一种基于ε-SVR算法的航磁梯度干扰的去除方法
技术领域
[0001] 本
发明涉及地球物理航磁勘探领域，尤其是涉及一种基于ε-SVR算法的无人机航磁梯度干扰去除方法。
背景技术
[0002] 航磁勘探作为一种重要的航空物探手段在地球物理领域获得广泛的应用。传统的航磁勘探平台以有人机为主，近十年，随着无人机技术的发展，无人机被广泛的应用到航空磁法勘探领域，无人机相比于有人机，具有廉价、高效、安全等显著优点。但无人机由于飞机尺寸较小，
探头间基线较短等原因，导致航磁梯度数据中，飞机的干扰
磁场非常显著，严重影响了航磁勘探的数据
质量和最终成图效果。因此，有效的去除飞机干扰磁场的影响在航磁梯度测量中具有重要的意义。
[0003] 目前国内在航磁勘探领域主要使用的是国外的磁补偿设备，如RMS公司的AADC系列磁补偿仪，PICO公司的航磁补偿设备。上述补偿设备的补偿算法基于传统的航磁补偿算法设计。该算法其特点在于先将光
泵磁
力仪和
磁通门磁力仪采集到的数据通过一个低通
滤波器，滤除部分和飞机磁干扰不相关的噪声，其后通过最小二乘算法，达到去除飞机干扰磁场的目的。
[0004] 现有的无人机航磁勘探补偿存在如下几点
缺陷：
[0005] (1)目前，无人机航磁的航磁补偿方法主要延续有人机的磁补偿方法，但是常见无人机的飞行高度有限，无法实现3000米飞行高度的高飞。
[0006] 同时常见无人机在搭载一定的
载荷后机动性较差，无法实现标准标定飞行中的
横滚、
俯仰、
偏航等机动飞行，因此为有人机设计的标定飞行无法应用在常见无人机上。
[0007] (2)传统的航磁补偿模型中存在复共线性的问题，最小二乘算法不能较好的解决该问题。
发明内容
[0008] 鉴于现有方案存在的问题，为了克服上述
现有技术方案的不足，本发明提出了一种基于ε-SVR算法的无人机航磁梯度干扰去除方法。
[0009] 根据本发明的一个方面，提供了一种基于ε-SVR算法的航磁梯度干扰的去除方法，包括：基于ε-SVR算法获得针对
飞行器本身干扰的补偿模型；获得飞行器勘探数据；以及使用所述补偿模型对勘探数据进行补偿，以去除飞行器干扰磁场的影响。
[0010] 从上述技术方案可以看出，本发明具有以下有益效果：
[0011] (1)无人机航磁梯度干扰去除方法采用全新的基于ε-SVR算法，有效的实现无人机低空标定飞行，有效的避免航磁补偿模型中的复共线性对补偿结果的恶化。
[0012] (2)对
信号数据进行二进小波处理，去除和飞机机动不相干的干扰，且信号
相位不存在畸变。
附图说明
[0013] 图1为本发明
实施例基于ε-SVR算法的无人机航磁梯度干扰去除方法的
流程图；
[0014] 图2为图1中获得补偿模型的流程图；
[0015] 图3为图2中ε-SVR算法具体操作的流程图；
[0016] 图4为勘探飞行中梯度数据补偿前后成图对比图。
具体实施方式
[0017] 本发明某些实施例于后方将参照所附附图做更全面性地描述，其中一些但并非全部的实施例将被示出。实际上，本发明的各种实施例可以许多不同形式实现，而不应被解释为限于此数所阐述的实施例；相对地，提供这些实施例使得本发明满足适用的法律要求。
[0018] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
[0019] 本领域中，标定飞行是指在进行航磁勘探飞行前，对飞机的干扰磁场进行建模拟合的过程。具体操作，首先将飞行平台飞行到一定高度，完成四个
正交航向的飞行，采用磁补偿算法对飞行中获得的数据进行建模，从而拟合飞机的干扰磁场。
[0020] 本发明实施例提供了一种基于ε-SVR算法的无人机航磁梯度干扰去除方法，其基于ε-SVR算法在标定飞行中获得针对飞机本身干扰的补偿模型，将该补偿模型应用于勘探飞行获得航磁勘探数据，获得补偿后的航磁梯度数据。
[0021] 具体的本发明实施例提供的一种基于ε-SVR算法的无人机航磁梯度干扰去除方法包括以下步骤，如图1所示：
[0022] S101，在无人机标定飞行中基于ε-SVR算法获得针对无人机本身干扰的补偿模型。
[0023] 采用该方法获得补偿模型的特点在于利用
机器学习的方法，将标定飞行视为学习过程，利用ε-SVR算法求取回归
超平面，利用ε-SVR算法基于结构
风险最小化的特点，可以有效的解决航磁补偿模型中的复共线性问题，本发明中无人机的标定飞行可以为低空飞行，且无需无人机实施横滚、俯仰、偏航等大机动飞行动作。
[0024] S102，在无人机勘探飞行中获得勘探数据；
[0025] 该勘探数据包括：航磁勘探梯度数据、无人机本身干扰数据以及与飞机机动不相干的干扰数据。
[0026] S103，针对获得的勘探数据进行二进小波处理；
[0027] 对勘探数据进行二进小波处理可以去除和无人机机动不相关的干扰，如高频电噪声等；并且不会带来数据信号相位的畸变。经二进小波处理后，勘探数据仅包括航磁梯度数据和无人机本身干扰数据。
[0028] S104，使用S101中获得补偿模型对勘探数据进行补偿。
