آشکارسازی ناهنجاری مغناطیسی مبتنی بر روش تجزیه حالت تجربی و ویژگی حداقل آنتروپی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترا، دانشگاه جامع امام حسین (ع)، تهران، ایران

2 دانشیار، دانشگاه جامع امام حسین (ع)، تهران، ایران

3 استادیار، دانشگاه جامع امام حسین (ع)، تهران، ایران

چکیده

آشکارسازی ناهنجاری مغناطیسی (MAD)، یک روش غیرفعال برای آشکارسازی هوا پایه اجسام زیرسطحی است. امواج نوری، راداری و صوتی، قادر به عبور از هوای آزاد به محیط آب دریا و نفوذ به عمق آب نبوده، میرا شده و یا به محیط هوا برمی‌گردند. از طرف دیگر خطوط نیروی میدان مغناطیسی در این مرز بدون تغییر هستند. روش‌ MAD بر اساس اندازه‌گیری کوچک‌ترین تغییرات یا اختلال ایجادشده در میدان مغناطیسی زمین براثر عبور یک شئ فرو مغناطیسی و میدان دو‌قطبی مغناطیسی تولیدشده در اطراف آن، استوار است و به‌ویژه در آب‌های کم‌عمق، یکی از کارآمدترین روش‌ها به شمار می‌رود. با توجه به کاهش سریع میدان مغناطیسی با افزایش فاصله، اختلال مغناطیسی تولیدشده توسط هدف مغناطیسی در فاصله دور، معمولاً در نویز مغناطیسی، مدفون می‌شود و به‌عبارت‌دیگر نسبت سیگنال به نویز (SNR) پایین می‌آید.
در این مقاله به‌منظور بهبود عملکرد آشکارسازی اختلال مغناطیسی در SNR پایین، یک روش ترکیبی از MAD مبتنی بر روش تجزیه حالت تجربی (EMD)، و حداقل آنتروپی، پیشنهادشده است. به‌منظور ارزیابی عملکرد روش، یک دستگاه اندازه‌گیری الکترونیکی ساخته‌شده و داده‌های مغناطیسی به‌صورت میدانی از دریای کاسپین در محدوده‌ی بندر انزلی برداشت‌شده است. این داده‌ها که آغشته به نویز مغناطیسی محیطی است به روش آنتروپی موردبررسی قرارگرفته است. با توجه به ویژگی آنتروپی، ناهنجاری مغناطیسی هر زمان که آنتروپی زیر آستانه‌ی تعریف‌شده تنزل یابد، تشخیص داده می‌شود. به‌این‌ترتیب، روش پیشنهادی برای آشکارسازی ناهنجاری مغناطیسی ضعیف هم مؤثر است. نتایج آزمایش نشان‌دهنده احتمال آشکارسازی بالای روش پیشنهادی برای SNR ورودی پایین است. در مقایسه با SNR سیگنال اصلی که 10dB- است، SNR سیگنال بازسازی‌شده به 8dB بهبودیافته است. به‌علاوه، زمان کل به‌روزرسانی پارامترهای تابع چگالی احتمال PDF) (، نویز حدود 0/075s به‌دست‌آمده است.

کلیدواژه‌ها

عنوان مقاله [English]

Magnetic Anomaly Detection Method with Empirical Mode Decomposition and Minimum Entropy Feature

نویسندگان [English]

  • Mehdi Jafri Moghaddam 1
  • -Hamid Reza Khodadadi 2
  • پوریا etezadifar 3
1 PhD student, Imam Hossein University (AS), Tehran, Iran
2 Associate Professor, Imam Hossein University (AS), Tehran, Iran
3 Assistant Professor, Imam Hossein University (AS), Tehran, Iran
چکیده [English]

