本發(fā)明涉及磁目標探測，特別涉及基于多序列特征提取與多維特征融合的磁異常識別方法。

背景技術(shù)：

1、磁目標探測基于磁性目標物本身帶來的地磁場擾動異常來進行識別和定位，探測平臺搭載磁力儀采集磁場數(shù)據(jù)，集成智能識別模塊和相關(guān)算法，對磁場變化進行磁異常的檢測識別和定位計算，區(qū)分出磁異常，進而確定為磁性目標物。

2、磁異常曲線圖是磁目標勘探中用來展示沿著特定測線或路徑上測量到的地磁場強度相對于正常地磁場強度的偏差。這種圖形表現(xiàn)形式能夠直觀地揭示磁性物體的位置、形狀、產(chǎn)狀以及可能的分布信息。磁異常曲線圖通常包含以下幾個關(guān)鍵要素：

3、橫坐標：代表測量點沿測線的地理位置或距離，可以是直線距離、經(jīng)緯度或其他地理參照系統(tǒng)中的位置指標。

4、縱坐標：表示磁異常值，即實測地磁場強度減去該地區(qū)的理論地磁場強度（正常場），單位通常是納特(nt)。正值表示磁場增強，負值表示減弱。

5、曲線形態(tài)：磁異常曲線的形狀能夠反映磁性物體的特性。例如，簡單的磁性體如圓柱形、板狀或球狀體，會在曲線上產(chǎn)生特定的模式，如尖峰、凹陷或復雜的雙峰結(jié)構(gòu)。

6、如圖1所示，為理想情況下的磁異常曲線部分截圖，信噪比較好，而且是磁力儀近距離測試。在航空測量中，磁力儀距離目標物較遠，且由于載體自身的原因，動態(tài)噪聲比較大，目標物信號淹沒在地質(zhì)體的大背景中，難以被識別?；诂F(xiàn)代信號處理方法，對采集的總場數(shù)據(jù)進行磁補償、去噪、地磁場校正、濾波等等，得到一條磁異常曲線，受限于各種環(huán)境干擾、平臺動態(tài)噪聲和數(shù)據(jù)處理方法，往往會出現(xiàn)較多的假目標信息，對磁目標識別的準確率產(chǎn)生較大的影響，使得磁異常目標在識別過程中的虛警率過高。

7、因此，本發(fā)明提出一種基于多序列特征提取與多維特征融合的磁異常識別方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供基于多序列特征提取與多維特征融合的磁異常識別方法，用以解決上述提出的技術(shù)問題。

2、本發(fā)明提供一種基于多序列特征提取與多維特征融合的磁異常識別方法，包括：

3、步驟1：當擺放好真目標與假目標之后控制預搭載平臺按照與所述真目標與假目標的初始擺放圖匹配的預設程序集循環(huán)運動，同時，在所述預搭載平臺運動過程中啟動磁學傳感器實時采集周圍磁場數(shù)據(jù)，并分別存儲基于每個預設程序下的原始磁場數(shù)據(jù)，其中，所述預設程序與預搭載平臺的俯仰、橫滾、轉(zhuǎn)彎、加速、下降、抬升以及勻速狀態(tài)相關(guān)，且不同預設程序下的狀態(tài)組合順序不同；

