[发明专利]基于卷积神经网络的地磁图方向适配性计算方法

摘要

本发明公开了一种基于卷积神经网络的地磁图方向适配性计算方法，涉及导航方法技术领域。所述方法包括如下步骤首先，从不同角度建立了地磁场各候选匹配区在几个代表方向上的适配性分析图；然后，从同一磁场图像的不同角度出发，利用并行卷积神经网络自动完成了特征的提取和学习，得到了更为全面的方向适配性特征描述；最后，在并行卷积神经网络所得特征的基础上，利用BP神经网络建立了地磁方向适配性的分析模型。该方法可以有效避免人工特征提取时的盲目性和所取特征难以表达深层的结构性特征等问题，实现了地磁方向适配性分析的自动化，而且获得了优于传统BP神经网络和单路卷积神经网络的准确率。

主权项

一种基于卷积神经网络的地磁图方向适配性计算方法，其特征在于包括如下步骤：将地磁场划分为若干个候选匹配区，计算各匹配区在不同方向的适配性标签；将各候选匹配区磁场数据进行归一化处理，得到候选匹配区磁场数据归一化的矩阵；以归一化的候选匹配区磁场矩阵为基础，利用Gabor滤波器构建地磁方向适配性分析图；以归一化的候选匹配区磁场矩阵为基础，基于磁场截线法构建地磁方向适配性分析图；设计并行深度卷积神经网络，对并行深度卷积神经网络的两组学习率和惯性系数进行优化；将优化的深度卷积神经网络的学习率和惯性系数赋值给并行卷积神经网络，并将若干样本对输入并行卷积神经网络，按照先预训练再微调的步骤对网络进行训练，进而得到地磁方向适配性评价的最终模型；对于一个方向适配性未知的磁场区域，将利用Gabor滤波器构建的地磁方向适配性分析图以及基于磁场截线法构建地磁方向适配性分析图送入到训练好的地磁方向适配性评价的最终模型中，通过所述最终模型，给出地磁方向适配性评价结果；所述将地磁场划分为若干个候选匹配区，计算各匹配区在不同方向的适配性标签的方法如下：依据实际应用背景选定一个磁场区域，将该区域划分为若干大小相等的矩形区域作为候选匹配区，在候选匹配区内按给定方向进行地磁匹配仿真实验，计算匹配正确率，并依据匹配正确率分配该方向上的方向适配性标签，划分方法为：Lable(d,i)=1(Pr(d,i)≥0.9)0(Pr(d,i)<0.9)]]>其中，Pr(d,i)为区域i在方向d上进行匹配仿真时的正确率，正确率大于或等于0.9的视为“适合匹配”，归为类别“1”，否则视为“不适合匹配”，归为类别“0”；所述归一化处理的公式为：NI(x,y)=I(x,y)-IminImax-Imin]]>其中，I(x,y)为原始磁场的强度矩阵，(x,y)表示空间坐标系下一个位置，x和y分别对应该位置的经纬度坐标，Imin为I(x,y)中的最小值，Imax为I(x,y)中的最大值，NI(x,y)为归一化后的磁场矩阵，NI的取值范围为[0,1]；所述以归一化的候选匹配区磁场矩阵为基础，利用Gabor滤波器构建地磁方向适配性分析图的方法如下：1)设定Gabor滤波器的参数，并按照以下公式计算Gabor滤波器的实部分量和虚部分量：其中，σx和σy为高斯函数在x轴,y轴方向的标准差，f为Gabor滤波器的中心频率，θ控制滤波器方向，取值范围为(0°,360°)，Ge(x,y)和Go(x,y)分别为Gabor滤波器的实部和虚部，Ge(x,y)是偶对称的，Go(x,y)是奇对称的，且二者相位正交；(x',y')表示坐标(x,y)逆时针旋转θ角后的坐标，计算公式为：x′y′=cosθsinθ-sinθcosθxy]]>Gabor滤波器需要设定的参数一共有4个：σx，σy，f和θ；2)求归一化磁场经过Gabor滤波器实部和虚部滤波后的幅值响应，计算公式为：T(x,y)=Te2(x,y)+To2(x,y)]]>其中，Te(x,y)和To(x,y)分别为Gabor滤波器实部和虚部滤波后磁场的原始响应，表示候选匹配区磁场在滤波器方向上的滤波结果，T(x,y)为滤波器实部和虚部响应的幅值，Te(x,y)和To(x,y)的计算公式为：其中，“*”是卷积算子；3)求以Gabor滤波器为基础的地磁方向适配性分析图；将滤波幅值T(x,y)进行二维傅里叶变换，其计算公式为：F(μ,v)=1MNΣx=0M-1Σy=0N-1T(x,y)e-j2π(μx/M+vy/N)]]>其中，M×N为矩阵T(x,y)的大小，μ,ν为离散频率变量；则方向适配性分析图的矩阵表达式MG通过以下公式计算：MG=Fr2(μ,v)+F2(μ,v);]]>所述以归一化的候选匹配区磁场矩阵为基础，基于磁场截线法构建地磁方向适配性分析图的方法如下：1)求与Gabor滤波器中滤波方向相同的平面截候选匹配区磁场所得的截线；方法为：设候选匹配区磁场模型为z＝f(x,y)，生成一个过z上一点M0(x0,y0,z0)且方向为n＝(A,B,C)的平面，n为非零向量，求候选匹配区磁场与该平面的交点，记为C，则C表示为：C:2)求磁场基于截线法的不同方向的数据的矩阵表示；以插值前磁场矩阵I(x,y)每行的大小M为基准，如果Ci的长度大于M，则对进行Ci降采样，使其长度统一为M；长度小于M的再通过插值将其长度统一，将统一后的序列记作C'i，则磁场基于截线法的不同方向的数据的矩阵表示为：FI＝[C1',C2',…,Cn']T3)求以磁场截线法基础的地磁方向适配性分析图；对FI进行二维傅里叶变换即可得到基于截线法的地磁方向适配性分析图，记为Ms；所述设计并行深度卷积神经网络的方法如下：并行深度卷积神经网络由两个结构相同但输入不同的支路卷积神经网络构成，各支路的输入分别为利用Gabor滤波器构建地磁方向适配性分析图以及基于磁场截线法构建地磁方向适配性分析图；分别对同一区域不同角度建立的地磁方向适配性分析图进行特征提取；在各支路的最后一个全连接层，不同角度提取到的特征进行合并，一起送入最终的分类器；所述对并行深度卷积神经网络的两组学习率和惯性系数进行优化方法如下：选取适量的地磁方向适配性分析图及其对应的标签作为参数优化时的训练集和测试集，利用混合粒子群算法HPSO对并行深度卷积神经网络的两组学习率和惯性系数进行优化；其中，混合粒子群算法的目标函数为并行深度卷积神经网络对测试集的错分代价，计算公式为：J=Σi=12Σj=12N(PredictionC=ωj∩RealC=ωi)Σi=12N(PredictionC=ωi),(i≠j)]]>式中，N(PredictionC＝ωj∩RealC＝ωi)表示样本类别为ωi而错将其分类为ωj的样本数，N(PredictionC＝ωi)为实际样本类别为ωi的数目；将优化的参数幅值给所设计的并行卷积神经网络，对网络进行训练。