一种基于支持向量机的航空磁异常OBF分解检测方法

一种基于支持向量机的航空磁异常obf分解检测方法
技术领域
1.本技术涉及材料能量学领域，具体而言，涉及一种基于支持向量机的航空磁异常obf分解检测方法。


背景技术：

2.航空平台搭载磁探仪探测水下目标磁异常信号是航空局域定位探测的重要手段。随着磁探仪灵敏度和磁补偿技术的提升，航空磁探的探测距离和搜索能力也相应增加。当磁异常信号较大、信噪比较高时，可以直接将磁信号的幅值作为检测量进行检测，但是随着探测距离的增大，信号强度减弱，信噪比降低，磁信号幅值不能有效进行检测，此时需要从背景噪声特征和目标特征两方面着手来对磁异常信号进行检测。
3.在针对目标特征的检测方法中，最具代表性的是俄罗斯的ginzburg研究团队提出的标准正交基函数obf(orthonormal basis functions)分解检测方法，该方法对加性高斯白噪声是最优的，因此在实际使用过程中需要对背景噪声进行滤波和白化处理，以到达更好的处理效果；国内海军工程大学张坚等人在obf分解检测方法的基础上提出了基于小波域和bp网络信号增强的磁异常信号检测算法，通过先提升信噪比或改变背景噪声特征的方法，提高磁异常检测能力；海军航空大学李启飞等人在obf分解检测方法的基础上提出了变尺度正交基分解方法，在检测过程中加入了对cpa距离的估计，提升了磁异常检测能力。
4.obf分解的磁异常检测方法以及其改进的方法的检测统计量都是三个正交基函数分解系数的平方和。该方法优点有较好的遍历性，但是平方和作为检测统计量时，相当于三个正交基函数分解系数的比重是一致的，实际情况三个系数的比重是不一致的，因此将平方和作为检测统计量，忽略了三个分解系数的内在关系，从而导致在低信噪比情况下存在较高的虚警率。


技术实现要素：

5.为了利用三个分解系数的内在关系提升检测能力，本发明目的是利用支持向量机学习识别的方法，对航空磁探测信号的背景噪声和目标信号的三个正交基分解系数进行学习，通过机器学习优化obf分解各个系数在检测统计量的比重，从而实现基于支持向量机的航空磁异常的obf分解检测，从而提升航空磁异常检测能力。利用实测背景噪声和仿真目标信号对该方法进行了试验验证，结果表明该方法可以有效提高obf分解检测方法的检测效率
6.为了实现上述目的，本发明提供了一种基于支持向量机的航空磁异常obf分解检测方法，包括：
7.基于待测区域，采集待测区域中飞行目标的数据参数以及飞行目标对应的水下目标的相对位置参数，通过获取飞行目标所处的测区环境地磁场的地磁场矢量表达式，以及，水下目标所处的水下环境的水下目标磁矩矢量表达式，构建初始航空标量磁探测模型，初始航空标量磁探测模型用于获得第一航空磁异常信号；
8.通过提取初始航空标量磁探测模型的三个正交基函数，并根据每个正交基函数的加权系数，获得用于支持向量机的分类特征；
9.基于目标数据以及目标数据对应的背景噪声数据，构建学习目标样本；
10.基于分类特征和学习目标样本，并通过支持向量机函数，构建航空标量磁探测模型，其中，航空标量磁探测模型用于基于第一航空磁异常信号，获得第二航空磁异常信号。
11.优选地，在构建初始航空标量磁探测模型的过程中，通过采集地理北坐标、地理东坐标以及垂直xoy面坐标构建三维直角坐标系，获取飞行目标的数据参数以及相对位置参数，其中，三维直角坐标系为右手螺旋坐标系。
12.优选地，在构建初始航空标量磁探测模型的过程中，地磁场矢量表达式为：
[0013][0014]
其中，是坐标轴的单位矢量，i为地磁倾角，φ为磁北方向与地理北的夹角，f为地磁场强度，f
x
为x轴方向的地磁场强度，f
y
为y轴方向的地磁场强度，f
z
为z轴方向的地磁场强度。
[0015]
优选地，在构建初始航空标量磁探测模型的过程中，水下目标磁矩矢量表达式为：
[0016][0017]
其中，i
m
为磁矩倾角，φ
m
为磁矩偏角，即磁矩m在xoy面上的投影与地理北的夹角，m为总磁矩大小，m
x
为x轴方向的总磁矩大小，m
y
为y轴方向的总磁矩大小，m
z
为z轴方向的总磁矩大小。
[0018]
优选地，在构建初始航空标量磁探测模型的过程中，还包括获取水下目标在传感器处产生的磁场：
[0019][0020]
其中，r2＝x2+y2+z2，μ0为海水的介电常数。
[0021]
优选地，在构建初始航空标量磁探测模型的过程中，初始航空标量磁探测模型的表达式为：
[0022][0023]