4、步驟2：采用小波變換與稀疏表示理論，對每個預設程序下的原始磁異常數(shù)據(jù)進行多尺度分解，提取不同尺度下的特征信息；

5、步驟3：構(gòu)建多特征融合深度學習模型，并分別對每個預設程序下的特征信息進行多序列特征提取以及多維特征融合，得到磁異常識別結(jié)果；

6、步驟4：對所有磁異常識別結(jié)果基于初始擺放圖進行結(jié)果擺放分析，得到最終識別結(jié)果并輸出。

7、優(yōu)選的，在控制預搭載平臺運動之前，還包括：

8、將涉及到的運動狀態(tài)進行連續(xù)運動，構(gòu)建第一運動順序；

9、將涉及到的運動狀態(tài)進行非連續(xù)運動，構(gòu)建第二運動順序；

10、基于所述第一運動順序以及第二運動順序，構(gòu)成循環(huán)運動；

11、向每個運動順序配置相應的預設程序，得到基于所述循環(huán)運動的預設程序集；

12、其中，每個運動狀態(tài)都存在預先設定好的運動軌跡程序，且所述運動軌跡程序與所述初始擺放圖相關(guān)。

13、優(yōu)選的，將涉及到的運動狀態(tài)進行連續(xù)運動，構(gòu)建第一運動順序，包括：

14、基于設定的不同運動狀態(tài)下的標準運動曲線，且所述標準運動曲線中每個運動點的運動速度得到每個運動狀態(tài)下的環(huán)境噪聲干擾系數(shù)；

15、對所有環(huán)境噪聲干擾系數(shù)進行由大到小的排序得到第一子順序；

16、獲取設定的不同運動狀態(tài)下的標準運動曲線的首點的第一矢量以及尾點的第二矢量，對所述第一矢量以及第二矢量進行單獨計算得到第三矢量，其中，所述第三矢量包括：矢量方向和矢量大?。?/p>

17、對所有運動狀態(tài)下的矢量大小進行由大到小的排序，得到第二子順序；

18、對所有運動狀態(tài)下的矢量方向以y軸為基準線進行順時針排序，得到第三子順序；

19、將所有首點作為第一原點并進行重疊放置，對所有第一矢量進行全局計算得到第四矢量，根據(jù)所述第四矢量與每個第一矢量的角度差異以及長度差異向每個第一矢量賦予第一系數(shù)，并對所有第一系數(shù)進行由大到小的排序，得到第四子順序；

20、將所有尾點作為第二原點并進行重疊放置，對所有第二矢量進行全局計算得到第五矢量，根據(jù)所述第五矢量與每個第二矢量的角度差異以及長度差異向每個第二矢量賦予第二系數(shù)，并對所有第二系數(shù)進行由大到小的排序，得到第五子順序；

21、基于所述第一子順序、第二子順序、第三子順序、第四子順序以及第五子順序，構(gòu)成第一運動順序。

22、優(yōu)選的，所述特征信息包括：時域特征、圖像特征以及頻域特征。

23、優(yōu)選的，構(gòu)建多特征融合深度學習模型，包括：

24、對歷史磁異常數(shù)據(jù)進行特征提取，分為歷史時域特征和歷史頻域特征，使用循環(huán)神經(jīng)網(wǎng)絡對不同尺度的歷史磁異常數(shù)據(jù)的特征進行建模和卷積骨干網(wǎng)絡處理，得到第一特征域數(shù)據(jù)；

25、對歷史磁異常數(shù)據(jù)的時頻圖像的圖像特征進行二維卷積骨干神經(jīng)網(wǎng)絡處理，得到第二特征域數(shù)據(jù)；

26、基于插值法使同個歷史磁異常數(shù)據(jù)下的特征域數(shù)據(jù)在時間和空間維度上對齊，并映射到統(tǒng)一特征空間，結(jié)合注意力進制增強對重要區(qū)域和重要特征的關(guān)注，實現(xiàn)數(shù)據(jù)融合；

27、對融合后的數(shù)據(jù)進行神經(jīng)網(wǎng)絡目標識別，加入自適應優(yōu)化算法，引入自適應權(quán)重分配機制與動態(tài)學習率調(diào)整策略，根據(jù)訓練過程中數(shù)據(jù)的難易程度和模型表現(xiàn)自動優(yōu)化網(wǎng)絡參數(shù)，直到滿足設定標準，得到多特征融合深度學習模型。

