[发明专利]基于融合式神经网络的多磁性材料参数反演方法及系统

说明书

本发明涉及基于融合式神经网络的多磁性材料参数反演方法及系统，其方法包括：获取待反演多磁性材料在静态无电流背景场下的多维磁场分量；将所述多维磁场分量输入到训练完成的卷积神经网络中，得到所述多维磁场分量的多个类别标签；将每个类别标签和多维磁场分量分别输入到训练完成的多个深层BP神经网络中，得到待反演多磁性材料的磁导率预测值。本发明通过融合卷积神经网络和多个深层BP神经网络，在减少神经网络参数量的同时，快速、高效的预测多磁性材料参数。

技术领域

本发明属于深度学习与磁性材料技术领域，具体涉及基于融合式神经网络的多磁性材料参数反演方法及系统。

背景技术

水下航行器常用于执行多种水下任务，如扫描沉船、水下通信、搜索水下爆炸物进行探雷和排雷等。水下航行器通常会通过探测目标物的磁场进行水下作业，然而水下航行器自身产生的磁场对探测的影响也不容忽视。磁导率是影响磁性物体产生磁场的一个重要参数，对于由多种磁性材料组成的水下航行器，产生的磁场更为复杂，准确获取每种磁性材料的磁导率对于研究水下航行器自身产生的磁场尤为重要。

磁导率是表征磁介质磁性的物理量，通过磁性物体周围的磁场变化来确定磁导率的方式称为磁导率的反演。几乎所有的反问题都是非线性的，求解反问题的方法大部分都是非线性反演。磁导率非线性反演通常是在选定正演模型的情况下，建立观测数据与正演的误差泛函，用非线性方法迭代对误差泛函极小化求解，达到反演的目的。

发明内容

为解决传统基于先验信息和初始模型的磁性材料参数的非线性反演方法效率低、精度低的问题，在本发明的第一方面，提供了一种基于融合式神经网络的多磁性材料参数反演方法，包括：获取待反演多磁性材料在静态无电流背景场下的多维磁场分量；将所述多维磁场分量输入到训练完成的卷积神经网络中，得到所述多维磁场分量的多个类别标签；将每个类别标签和多维磁场分量分别输入到训练完成的多个深层BP神经网络中，得到待反演多磁性材料的参数预测值。

在本发明的一些实施例中，所述卷积神经网络至少包括多个一维卷积层、一个最大池化层和一个全连接层，所述多个一维卷积层，用于接收待反演多磁性材料的多维磁场分量或对多维磁场分量进行卷积操作；所述全连接层，用于输出所述多维磁场分量的类别标签。

进一步的，所述卷积神经网络的损失函数为交叉熵损失函数。

在本发明的一些实施例中，所述每个深层BP神经网络包括多个隐藏层和一个输出层；

每个所述隐藏层为全连接层，且其激活函数为sigmoid或liner；

所述输出层的激活函数为liner。

进一步的，所述每个深层BP神经网络的损失函数为均方误差函数。

在上述的实施例中，所述获取待反演多磁性材料在静态无电流背景场下的多维磁场分量包括：对所述待反演多磁性材料进行comsol建模；确定待反演多磁性材料的多条磁场测量线；利用有限元和插值法计算每条磁场测量线的磁场分量。

本发明的第二方面，提供了基于融合式神经网络的多磁性材料参数反演系统，包括：获取模块，用于获取待反演多磁性材料在静态无电流背景场下的多维磁场分量；第一预测模块，用于将所述多维磁场分量输入到训练完成的卷积神经网络中，得到所述多维磁场分量的多个类别标签；第二预测模块，用于将每个类别标签和多维磁场分量分别输入到训练完成的多个深层BP神经网络中，得到待反演多磁性材料的参数预测值。

进一步的，所述获取模块包括建模单元、确定单元、计算单元，所述建模单元，用于对所述待反演多磁性材料进行comsol建模；所述确定单元，用于确定待反演多磁性材料的多条磁场测量线；所述计算单元，用于利用有限元和插值法计算每条磁场测量线的磁场分量。