简介：一份关于低信噪比下磁异常信号相似性度量的学术论文，面向磁异常探测、信号处理与目标识别领域的研究人员和工程师。磁异常探测在水下目标检测、矿物勘探、交通监控等场景应用广泛，但实测信号幅值随距离快速衰减，易受地磁场噪声干扰，导致传统曲线相似性度量方法难以直接使用。文档在分析欧氏距离、DTW、LCS等方法局限的基础上，提出将正交基函数（OBF）与编辑距离（EDR）结合的OBF-EDR方法：利用OBF分解抑制噪声、提取离散基函数系数，再以EDR进行相似性度量，仿真结果表明其在较低信噪比下具有更好的度量性能。包内为单个docx文档，大小1.39MB，内容涵盖磁异常探测模型、磁偶极子运动建模、算法原理推导、公式及仿真对比分析，结构完整，便于课题参考或复现。已有226人学习下载，适合需要深入理解磁异常信号特征匹配方法或开展低信噪比目标识别研究的读者。
1. 低信噪比磁异常信号相似性度量：直接算序列距离为什么不可行
接手水下目标识别项目时，我遇到过一类非常典型的问题：磁传感器采集到的信号波形和目标库里的模板波形"看起来完全不像"，但实际是同一个目标。原因在于磁异常信号幅值随探测距离的-3次方衰减，当目标距离稍远，信号就淹没在地磁场背景噪声里。此时直接用编辑距离（EDR）、动态时间扭曲（DTW）这类曲线相似性算法去匹配，结果几乎没有参考价值。EDR虽然把距离量化为0和1，能容忍异常值，但低信噪比下噪声点密度过高，量化后的匹配关系仍然是错的。这让我意识到问题不在于相似性度量算法本身，而在于"计算对象"选错了——直接对含噪原始序列做度量，再怎么优化度量方式都有限。本文拆解一种有效解法：先用正交基函数（OBF）分解把信号映射到系数域，再对离散基函数系数做EDR度量。核心思路是OBF分解利用背景噪声与正交基不相关的特性，相当于一次匹配滤波，让系数序列的信噪比远高于原始信号，此时再做EDR才有意义。OBF分解本身并不复杂，关键在窗口参数、阈值设定和加权融合三个环节。
2. 磁异常信号模型与OBF分解：从磁偶极子到离散基函数系数
2.1 磁偶极子模型与信号生成
磁异常探测的物理基础是磁偶极子模型。把铁磁性目标等效为磁矩为M的磁偶极子，在距离向量r处产生的磁场为：
[ B(M,r) = \frac{\mu_0}{4\pi} \left[ \frac{3(M \cdot r)r}{|r|^5} - \frac{M}{|r|^3} \right] ]
其中真空磁导率 ( \mu_0 = 4\pi \times 10^{-7} \text{H/m} )。实际工程中，磁力计固定在原点，目标以速度 ( v ) 匀速通过，最近会遇点（CPA）距离为 ( R_0 )。设目标位置随时间变化为 ( x(t) = vt )，( y(t) = R_0 )，( z(t) = 0 )，展开后可得到X、Y、Z三轴磁场分量随时间变化的解析式：
[ B_x(t) = \frac{\mu_0}{4\pi (v^2 t^2 + R_0^2)^{5/2}} \left[ (2v^2 t^2 - R_0^2)M_x + 3vtR_0 M_y \right] ]
[ B_y(t) = \frac{\mu_0}{4\pi (v^2 t^2 + R_0^2)^{5/2}} \left[ 3vtR_0 M_x + (2R_0^2 - v^2 t^2)M_y \right] ]
[ B_z(t) = \frac{\mu_0}{4\pi (v^2 t^2 + R_0^2)^{5/2}} (-v^2 t^2 - R_0^2)M_z ]
三轴的函数形式并不同——X和Y分量由 ( M_x ) 和 ( M_y ) 共同决定，Z分量只受 ( M_z ) 影响，且三个方向的波形形态差异明显。这意味着三轴信号需要分别做相似性度量，不能简单合并处理。仿真时设 ( v = 0.5 \text{ m/s} )，( R_0 = 0.5 \text{ m} )，磁矩三分量均为 ( 1 \text{ A} \cdot \text{m}^2 )，采样得到的信号长度约为200个点。