28、優(yōu)選的，在基于插值法使同個歷史磁異常數(shù)據(jù)下的特征域數(shù)據(jù)在時間和空間維度上對齊之前，還包括：

29、對第一特征域數(shù)據(jù)進行時間排序，鎖定缺失時間點；

30、若缺失時間點的數(shù)量為0，此時，保持所述第一特征域數(shù)據(jù)不變；

31、若缺失時間點的數(shù)量為多個，此時，鎖定與每個缺失時間點存在時間距離最近的第一數(shù)據(jù)、第二近的第一數(shù)據(jù)以及第三近的第一數(shù)據(jù)；

32、統(tǒng)計所述第一數(shù)據(jù)與第二數(shù)據(jù)之間的缺失時間點的第一數(shù)量、第二數(shù)據(jù)與第三數(shù)據(jù)之間的缺失時間點的第二數(shù)量，同時，統(tǒng)計時間排序后的數(shù)據(jù)中存在的第一缺失連續(xù)頻次；

33、基于所述第一數(shù)據(jù)、第二數(shù)據(jù)、第三數(shù)據(jù)的平均值，計算對應缺失時間點的數(shù)據(jù)，并進行一次插值。

34、優(yōu)選的，在對所有磁異常識別結(jié)果基于初始擺放圖進行結(jié)果擺放分析之前，包括：

35、捕捉所述預搭載平臺在不同預設程序下基于每個運動狀態(tài)的實際運動過程參數(shù)集以及標準運動過程參數(shù)集，確定運動差異；

36、獲取每個預設程序下相鄰兩個運動狀態(tài)中第一個運動狀態(tài)的第二矢量與第二個運動狀態(tài)的第一矢量的第一差異以及第二個運動狀態(tài)的第一矢量與第二矢量的第二差異；

37、基于同個運動狀態(tài)下的運動差異、第一差異以及第二差異，構(gòu)建對應運動狀態(tài)的瞬時函數(shù)，并基于所述瞬時函數(shù)向?qū)\動組合狀態(tài)設置卡頓系數(shù)，其中，所述運動組合狀態(tài)包含兩種不同的運動狀態(tài)；

38、將所述卡頓系數(shù)賦予到對應運動組合狀態(tài)的每個運動狀態(tài)上；

39、將賦予結(jié)果與每個預設程序下的狀態(tài)組合順序進行對照，并對相應預設程序下的磁異常識別結(jié)果補充分析。

40、優(yōu)選的，對所有磁異常識別結(jié)果基于初始擺放圖進行結(jié)果擺放分析，包括：

41、對所述初始擺放圖中真目標與假目標的鎖定位置，來將每次順序運動下的磁異常識別結(jié)果與對應鎖定位置一一對應放置，得到初始識別矩陣，并按照位置相對關(guān)系對所述初始識別矩陣進行標準化處理；

42、按照每個預設程序下每個運動狀態(tài)對所述初始擺放圖的覆蓋線段，同時，對所述初始擺放圖中真目標與假目標進行位置鎖定；

43、根據(jù)相鄰兩個覆蓋線段的銜接線段下的鎖定目標，且結(jié)合對應運動組合狀態(tài)下的卡頓系數(shù)，對相應鎖定目標的鎖定位置的標準化結(jié)果進行調(diào)整，并對每列向量進行平均值計算，得到最終識別結(jié)果。

44、與現(xiàn)有技術(shù)相比，本技術(shù)的有益效果如下：

45、通過讓預搭載平臺按不同預設程序運動并采集數(shù)據(jù)，能獲取多視角、多運動狀態(tài)下的磁場數(shù)據(jù)，豐富了數(shù)據(jù)維度，為后續(xù)準確識別磁異常目標提供更全面的數(shù)據(jù)基礎(chǔ)。多特征融合深度學習模型能充分挖掘磁異常數(shù)據(jù)不同方面的特征，多序列特征提取和多維特征融合使模型對磁異常數(shù)據(jù)的理解更全面、深入，提高了磁異常目標識別的準確率和可靠性。

46、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明書以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

47、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。