一種基於ε‑SVR算法的航磁梯度幹擾的去除方法與流程

2023-10-23 15:02:27

本發明涉及地球物理航磁勘探領域，尤其是涉及一種基於ε-SVR算法的無人機航磁梯度幹擾去除方法。

背景技術：

航磁勘探作為一種重要的航空物探手段在地球物理領域獲得廣泛的應用。傳統的航磁勘探平臺以有人機為主，近十年，隨著無人機技術的發展，無人機被廣泛的應用到航空磁法勘探領域，無人機相比於有人機，具有廉價、高效、安全等顯著優點。但無人機由於飛機尺寸較小，探頭間基線較短等原因，導致航磁梯度數據中，飛機的幹擾磁場非常顯著，嚴重影響了航磁勘探的數據質量和最終成圖效果。因此，有效的去除飛機幹擾磁場的影響在航磁梯度測量中具有重要的意義。

目前國內在航磁勘探領域主要使用的是國外的磁補償設備，如RMS公司的AADC系列磁補償儀，PICO公司的航磁補償設備。上述補償設備的補償算法基於傳統的航磁補償算法設計。該算法其特點在於先將光泵磁力儀和磁通門磁力儀採集到的數據通過一個低通濾波器，濾除部分和飛機磁幹擾不相關的噪聲，其後通過最小二乘算法，達到去除飛機幹擾磁場的目的。

現有的無人機航磁勘探補償存在如下幾點缺陷：

(1)目前，無人機航磁的航磁補償方法主要延續有人機的磁補償方法，但是常見無人機的飛行高度有限，無法實現3000米飛行高度的高飛。

同時常見無人機在搭載一定的載荷後機動性較差，無法實現標準標定飛行中的橫滾、俯仰、偏航等機動飛行，因此為有人機設計的標定飛行無法應用在常見無人機上。

(2)傳統的航磁補償模型中存在復共線性的問題，最小二乘算法不能較好的解決該問題。

技術實現要素：

鑑於現有方案存在的問題，為了克服上述現有技術方案的不足，本發明提出了一種基於ε-SVR算法的無人機航磁梯度幹擾去除方法。

根據本發明的一個方面，提供了一種基於ε-SVR算法的航磁梯度幹擾的去除方法，包括：基於ε-SVR算法獲得針對飛行器本身幹擾的補償模型；獲得飛行器勘探數據；以及使用所述補償模型對勘探數據進行補償，以去除飛行器幹擾磁場的影響。

從上述技術方案可以看出，本發明具有以下有益效果：

(1)無人機航磁梯度幹擾去除方法採用全新的基於ε-SVR算法，有效的實現無人機低空標定飛行，有效的避免航磁補償模型中的復共線性對補償結果的惡化。

(2)對信號數據進行二進小波處理，去除和飛機機動不相干的幹擾，且信號相位不存在畸變。

附圖說明

圖1為本發明實施例基於ε-SVR算法的無人機航磁梯度幹擾去除方法的流程圖；

圖2為圖1中獲得補償模型的流程圖；

圖3為圖2中ε-SVR算法具體操作的流程圖；

圖4為勘探飛行中梯度數據補償前後成圖對比圖。

具體實施方式

本發明某些實施例於後方將參照所附附圖做更全面性地描述，其中一些但並非全部的實施例將被示出。實際上，本發明的各種實施例可以許多不同形式實現，而不應被解釋為限於此數所闡述的實施例；相對地，提供這些實施例使得本發明滿足適用的法律要求。

為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，並參照附圖，對本發明進一步詳細說明。

本領域中，標定飛行是指在進行航磁勘探飛行前，對飛機的幹擾磁場進行建模擬合的過程。具體操作，首先將飛行平臺飛行到一定高度，完成四個正交航向的飛行，採用磁補償算法對飛行中獲得的數據進行建模，從而擬合飛機的幹擾磁場。

本發明實施例提供了一種基於ε-SVR算法的無人機航磁梯度幹擾去除方法，其基於ε-SVR算法在標定飛行中獲得針對飛機本身幹擾的補償模型，將該補償模型應用於勘探飛行獲得航磁勘探數據，獲得補償後的航磁梯度數據。

具體的本發明實施例提供的一種基於ε-SVR算法的無人機航磁梯度幹擾去除方法包括以下步驟，如圖1所示：

S101，在無人機標定飛行中基於ε-SVR算法獲得針對無人機本身幹擾的補償模型。

採用該方法獲得補償模型的特點在於利用機器學習的方法，將標定飛行視為學習過程，利用ε-SVR算法求取回歸超平面，利用ε-SVR算法基於結構風險最小化的特點，可以有效的解決航磁補償模型中的復共線性問題，本發明中無人機的標定飛行可以為低空飛行，且無需無人機實施橫滾、俯仰、偏航等大機動飛行動作。

S102，在無人機勘探飛行中獲得勘探數據；

該勘探數據包括：航磁勘探梯度數據、無人機本身幹擾數據以及與飛機機動不相干的幹擾數據。

S103，針對獲得的勘探數據進行二進小波處理；

對勘探數據進行二進小波處理可以去除和無人機機動不相關的幹擾，如高頻電噪聲等；並且不會帶來數據信號相位的畸變。經二進小波處理後，勘探數據僅包括航磁梯度數據和無人機本身幹擾數據。