Abstract: Magnetic anomaly detection (MAD) is a passive method for airborne detection of subsurface objects. Light, radar and sound waves are unable to pass through the open air into the sea water environment and penetrate deep into the water, weaken or return to the air environment. On the other hand, the magnetic field force lines on this boundary are unchanged. MAD method is based on measuring the smallest changes or anomalies caused by the earth's magnetic field due to the passage of a ferro-magnetic object and the magnetic bipolar field generated around it, and especially in shallow waters, is one of the most efficient methods. Due to the rapid reduction of the magnetic field by increasing the distance, the magnetic disturbance generated by the magnetic target in the distance, usually buried in magnetic noise, in other words, the signal-to-noise ratio (SNR) decreases. In this paper, in order to improve the detection performance of magnetic impairment in low SNR, a hybrid method of MAD based on empirical mode decomposition (EMD) and minimal entropy method is proposed. In order to evaluate the performance of the method, an electronic measuring device has been constructed and magnetic data have been fieldly harvested from caspian sea in Anzali port area. These data impregnated with environmental magnetic noise have been investigated by entropy method. According to the entropy feature, magnetic anomaly is detected whenever entropy degrades below the defined threshold. In this way, the proposed method for detecting weak magnetic anomalies is also effective. The test results indicate a high probability of detection of the proposed method for low input SNR. Compared to the original signal SNR with -10 dB, the reconstructed signal SNR has improved to 8 dB. In addition, the total time of updating the parameters of the probability density function (PDF ), of noise is about 0.075s obtained.

کلیدواژه‌ها [English]

  • Magnetic anomaly detection (MAD)
  • Empirical mode decomposition (EMD)
  • Intrinsic Modal Functions (IMF)
  • Entropy

