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。