(19)國家知識產(chǎn)權(quán)局地址100083北京市海淀區(qū)成府路35號院西樓4層408室(72)發(fā)明人汪孝文陳凡浩張杰賴林張馳張春生劉碩事務(wù)所(普通合伙)16274基于多序列特征提取與多維特征融合的磁本發(fā)明提供了基于多序列特征提取與多維假目標的初始擺放圖匹配的預(yù)設(shè)程序集循環(huán)運度下的特征信息，構(gòu)建多特征融合深度學(xué)習(xí)模e88a21.基于多序列特征提取與多維特征融合的磁異常識別方法，其特征在于，包括：步驟1:當擺放好真目標與假目標之后控制預(yù)搭載平臺按照與所述真目標與假目標的初始擺放圖匹配的預(yù)設(shè)程序集循環(huán)運動，同時，在所述預(yù)搭載平臺運動過程中啟動磁學(xué)傳感器實時采集周圍磁場數(shù)據(jù)，并分別存儲基于每個預(yù)設(shè)程序下的原始磁場數(shù)據(jù)，其中，所述設(shè)程序下的狀態(tài)組合順序不同；步驟2:采用小波變換與稀疏表示理論，對每個預(yù)設(shè)程序下的原始磁異常數(shù)據(jù)進行多尺度分解，提取不同尺度下的特征信息；步驟3:構(gòu)建多特征融合深度學(xué)習(xí)模型，并分別對每個預(yù)設(shè)程序下的特征信息進行多序列特征提取以及多維特征融合，得到磁異常識別結(jié)果；步驟4:對所有磁異常識別結(jié)果基于初始擺放圖進行結(jié)果擺放分析，得到最終識別結(jié)果并輸出。2.根據(jù)權(quán)利要求1所述的基于多序列特征提取與多維特征融合的磁異常識別方法，其將涉及到的運動狀態(tài)進行連續(xù)運動，構(gòu)建第一運動順序；將涉及到的運動狀態(tài)進行非連續(xù)運動，構(gòu)建第二運動順序；基于所述第一運動順序以及第二運動順序，構(gòu)成循環(huán)運動；向每個運動順序配置相應(yīng)的預(yù)設(shè)程序，得到基于所述循環(huán)運動的預(yù)設(shè)程序集；其中，每個運動狀態(tài)都存在預(yù)先設(shè)定好的運動軌跡程序，且所述運動軌跡程序與所述初始擺放圖相關(guān)。3.根據(jù)權(quán)利要求1所述的基于多序列特征提取與多維特征融合的磁異常識別方法，其基于設(shè)定的不同運動狀態(tài)下的標準運動曲線，且所述標準運動曲線中每個運動點的運動速度得到每個運動狀態(tài)下的環(huán)境噪聲干擾系數(shù)；對所有環(huán)境噪聲干擾系數(shù)進行由大到小的排序得到第一子順序；獲取設(shè)定的不同運動狀態(tài)下的標準運動曲線的首點的第一矢量以及尾點的第二矢量，對所述第一矢量以及第二矢量進行單獨計算得到第三矢量，其中，所述第三矢量包括：矢量方向和矢量大??；對所有運動狀態(tài)下的矢量大小進行由大到小的排序，得到第二子順序；對所有運動狀態(tài)下的矢量方向以y軸為基準線進行順時針排序，得到第三子順序；將所有首點作為第一原點并進行重疊放置，對所有第一矢量進行全局計算得到第四矢量，根據(jù)所述第四矢量與每個第一矢量的角度差異以及長度差異向每個第一矢量賦予第一系數(shù)，并對所有第一系數(shù)進行由大到小的排序，得到第四子順序；將所有尾點作為第二原點并進行重疊放置，對所有第二矢量進行全局計算得到第五矢量，根據(jù)所述第五矢量與每個第二矢量的角度差異以及長度差異向每個第二矢量賦予第二系數(shù)，并對所有第二系數(shù)進行由大到小的排序，得基于所述第一子順序、第二子順序、第三子順序、第四子順序以及第五子順序，構(gòu)成第一運動順序。4.根據(jù)權(quán)利要求1所述的基于多序列特征提取與多維特征融合的磁異常識別方法，其3特征在于，所述特征信息包括：時域特征、圖像特征以及頻域特征。5.根據(jù)權(quán)利要求1所述的基于多序列特征提取與多維特征融合的磁異常識別方法，其特征在于，構(gòu)建多特征融合深度學(xué)習(xí)模型，包括：對歷史磁異常數(shù)據(jù)進行特征提取，分為歷史時域特征和歷史頻域特征，使用循環(huán)神經(jīng)網(wǎng)絡(luò)對不同尺度的歷史磁異常數(shù)據(jù)的特征進行建模和卷積骨干網(wǎng)絡(luò)處理，得到第一特征域數(shù)據(jù)；對歷史磁異常數(shù)據(jù)的時頻圖像的圖像特征進行二維卷積骨干神經(jīng)網(wǎng)絡(luò)處理，得到第二特征域數(shù)據(jù)；基于插值法使同個歷史磁異常數(shù)據(jù)下的特征域數(shù)據(jù)在時間和空間維度上對齊，并映射到統(tǒng)一特征空間，結(jié)合注意力進制增強對重要區(qū)域和重要特征的關(guān)注，實現(xiàn)數(shù)據(jù)融合；對融合后的數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)目標識別，加入自適應(yīng)優(yōu)化算法，引入自適應(yīng)權(quán)重分配機制與動態(tài)學(xué)習(xí)率調(diào)整策略，根據(jù)訓(xùn)練過程中數(shù)據(jù)的難易程度和模型表現(xiàn)自動優(yōu)化網(wǎng)絡(luò)參數(shù)，直到滿足設(shè)定標準，得到多特征融合深度學(xué)習(xí)模型。