基于APO-DBSCAN聚类的水下目标检测方法研究

《Sensors》：Research on Underwater Target Detection Method Based on APO-DBSCAN Clustering Shengwen Duan, Gang Bian, Qiang Liu and Pan Xiong

　　

为应对传统水下磁目标检测中离散欧拉解质量控制在发散抑制过程中有效解过度滤除、参数设置依赖主观经验以及抗噪能力不足等关键问题，本研究提出了一种将人工原生动物优化器（APO）与DBSCAN聚类相结合的新型方法。基于欧拉解的分布特征，构建了融合欧拉解残差惩罚项与轮廓系数惩罚项的优化目标函数。APO算法求解使该目标函数最小化的DBSCAN聚类参数，从而提升聚类精度与准确性。该方法筛选最优欧拉解集，实现磁目标的高精度定位。仿真与实测结果表明：相较于统计筛选方法，优化算法在无噪声与含噪声数据中的有效解保留率分别提高52.52%和76.33%，无效解保留率分别降低28.57%和94.21%；在实测数据中，真实重心平均偏差降低28.06%。

本研究聚焦于水下磁目标检测中离散欧拉解（Euler deconvolution solutions）质量控制的核心难题，提出了一种基于人工原生动物优化器（APO）与DBSCAN聚类的新型优化框架，该成果发表于《Sensors》期刊。

**研究背景与现存问题**

水下目标检测在国防安全、海洋资源开发及海洋工程建设等领域具有关键战略意义。欧拉反演法（Euler deconvolution）作为重磁场反演解释的经典技术，能够在有限先验信息条件下实现场源属性的半自动化或全自动化解释，高效处理大规模多目标数据集。然而，该方法采用滑动欧拉窗口（sliding Euler window）模式进行反演时，单个窗口仅能反演单个场源的空间位置参数，产生大量离散欧拉解，给解释人员识别场源属性带来显著挑战。为实现各场源唯一空间位置参数的准确获取，必须对这些欧拉解进行精细化筛选，此即"质量控制"（quality control）过程。

现有质量控制策略存在三方面突出问题：其一，统计筛选方法如异常距离准则与聚集度准则，虽能一定程度控制解发散，但预设参数的主观性强，易导致有效解过度滤除或虚假解残留；其二，基于聚类的筛选方法如核密度估计（KDE）联合模糊C均值（FCM）聚类、自适应模糊聚类算法等，虽能利用欧拉解的空间聚集特性，但对非球形簇（如条带状或环状簇）适应性差，且无法自动识别噪声点；其三，Li等人首次将DBSCAN密度聚类算法引入欧拉解质量控制，虽能识别任意形状簇并自动区分高密度有效解与低密度虚假解，但其邻域半径（Eps）与最小点数（MinPts）参数仍需依赖人工经验设定，在复杂磁异常场景下参数适应性不足，难以平衡真实解保留率与虚假解消除效率。综上，欧拉解质量控制长期面临两大核心挑战：过度依赖主观经验参数导致场景泛化能力差，以及噪声鲁棒性与复杂磁异常分布适应性不足。

**研究内容与创新贡献**

针对上述局限，研究人员提出了基于APO-DBSCAN聚类的欧拉解质量控制框架，通过三项关键创新实现突破。第一，引入2024年Wang等人在SCI Q1期刊Knowledge-Based Systems提出的最新仿生元启发式算法——人工原生动物优化器（APO），自适应优化DBSCAN的Eps与MinPts参数，消除了主观经验偏差，增强了复杂场景泛化能力。第二，构建了融合欧拉解残差惩罚项（反映反演结果可靠性）与轮廓系数（Silhouette coefficient）惩罚项的多目标优化函数，确保优化后的聚类结果兼具高密度特性与欧拉反演的物理有效性。第三，利用APO通过自养（autotrophy）与休眠（hibernation）行为平衡探索能力、通过异养（heterotrophy）与繁殖（reproduction）机制强化开发能力，实现高效参数搜索与强噪声抵抗，克服固定人工参数DBSCAN的适应性局限。最终，各优化DBSCAN簇的质心直接对应磁目标空间位置，无需额外后处理即可实现高精度定位。