向信号中添加高斯白噪声并控制信噪比为0 dB，此时噪声幅值已接近信号峰值。直接观察波形，原始信号的双峰特征完全被噪声掩盖。这正是后续所有处理的起点：不是想办法去掉噪声，而是找一种对噪声不敏感的表示方式。
2.2 OBF分解原理与滑动窗口实现
OBF分解的核心思想是：磁异常信号可表示为三个正交基函数的线性组合：
[ S = \frac{\mu_0 M}{4\pi R_0^3} \sum_{i=1}^{3} a_i f_i(w), \quad w = \frac{D}{R_0} ]
三个基函数具有显式表达：
[ f_1(w) = \frac{w^2}{(1+w^2)^{5/2}}, \quad f_2(w) = \frac{w}{(1+w^2)^{5/2}}, \quad f_3(w) = \frac{1}{(1+w^2)^{5/2}} ]
这三个基函数在实数域上满足正交条件：( i = j ) 时积分为1，否则积分为0。正交性保证了系数之间相互独立，每个系数捕获信号在对应基方向上的投影能量。物理上，f1对应目标的偶极特征（近场主项），f2对应运动带来的不对称性，f3对应静态分量。
实际计算时不能直接用连续积分，需要滑动窗口离散化。设窗口大小为 ( 2k )，对第 ( m ) 个测量点，第 ( j ) 个离散基函数系数为：
[ \alpha_j(m) = \sum_{i=-k}^{k} f_j(w_i) S_r(w_{m+i}) \Delta w, \quad j = 1,2,3 ]
这里 ( \Delta w = w_{i+1} - w_i ) 是窗口内的单位间隔，本质上是基函数与信号逐点相乘后求和，等价于一次匹配滤波。由于白噪声与基函数的互相关趋近于零，窗口越长，噪声抑制效果越好，但时间分辨率会下降，窗口宽度需要在两者之间折中。原文取 ( w_{-k} = -4 )，( w_k = 4 )，窗口大小为信号长度的1/20，一组200个点的信号对应窗口约10个点。
离散基函数系数可正可负，幅值大小直接反映对应基在信号构成中的比重。什么信号形态对应哪个基占主导？低速目标接近传感器时，f1对应偶极场的对称双峰，幅值最大；f2的奇对称特征在目标偏离轴线时显著；f3在目标远离时主导。系数分布天然携带了目标运动状态的指纹信息。
2.3 系数占比统计与加权策略
三个基函数的离散系数幅值范围差异很大，不能直接视为等权重。需要计算每个基函数在信号中的能量占比：
[ E_j = \sum_{i=0}^{n} |\alpha_j(i)|, \quad j = 1,2,3 ]
[ W_j = \frac{E_j}{E_1 + E_2 + E_3}, \quad j = 1,2,3 ]
将系数绝对值求和并归一化，得到每个基的权重占比。为什么用绝对值而不是平方？因为系数有正有负，直接求和会相互抵消，平方求和虽然也是常用做法，但绝对值对异常值更稳健，和EDR的0/1量化逻辑一致。
在0 dB信噪比下，OBF分解后的系数序列与原始信号系数序列的相似度明显高于原始含噪信号之间的相似度。原因在于基函数 ( f_1 ) 的系数幅值大，信噪比高，噪声影响相对小；而 ( f_3 ) 系数本身幅值小，受噪声污染严重。因此加权策略尤为重要：占比重的主分量（如 ( W_1 ) 通常超过0.7）贡献更多相似度，占比重小的分量即使度量结果差，对最终结果的影响也被天然压低。原始信号使用OBF分解得到的权重比含噪信号的更稳定，所以工程上应使用原始模板信号的权重系数。
3. EDR相似度计算与OBF-EDR融合度量
3.1 EDR递推公式与动态规划实现
编辑距离最初用于字符串匹配，衡量把一个字符串变换为另一个所需的最小编辑操作次数。将此概念扩展到实数序列，就得到EDR（Edit Distance on Real sequence）。对序列A和B，阈值为 ( e ) 时，EDR(A, B) 表示将A变换到B所需插入、删除和替换操作的最小次数。
递推关系定义如下：Rest(A)表示A去掉首元素后的剩余部分，substituteCost只在两元素差超过阈值时为1，否则为0；插入和删除操作的代价恒为1：
