基于多特征集成学习的磁异常检测研究.pdf

摘要

磁异常检测是检测磁场微小变化的被动检测技术，具有结构简单，不容易暴露

等优点，被广泛应用于地震预测、潜艇探测、矿产资源探测、定位跟踪、武器制导

等领域，具有非常高的应用价值与研究意义。基于此背景，本文开展了基于多特征

集成学习的磁异常检测研究。本文主要工作如下：

（1）针对磁异常磁场信号深埋在地磁背景噪声中的问题，通过建立磁异常磁场

的数学模型研究磁异常磁场的频率特征，进而提出磁异常信号去噪方法，并进行了

实验验证。针对单一方法提取的特征向量无法完全表征磁异常特征的问题，采用多

特征提取方法可以获得更具互补性与完备性的特征向量。

（2）针对特征向量中多个特征间存在冗余非线性关系的问题，研究了磁异常特

征的多特征融合方法，分析了主成分分析、核主成分分析、加权核主成分分析的降

维融合能力并进行了对比。实验结果表明加权核主成分分析多特征融合方法具有

更好的降维融合能力。

（3）针对传统磁异常检测算法准确率低的问题，研究了集成学习及其结合策略，

对比分析了多种结合策略算法提升检测结果准确性和合理性的能力。实验结果表

明改进证据理论能在保证决策结果具有合理性的条件下拥有最高的准确率。

（4）基于磁异常信号去噪方法，多特征提取方法，多特征融合理论，集成学习

和改进证据理论结合策略对磁异常检测进行了研究。实验结果表明，本文提出的基

于多特征集成学习的磁异常检测方法具有更高的磁异常检测准确率以及更好的可

靠性。

关键词：磁异常检测，多特征，特征融合，集成学习，证据理论

ABSTRACT

Magneticanomalydetectionisapassivedetectiontechnologyfordetectingsmall

changesinmagneticfield.Ithastheadvantagesofsimplestructureandnoteasytobe

exposed.Itiswidelyusedinearthquakeprediction,submarinedetection,mineral

resourcesdetection,positioningandtracking,weaponguidanceandotherfields.Ithas

veryhighapplicationvalueandresearchsignificance.Basedonthisbackground,the

thesisconductsresearchonmagneticanomalydetectionbasedonmulti-featureensemble

learning.Themainworkofthisthesisisasfollows:

(1)Aimingattheproblemthatthemagneticanomalymagneticfieldsignalis

submergedinthegeomagneticbackgroundnoise,thefrequencycharacteristicsofthe

magneticanomalousmagneticfieldarestudiedbyestablishingamathematicalmodelof

themagneticanomalousmagneticfield.Aimingattheproblemthatthefeaturevector

extractedbyasinglemethodcannotfullycharacterizethemagneticanomalyfeatures,a

multi-featureextractionmethodcanbeusedtoobtainmorecomplementaryandcomplete

featurevectors.

(2)Aimingattheproblemofredundantnonlinear