其中b表示目标磁场，b
e
表示地磁场，m表示磁矩，r表示目标到测量点的距离。
[0024]
优选地，在获得用于支持向量机的分类特征的过程中，三个正交基函数分别为：
[0025][0026]
[0027][0028]
式中其中，u表示特征长度，r0表示目标距离航线的斜距，t表示时间，t0表示距离最近的时刻点，v表示航空平台运动速度。
[0029]
优选地，在构建学习目标样本的过程中，背景噪声数据的学习目标为y＝0，目标数据的学习目标为1。
[0030]
优选地，在构建航空标量磁探测模型的过程中，通过支持向量机svmtrain函数对分类特征和学习目标样本进行训练学习，得到训练分类器；
[0031]
通过支持向量机svmclassify函数和训练分类器，构建航空标量磁探测模型。
[0032]
优选地，第二航空磁异常信号的检测率高于第一航空磁异常信号的检测率；
[0033]
第二航空磁异常信号的虚警率低于第一航空磁异常信号的虚警率。
[0034]
本发明公开了以下技术效果：
[0035]
本发明提供的方法基于航空标量磁探测模型，利用支持向量机模式识别方法对背景噪声和目标的obf分解系数特征进行学习，通过机器学习优化obf分解各个系数在检测统计量的比重，进而通过支持向量机分类实现目标磁异常的检测。本发明利用实测背景噪声和仿真目标信号，构建了学习样本和测试样本，并对该方法进行了试验验证，结果表明该方法相比传统正交基分解检测方法，可以有效提高航空磁异常的检测率，降低虚警率。
附图说明
[0036]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1为本发明所述的方法流程图；
[0038]
图2为本发明所述的航空标量磁探测模型示意图；
[0039]
图3为本发明所述的水下目标磁场航空探测示意图；
[0040]
图4为本发明所述的目标磁信号数据样本(无背景噪声)示意图；
[0041]
图5为本发明所述的背景噪声数据样本(无目标)示意图；
[0042]
图6为本发明所述的含背景噪声的目标磁信号样本示意图。
具体实施方式
[0043]
下为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的
所有其他实施例，都属于本技术保护的范围。
[0044]
如图1
‑
6所示，本发明提供了一种基于支持向量机的航空磁异常0bf分解检测方法，包括：
[0045]
基于待测区域，采集待测区域中飞行目标的数据参数以及飞行目标对应的水下目标的相对位置参数，通过获取飞行目标所处的测区环境地磁场的地磁场矢量表达式，以及，水下目标所处的水下环境的水下目标磁矩矢量表达式，构建初始航空标量磁探测模型，初始航空标量磁探测模型用于获得第一航空磁异常信号；
[0046]
通过提取初始航空标量磁探测模型的三个正交基函数，并根据每个正交基函数的加权系数，获得用于支持向量机的分类特征；
[0047]
基于目标数据以及目标数据对应的背景噪声数据，构建学习目标样本；
[0048]
基于分类特征和学习目标样本，并通过支持向量机函数，构建航空标量磁探测模型，其中，航空标量磁探测模型用于基于第一航空磁异常信号，获得第二航空磁异常信号。
[0049]
进一步地，在构建初始航空标量磁探测模型的过程中，通过采集地理北坐标、地理东坐标以及垂直xoy面坐标构建三维直角坐标系，获取飞行目标的数据参数以及相对位置参数，其中，三维直角坐标系为右手螺旋坐标系。
[0050]
进一步地，在构建初始航空标量磁探测模型的过程中，地磁场矢量表达式为：
[0051][0052]
其中，是坐标轴的单位矢量，i为地磁倾角，φ为磁北方向与地理北的夹角，f为地磁场强度，f
x
为x轴方向的地磁场强度，f
y
为y轴方向的地磁场强度，f
z
为z轴方向的地磁场强度。
[0053]
进一步地，在构建初始航空标量磁探测模型的过程中，水下目标磁矩矢量表达式为：
[0054][0055]
其中，i
m
为磁矩倾角，φ
m
为磁矩偏角，即磁矩m在xoy面上的投影与地理北的夹角，m为总磁矩大小，m
x
为x轴方向的总磁矩大小，m
y
为y轴方向的总磁矩大小，m
z
为z轴方向的总磁矩大小。
[0056]
进一步地，在构建初始航空标量磁探测模型的过程中，还包括获取水下目标在传感器处产生的磁场：
[0057][0058]
其中，r2＝x2+y2+z2。μ0为海水的介电常数。
[0059]