6.根據(jù)權(quán)利要求5所述的基于多序列特征提取與多維特征融合的磁異常識別方法，其特征在于，在基于插值法使同個歷史磁異常數(shù)據(jù)下的特征域數(shù)據(jù)在時間和空間維度上對齊對第一特征域數(shù)據(jù)進行時間排序，鎖定缺失時間點；若缺失時間點的數(shù)量為0,此時，保持所述第一特征域數(shù)據(jù)不變；若缺失時間點的數(shù)量為多個，此時，鎖定與每個缺失時間點存在時間距離最近的第一數(shù)據(jù)、第二近的第一數(shù)據(jù)以及第三近的第一數(shù)據(jù)；統(tǒng)計所述第一數(shù)據(jù)與第二數(shù)據(jù)之間的缺失時間點的第一數(shù)量、第二數(shù)據(jù)與第三數(shù)據(jù)之間的缺失時間點的第二數(shù)量，同時，統(tǒng)計時間排序后的數(shù)據(jù)中存在的第一缺失連續(xù)頻次；基于所述第一數(shù)據(jù)、第二數(shù)據(jù)、第三數(shù)據(jù)的平均值，計算對應(yīng)缺失時間點的數(shù)據(jù)，并進行一次插值。7.根據(jù)權(quán)利要求1所述的基于多序列特征提取與多維特征融合的磁異常識別方法，其特征在于，在對所有磁異常識別結(jié)果基于初始擺放圖進行結(jié)果擺放分析之前，包括：捕捉所述預(yù)搭載平臺在不同預(yù)設(shè)程序下基于每個運動狀態(tài)的實際運動過程參數(shù)集以及標準運動過程參數(shù)集，確定運動差異；獲取每個預(yù)設(shè)程序下相鄰兩個運動狀態(tài)中第一個運動狀態(tài)的第二矢量與第二個運動狀態(tài)的第一矢量的第一差異以及第二個運動狀態(tài)的第一矢量與第二矢量的第二差異；基于同個運動狀態(tài)下的運動差異、第一差異以及第二差異，構(gòu)建對應(yīng)運動狀態(tài)的瞬時函數(shù)，并基于所述瞬時函數(shù)向?qū)?yīng)運動組合狀態(tài)設(shè)置卡頓系數(shù)，其中，所述運動組合狀態(tài)包含兩種不同的運動狀態(tài)；將所述卡頓系數(shù)賦予到對應(yīng)運動組合狀態(tài)的每個運動狀態(tài)上；將賦予結(jié)果與每個預(yù)設(shè)程序下的狀態(tài)組合順序進行對照，并對相應(yīng)預(yù)設(shè)程序下的磁異常識別結(jié)果補充分析。8.根據(jù)權(quán)利要求7所述的基于多序列特征提取與多維特征融合的磁異常識別方法，其特征在于，對所有磁異常識別結(jié)果基于初始擺放圖進行結(jié)果擺放分析，包括：對所述初始擺放圖中真目標與假目標的鎖定位置，來將每次順序運動下的磁異常識別4結(jié)果與對應(yīng)鎖定位置一一對應(yīng)放置，得到初始識別矩陣，并按照位置相對關(guān)系對所述初始識別矩陣進行標準化處理；按照每個預(yù)設(shè)程序下每個運動狀態(tài)對所述初始擺放圖的覆蓋線段，同時，對所述初始擺放圖中真目標與假目標進行位置鎖定；根據(jù)相鄰兩個覆蓋線段的銜接線段下的鎖定目標，且結(jié)合對應(yīng)運動組合狀態(tài)下的卡頓系數(shù)，對相應(yīng)鎖定目標的鎖定位置的標準化結(jié)果進行調(diào)整，并對每列向量進行平均值計算，得到最終識別結(jié)果。5基于多序列特征提取與多維特征融合的磁異常識別方法技術(shù)領(lǐng)域[0001]本發(fā)明涉及磁目標探測技術(shù)領(lǐng)域，特別涉及基于多序列特征提取與多維特征融合的磁異常識別方法。背景技術(shù)[0002]磁目標探測基于磁性目標物本身帶來的地磁場擾動異常來進行識別和定位，探測平臺搭載磁力儀采集磁場數(shù)據(jù)，集成智能識別模塊和相關(guān)算法，對磁場變化進行磁異常的檢測識別和定位計算，區(qū)分出磁異常，進而確定為磁性目標物。[0003]磁異常曲線圖是磁目標勘探中用來展示沿著特定測線或路徑上測量到的地磁場強度相對于正常地磁場強度的偏差。這種圖形表現(xiàn)形式能夠直觀地揭示磁性物體的位置、形狀、產(chǎn)狀以及可能的分布信息。磁異常曲線圖通常包含以下幾個關(guān)鍵要素：橫坐標：代表測量點沿測線的地理位置或距離，可以是直線距離、經(jīng)緯度或其他地理參照系統(tǒng)中的位置指標。[0004]縱坐標：表示磁異常值，即實測地磁場強度減去該地區(qū)的理論地磁場強度(正常場),單位通常是納特(nT)。正值表示磁場增強，負值表示減弱。[0005]曲線形態(tài)：磁異常曲線的形狀能夠反映磁性物體的特性。例如，簡單的磁性體如圓[0006]如圖1所示，為理想情況下的磁異常曲線部分截圖，信噪比較好，而且是磁力儀近距離測試。在航空測量中，磁力儀距離目標物較遠，且由于載體自身的原因，動態(tài)噪聲比較大，目標物信號淹沒在地質(zhì)體的大背景中，難以被識別?