进行定位，对不同位置的目标分别进行100次的Monte-Carlo定位实验，定位误差结果如表5所示。
表5定位误差结果
从表5的结果可以看出，在不同方法的估计结果中，XGBoost方法估计得到的目标参数的RMSE和MPE最小。因此，XGBoost算法在定位和磁矩估计精度上具有较强的优势。
综上所述，本发明所述的磁偶极子目标定位方法具有如下优点：(1)定位精度高；(2)基于树模型的XGBoost则能很好地处理磁传感器数据，同时还拥有模型的可解释性、输入数据的不变性、更易于调参等优点。因此，本发明所述的磁偶极子目标定位方法在磁性目标定位中具有广泛的应用前景。
实施例2
如图2所示，本发明提供了一种基于XGBoost的磁偶极子目标定位系统，包括：
数据获取模块，用于分别获取磁偶极子的位置和磁矩数据、磁感应强度数据；
数据处理模块，根据磁感应强度数据得到输入数据，并将磁偶极子的位置和磁矩数据作为标签数据；
数据训练模块，将5万条标签数据和输入数据作为训练输入数据、训练标签数据，利用训练输入数据和训练输出标签数据训练XGBoost模型；
反演模块，用于根据训练好的XGBoost模型，反演出磁偶极子的位置和磁矩。
如图2所示实施例提供的基于XGBoost的磁偶极子目标定位系统流程图可以执行上述方法实施例基于XGBoost的磁偶极子目标定位方法所示的技术安案，其实现原理与有益效果类似，此处不再赘述。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (7)

1.一种基于XGBoost的磁偶极子目标定位方法，其特征在于，包括如下步骤：
S1、分别获取磁偶极子的位置和磁矩数据、磁感应强度数据；
S2、根据磁感应强度数据得到输入数据，并将磁偶极子的位置和磁矩数据作为标签数据；
S3、对XGBoost模型进行训练；
S4、根据训练好的XGBoost模型，反演磁偶极子目标的位置和磁矩。
2.根据权利要求1所述的一种基于XGBoost的磁偶极子目标定位方法，其特征在于，所述步骤S1的具体步骤为：
S101、构建磁偶极子的位置以及磁矩和磁感应强度的函数关系；
S102、将x、y、z轴上的采集范围设置为lb为[0,0,0]，ub为[15,15,10]，mx、my、mz参数的采集范围设置为lb为[0,0,0]，ub为[1000,1000,1400]，总共生成50000个点。只要给出磁偶极子的位置(x,y,z)和磁矩(mx,my,mz)，就可以求出磁感应强度三分量Bx,By,Bz。磁偶极子的位置和磁矩(6个参数数据)带入到磁偶极子的位置以及磁矩和磁感应强度的函数关系式可以得到12个磁感应强度数据，因此每个点产生磁感应强度(12个元素)和磁性目标的位置和磁矩参数(6个元素)，视为一个数据对。
3.根据权利要求2所述的一种基于XGBoost的磁偶极子目标定位方法，其特征在于，所述的磁偶极子的位置以及磁矩和磁感应强度的函数关系如下：
构建多个磁传感器构成的传感器阵列，并且传感器的坐标位置已知；所用传感器均为三轴磁通门传感器，并且已经消除了地磁场的影响；每台磁传感器的测量值B是目标x,y,z三轴方向上的异常场，即：
B＝[Bx,By,Bz]
将第i台磁传感器测量的磁异常表述为：
目标产生的磁感应强度为：
其中，μ0为真空磁导率，大小为4π×10-7H/m，r是目标与传感器之间的距离，m为磁矩矢量，r为磁偶极子到磁传感器的矢径；
将B在直角坐标系下将磁矩矢量在xyz方向上展开为：
其中，Bx,By,Bz为磁性目标在三轴方向上产生的磁异常，(x0,y0,z0)为磁偶极子目标位置，(x,y,z)为磁传感器的坐标，r是目标与传感器之间的距离，(mx,my,mz)代表磁矩矢量在各坐标轴上的投影分量。
4.根据权利要求1所述的一种基于XGBoost的磁偶极子目标定位方法，其特征在于，所述步骤S2的具体步骤为：
S201、将磁感应强度数据(Bx1，By1，Bz1...Bx4，By4，Bz4)作为输入数据；
S202、将磁偶极子的位置和磁矩数据(x，y，z，mx，my，mz)作为标签数据。
5.根据权利要求1所述的一种基于XGBoost的磁偶极子目标定位方法，其特征在于，所述步骤S3的具体步骤为：
S301、将5万条标签数据和输入数据作为训练输入数据、训练标签数据，将一组真实的磁偶极子的位置和磁矩对应的磁感应强度、磁偶极子的位置以及磁矩数据分别作为测试输入数据和测试标签数据；
S302、利用训练输入数据和训练输出标签数据训练XGBoost模型，并将测试输入数据输入到XGBoost模型，得到XGBoost模型输出数据(x,y,z,mx,my,mz)；
S303、对XGBoost模型进行评价，完成对XGBoost模型的训练。
6.根据权利要求5所述的一种基于XGBoost的磁偶极子目标定位方法，其特征在于，所述XGBoost模型的损失函数的表达式如下：
其中，α,λ,β为超参数，i为树模型上每个叶子节点的索引，N为树模型上的叶节点总数，Fi为泰勒展开的第一次项，Gj为泰勒展开的第二次项。
7.一种基于XGBoost的磁偶极子目标定位系统，其特征在于，包括：
数据获取模块，用于分别获取磁偶极子的位置和磁矩数据、磁感应强度数据；
数据处理模块，根据磁感应强度数据得到输入数据，并将磁偶极子的位置和磁矩数据作为标签数据；
数据训练模块，将5万条标签数据和输入数据作为训练输入数据、训练标签数据，利用训练输入数据和训练输出标签数据训练XGBoost模型；
反演模块，用于根据训练好的XGBoost模型，反演出磁偶极子的位置和磁矩。
CN202310723708.9A 2023-06-19 2023-06-19 一种基于XGBoost的磁偶极子目标定位方法 Pending CN116879961A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310723708.9A CN116879961A (zh) 2023-06-19 2023-06-19 一种基于XGBoost的磁偶极子目标定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310723708.9A CN116879961A (zh) 2023-06-19 2023-06-19 一种基于XGBoost的磁偶极子目标定位方法

