基于多特征分类融合神经网络的有色噪声背景下磁异常检测方法

《Remote Sensing》：A Magnetic Anomaly Detection Method Based on Multi-Feature Classification-Fusion Neural Network in Colored Noise Background

　　

磁异常检测（Magnetic Anomaly Detection, MAD）是铁磁性目标探测的核心技术，然而传统方法如正交基函数（Orthogonal Basis Function, OBF）检测器在低信噪比（Signal-to-Noise Ratio, SNR）和高斯有色噪声环境中会遭受严重的性能退化。为解决这一问题，本文提出了一种基于人工特征提取的新型神经网络架构，即42特征分区分类网络（Partitioned Classification Network with 42 features, PCN-42）。首先，从磁测量数据中提取共42个属于三类别的磁异常特征，即时频特征、统计特征和磁矩特征。随后，每类特征由并行子网络独立处理，再进行特征融合。最后，在有色噪声仿真条件结合实测地磁噪声下验证了所提方法的磁异常信号检测性能。实验中，目标建模为磁矩为200 Am²的磁偶极子，最近接近点（Closest Point of Approach, CPA）距离范围为300至800 m，噪声条件涵盖高斯有色噪声（α = 0.5, 0.8, 1.0）加实测地磁背景。仿真结果表明，与OBF检测器相比，PCN-42检测器的检测概率提高了45–75个百分点，在不同磁矩方向下达到80%以上，在CPA = 450 m处达到约90%。实测噪声实验进一步验证了所提方法的有效性。该方法显著提高了有色噪声环境中磁异常信号的检测概率。MAD具有广泛的民用用途，包括矿产勘探、埋地管道监测、考古勘探以及人道主义未爆弹药（Unexploded Ordnance, UXO）清除。

**论文解读**

**一、研究背景与问题**

磁异常检测（Magnetic Anomaly Detection, MAD）是水下安全防御的核心技术之一，凭借被动隐蔽、抗干扰能力强、不受水文条件限制等独特优势，已成为反潜战和水下磁性目标探测的关键非声学探测手段。当铁磁性目标处于地磁场中时，其固有的铁磁特性会诱发地磁场的扰动和畸变，形成可被高精度磁力仪捕获的磁异常场，这一物理现象构成了MAD技术的核心理论基础。

然而，实际应用场景中磁异常信号的有效检测面临两个核心挑战：第一，磁异常信号强度遵循磁偶极子场的衰减规律，与探测距离的立方成反比，导致远距离目标的磁异常信号幅度极低，极易被复杂背景噪声淹没；第二，实际地磁背景噪声并非理想的高斯白噪声，而是具有1/f^α功率谱密度分布的有色噪声，其静态和准静态磁场频段（0–1 Hz）与磁异常信号的特征频段高度重叠，显著增加了信号识别的难度。

传统以正交基函数（Orthogonal Basis Function, OBF）检测器为代表的磁异常信号检测方法在高斯白噪声环境中表现出最优检测性能，但在实际有色噪声环境下检测性能急剧下降，远不能满足工程实践需求。近年来，神经网络因其强大的非线性拟合和模式分类能力被广泛引入MAD领域，但现有方法大多为数据驱动型，或依赖单一特征输入，或采用简单的特征融合架构，未能充分挖掘磁异常信号的多维特征信息。部分方法仅关注高斯噪声环境下的检测信噪比提升，在有色噪声环境中检测性能较差。

**二、研究内容与意义**

针对上述问题，研究人员提出了一种基于人工特征提取的分类融合神经网络方法（PCN-42）。该方法从原始磁测量数据中提取三类共42个特征量，即时频特征、统计特征和磁矩特征，作为神经网络的输入，以充分挖掘信号的多维特征信息。三类特征由并行子网络独立处理后进行特征融合，有效提高了有色噪声干扰下磁异常信号的检测概率。仿真结果表明PCN-42检测器相比OBF检测器检测概率提高了45–75个百分点；实测噪声实验进一步验证了该方法的有效性。该研究为有色噪声环境下磁异常信号检测性能的提升提供了有效途径，在遥感领域的水下和地下目标航空及卫星磁测应用中具有重要参考价值。

