[发明专利]一种基于粒子群优化算法的电导-极化率多参数成像方法

权利要求书

1.一种基于粒子群优化算法的电导-极化率多参数成像方法，其特征在于，该方法包括：

1)基于地下极化介质的柯尔-柯尔复电导率模型，获得梯形波激励下的时域感应-极化磁场响应；

2)采用超导量子传感器时域电磁探测系统进行野外磁场数据观测，并对实测数据进行叠加取样、滤波、以及一次场剔除处理；

3)利用步骤2)数据的早期数据计算零频电导率值、晚期数据e指数多项式拟合得到时间常数，将获得的零频电导率值和时间常数对粒子群搜索范围进行约束；

4)根据实测磁场数据与步骤1的时域感应-极化磁场响应构建目标函数，利用粒子群优化算法，根据步骤3约束的范围，提取极化参数，包括零频电导率σ₀、时间常数τ、极化率η、频散系数c、深度d；

5)利用步骤4提取到实测数据的极化参数，带入广义趋肤深度计算公式，进行极化介质的电导率、极化率-深度成像；

步骤4中具体包含以下步骤：

4Ⅰ、输入相关参数，随机初始化粒子的位置、速度和个体最优值P_best、种群最优值G_best；

4Ⅱ、构建目标函数：minφ(X)＝φ₁(X)+λφ₂(X)，X＝σ₀、η、τ、c，

其中φ₂(X)＝f_t(X)，f_t(X)为步骤1的时域感应-极化磁场响应，B_t为实测磁场数据，λ为收敛因子；

4Ⅲ、计算每个粒子当前适应度，与P_best、G_best进行比较，若当前适应度值较小，则令其替代P_best、G_best，反之继续保留P_best、G_best值；

4Ⅳ、实测曲线依据斜率划分为两段，据此分别按照式(1)和式(2)更新粒子的速度和位置：

x_ij(k+1)＝x_ij(k)+v_ij(k+1)·t (2)

式中，t₀为曲线斜率由负变为正的时刻，p_k为最大迭代次数，iter为当前迭代次数；

迭代过程中，当粒子的速度或位置超出搜索范围，产生变异时，根据二者移动方向分为两种情况，若二者变异方向相反，则不做任何处理，反之，将由下式对位置和速度重新定义，当超出上边界时：

v_ij(k+1)＝v_max-2·r₃·v_max (3)

x_ij(k+1)＝x_max-0.5·r₄·x_max (4)

当粒子的位置或速度超出下边界时：

v_ij(k+1)＝v_min-2·r₃·v_min (5)

x_ij(k+1)＝x_min-0.5·r₄·x_min (6)

4Ⅴ、判断是否达到最大迭代次数，若是，获得P_best、G_best的位置信息，输出σ₀、τ、η、c、d；否则返回步骤4Ⅲ，继续执行；

步骤5中包含以下步骤：

5Ⅰ、应用matlab编程，输入步骤4提取出的零频电导率σ₀、时间常数τ、极化率η、频散系数c到程序中，根据公式，获得复电导率值；

5Ⅱ、根据广义趋肤深度公式，计算该复电导率σ(ω)的趋肤深度；

5Ⅲ、利用步骤5Ⅰ中的零频电导率、极化率和步骤5Ⅱ获得的趋肤深度，分别进行电导率-深度、极化率-深度成像。

2.按照权利要求1所述的成像方法，其特征在于，步骤3中，发射电流关断后，早期响应以感应场为主，利用早期数据计算零频电导率值σ₁；晚期数据以极化场为主，对其晚期数据进行e指数拟合，得到时间常数值τ₁；零频电导率值σ₁和时间常数值τ₁的±20％分别作为零频电导率和时间常数值的粒子群搜索范围上下限。