优选地，在构建初始航空标量磁探测模型的过程中，初始航空标量磁探测模型的表达式为：
[0060]
[0061]
其中b表示目标磁场，b
e
表示地磁场，m表示磁矩，r表示目标到测量点的距离。
[0062]
进一步地，在获得用于支持向量机的分类特征的过程中，三个正交基函数分别为：
[0063][0064][0065][0066]
式中其中，u表示特征长度，r0表示目标距离航线的斜距，t表示时间，t0表示距离最近的时刻点，v表示航空平台运动速度。
[0067]
进一步地，在构建学习目标样本的过程中，背景噪声数据的学习目标为y＝0，目标数据的学习目标为1。
[0068]
进一步地，在构建航空标量磁探测模型的过程中，通过支持向量机svmtrain函数对分类特征和学习目标样本进行训练学习，得到训练分类器；
[0069]
通过支持向量机svmclassify函数和训练分类器，构建航空标量磁探测模型。
[0070]
进一步地，第二航空磁异常信号的检测率高于第一航空磁异常信号的检测率；
[0071]
第二航空磁异常信号的虚警率低于第一航空磁异常信号的虚警率。
[0072]
进一步地，用于实现航空磁异常obf分解检测方法的分解检测系统包括，
[0073]
第一信号获取模块，用于基于待测区域，采集待测区域中飞行目标的数据参数以及飞行目标对应的水下目标的相对位置参数，通过获取飞行目标所处的测区环境地磁场的地磁场矢量表达式，以及，水下目标所处的水下环境的水下目标磁矩矢量表达式，构建初始航空标量磁探测模型，初始航空标量磁探测模型用于获得第一航空磁异常信号；
[0074]
特征提取模块，用于通过提取初始航空标量磁探测模型的三个正交基函数，并根据每个正交基函数的加权系数，获得用于支持向量机的分类特征，以及用于基于目标数据以及目标数据对应的背景噪声数据，构建学习目标样本；
[0075]
第二信号获取模块，基于分类特征和学习目标样本，并通过支持向量机函数，构建航空标量磁探测模型，其中，航空标量磁探测模型用于基于第一航空磁异常信号，获得第二航空磁异常信号；
[0076]
显示模块，用于显示第二航空磁异常信号以及飞行目标的数据参数、飞行目标对应的水下目标的相对位置参数等；
[0077]
数据存储模块，用于存储系统数据。
[0078]
实施例1：本发明提出利用支持向量机学习识别的方法，对航空磁探测信号的背景噪声和目标信号的三个正交基分解系数进行学习，通过机器学习优化0bf分解各个系数在检测统计量的比重，从而实现基于支持向量机的航空磁异常的0bf分解检测，从而提升航空磁异常检测能力。利用实测背景噪声和仿真目标信号对该方法进行了试验验证，结果表明
该方法可以有效提高obf分解检测方法的检测效率。
[0079]
1、正交基obf分解检测方法
[0080]
正交基obf分解检测方法是将水下目标磁偶极子模型下的航空标量磁信号分解成三个正交基函数的加权和，利用这三个正交基函数obf分别对磁异常信号进行三个通道的卷积运算，得到三个obf分解系数，并将三个obf分解系数的平方和作为检测统计量的一种检测方法。
[0081]
1.1、航空标量磁探测模型
[0082]
航空标量磁探测模型是将水下目标磁场分布视为磁偶极子模型，计算飞机平台探测水下目标磁场过程中的标量磁场值。模型输入为目标磁矩、飞机相对运动参数，输出为飞机平台探测的目标标量磁场值。
[0083]
如图所示，建立三维直角坐标系，x轴指向地理北，y轴指向地理东，z轴垂直xoy水平面向下，组成右手螺旋坐标系。
[0084]
飞机沿直线路径飞行，速度为v
f
，位移为d，与水下目标的距离为r，假设t0时刻水下目标位于坐标原点o，飞机与其为最近距离r0，满足其中飞机的飞行高度或与水下目标的垂直距离为h，飞机在xoy面上的投影与水下目标的距离为s，满足
[0085]
假设测区环境地磁场为f，则地磁场矢量表达式为：
[0086][0087]
其中，是坐标轴的单位矢量，i为地磁倾角，φ为磁北方向与地理北(x轴)的夹角，f为地磁场强度，f
x
为x轴方向的地磁场强度，f
y
为y轴方向的地磁场强度，f
z
为z轴方向的地磁场强度。
[0088]
水下目标磁矩矢量为m，则磁矩矢量表达式为：
[0089][0090]
其中，i
m
为磁矩倾角，
‑
m为磁矩偏角，即磁矩m在xoy面上的投影与地理北(x轴)的夹角，m为总磁矩大小，mx为x轴方向的总磁矩大小，m
y
为y轴方向的总磁矩大小，m
z
为z轴方向的总磁矩大小。
[0091]