**三、关键技术方法**

研究人员首先建立了铁磁性目标的磁偶极子等效模型，目标磁矩矢量M采用随机化方向以模拟真实探测场景。在特征提取方面，采用四层小波变换进行多尺度分解，提取35个第四层近似系数作为时频特征，频段范围为0–1.25 Hz，与磁异常信号的特征频段高度匹配；选取均值、方差、最小值和最大值4个量作为统计特征；基于OBF理论通过正交基函数分解获得3个分解系数作为磁矩特征。神经网络架构方面，设计了三支路并行的分类融合网络结构（PCN-42），时频特征支路结构为35×32×10，统计特征支路为4×2，磁矩特征支路为3×2，各隐藏层采用ReLU激活函数实现非线性特征映射，采用二元交叉熵损失函数进行训练。训练集包含正负样本各30,000个，以CPA = 450 m为基准，水平磁矩方向在0–360°范围内随机选取。测试集按不同磁矩方向（从15°至345°，间隔30°共36个典型方向）和不同CPA距离（300至800 m）分别构建。实测地磁背景噪声采用CS-VL铯光泵磁力仪在午夜室内环境中采集，采样频率20 Hz。

**四、研究结果**

**（1）检测结果**

在高斯有色噪声环境（α = 0.8）下，选取磁矩方向120°、CPA = 450 m的含噪磁异常信号作为输入，PCN-42检测器在磁异常信号出现时段输出值为1，实现了信号的准确识别，在无信号时段输出值为0，有效抑制了有色噪声干扰。研究人员对比了PCN-42检测器、基于全连接神经网络的FCN-42检测器以及传统OBF检测器在三种噪声指数（α = 0.5, 0.8, 1.0）下的检测性能。OBF检测器表现出源自偶极子场物理特性的W形方向调制，在α = 1.0时检测概率范围为34–56%，在800 m处衰减至约2%。FCN-42遵循类似方向模式但水平显著更高，在α = 1.0时各方向检测概率为69–84%。所提PCN-42大幅抑制了方向性W形调制，在α = 1.0时各方向检测概率为90–95%，即使在CPA = 800 m处仍保持85%以上检测概率。分区架构的优势在强有色噪声和远距离条件下最为显著。

**（2）性能评估与比较分析**

在参考条件（α = 0.8，CPA = 450 m）下，PCN-42检测器在虚警率1.75%时达到75.11%的检测概率，优于FCN-42（检测概率73.66%，虚警率1.36%），且仅使用1515个可训练参数，相比全连接架构的3891个参数效率更高。OBF检测器在相同测试数据下仅约30%检测概率。通过输出分数分布的可视化分析，PCN-42模型在决策边界处呈现出更窄的重叠区域，表明类别分离更优。

**（3）特征消融分析**

消融研究揭示了三个关键发现。CA4小波特征构成PCN-42架构的主要判别成分：移除CA4分支（仅保留统计特征+OBF特征，23参数）导致检测概率从75.11%骤降至24.72%，AUC从0.9677降至0.5104。OBF磁矩特征在虚警抑制而非检测率提升方面发挥关键作用：移除OBF分支（CA4+统计特征）检测概率相当（75.43%），但虚警率从1.75%升至3.1%，AUC从0.9677降至0.9346。统计特征提供适度的补充信息：移除统计特征（CA4+OBF）检测概率降低约2.2个百分点至72.95%，虚警率升至2.82%，AUC降至0.9421。

**（4）实测噪声实验验证**

实测地磁背景噪声的功率谱密度在0.1–5 Hz频段呈现约1/f^α的频率依赖性（α ≈ 1.0）。在实测噪声干扰下，PCN-42检测器在各磁矩方向上的检测概率相比OBF检测器提高了45–75%，与α = 1.0的高斯有色噪声仿真结果基本一致。在不同CPA距离（磁矩方向120°）下的检测结果与仿真结果高度一致，进一步验证了PCN-42检测器对实测地磁噪声的良好适应性。

**五、讨论与结论**

在讨论部分，研究人员分析了PCN-42检测器对非高斯噪声扰动的鲁棒性：人工特征提取前端将原始时序测量数据压缩为对孤立异常样本固有敏感性较低的统计摘要特征和变换域系数，三支路融合结构的集成式架构提供了隐式鲁棒性。在不同信噪比条件下，PCN-42在中等信噪比水平表现出更大的性能优势，信噪比低于?3 dB时两种模型性能均显著下降。

研究结论指出：针对有色噪声干扰下磁异常信号检测率低的技术难题，本文提出了基于人工特征提取的磁异常信号检测方法，从原始磁测量数据中提取时频特征、统计特征和磁矩特征共42个特征量，作为分类融合神经网络的独立输入分支，通过并行子网络独立处理与特征融合，充分挖掘了磁异常信号的多维特征信息，有效提高了有色噪声干扰下磁异常信号的检测性能。三种有色噪声条件（α = 0.5, 0.8, 1.0）下的仿真结果表明PCN-42检测器比OBF检测器检测概率提高了45–75个百分点。实测地磁噪声验证证实了上述仿真趋势。特征消融进一步揭示35个CA4小波系数提供了主要判别能力，OBF分支作为有效的虚警抑制器发挥作用。未来需开展更多实测实验以优化模型结构参数，提高模型的工程实用性和泛化能力。