；诂F(xiàn)代信號處理方法，對采集的干擾、平臺動態(tài)噪聲和數(shù)據(jù)處理方法，往往會出現(xiàn)較多的假目標信息，對磁目標識別的準確率產(chǎn)生較大的影響，使得磁異常目標在識別過程中的虛警率過高。[0007]因此，本發(fā)明提出一種基于多序列特征提取與多維特征融合的磁異常識別方法。發(fā)明內(nèi)容[0008]本發(fā)明提供基于多序列特征提取與多維特征融合的磁異常識別方法，用以解決上述提出的技術(shù)問題。[0009]本發(fā)明提供一種基于多序列特征提取與多維特征融合的磁異常識別方法，包括：步驟1:當擺放好真目標與假目標之后控制預(yù)搭載平臺按照與所述真目標與假目標的初始擺放圖匹配的預(yù)設(shè)程序集循環(huán)運動，同時，在所述預(yù)搭載平臺運動過程中啟動磁學(xué)傳感器實時采集周圍磁場數(shù)據(jù)，并分別存儲基于每個預(yù)設(shè)程序下的原始磁場數(shù)據(jù)，其中，同預(yù)設(shè)程序下的狀態(tài)組合順序不同；步驟2:采用小波變換與稀疏表示理論，對每個預(yù)設(shè)程序下的原始磁異常數(shù)據(jù)進行多尺度分解，提取不同尺度下的特征信息；6步驟3:構(gòu)建多特征融合深度學(xué)習(xí)模型，并分別對每個預(yù)設(shè)程序下的特征信息進行多序列特征提取以及多維特征融合，得到磁異常識別結(jié)果；步驟4:對所有磁異常識別結(jié)果基于初始擺放圖進行結(jié)果擺放分析，得到最終識別結(jié)果并輸出。將涉及到的運動狀態(tài)進行連續(xù)運動，構(gòu)建第一運動順序；將涉及到的運動狀態(tài)進行非連續(xù)運動，構(gòu)建第二運動順序；基于所述第一運動順序以及第二運動順序，構(gòu)成循環(huán)運動；向每個運動順序配置相應(yīng)的預(yù)設(shè)程序，得到基于所述循環(huán)運動的預(yù)設(shè)程序集；其中，每個運動狀態(tài)都存在預(yù)先設(shè)定好的運動軌跡程序，且所述運動軌跡程序與所述初始擺放圖相關(guān)。基于設(shè)定的不同運動狀態(tài)下的標準運動曲線，且所述標準運動曲線中每個運動點的運動速度得到每個運動狀態(tài)下的環(huán)境噪聲干擾系數(shù)；對所有環(huán)境噪聲干擾系數(shù)進行由大到小的排序得到第一子順序；獲取設(shè)定的不同運動狀態(tài)下的標準運動曲線的首點的第一矢量以及尾點的第二矢量，對所述第一矢量以及第二矢量進行單獨計算得到第三矢量，其中，所述第三矢量包對所有運動狀態(tài)下的矢量大小進行由大到小的排序，得到第二子順序；對所有運動狀態(tài)下的矢量方向以y軸為基準線進行順時針排序，得到第三子順序；將所有首點作為第一原點并進行重疊放置，對所有第一矢量進行全局計算得到第四矢量，根據(jù)所述第四矢量與每個第一矢量的角度差異以及長度差異向每個第一矢量賦予第一系數(shù)，并對所有第一系數(shù)進行由大到小的排序，得到第四子順序；將所有尾點作為第二原點并進行重疊放置，對所有第二矢量進行全局計算得到第五矢量，根據(jù)所述第五矢量與每個第二矢量的角度差異以及長度差異向每個第二矢量賦予第二系數(shù)，并對所有第二系數(shù)進行由大到小的排序，得到第五子順序；基于所述第一子順序、第二子順序、第三子順序、第四子順序以及第五子順序，構(gòu)成第一運動順序。對歷史磁異常數(shù)據(jù)進行特征提取，分為歷史時域特征和歷史頻域特征，使用循環(huán)神經(jīng)網(wǎng)絡(luò)對不同尺度的歷史磁異常數(shù)據(jù)的特征進行建模和卷積骨干網(wǎng)絡(luò)處理，得到第一特征域數(shù)據(jù)；對歷史磁異常數(shù)據(jù)的時頻圖像的圖像特征進行二維卷積骨干神經(jīng)網(wǎng)絡(luò)處理，得到第二特征域數(shù)據(jù)；基于插值法使同個歷史磁異常數(shù)據(jù)下的特征域數(shù)據(jù)在時間和空間維度上對齊，并映射到統(tǒng)一特征空間，結(jié)合注意力進制增強對重要區(qū)域和重要特征的關(guān)注，實現(xiàn)數(shù)據(jù)融合；對融合后的數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)目標識別，加入自適應(yīng)優(yōu)化算法，引入自適應(yīng)權(quán)重分配機制與動態(tài)學(xué)習(xí)率調(diào)整策略，根據(jù)訓(xùn)練過程中數(shù)據(jù)的難易程度和模型表現(xiàn)自動優(yōu)化網(wǎng)7絡(luò)參數(shù)，直到滿足設(shè)定標準，得到多特征融合深度學(xué)習(xí)模型。