具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

参照图1，本发明提供的一种基于多频电磁感应和弛豫频率参数的识别方法、系统包括如下步骤：

步骤1：运用多频电磁感应线圈频率响应计算得到探测物弛豫频率特征参数；

在进行电磁感应探测时，探测物的离散松弛频率与其电磁感应频率响应H存在如下定量关系：

式中H为电磁感应频率响应，w为电磁感应线圈发射信号频率，c为偏置参数。对于多频点磁感应探测系统，频率响应H和频率w为可观测量。通过观测多频电磁感应系统辐射探测物得到多个频点对应的反馈信号，进而运用定量关系建立多元方程组，之后对方程组进行拟合优化求解出探测物离散松弛频率向量，然后运用前行神经网络完成对探测物物质类型的识别。

为了求解探测物离散松弛频率，系统首先通过发射q个频率的正弦波信号并记录向量[ω₁,ω₂,...,ω_q]为线圈发射的从小到大的q个信号频率，之后对各个频点的频率响应进行采样得到探测目标的频率反馈参数向量，并按照定量关系列出矩阵方程：

式中频率响应H和频率w为可观测量，偏置参数[c₀,c₁,...,c_k]和弛豫频率参数[ζ₁,ζ₂,...,ζ_k]未知，k为模型阶数，而由两者在公式中的相互关系会使得在进行矩阵方程求解时需要进行非线性拟合运算，因此对弛豫频率参数进行如下假设：

假设探测物存在M个弛豫频率在M>k时，[ζ₁,ζ₂,...,ζ_M]，在假设时将M设置足够大来保证[ζ₁,ζ₂,...,ζ_M]中存在部分接近真实弛豫频率的值，之后假设[ζ₁,ζ₂,...,ζ_M]均匀分布在[ω₁,ω_L]上，即认定目标弛豫频率ζ的范围介于[ζ₁＝ω₁,ζ_M＝ω_L]之间，频率步进为

在假设的基础上按如下步骤执行计算：

1.将假设过后的弛豫频率向量代入矩阵方程中可以将公式改写为如下形式：

此时仅有偏置参数[c₀,c₁,...,c_M]未知，而且根据矩阵方程的形式可以将矩阵求解问题划归为最小二乘优化问题，最小二乘的解即为偏置参数[c₀,c₁,...,c_M]的解，不过偏置参数和弛豫频率参数之间的相互关系使得矩阵方程的解必须满足约束条件：

c_k≥0(k∈[1,M])

2.根据最小二乘拟合运算得到：

[c₀,c₁,...,c_M]＝(Z^TZ)^-1Z^Th

其中Z为弛豫频率矩阵：

3.根据最小二乘拟合所得到的偏置参数[c₀,c₁,...,c_M]＝(Z^TZ)^-1Z^Th，结合约束条件c_k≥0(k∈[1,M])，在ζ的取值范围[ζ₁,ζ₂,...,ζ_M]中选取满足约束条件的偏置参数得到预估偏置参数向量并取出与之对应的弛豫频率参数得到弛豫频率参数估计向量完成对探测物弛豫频率参数的求解。

通过大量的实验和数据分析后我们发现：真实的弛豫频率参数会介于弛豫频率之间，将弛豫频率进行对数变换并且对相邻两个预估值的弛豫频率进行线性插值，得到的插值结果接近真实值。

参照图2，在取弛豫频率参数估计向量中任意两个相邻的弛豫频率估计参数和后，按如下插值公式：

对弛豫频率参数ζ和对应的偏置参数c进行插值优化，在对数域上得到插值结果

步骤2：运用弛豫频率参数结合机器学习算法识别探测物物质种类：

对任意探测目标而言，在进行电磁感应探测时目标内部产生涡流到涡流稳定所需要的时间称为弛豫时间，其倒数就是弛豫频率。目标的离散弛豫频率ζ由于目标的材质和三维几何形态紧密关联，而且这种电磁特性不会随着探测物的摆放朝向或者位置而发生改变，在进行电测感应探测时它是一种能够对目标进行分类和识别的最为准确的电磁特征指标。

