基于磁梯度张量的磁目标识别算法研究.pdfVIP

摘要

磁异常检测是地球物理中的一种很重要方法，与传统检测的方式相比，磁梯度张量检测

更具有优势，近年来已渐渐成为磁异常检测技术的研究热点。目前磁梯度张量检测技术已经

广泛应用在大型的水下及地下的磁异常目标探测中，但在探测小型磁性目标例如铁磁性管道

及未爆炸弹药的形状与姿态的精确度上是不够的。并且在对磁目标解释过程中需要根据不同

的形状和姿态信息选择合适的定位方法，如果对目标的形状选择错误，会直接造成定位精度

下降。近年来，机器学习方法被应用于磁异常识别，降低了对信号精度的依赖，避免了解释

磁数据的大量计算推导过程。

综上所述，本文针对地下小型磁性目标的形状识别问题，研究了一套基于四个矢量磁传

感器搭建的磁梯度张量系统的磁目标识别算法。本文首先简要介绍了磁梯度张量的基本原理，

通过仿真对比了多种不同结构的磁梯度张量系统，并在此结论基础之上设计以四个三轴正交

的磁传感器为主的磁梯度张量测量系统，测量磁目标产生的扰动信号。接着，对单个磁传感

器的测量误差进行分析，建立了单磁传感器的系统误差数学模型，并使用线性神经网络方法

对其校正。最后，利用向上延拓方法对磁异常数据进行处理。分析磁异常数据并对其进行特

征提取。

基于智能学习算法对检测特征进行识别可分为特征降维和模式识别两个过程。首先采用

主成分分析（PrincipalComponentAnalysis，PCA）和稳定性竞争自适应重加权（Stability

CompetitiveAdaptiveReweightedSampling，SCARS）对原始磁异常数据进行降维处理，本文

提出了辨识极限学习机（DistinguishExtremeLearningMachine，DELM）方法并引入概率神经

网络（ProbabilisticNeuralNetwork，PNN）方法对降维特征进行智能识别，最终，PCA-DELM

获得了36.67%的准确率，PCA-PNN为42.67%，SCARS-DELM为93.33%，SCARS-PNN为

89.33%。

本文同时引入了深度学习理论，借助于卷积和池化操作，实现原始磁异常数据特征的深

度挖掘，利用全连接层实现决策分类。为了减少卷积过程中的计算量和参数量，引入了超轻

量级子空间注意力模块（Ultra-LightweightSubspaceAttentionMechanism，ULSAM）来实现注

意力的通道卷积，然后设计可对原始特征进行深度挖掘并高精度识别的ULSAM-CNN框架结

构，最终获得在深度学习理论下97.33%的识别结果。

关键词：磁梯度张量；目标识别；磁异常延拓；降维处理；深度挖掘

ABSTRACT

Magneticanomalydetectionisaveryimportantmethodingeophysics.Becausemagnetic

gradienttensordetectionhasmoreadvantagesthantraditionaldetectionmethods,ithasgradually

becomearesearchhotspotinthefieldofmagneticanomalydetectiontechnologyinrecentyears.

Althoughmagneticgradienttensordetectionhasbeenwidelyusedinthedetectionoflarge

amphibiousmagneticanomaloustargets,itisnotaccurateenoughtodetecttheshapeandattitudeof

smallmagnetictargetssuchasferromagneticpipesandunexplodedordnance.Andintheprocessof

interpretingthemagnetictarget,itisnecessarytoselectasuitablepositioning