[0014]優(yōu)選的，在基于插值法使同個歷史磁異常數(shù)據(jù)下的特征域數(shù)據(jù)在時間和空間維度對第一特征域數(shù)據(jù)進行時間排序，鎖定缺失時間點；若缺失時間點的數(shù)量為0,此時，保持所述第一特征域數(shù)據(jù)不變；若缺失時間點的數(shù)量為多個，此時，鎖定與每個缺失時間點存在時間距離最近的第一數(shù)據(jù)、第二近的第一數(shù)據(jù)以及第三近的第一數(shù)據(jù)；統(tǒng)計所述第一數(shù)據(jù)與第二數(shù)據(jù)之間的缺失時間點的第一數(shù)量、第二數(shù)據(jù)與第三數(shù)據(jù)之間的缺失時間點的第二數(shù)量，同時，統(tǒng)計時間排序后的數(shù)據(jù)中存在的第一缺失連續(xù)頻基于所述第一數(shù)據(jù)、第二數(shù)據(jù)、第三數(shù)據(jù)的平均值，計算對應(yīng)缺失時間點的數(shù)據(jù)，并進行一次插值。[0015]優(yōu)選的，在對所有磁異常識別結(jié)果基于初始擺放圖進行結(jié)果擺放分析之前，包括：捕捉所述預(yù)搭載平臺在不同預(yù)設(shè)程序下基于每個運動狀態(tài)的實際運動過程參數(shù)集以及標準運動過程參數(shù)集，確定運動差異；獲取每個預(yù)設(shè)程序下相鄰兩個運動狀態(tài)中第一個運動狀態(tài)的第二矢量與第二個運動狀態(tài)的第一矢量的第一差異以及第二個運動狀態(tài)的第一矢量與第二矢量的第二差異；基于同個運動狀態(tài)下的運動差異、第一差異以及第二差異，構(gòu)建對應(yīng)運動狀態(tài)的瞬時函數(shù)，并基于所述瞬時函數(shù)向?qū)?yīng)運動組合狀態(tài)設(shè)置卡頓系數(shù)，其中，所述運動組合狀態(tài)包含兩種不同的運動狀態(tài)；將所述卡頓系數(shù)賦予到對應(yīng)運動組合狀態(tài)的每個運動狀態(tài)上；將賦予結(jié)果與每個預(yù)設(shè)程序下的狀態(tài)組合順序進行對照，并對相應(yīng)預(yù)設(shè)程序下的磁異常識別結(jié)果補充分析。對所述初始擺放圖中真目標與假目標的鎖定位置，來將每次順序運動下的磁異常識別結(jié)果與對應(yīng)鎖定位置一一對應(yīng)放置，得到初始識別矩陣，并按照位置相對關(guān)系對所述初始識別矩陣進行標準化處理；按照每個預(yù)設(shè)程序下每個運動狀態(tài)對所述初始擺放圖的覆蓋線段，同時，對所述初始擺放圖中真目標與假目標進行位置鎖定；根據(jù)相鄰兩個覆蓋線段的銜接線段下的鎖定目標，且結(jié)合對應(yīng)運動組合狀態(tài)下的卡頓系數(shù)，對相應(yīng)鎖定目標的鎖定位置的標準化結(jié)果進行調(diào)整，并對每列向量進行平均值通過讓預(yù)搭載平臺按不同預(yù)設(shè)程序運動并采集數(shù)據(jù)，能獲取多視角、多運動狀態(tài)下的磁場數(shù)據(jù)，豐富了數(shù)據(jù)維度，為后續(xù)準確識別磁異常目標提供更全面的數(shù)據(jù)基礎(chǔ)。多特征融合深度學(xué)習(xí)模型能充分挖掘磁異常數(shù)據(jù)不同方面的特征，多序列特征提取和多維特征融合使模型對磁異常數(shù)據(jù)的理解更全面、深入，提高了磁異常目標識別的準確率和可靠性。[0018]本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明8書以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。[0019]下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。附圖說明[0020]附圖用來提供對本發(fā)明的進一步理解，并且構(gòu)成說明書的一部分，與本發(fā)明的實施例一起用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的限制。在附圖中：圖1為本發(fā)明實施例中理想情況下的磁異常曲線的示意圖；圖2為本發(fā)明實施例中基于多序列特征提取與多維特征融合的磁異常識別方法的流程圖；圖3為本發(fā)明實施例中缺失連續(xù)頻次的結(jié)構(gòu)圖；圖4為本發(fā)明實施例中多特征融合深度學(xué)習(xí)模型的結(jié)構(gòu)圖。具體實施方式[0021]以下結(jié)合附圖對本發(fā)明的優(yōu)選實施例進行說明，應(yīng)當理解，此處所描述的優(yōu)選實施例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。[0022]本發(fā)明提供一種基于多序列特征提取與多維特征融合的磁異常識別方法，如圖2步驟1:當擺放好真目標與假目標之后控制預(yù)搭載平臺按照與所述真目標與假目標的初始擺放圖匹配的預(yù)設(shè)程序集循環(huán)運動，同時，在所述預(yù)搭載平臺運動過程中啟動磁學(xué)傳感器實時采集周圍磁場數(shù)據(jù)，并分別存儲基于每個預(yù)設(shè)程序下的原始磁場數(shù)據(jù)，其中，同預(yù)設(shè)程序下的狀態(tài)組合順序不同；步驟2:采用小波變換與稀疏表示理論，對每個預(yù)設(shè)程序下的原始磁異常數(shù)據(jù)進行多尺度分解，提取不同尺度下的特征信息；步驟3:構(gòu)建多特征融合深度學(xué)習(xí)模型，并分別對每個預(yù)設(shè)程序下的特征信息進行多序列特征提取以及多維特征融合，得到磁異常識別結(jié)果；步驟4:對所有磁異常識別結(jié)果基于初始擺放圖進行結(jié)果擺放分析，得到最終識別結(jié)果并輸出。