Publications (1)

Publication Number Publication Date
CN116879961A true CN116879961A (zh) 2023-10-13

Family

ID=88261239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310723708.9A Pending CN116879961A (zh) 2023-06-19 2023-06-19 一种基于XGBoost的磁偶极子目标定位方法

Country Status (1)

Country Link
CN (1) CN116879961A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118210069A (zh) * 2024-01-31 2024-06-18 南京理工大学 铁磁性目标定位方法和装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118210069A (zh) * 2024-01-31 2024-06-18 南京理工大学 铁磁性目标定位方法和装置

Similar Documents

Publication Publication Date Title
US11460519B2 (en) Method for making a magnetic gradiometer with high detection accuracy and success rate
CN107272069B (zh) 基于磁异常梯度的磁性目标追踪方法
CN110007350B (zh) 一种磁探测方法盲区的分析方法
CN104374385B (zh) 一种海底磁传感器阵列目标定位的新方法
CN111412910B (zh) 一种基于旋转磁偶极子的舰船轴频磁场定位方法和装置
CN109975879B (zh) 一种基于磁传感器阵列的磁偶极子目标跟踪方法
CN106990440A (zh) 一种基于两个探测位置处磁场空间梯度的潜艇定位方法
CN116879961A (zh) 一种基于XGBoost的磁偶极子目标定位方法
CN111399066B (zh) 一种基于正交基函数处理标量磁异常梯度信号的方法
CN103353612B (zh) 一种地下目标物体的测量定位设备及测量定位方法
CN103486984A (zh) 一种风洞内型面同轴度的检测方法
CN106842080B (zh) 一种磁场测量装置姿态摆动干扰去除方法
CN106568365A (zh) 一种球面孔系复合位置度误差的检测与评定方法
CN107884743A (zh) 适用于任意结构声音阵列的波达方向智能估计方法
CN103955002A (zh) 基于磁异常一阶导数的磁偶极子目标位置测量方法
Zhang et al. Tracking magnetic target based on internative multi-model square root unscented kalman filter
Yan et al. A MEMS-based magnetometer calibration approach in AUV navigation system
CN115728829A (zh) 一种基于磁梯度全张量的磁性目标定位方法
CN116184512A (zh) 一种基于磁矩不变量的矢量传感器网络实时定位方法及系统
Liu et al. Error characteristic analysis and error source identification of the aeromagnetic field gradient tensor measurements
CN108106634A (zh) 一种直接观星的星敏感器内参数标定方法
Chen et al. A Star Identification Algorithm based on Radial Basis Neural Network
CN104330772B (zh) 基于多向寻优的全跟踪式ukf滤波算法的双站定位方法
CN113985494A (zh) 一种基于无迹卡尔曼算法海底地震计中电子罗盘误差补偿方法
CN115685749B (zh) 一种基于等效磁力的多运动目标鲁棒跟踪方法

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