[0029] 采用补偿模型对经二进小波处理的勘探数据进行补偿，去除无人机本身干扰数据，获得准确的航磁梯度数据。
[0030] 本实施例中，步骤S101具体包括，如图2所示：
[0031] S201：在无人机标定飞行中获得标定数据；
[0032] 该勘探数据包括标定勘探梯度数据、无人机本身干扰数据以及与飞机机动不相干的干扰数据。
[0033] S202：针对获得的标定数据进行二进小波处理；
[0034] 对标定数据进行二进小波处理可以去除和无人机机动不相关的干扰，如高频电噪声等，并且不会带来数据信号相位的畸变。经二进小波处理后，勘探数据仅包括航磁梯度数据和无人机本身干扰数据。
[0035] S203：对经过二进小波处理的标定数据进行降
采样处理；
[0036] 由于ε-SVR算法对小规模样本有很好的学习泛化能力，对降采样处理后的标定数据进行ε-SVR算法处理可以显著加快算法的处理效率。
[0037] S204：对降采样处理后的标定数据进行ε-SVR算法处理获得补偿模型。
[0038] 如图3所示，本步骤的具体操作如下：
[0039] S301：将降采样处理后的标定数据带入到原始优化问题；
[0040] 原始优化问题的表达式如式(1)所示。
[0041]
[0042] 其中w是超平面的拟合系数，C为惩罚参数，ξi和 为弛豫参数，b为超平面的截距，ε为超平面可以容忍的数据
波动范围，Gdi为第i个样本点飞机的干扰磁场对磁总场梯度数据的影响数值，可由光泵磁力仪测得，s.t.表示约束条件。
[0043] 值得注意的是，惩罚参数将航磁异常信号作为异常点剔除在回归问题以外，有效的解决了无人机无法高飞和完成大
角度机动飞行的问题。
[0044] 令为第i个
样本点的磁通门的测量值形成的特征矩阵，对于第i个样本点，cos Xi，cos Yi，cos Zi为方向余弦，(cos Xi)，(cos Yi)，(cos Zi)为方向余弦对时间的导数，其中：
[0045] cos Xi＝Ti/Hei
[0046] cos Yi＝Li/Hei
[0047] cos Zi＝Vi/Hei
[0048] Ti、Li和Vi为该第i个样本点的磁通门的测量值，
[0049] 核函数可以将内积运算映射到高维空间，并在高维空间实现超平面的求取，[0050] 在航磁梯度补偿问题中，核函数可以选用指数形式，其映射方式如下式(3)所示。
[0051]
[0052] 本实施中合理的选择核函数的映射方式Φ(Ai)，可以获得优秀的补偿效果。在一定程度上弥补了补偿模型中可能存在高阶干扰及部分非线性的问题。特征矩阵Ai的非线性映射如式(2)所示。
[0053]
[0054] S302：将原始优化问题，转换为对偶优化问题；
[0055] 利用拉格朗日乘子法可以将原始优化问题写成如式(4)所示。
[0056]
[0057] 通过求解上式的偏导数，并令其为零可得如式(5)所示。
[0058]
[0059] 其中ηi 为中间变量，将式(5)代入式(4)，可以获得原始优化问题的对偶优化问题如式(6)所示。
[0060]
[0061] 其中αi和 为对偶优化问题的待求解。
[0062] S303：求解对偶问题，获得补偿模型。
[0063] 通过求解对偶问题，获得原始优化问题的回归超平面，获得补偿模型如式(7)所示。
[0064]
[0065] 其中A为待补偿样本点的特征矩阵，f(A)为拟合的干扰磁场。
[0066] 图4为勘探飞行中，梯度数据补偿前后成图对比结果，图4(a)和图4(b)为现有的垂直梯度和
水平梯度数据的直接成图，可见图中存在明显的波纹和条带，图4(c)和图4(d)是采用本发明实例中的方法处理后的成图结果，可见波纹和条带被移除，航磁异常清晰可见。尽管本发明实施例对标定数据进行了二进小波处理和降采样处理，勘探数据进行了二进小波处理，但该些步骤并不是必须的，本领域技术人员可以根据特定情形省略该些步骤。
[0067] 需要说明的是，本发明中的基于ε-SVR算法的航磁梯度干扰的去除方法，并非仅用于实施例中的无人机的情形，还可以用于其他飞行器进行勘探的情形。
[0068] 还需要说明的是，本文可提供包含特定值的参数的示范，但这些参数无需确切等于相应的值，而是可在可接受的误差容限或设计约束内近似于相应值。
[0069] 需要说明的是，在附图或
说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换，例如：
[0070] (1)除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。
[0071] (2)ε-SVR算法处理可以使用不同类型的核函数，如线性核函数来替代本文中所描述的核函数。
[0072] (3)ε不敏感损失函数和惩罚参数可以依据实际数据，使用不同的函数和数值来代替。
[0073] 以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