[0023]該實施例中，預(yù)搭載平臺選用具備多種運動模式的載體，該搭載平臺配備高精度的姿態(tài)控制和運動控制系統(tǒng)，是基于與真目標和假目標初始擺放圖匹配的預(yù)設(shè)程序集來控制平臺運動。預(yù)設(shè)程序與平臺的俯仰(繞橫軸上下轉(zhuǎn)動)、橫滾(繞縱軸左右滾動)、轉(zhuǎn)彎(繞垂直軸旋轉(zhuǎn))、加速、下降及抬升狀態(tài)相關(guān)，不同程序中這些狀態(tài)組合順序不同。例如，對于一個空中探測場景，可設(shè)定程序1為平臺先以一定速度水平勻速飛行(無俯仰、橫滾),然后進行小角度俯仰上升，再轉(zhuǎn)彎；程序2則先橫滾一定角度，再加速下降等。這是為了讓磁學(xué)傳感器從不同角度和運動狀態(tài)采集磁場數(shù)據(jù)，確保獲取數(shù)據(jù)的精準性。[0024]該實施例中，磁學(xué)傳感器分布在搭載平臺的不同位置，以全面采集周圍空間的磁每秒100次的頻率采集數(shù)據(jù)。采集到的數(shù)據(jù)包含了真目標、假目標以及周圍環(huán)境的磁場信息，分別存儲基于每個預(yù)設(shè)程序下的原始磁場數(shù)據(jù)，便于后續(xù)分類分析。9[0025]該實施例中，在搭載平臺運動的區(qū)域內(nèi)，設(shè)置專門的目標物體擺放裝置。該裝置能夠根據(jù)實驗需求，靈活布置各種類型的假目標和真目標物體。假目標可以是不同形狀和材質(zhì)的非磁性或弱磁性物體，作為干擾物；真目標則為具有特定磁性特征的目標物體，如鐵磁[0026]該實施例中，真目標與假目標擺放好之后，由于其位置是確定好的，所以會得到一[0027]該實施例中，控制平臺運行過程中，由于在運動過程中存在一些狀態(tài)比較特殊的號。以無人機為例，電機高速運轉(zhuǎn)和電子調(diào)速器工作時會產(chǎn)生電磁噪聲，這些噪聲會疊加到過程中，搭載平臺會產(chǎn)生不同程度的機械振動。振動會導(dǎo)致安裝在平臺上的磁力儀和磁學(xué)傳感器發(fā)生位移或抖動，使得傳感器的測量方向和位置發(fā)生變化，進而影響測量結(jié)果的準確性。比如在車輛搭載平臺上，經(jīng)過不平整路面時的顛簸振動，會干擾傳感器對磁目標磁場的穩(wěn)定測量。俯仰、橫滾等姿態(tài)變化會改變傳感器與磁目標之間的相對位置和角度。當搭載平臺進行俯仰運動時，傳感器測量到的磁目標磁場分量會發(fā)生改變，如果沒有進行準確的姿態(tài)補償，就會造成測量誤差。需要說明的是每個運動狀態(tài)下的預(yù)設(shè)程序都是預(yù)先設(shè)定好的，比如，加速狀態(tài)是按照水平方向進行0.1平[0028]所以，需要通過對狀態(tài)的組合設(shè)計來確定循環(huán)運動，比如，存在6個組合設(shè)計，此時，依次按照組合1、組合2、組合3、組合4、組合5以及組合6控制搭載平臺運動就是循環(huán)運[0029]該實施例中，步驟1中程序A采集到的某段原始磁異常數(shù)據(jù)，假設(shè)其是一個長度為1000的離散信號序列。使用Daubechies-4小波基進行3層分解后，得到3組高頻細節(jié)系數(shù)和1組低頻近似系數(shù)。然后利用正交匹配追蹤算法，從這些系數(shù)中挑選出比如100個關(guān)鍵系數(shù)，這些關(guān)鍵系數(shù)就代表了該段磁異常數(shù)據(jù)在不同尺度下的主要特征信息，實現(xiàn)了數(shù)據(jù)的多尺度特征提取。通過小波變換和稀疏表示理論，從原始磁異常數(shù)據(jù)中提取出不同尺度下的特征信息，去除了冗余信息，突出了關(guān)鍵特征，使后續(xù)模型能更高效地處理數(shù)據(jù)，提高磁異常目標識別的準確性。針對原始磁異常數(shù)據(jù)進行歸一化，確保不同尺度上的特征具有可比性，消除量綱影響。[0031]應(yīng)用低通濾波器等技術(shù)去除高頻噪聲，保留信號的本質(zhì)特征。[0032]利用小波變換，將磁數(shù)據(jù)分解成不同尺度的成分，每個尺度對應(yīng)不同的頻率帶寬，可以提取不同時間尺度上的特征。[0033]使用經(jīng)驗?zāi)B(tài)分解(EMD),自適應(yīng)地將信號分解為一系列固有模態(tài)函數(shù)(IMF),每個IMF代表一種時間尺度上的波動模式。[0034]基于EMD的后續(xù)處理，結(jié)合希爾伯特變換分析各IMF的頻率特性，進一步細化多尺度分析。的集中趨勢、離散程度和分布形態(tài)。[0036]通過傅里葉變換、小波變換的頻譜分析，繪制時頻圖，將能量用不同顏色進行區(qū)[0037]該實施例中，如圖4所示為多特征融合深度學(xué)習(xí)模型，設(shè)計新型深度神經(jīng)網(wǎng)絡(luò)架數(shù)據(jù)序列的時間或空間相關(guān)性，提高模型對復(fù)雜目標特征的理解能力。