**关键技术方法**

研究人员采用的技术路线涵盖以下核心环节：基于磁球体模型构建三维空间仿真实验，设置均匀磁化球体作为目标体，采用规则二维网格作为磁异常观测面，运用滑动欧拉反演结合有限差分法与二维快速傅里叶变换法计算场源参量；将APO与DBSCAN深度融合，以集成欧拉解残差惩罚项与轮廓系数惩罚项的适应度函数为优化目标，通过APO在预设参数搜索范围内迭代寻优，获取最优DBSCAN聚类参数组合；设定APO种群规模为25、最大迭代次数为40，Eps搜索范围为[0.1, 2.0]、MinPts搜索范围为[10, 80]；为验证抗噪性能，叠加零均值高斯白噪声（标准差2 nT）至磁异常信号；现场数据验证采用盘锦海域磁测项目测线数据，使用MAG-885铯光泵磁力仪采集，导航定位系统由Trimble SPS356型GPS与Hypack导航软件组成，测线间距5 m，共21条测线，总长度2.73 km。

**研究结果**

**仿真磁球体模型实验**：三个半径3 m、埋深20 m的均匀磁化球体，磁化强度幅度10² A/m，磁化倾角45°、偏角5°，中心坐标分别位于(-10, 30, 20)、(35, 0, 20)和(36, 58, 20)。采用151×151像素观测网格，滑动窗口尺寸11 m×11 m，步长为两倍网格间距，结构指数固定为3。原始欧拉解分布显示其具有显著的空间聚集特征。

**传统统计筛选结果**：基于主异常距离准则（阈值设为7倍网格间距）与欧拉解聚集准则（密度半径7倍网格点距、密度阈值9）进行筛选，共剔除3454个欧拉解，保留139个有效解（位于球体内）和7个无效解（位于球体外）。图示结果表明该准则虽有效控制了解发散，但存在过度筛选倾向。

**APO-DBSCAN优化算法筛选结果**：经40次迭代优化，最优Eps和MinPts分别为0.2353和42。应用该参数进行DBSCAN聚类后，共剔除3375个欧拉解，保留212个有效解和5个无效解。相较于传统统计筛选，有效解保留率提高52.52%，无效解保留率降低28.57%，且通过簇质心确定了离散解团位置。

**噪声数据验证结果**：在原始磁异常信号上叠加零均值高斯白噪声（标准差2 nT）后，传统统计筛选剔除2431个解，保留131个有效解和294个无效解，显示出对外部噪声干扰的高度敏感性，不恰当参数导致大量噪声引起的无效解被保留；而APO-DBSCAN优化算法剔除2608个解，保留231个有效解和17个无效解，有效解保留率提高76.33%，无效解保留率降低94.21%，从根本上消除了绝大部分噪声干扰导致的无效解。

**现场数据验证结果**：应用于盘锦海域水下钢桩磁测数据时，经过去跳点、正常场消除、网格化（网格间隔0.8 m）预处理，结构指数设为2（假设沉水磁性物体为水平圆柱钢桩），滑动窗口尺寸为9倍网格间隔，步长为1。原始欧拉解经优化算法与有效统计筛选后，前者在离散解团重心的定位精度上显著优于后者，真实重心平均偏差降低28.06%（簇1偏差降低1.12 m，降幅27.60%；簇2偏差降低0.89 m，降幅28.52%）。

**讨论与结论**

**研究结论**：针对传统欧拉解质量控制方法存在有效解过度滤除、参数设置依赖主观经验及抗噪能力不足等问题，本研究提出的基于APO-DBSCAN聚类的欧拉反演离散解质量控制方法，经仿真模型数据与海洋水域水下钢桩磁测数据验证，展现出优越的鲁棒性。定量比较表明，相较于传统有效统计筛选方法，优化算法在无噪声与含噪声数据中分别将有效解保留率提高52.52%和76.33%，同时将无效解保留率降低28.57%和94.21%；在实际应用场景中，目标真实重心平均偏移量降低28.06%，充分验证了其在提升解有效性与定位精度方面的显著优势。

**理论价值**：融合欧拉解残差惩罚项与轮廓系数惩罚项的目标优化函数，契合欧拉解空间分布特征，在平衡欧拉解拟合可靠性的同时保证了聚类结果的凝聚度与分离度，为离散解的精确筛选提供了定量依据。

**应用前景**：本研究完善了重磁场反演离散解的质量控制体系，对水下目标检测等多个工程领域具有理论与实践价值。未来研究可通过针对非均匀磁化与复杂形状场源优化目标函数、探索APO算法与其他聚类模型的融合，以及提升复杂地质条件下的适应性与解释精度，进一步拓展算法适用范围。