基于磁梯度张量的磁目标模式识别方法

针对目前地下小型磁目标形状识别局限于磁测数据的反演,受测量精度影响大,识别效果不理想的问题,提出了基于磁梯度张量和支持向量机的地下磁目标模式识别方法。该方法将机器学习的方法引入地下磁目标识别领域,利用量子粒子群改进的支持向量机(QPSO-SVM)识别地下小目标的形状。同时从样本信号中计算并分离出基于磁梯度张量矩阵的9个特征量联合识别磁目标,并对磁异常数据进行化极和延拓处理,提高了数据质量,使数据特征更突出。仿真和实验结果证明,本方法克服了重磁数据正、反演过程中大量的公式推导和计算,降低了对磁测数据精度的依赖,提高了识别正确率。     

基于波数域上Fourier变换的磁异常信号处理

针对不同使用目的所需的磁异常信号数据的采集和处理,和目前空间域处理方法的精度不足等问题,提出了对空间 域的磁异常数据进行频谱分析后,在波数域上推导TMI、磁场三矢量和磁梯度张量等数据之间关系的解析方法,并在实验数据中填充插值算法,得到了噪声更小、更清晰、分辨率更高的磁异常信号数据,有利于之后的磁异常解释和应用。首先介绍了空间域上的推导公式,然后简述已经在波数域上建立的数学框架,着重推导波数域上不同磁异常数据的变换关系,并用反距离加权算法对采集的实验数据进行处理,以取得圆滑的网格。最后对实测数据的处理证明,相较于空间域上的推导和解释,本方法可以得到质量更好的磁异常数据。     

利用磁梯度张量识别地下小型目标体

针对地下小型磁性目标体提出基于磁梯度张量和支持向量机（SVM）的形状识别方法。首先利用不同形状、不同姿态的地下目标体磁异常模型，建立磁梯度数据样本库；然后分析并选取磁梯度张量矩阵的9个属性参量，构造支持向量机模式识别的特征向量；最后建立基于量子粒子群算法的支持向量机（QPSO-SVM）识别模型，对测试数据进行模式识别。仿真和实验证明利用本文方法能够有效识别地下小型目标体的形状，识别准确率达到90%以上。