使用基于注意力進制的特征融合方法將時域特征、頻域特征和圖像特征進行融合，對融合后的特征進行神經(jīng)[0038]該實施例中，結(jié)果擺放分析過程中需要按照位置關(guān)系進行磁數(shù)據(jù)的等比例調(diào)整，方便對同個位置下的磁數(shù)據(jù)進行綜合處理，確保測量及獲取結(jié)果的精準性。[0039]上述技術(shù)方案的有益效果是：通過讓預(yù)搭載平臺按不同預(yù)設(shè)程序運動并采集數(shù)據(jù)，能獲取多視角、多運動狀態(tài)下的磁場數(shù)據(jù)，豐富了數(shù)據(jù)維度，為后續(xù)準確識別磁異常目標提供更全面的數(shù)據(jù)基礎(chǔ)。多特征融合深度學(xué)習(xí)模型能充分挖掘磁異常數(shù)據(jù)不同方面的特征，多序列特征提取和多維特征融合使模型對磁異常數(shù)據(jù)的理解更全面、深入，提高了磁異常目標識別的準確率和可靠性，使得磁異常目標在識別過程中的虛警率降低。[0040]本發(fā)明提供一種基于多序列特征提取與多維特征融合的磁異常識別方法，在控制將涉及到的運動狀態(tài)進行連續(xù)運動，構(gòu)建第一運動順序；將涉及到的運動狀態(tài)進行非連續(xù)運動，構(gòu)建第二運動順序；基于所述第一運動順序以及第二運動順序，構(gòu)成循環(huán)運動；向每個運動順序配置相應(yīng)的預(yù)設(shè)程序，得到基于所述循環(huán)運動的預(yù)設(shè)程序集；其中，每個運動狀態(tài)都存在預(yù)先設(shè)定好的運動軌跡程序，且所述運動軌跡程序與所述初始擺放圖相關(guān)。[0041]該實施例中，第一運動順序中包含5種順序，非連續(xù)運動指的是控制預(yù)搭載平臺按照每個運動狀態(tài)進行單獨運行，來作為一個最基本的參考。[0042]該實施例中，連續(xù)運動指的是涉及到的運動狀態(tài)分別運行設(shè)定時間間隔后立馬更換為另外一種狀態(tài)，需要說明的是，運動狀態(tài)只存在提及到的這幾種狀態(tài)。[0043]上述技術(shù)方案的有益效果是：通過連續(xù)運動與非連續(xù)運動構(gòu)成循環(huán)運動，且通過程序配置，實現(xiàn)對預(yù)搭載平臺的合理控制。[0044]本發(fā)明提供一種基于多序列特征提取與多維特征融合的磁異常識別方法，將涉及基于設(shè)定的不同運動狀態(tài)下的標準運動曲線，且所述標準運動曲線中每個運動點的運動速度得到每個運動狀態(tài)下的環(huán)境噪聲干擾系數(shù)；對所有環(huán)境噪聲干擾系數(shù)進行由大到小的排序得到第一子順序；獲取設(shè)定的不同運動狀態(tài)下的標準運動曲線的首點的第一矢量以及尾點的第二矢量，對所述第一矢量以及第二矢量進行單獨計算得到第三矢量，其中，所述第三矢量包對所有運動狀態(tài)下的矢量大小進行由大到小的排序，得到第二子順序；對所有運動狀態(tài)下的矢量方向以y軸為基準線進行順時針排序，得到第三子順序；四矢量，根據(jù)所述第四矢量與每個第一矢量的角度差異以及將所有尾點作為第二原點并進行重疊放置，對所有第二矢量對應(yīng)標準運動曲線中涉及到的運動點的數(shù)量；k、kc、kf分別表好的；表示第i1個運動點下速度vi對時間ti的導(dǎo)數(shù)；pi表示第i1個運動點下的運動曲率pii;fi表示第i1個運動點下的運動摩擦力；運動狀態(tài)下的比例常數(shù)是不一樣的，比如，加速運動狀態(tài)下：kv=0.5nT·s2/m,kc=0.8nT·s2/m,k=1.5nT·s2/m。需要說明的是，狀態(tài)噪聲干擾水平的關(guān)鍵指標，避免被其他相對次要的因素干擾對整體噪聲水平的判斷。雜情況下，都能準確抓住最關(guān)鍵的干擾因素，使計算出的環(huán)境噪聲干擾系數(shù)更具有效性和代表性。//搭載平臺初始狀態(tài)constax=0.1;//水平加速度constay=0.1;//垂直加速度。[0049]該實施例中，不同運動狀態(tài)下的標準運動曲線是預(yù)先就設(shè)定好的，直接使用即可，且是存儲在狀態(tài)-曲線對照表中的，該表中包含不同運動狀態(tài)下的標準運動曲線，也就是在該運動狀態(tài)時，每個時間點執(zhí)行的速度方向、速度大小時不一樣的，但是都是已知設(shè)定好的，比如，加速狀態(tài)下第1個時間點下的速度方向為正90°方向，且速度大小為5cm/s,因此，第一矢量、第二矢量就是可以直接確定出來，在矢量計算過程中通過技術(shù)方案中設(shè)計的矢應(yīng)曲線中第一運動點、最后一個運動點的運動速度與運動方向，運動速度對應(yīng)矢量大小，運動方向?qū)?yīng)矢量方向，且第三矢量為將第一矢量與第二矢量分別基于坐標系中的原點放置進行矢量相加(矢量整合),得到第三矢量。[0050]該實施例中，順時針排序指的是通過計算每個矢量方向與y軸的順時針夾角，來對順時針夾角進行由大到小的排序，即可得到第三子順序。