S104，使用S101中獲得補償模型對勘探數據進行補償。

採用補償模型對經二進小波處理的勘探數據進行補償，去除無人機本身幹擾數據，獲得準確的航磁梯度數據。

本實施例中，步驟S101具體包括，如圖2所示：

S201：在無人機標定飛行中獲得標定數據；

該勘探數據包括標定勘探梯度數據、無人機本身幹擾數據以及與飛機機動不相干的幹擾數據。

S202：針對獲得的標定數據進行二進小波處理；

對標定數據進行二進小波處理可以去除和無人機機動不相關的幹擾，如高頻電噪聲等，並且不會帶來數據信號相位的畸變。經二進小波處理後，勘探數據僅包括航磁梯度數據和無人機本身幹擾數據。

S203：對經過二進小波處理的標定數據進行降採樣處理；

由於ε-SVR算法對小規模樣本有很好的學習泛化能力，對降採樣處理後的標定數據進行ε-SVR算法處理可以顯著加快算法的處理效率。

S204：對降採樣處理後的標定數據進行ε-SVR算法處理獲得補償模型。

如圖3所示，本步驟的具體操作如下：

S301：將降採樣處理後的標定數據帶入到原始優化問題；

原始優化問題的表達式如式(1)所示。

其中w是超平面的擬合係數，C為懲罰參數，ξi和為弛豫參數，b為超平面的截距，ε為超平面可以容忍的數據波動範圍，Gdi為第i個樣本點飛機的幹擾磁場對磁總場梯度數據的影響數值，可由光泵磁力儀測得，s.t.表示約束條件。

值得注意的是，懲罰參數將航磁異常信號作為異常點剔除在回歸問題以外，有效的解決了無人機無法高飛和完成大角度機動飛行的問題。

令為第i個樣本點的磁通門的測量值形成的特徵矩陣，對於第i個樣本點，cos Xi，cos Yi，cos Zi為方向餘弦，(cos Xi)，(cos Yi)，(cos Zi)為方向餘弦對時間的導數，其中：

cos Xi＝Ti/Hei

cos Yi＝Li/Hei

cos Zi＝Vi/Hei

Ti、Li和Vi為該第i個樣本點的磁通門的測量值，

核函數可以將內積運算映射到高維空間，並在高維空間實現超平面的求取，

在航磁梯度補償問題中，核函數可以選用指數形式，其映射方式如下式(3)所示。

本實施中合理的選擇核函數的映射方式Φ(Ai)，可以獲得優秀的補償效果。在一定程度上彌補了補償模型中可能存在高階幹擾及部分非線性的問題。特徵矩陣Ai的非線性映射如式(2)所示。

S302：將原始優化問題，轉換為對偶優化問題；

利用拉格朗日乘子法可以將原始優化問題寫成如式(4)所示。

通過求解上式的偏導數，並令其為零可得如式(5)所示。

其中ηi為中間變量，將式(5)代入式(4)，可以獲得原始優化問題的對偶優化問題如式(6)所示。

其中αi和為對偶優化問題的待求解。

S303：求解對偶問題，獲得補償模型。

通過求解對偶問題，獲得原始優化問題的回歸超平面，獲得補償模型如式(7)所示。

其中A為待補償樣本點的特徵矩陣，f(A)為擬合的幹擾磁場。

圖4為勘探飛行中，梯度數據補償前後成圖對比結果，圖4(a)和圖4(b)為現有的垂直梯度和水平梯度數據的直接成圖，可見圖中存在明顯的波紋和條帶，圖4(c)和圖4(d)是採用本發明實例中的方法處理後的成圖結果，可見波紋和條帶被移除，航磁異常清晰可見。儘管本發明實施例對標定數據進行了二進小波處理和降採樣處理，勘探數據進行了二進小波處理，但該些步驟並不是必須的，本領域技術人員可以根據特定情形省略該些步驟。

需要說明的是，本發明中的基於ε-SVR算法的航磁梯度幹擾的去除方法，並非僅用於實施例中的無人機的情形，還可以用於其他飛行器進行勘探的情形。

還需要說明的是，本文可提供包含特定值的參數的示範，但這些參數無需確切等於相應的值，而是可在可接受的誤差容限或設計約束內近似於相應值。

需要說明的是，在附圖或說明書正文中，未繪示或描述的實現方式，均為所屬技術領域中普通技術人員所知的形式，並未進行詳細說明。此外，上述對各元件和方法的定義並不僅限於實施例中提到的各種具體結構、形狀或方式，本領域普通技術人員可對其進行簡單地更改或替換，例如：

(1)除非特別描述或必須依序發生的步驟，上述步驟的順序並無限制於以上所列，且可根據所需設計而變化或重新安排。

(2)ε-SVR算法處理可以使用不同類型的核函數，如線性核函數來替代本文中所描述的核函數。

(3)ε不敏感損失函數和懲罰參數可以依據實際數據，使用不同的函數和數值來代替。

以上所述的具體實施例，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，應理解的是，以上所述僅為本發明的具體實施例而已，並不用於限制本發明，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。