[发明专利]一种基于希尔伯特-黄变换的磁异常多特征信息提取方法

说明书

本发明涉及一种基于希尔伯特‑黄变换的磁异常多特征信息提取方法。利用希尔伯特‑黄变换HHT处理非线性、非平稳的磁异常信号，通过对信号进行经验模式分解和希尔伯特频谱分析，提取基于瞬时能量密度和边际谱的磁异常多特征信息，为基于机器学习框架的磁异常探测提供有效的特性信息选择。本发明能够通过对信号的希尔伯特‑黄变换处理，获得磁异常信号在时频域内的多特征信息，丰富了磁异常探测中的特征信息选择。在基于机器学习框架的磁异常探测方法中，磁异常信号的时频域多特征信息助于提升低信噪比下磁性目标的探测能力，降低目标探测的虚警概率。

技术领域

本发明涉及一种基于希尔伯特-黄变换的磁异常多特征信息提取方法。利用该方法提取的磁异常多特征信息能够提升基于机器学习框架的磁异常探测方法的探测能力提供基础。该方法可广泛用于能源矿藏勘测、水下各种管线探测、水下目标探测、水下考古、沉船勘测、扫雷反潜等领域。

背景技术

文献“Magnetic anomaly detection based on full connected neuralnetwork[J].IEEE Access,2019,7,182198–182206”公开了一种全连接神经网络的磁异常探测方法。该方法中全连接神经网络作为磁异常探测的分类模型，磁信号的正交基函数系数作为磁异常特征信息，通过训练该分类模型，实现对磁异常信号的探测。正交基函数系数属于磁异常的时域特征信息。随着磁异常信噪比的降低，正交基函数系数的误差变大，因此基于该系数构建的特征信息会受到干扰。这使得目标探测的虚警概率增加，探测概率降低。在基于神经网络的分类模型中，丰富的特征信息是提升模型性能的重要因素。磁异常多特征信息的获取有助于从多维度表征磁异常，提高特性信息的选择性，从而提升该类分类模型的性能。

发明内容

要解决的技术问题

在低信噪比下，磁异常信号的时域特征信息的误差较大。这会导致分类模型的探测性能受到影响。为了丰富磁异常信号的特征信息选择，提升低信噪比下的弱磁异常探测性能，本发明提供一种基于希尔伯特-黄变换的磁异常多特征信息提取方法。

技术方案

一种基于希尔伯特-黄变换的磁异常多特征信息提取方法，其特征在于步骤如下：

步骤1：采集磁场数据，通过磁力仪之间的测量差值获得磁场差值信号ΔB(t)；

步骤2：利用经验模式分解对磁场差值ΔB(t)进行自适应分解，获得多个固有模态函数项c(t)和一个残差项r(t)：

其中：N表示经验模式分解的层数；

步骤3：获得磁信号的固有模态函数后，对每个c_i(t)做希尔伯特变换：

步骤4：获得c_i(t)的解析信号z_i(t)：

其中：表示固有模态函数c_i(t)对应的瞬时幅值，θ_i(t)＝arctan(H_i(c_i(t))/c_i(t))表示固有模态函数c_i(t)对应的瞬时相位；

步骤5：根据瞬时相位θ_i(t)，计算对应的瞬时频率ω_i(t)

步骤6：磁信号的幅值可以表示为时间、瞬时频率的函数，获得磁信号幅值的希尔伯特谱H(ω,t)

步骤7：根据希尔伯特谱H(ω,t)，计算磁信号的边际谱h(ω)和瞬时能量密度IE(t)