[0051]該實施例中，全局計算是對基于重疊放置后的第一原點涉及到的所有第一矢量進[0052]該實施例中，角度差異為第四矢量與第一矢量的夾角；長度差異為第四矢量與第一矢量的速度大小的差值。[0054]上述技術(shù)方案的有益效果是：通過干擾系數(shù)、首點與尾點對應(yīng)矢量的大小及方向的分析，來對不同情況下的狀態(tài)進行排序，得到連續(xù)狀態(tài)下的第一運動順序。[0055]本發(fā)明提供一種基于多序列特征提取與多維特征融合的磁異常識別方法，構(gòu)建多對歷史磁異常數(shù)據(jù)進行特征提取，分為歷史時域特征和歷史頻域特征，使用循環(huán)神經(jīng)網(wǎng)絡(luò)對不同尺度的歷史磁異常數(shù)據(jù)的特征進行建模和卷積骨干網(wǎng)絡(luò)處理，得到第一特征域數(shù)據(jù)；對歷史磁異常數(shù)據(jù)的時頻圖像的圖像特征進行二維卷積骨干神經(jīng)網(wǎng)絡(luò)處理，得到第二特征域數(shù)據(jù)；基于插值法使同個歷史磁異常數(shù)據(jù)下的特征域數(shù)據(jù)在時間和空間維度上對齊，并映射到統(tǒng)一特征空間，結(jié)合注意力進制增強對重要區(qū)域和重要特征的關(guān)注，實現(xiàn)數(shù)據(jù)融合；對融合后的數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)目標識別，加入自適應(yīng)優(yōu)化算法，引入自適應(yīng)權(quán)重分配機制與動態(tài)學(xué)習(xí)率調(diào)整策略，根據(jù)訓(xùn)練過程中數(shù)據(jù)的難易程度和模型表現(xiàn)自動優(yōu)化網(wǎng)絡(luò)參數(shù)，直到滿足設(shè)定標準，得到多特征融合深度學(xué)習(xí)模型。[0056]該實施例中，歷史磁異常數(shù)據(jù)為在過去特定時間段、特定區(qū)域內(nèi)，通過磁學(xué)傳感器等設(shè)備采集到的，與正常磁場情況存在差異的磁場數(shù)據(jù)。這些差異可能由磁性目標物體(如鐵磁質(zhì)礦石、磁性金屬制品等)存在因素引起的。[0057]該實施例中，歷史時域特征為從歷史磁異常數(shù)據(jù)中提取的，反映磁場特性隨時間變化規(guī)律的特征。例如磁場強度在不同時刻的變化速率、周期性變化情況等。某段歷史磁異常數(shù)據(jù)記錄了每秒鐘的磁場強度值。[0058]該實施例中，歷史頻域特征將歷史磁異常數(shù)據(jù)從時域轉(zhuǎn)換到頻域后，所呈現(xiàn)出的關(guān)于磁場能量在不同頻率成分上分布的特征。它能揭示磁場變化中不同頻率的信號強度、主導(dǎo)頻率等信息。對上述按秒記錄磁場強度的歷史磁異常數(shù)據(jù)進行傅里葉變換，得到其在頻域的表示。發(fā)現(xiàn)數(shù)據(jù)中在5Hz頻率附近磁場能量較為集中，這個5Hz附近能量集中的特性以及其他頻率上的能量分布情況，就是歷史頻域特征。[0059]該實施例中，第一特征域數(shù)據(jù)為歷史磁異常數(shù)據(jù)經(jīng)過循環(huán)神經(jīng)網(wǎng)絡(luò)建模和卷積骨干網(wǎng)絡(luò)處理后，得到的在特定特征空間內(nèi)的數(shù)據(jù)表示，它包含了經(jīng)過處理和抽象后的磁異常數(shù)據(jù)時域和頻域相關(guān)特征。先經(jīng)過RNN捕捉時間相關(guān)性，再經(jīng)卷積骨干網(wǎng)絡(luò)提取局部特征后，得到一組新的數(shù)據(jù)向量，這組數(shù)據(jù)向量就構(gòu)成了第一特征域數(shù)據(jù)，它不再是原始的磁異常數(shù)據(jù)，而是更能體現(xiàn)數(shù)據(jù)特征的一種表示。[0060]該實施例中，時頻圖像是通過特定變換(如短時傅里葉變換、小波變換等)將時域的磁異常數(shù)據(jù)轉(zhuǎn)換到時間-頻率平面上得到的圖像，圖像的橫坐標表示時間，縱坐標表示頻率，圖像的像素值反映對應(yīng)時間和頻率處的磁場能量或幅度等信息。對一段時間內(nèi)連續(xù)采集的磁異常數(shù)據(jù)進行短時傅里葉變換，將每個時間點上的磁場數(shù)據(jù)分解到不同頻率上，然后根據(jù)各頻率成分的能量大小，以不同灰度或顏色在二維平面上繪制出來，形成的圖像就是時頻圖像。[0061]該實施例中，第二特征域數(shù)據(jù)為歷史磁異常數(shù)據(jù)的時頻圖像經(jīng)過二維卷積骨干神經(jīng)網(wǎng)絡(luò)處理后，得到的在特定特征空間內(nèi)的數(shù)據(jù)表示，它主要反映了磁異常數(shù)據(jù)在時頻圖像上的特征信息。對磁異常數(shù)據(jù)的時頻圖像，經(jīng)二維卷積骨干神經(jīng)網(wǎng)絡(luò)提取特征后，得到的一組新的數(shù)據(jù)特征向量，這些向量組成了第二特征域數(shù)據(jù)，它是對時頻圖像特征的進一步抽象和表示。