参照图3和图4，根据弛豫频率运算方案，分别对铜、铁、磁性土壤和一般土壤4种物质进行特征参数仿真，由计算得到的4种物质弛豫频率参数向量的维度均为1*55，参照图5和图6，通过弛豫频率曲线能够初步看出4种不同的探测物在此种电磁特性上具有一定的差异，为了能够更加深层次的探究物质种类与弛豫频率参数之间的关系，需要对两者进行了定量研究。

在探测目标并且识别目标之前，系统需要生成包含多种物质的离散弛豫频率数据库，因此本文在进行识别之前对20种不同的物质进行了弛豫频率参数计算，并在系统中内置如下数据矩阵：

数据矩阵中第一列代表物质的种类标签，用数值或者数值区域来区分，此处取数值1-20，2-k列代表20个目标对应的离散松弛频率。

系统启动后多频电磁线圈辐射探测物根据1中方法计算得到探测物的k个离散弛豫频率[ζ₁,ζ₂,...,ζ_k]，之后采用前向传播神经网络分类方法运用目标离散弛豫频率识别目标种类。

参照图7，考虑到系统实时性，本系统中的神经网络设置的较为简单，网络为拥有1个输入层、1个隐藏层和1个输出层的系统，输入层设置神经元个数与频点个数相同(k个)，隐藏层设置6个神经元，输出层设置1个神经元用于输出目标种类标签。

神经网络的输入层激活函数设定为Sigmoid函数，其函数表达式为：

y＝1/(1+e^-x)

隐藏层的激活函数为tansig函数，表达式为：

y＝2/(1+exp(-2*x))-1

输出层的激活函数为purlin函数，是一个线性函数。

参照图8，网络性能分析：在组建神经网络时本系统通过非线性函数sigmoid与tansig将系统12个频点对应的离散松弛频率谱与物质种类进行了链接，在网络进行不断迭代、误差不断反向传播的过程中，网络的输入、隐藏以及输出层的权重和偏置会进行实时更新，通过运用内置数据对网络的训练会生成一个对内置数据进行高精度分类神经网络，这里将生成的网络命名为DRSFNET。

参照图9，用多频电磁感应物质识别系统对探测目标(代号为Tg)进行探测，系统检测到目标回波12个频点对应的频率响应[H_Tg(ω₁),H_Tg(ω₂),...,H_Tg(ω₁₂)]，通过3中方案计算得到探测目标的弛豫频率向量[ζ₁,ζ₂,...,ζ_l]，然后按如下过程对目标种类进行判别：

1.将弛豫频率向量作为输入代入到训练好的神经网络DSRFNET中运用网络权值和偏置计算得到目标对应的种类标签Range_Tg；

2.求取Range_Tg与[Range₁,Range₂,...,Range_N]中每个元素的差值的绝对值[Δ₁,Δ₂,...,Δ_N]；

3.取绝对值中最小值的下标作为探测目标所属类别。

本发明提供的一种基于多频电磁感应和弛豫频率参数的识别方法、系统解决了目前电磁感应探雷器难以对低金属雷的精准探测的问题，同时降低探雷器对弱磁性杂质的虚警概率；对PRB M409反步兵地雷在沙土地中进行探测，在沙土地中同时埋下弱磁性物质，用多频电磁感应线圈扫描沙土地，采集各频率的频率响应；通过提取各频点对应的弛豫频率特征参数，系统能够精确的分辨PRB M409反步兵地雷和弱磁性物质的位置，使得系统虚警概率低至3％。

且使用机器学习算法结合离线数据库大幅度提高在线探测物识别准确率；通过在线实时计算的结果与离线数据库中各类物质的类别指纹计算欧氏距离向量，准确得到探测物所属的物质类别，扩充离线数据库的物质种类数量使得探测物的识别准确率得到进一步提高。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。