基于深度学习的复杂观测条件下工频磁异常探测

复杂观测条件下使用工频磁场探测人员、车辆、飞行目标等多类型目标造成的磁场扰动时,受到复杂环境下电磁噪声、供电设备及外来物体扰动等影响,工频磁场扰动信号具有噪声多、干扰强等特征,为有效削弱噪声及干扰对工频磁场扰动信号的影响,实现工频磁场扰动探测,该文利用实验数据对复杂观测条件下的磁场扰动信号进行特征分析,提出了一种基于深度学习的工频磁场异常探测方法,通过提取正常状态与有扰动状态的信号序列,将该信号输入神经网络训练,得到准确检测工频磁场异常信号的网络模型。实验结果表明,该方法的识别准确率在80%以上。     

基于改进卷积神经网络的工频水下磁目标探测

针对工频水下磁目标信号特征提取难、目标数据样本少、识别精度低等问题，提出一种基于深度卷积生成对抗网络(DCGAN)与优化卷积神经网络(CNN)相结合的水下工频磁目标识别方法。该方法通过滑动时间窗将信号由一维时序空间映射到二维灰度值图像，将实测水下磁异常信号利用DCGAN进行数据增强，之后构建卷积神经网络并引入DY-ReLU动态激活函数对CNN网络结构进行优化，以达到对目标信号的分类识别的目的。实验结果表明，经由数据增强的网络模型识别率提高了10%;相较于其他常用的静态激活函数，优化的CNN识别率分别提高了4.5%、4%、3%和2.5%,识别精度达到92.5%。验证了该方法的有效性，为水下磁异常检测提供一种新思路。     

基于CNN-LSTM混合模型的工频磁扰动信号预测

传统的磁探测技术难以满足铁磁性目标探测需求,一种新型高性能、实用性探测技术—工频(50 Hz)探测,正成为目标探测领域发展的新趋势。针对工频磁扰动信号中时序特征的预测问题,该文在工频磁探的基础上,提出一种基于卷积神经网络(CNN)和长短时记忆网络(LSTM)的混合模型。首先,以工频磁扰动信号作为输入送入卷积层;其次,将卷积层提取到的磁场强度、时间等特征信息送入LSTM层中进行拟合和预测;最后,利用金沙河地区外场实验数据作为样本集,对模型进行训练和验证。实验结果表明,CNN-LSTM混合模型与单一的LSTM模型相比,均方根误差(R_RMSE)和平均绝对百分比误差(M_MAPE)分别降低了3.81%和0.94%,能够较好地解决磁扰动信号存在的时序特征问题。