[0062]該實施例中，Adam優(yōu)化算法，它結(jié)合了動量和自適應(yīng)學(xué)習(xí)率的思想。在訓(xùn)融合深度學(xué)習(xí)模型時，Adam算法會根據(jù)每個參數(shù)在訓(xùn)練過程中的梯度變化情況，自動調(diào)整其學(xué)習(xí)率，對于梯度變化大的參數(shù)采用較小的學(xué)習(xí)率，對于梯度變化小的參數(shù)采用較大的[0063]該實施例中，在磁異常目標識別模型訓(xùn)練中，對于那些能夠準確區(qū)分磁性目標和非磁性目標的關(guān)鍵特征對應(yīng)的連接權(quán)重，自適應(yīng)權(quán)重分配機制會增加其權(quán)重值，讓模型更關(guān)注這些特征，而對于那些對目標識別貢獻較小的特征對應(yīng)的權(quán)重進行降低。[0064]上述技術(shù)方案的有益效果是：自適應(yīng)權(quán)重分配機制會增加其權(quán)重值，讓模型更關(guān)注這些特征，而對于那些對目標識別貢獻較小的特征對應(yīng)的權(quán)重進行降低。在訓(xùn)練多特征融合深度學(xué)習(xí)模型時，開始階段設(shè)置較大的學(xué)習(xí)率，讓模型快速更新參數(shù)。隨著訓(xùn)練進行，若缺失時間點的數(shù)量為多個，此時，鎖定與每個缺失統(tǒng)計所述第一數(shù)據(jù)與第二數(shù)據(jù)之間的缺失時間點的第一數(shù)量、第二數(shù)據(jù)與第三數(shù)據(jù)之間的缺失時間點的第二數(shù)量，同時，統(tǒng)計時間排序后的數(shù)據(jù)中存在的第一缺失連續(xù)頻需要說明的是，只要缺失時間點連續(xù)且連續(xù)數(shù)量大于等于2,此時就視為連續(xù)頻捕捉所述預(yù)搭載平臺在不同預(yù)設(shè)程序下基于每個運動狀態(tài)的實際瞬間過程參數(shù)集以及標準瞬間過程參數(shù)集，確定運動差異；獲取每個預(yù)設(shè)程序下相鄰兩個運動狀態(tài)中第一個運動狀態(tài)的第二矢量與第二個運動狀態(tài)的第一矢量的第一差異以及第二個運動狀態(tài)的第一矢量與第二矢量的第二差異；基于同個運動狀態(tài)下的運動差異、第一差異以及第二差異，構(gòu)建對應(yīng)運動狀態(tài)的瞬時函數(shù)，并基于所述瞬時函數(shù)向?qū)?yīng)運動組合狀態(tài)設(shè)置卡頓系數(shù)，其中，所述運動組合狀態(tài)包含兩種不同的運動狀態(tài)；將所述卡頓系數(shù)賦予到對應(yīng)運動組合狀態(tài)的每個運動狀態(tài)上；將賦予結(jié)果與每個預(yù)設(shè)程序下的狀態(tài)組合順序進行對照，并對相應(yīng)預(yù)設(shè)程序下的磁異常識別結(jié)果補充分析。[0073]該實施例中，實際運動過程參數(shù)集指的是指定運動狀態(tài)在初始運行時刻下的運行參數(shù)，包括：實際速度、實際方向，在實際飛行中，通過傳感器測得無人機的實際速度為4.8m/s,且飛行方向與標準方向存在3°的偏差。那么,速度大小的運動差異就是5-4.8=0.2m/s,速度方向的運動差異就是3°。[0074]該實施例中，瞬時函數(shù)f(x)=g1(兩個狀態(tài)下的運動差異)+g2(第一差異)+g3(第二差異)。[0075]卡頓系數(shù)=u1×g1(兩個狀態(tài)下的運動差異)+u2×g2(第一差異)+u3×g3(第二差[0076]該實施例中，g1(兩個狀態(tài)下的運動差異)、g2(第一差異)、g3(第二差異)是從雙狀態(tài)-差異對照表匹配得到的，且該對照表包含不同組合運動狀態(tài)下的運動差異、第一差異、第二差異以及與之分別對應(yīng)的差異系數(shù)，都是提前存儲好的，直接調(diào)取即可，通過計算運動差異、矢量差異并設(shè)置卡頓系數(shù)，發(fā)現(xiàn)部分預(yù)設(shè)程序下的運動狀態(tài)組合存在較大的卡頓系數(shù)。對比未考慮卡頓系數(shù)和考慮卡頓系數(shù)兩種情況下的磁異常識別結(jié)果，發(fā)現(xiàn)考慮卡頓系數(shù)后，能夠識別出一些因平臺運動異常導(dǎo)致的誤判情況。在未考慮卡頓系數(shù)時，磁異常識別的誤判率為15%;考慮卡頓系數(shù)進行補充分析后，誤判率降低到10%。[0077]上述技術(shù)方案的有益效果是：通過確定兩種不同的運動狀態(tài)的運動差異、第一差異、第二差異，來構(gòu)建順序函數(shù)求取卡頓系數(shù)，設(shè)置卡頓系數(shù)并進行對照分析，對磁異常識別結(jié)果進行補充分析和修正，提高了磁異常識別的準確性和可靠性，減少了因平臺運動不穩(wěn)定而導(dǎo)致的誤判風(fēng)險。[0078]本發(fā)明提供一種基于多序列特征提取與多維特征融合的磁異常識別方法，對所有磁異常識別結(jié)果基于初始擺放圖進行結(jié)果擺放分析，包括：對所述初始擺放圖中真