Smiley face

مراجع

[1]    S. L. Tantum, Y. Yu, and L. M. Collins, “Bayesian mitigation of sensor position errors to improve unexploded ordnance detection,” IEEE Geoscience and Remote Sensing Letters, vol. 5, no. 1, pp. 103–107, 2008.
[2]    Z. Guo, D. Liu, Q. Pan, Y. Zhang, Y. Li, and Z. Wang, “Vertical magnetic field and its analytic signal applicability in oil field underground pipeline detection,” Journal of Geophysics and Engineering, vol. 12, no. 3, pp. 340–350, 2015.
[3]    J. A. Baldoni and B. B. Yellen, “Magnetic tracking system: monitoring heart valve prostheses,” IEEE Transactions on Magnetics, vol. 43, no. 6, pp. 2430–2432, 2007.
[4]    D. Liu, X. Xu, C. Huang et al., “Adaptive cancellation of geomagnetic background noise for magnetic anomaly detection using coherence,” Measurement Science and Technology, vol. 26, no. 1, 2015.
[5]    J. Ge, S. Wang, H. Dong et al., “Real-time detection of moving magnetic target using distributed scalar sensor based on hybrid algorithm of particle swarm optimization and gauss-newton method,” IEEE Sensors Journal, vol. 20, no. 18, pp. 10717–10723, 2020.
[6]    C. Wan, M. Pan, Q. Zhang, D. Chen, H. Pang, and X. Zhu, “Performance improvement of magnetic anomaly detector using karhunen–loeve expansion,” IET Science, Measurement and Technology, vol. 11, no. 5, pp. 600–606, 2017.
[7]    A. Sheinker, N. Salomonski, B. Ginzburg, L. Frumkis, and B.- Z. Kaplan, “Magnetic anomaly detection using entropy filter,” Measurement science and technology, vol. 19, no. 4, 2008.
[8]    A. Sheinker, A. Shkalim, N. Salomonski, B. Ginzburg, L. Frumkis, and B.-Z. Kaplan, “Processing of a scalar magnetometer signal contaminated by 1/fα noise,” Sensors and Actuators A: Physical, vol. 138, no. 1, pp. 105–111, 2007.
[9]    A. Sheinker, B. Ginzburg, N. Salomonski, P. A. Dickstein, L. Frumkis, and B.-Z. Kaplan, “Magnetic anomaly detection using high-order crossing method,” IEEE Transactions on Geoscience and Remote Sensing, vol. 50, no. 4, pp. 1095–1103, 2012.
[10] C. Wan, M. Pan, Q. Zhang, F. Wu, L. Pan, and X. Sun, “Magnetic anomaly detection based on stochastic resonance,” Sensors and Actuators A: Physical, vol. 278, pp. 11–17, 2018.
[11] L. Fan, X. Kang, Q. Zheng et al., “A fast linear algorithm for magnetic dipole localization using total magnetic field gradient,” IEEE Sensors Journal, vol. 18, no. 3, pp. 1–1038, 2017.
[12] Y. Tang, Z. Liu, M. Pan et al., “Detection of magnetic anomaly signal based on information entropy of differential signal,” IEEE Geoscience and Remote Sensing Letters, vol. 15, no. 4, pp. 512–516, 2018. 2019.
[13] H. Zhou, Z. Pan, and Z. Zhang, “Magnetic anomaly detection with empirical mode decomposition trend filtering,” IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences, vol. E100.A, no. 11, pp. 2503–2506, 2017.
[14] B. Ginzburg, L. Frumkis, and B. Z. Kaplan, “Processing of magnetic scalar gradiometer signals using orthonormalized functions,” Sensors and Actuators A: Physical, vol. 102, no. 1-2, pp. 67–75, 2002.
[15] L. Fan, C. Kang, H. Hu et al., “Gradient signals analysis of scalar magnetic anomaly using orthonormal basis functions,” Measurement Science and Technology, 2020.
[16] A. Sheinker, A. Shkalim, N. Salomonski, B. Ginzburg, L. Frumkis, and B.-Z. Kaplan, “Processing of a scalar magnetometer signal contaminated by 1/f α noise,” Sensors and Actuators A: Physical, vol. 138, no. 1, pp. 105–111, 2007.
[17] S. Liu, J. Hu, P. Li et al., “Magnetic anomaly detection based on full connected neural network,” IEEE Access, vol. 7, pp. 198–206, 2019.
[18] H. Zhao, J. Zheng, W. Deng, and Y. Song, “Semi-supervised broad learning system based on manifold regularization and broad network,” IEEE Transactions on Circuits and Systemst, Regular Papers, vol. 67, no. 3, pp. 983–994, 2020.
[19] W. Deng, H. Liu, J. Xu, H. Zhao, and Y. Song, “An improved quantum-inspired differential evolution algorithm for deep belief network,” IEEE Transactions on Instrumentation and Measurement, 2020.
[20] S. Nalband, A. Prince, and A. Agrawal, “Entropy-based feature extraction and classification of vibro arthographic signal using complete ensemble empirical mode decomposition with adaptive noise,” IET Science, Measurement and Technology, vol. 12, no. 3, pp. 350–359, 2018.
[21] C. Wan, M. Pan, Q. Zhang, D. Chen, H. Pang, and X. Zhu, “Performance improvement of magnetic anomaly detector using Karhunen-Loeve expansion,” IET Science, Measurement & Technology, vol. 11, no. 5, pp. 600–606, 2017.
[22] M. Jafari Moghadam, M. Aghababaei, “Design and Construction Laboratory Sample of a Magnetic Anomaly Detector (MAD), ” Master's thesis, Faculty of Electrical and Electronics, Imam Khomeini University of Marine Sciences, Nowshahr, summer 2015 (in Persian).
الکترومغناطیس کاربردی
دوره 11، شماره 1 - شماره پیاپی 26
شماره پیاپی 26، دوفصلنامه بهار و تابستان
خرداد 1402
صفحه 107-114

فایل ها

سابقه مقاله

  • تاریخ دریافت: 21 شهریور 1401
  • تاریخ بازنگری: 24 دی 1401
  • تاریخ پذیرش: 23 اسفند 1401
  • تاریخ انتشار: 01 خرداد 1402

هم رسانی

ارجاع به این مقاله

آمار