假设将水下目标磁矩认为是磁偶极子，水下目标在传感器处产生的磁场为：
[0092][0093]
其中，r2＝x2+y2+z2。
[0094]
航空平台搭载磁力仪从水下目标上方经过，测量水下目标的航空磁异常信号，如图2
‑
3所示，受航空平台姿态变化等因素的影响，航空平台主要搭载标量磁力仪。磁性目标的磁场相比地磁场b
e
为小量，因此标量磁力仪对于磁偶极子目标的测量信号s可以表达为：
[0095]
[0096]
1.2、正交基函数obf分解
[0097]
根据公式(4)进行理论推导，可以得到航空标量磁力仪的测量信号s可以表示为：
[0098][0099]
进而推导3个正交基函数表达式为：
[0100][0101][0102][0103]
式中
[0104]
3个正交的基函数设置采用频率为10hz，时长为2min。
[0105]
2、基于支持向量机obf分解检测方法
[0106]
支持向量机(support vector machine，svm)是一类监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。在机器学习领域，通常用于模式识别、分类和线性回归分析中。
[0107]
正交基分解检测方法优点在于利用了目标信号的磁偶极子模型特征，对目标磁特性参数的有较好的遍历性，但是由于利用三通道加权系数的平方和作为检测统计量，忽略了三个通道加权系数作为独立特征对检测效率的贡献。将三通道加权系数作为支持向量机分类特征，可以有效发挥各个通道的检测作用。实现步骤如下：
[0108]
2.1、构建分类特征和学习目标样本
[0109]
为了更好的发挥支持向量机的多特征分类优势，将三个obf分解系数构成的支持向量机分类特征空间，利用背景噪声数据和目标数据构建支持向量机分类特征样本x和学习目标样本y。
[0110][0111]
x1，x2，x3为三个obf分解系数。背景噪声数据学习目标为y＝0，目标数据学习目标为1。
[0112]
2.2、学习训练分类器
[0113]
利用matlab支持向量机svmtrain函数对分类特征和学习目标样本进行训练学习，得到训练分类器。
[0114]
2.3、利用分类器对磁异常信号进行检测
[0115]
利用matlab支持向量机svmclassify函数和训练得到的分类器对测试样本进行分类，实现磁异常信号检测。
[0116]
2.4、试验验证
[0117]
利用航空标量磁探测模型，对目标仿真信号进行，共构造目标仿真信号20个。这些信号为无背景噪声的目标磁数据样本，其中一个如图4所示。
[0118]
选取实测背景噪声数据400组，其中一组如图5所示；
[0119]
利用200组实测背景数据与20个目标仿真数据随机组合，构建200个含背景噪声的目标磁信号数据样本，其中100个作为学习样本，100个作为测试样本。其中一个样本如图6所示。
[0120]
选取剩余的200个背景噪声样本，其中100个作为学习样本，100个作为测试样本。
[0121]
利用本发明提出基于支持向量机的航空磁异常检测方法，利用200个学习样本对支持向量机进行学习，得到三个obf分解系数的联合检测阈值，然后对200个测试样本进行分类检测，如表1所示。
[0122]
表1
[0123][0124]
对表1进行统计分析得出，传统正交基分解检测方法的检测率65％，虚警率21％；基于支持向量机检测方法的检测率72％，虚警率14％。实验结果分析表明，基于支持向量机的航空磁异常检测方法与传统正交基检测方法相比，不仅可以提高检测率，也可以有效减小虚警率。
[0125]
本发明针对传统航空磁异常obf分解检测方法低信噪比情况下虚警率较高的问题，提出了基于支持向量机的航空磁异常检测方法。该方法基于航空标量磁探测模型，利用支持向量机模式识别方法对背景噪声和目标的obf分解系数特征进行学习，通过机器学习优化obf分解各个系数在检测统计量的比重，进而通过支持向量机分类实现目标磁异常的检测。本发明利用实测背景噪声和仿真目标信号，构建了学习样本和测试样本，并对该方法进行了试验验证，结果表明该方法相比传统正交基分解检测方法，可以有效提高航空磁异常的检测率，降低虚警率。
[0126]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0127]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。