论文部分内容阅读
重力梯度测量由于其信号分辨率高,精度高等特点使得其在军用和民用方面都发挥着极其强大的作用。军用方面如潜艇的探测,地下军事目标的检测等;民用方面可用于地质勘探调查,自然灾害的预防,各种矿产及地下水等资源的勘探。航空重力梯度测量是指将重力梯度仪器放置在飞机,飞艇等载体上;因其载体的运动能力,使得这种测量方式可以在恶劣的地形下进行测量,如山川,湖泊,沼泽,无人区等。这极大地提高了勘探效率,因此是一项十分重要的技术。但也正是由于其方便性和高精度,使得仪器的数据需要经过复杂的处理(如事后误差补偿)才能最终获得我们想要的信号。梯度仪的制造以及数据处理的过程都是极为敏感的技术,因此西方国家一直对我国实行技术封锁。我国迫切地需要研发自己的梯度数据补偿技术。本文的工作便是从这个原因出发,从国外为数不多的公开文献和商业公司的生产报告中,以及国内许多研究重力梯度仪误差分析的文章当中总结经验,并想办法加以提高。提出了一种基于深度学习的梯度信号噪声抑制方法,该方法将造成误差的主要因素,即载体相对于梯度仪的残余线速度,角速度以及角加速度等作为特征量,输入到神经网络之中。通过神经网络的训练使其掌握导致误差的因素之间复杂的内部关系,以此来预测仪器在动态测量中所产生的误差,并将其用于仪器输出信号的改正。如此一来便找到了一种数据补偿的方法。该方法在针对多因素耦合的情况时,省去了人工建模的繁琐,并且不被某些特定的数值模型所限制,而是以数据作为驱动,让网络自己去寻找到一种恰当的模型。为了完成上述目标,本文的主要工作如下:概述国内外当前对于梯度数据处理方法的现状,展示了当前商业化公司的梯度数据的处理流程,着重分析了 Bell Aerospace公司提出的一种事后误差补偿(Post Mission Compensation,PMC)方法,并从中得到启发,选定了造成仪器误差的主要因素(载体相对于梯度仪的残余线速度,角速度,角加速度)。从梯度仪的测量方程出发,并结合实际情况,推导了因标度因数不匹配等原因造成的梯度仪的输出公式。并以此为依据,结合样机的频率,正演得到了仪器理论输出数据。设计地下多个球状模型,并结合实际情况,给出了飞机的飞行高度速度等参数,正演模拟得到理想情况下的梯度分量。对梯度仪的输出信号利用正交幅度解调器和低通滤波进行解调,获得所需要的梯度分量信号。搭建神经网络,并将正演得到的数据制作成符合需要的数据集,输入到神经网络中对参数进行训练,并用训练完成的网络预测噪声。利用此预测噪声对梯度仪的输出信号进行修正,如此便达到了噪声抑制的目的。