[ \text{EDR}(A,B) = \begin{cases} \sum_{j=1}^{n} \text{insertCost}(\emptyset, b_j) & L_A = 0 \ \min \begin{cases} \text{EDR}(\text{Rest}(A), \text{Rest}(B)) + \text{substituteCost}(a_i, b_j) \ \text{EDR}(\text{Rest}(A), B) + \text{deleteCost}(a_i, b_j) \ \text{EDR}(A, \text{Rest}(B)) + \text{insertCost}(a_i, b_j) \end{cases} \ \sum_{j=1}^{n} \text{deleteCost}(a_i, \emptyset) & L_B = 0 \end{cases} ]
这个递推式对应的计算复杂度是 ( O(L_A \times L_B) )，100个点的序列对只需1万次操作，完全可实时运行。
阈值参数 ( e ) 的选择影响最大，它决定两个元素是否算"匹配"。( e ) 过大则所有元素都匹配，相似度永远接近1；( e ) 过小则噪声导致的微小波动也被记为替换操作，相似度失真。原文采用相对阈值策略：
[ e = 0.1 \times (\max(A) - \min(A)) ]
这比固定绝对阈值更合理——因为不同基函数的系数幅值范围差异可达一个数量级，固定阈值无法同时适配。计算完成后，通过下式将编辑距离归一化为相似度：
[ \text{Similarity} = 1 - \frac{\text{EDR}(A,B)}{\max(L_A, L_B)} ]
3.2 Python实现EDR核心逻辑
一版可直接运行的EDR实现，基于动态规划填充编辑距离矩阵：
import numpy as np def edr_similarity(A: np.ndarray, B: np.ndarray, e: float = None) -> float: """ 计算两条实数序列的EDR相似度 参数: A, B: 输入序列，一维numpy数组 e: 匹配阈值；None时自动计算为0.1*(max-min) 返回: similarity: 0~1之间的相似度值 """ if e is None: e = 0.1 * (np.max(A) - np.min(A)) n, m = len(A), len(B) # dp[i][j] 表示 A[:i] 与 B[:j] 的编辑距离 dp = np.zeros((n + 1, m + 1), dtype=np.float64) # 初始化：空序列到任何序列的编辑距离 = 长度 for i in range(1, n + 1): dp[i][0] = i # 删除操作 for j in range(1, m + 1): dp[0][j] = j # 插入操作 # 动态规划填表 for i in range(1, n + 1): for j in range(1, m + 1): # 替换代价：差值不超过阈值则为0，否则为1 sub_cost = 0.0 if abs(A[i-1] - B[j-1]) <= e else 1.0 dp[i][j] = min( dp[i-1][j-1] + sub_cost, # 替换/匹配 dp[i-1][j] + 1.0, # 删除 A[i-1] dp[i][j-1] + 1.0 # 插入 B[j-1] ) edr_value = dp[n][m] similarity = 1.0 - edr_value / max(n, m) return similarity整体逻辑是：dp[i][j]自底向上递推，每一步取替换、删除、插入三种操作的最小累计代价。替换判断是核心，两元素误差在阈值内就记为0代价，否则为1。归一化分母取max(n, m)意味着序列长度差异本身会降低相似度，长序列比短序列天然更"贵"——这在磁异常信号场景下合理，因为速度差异会导致信号拉伸或压缩，但长度差异不能过大。实际调试时重点观察dp[i-1][j-1]这条路径的sub_cost分布，如果大部分都是1，说明阈值设置过严；如果都是0，则阈值过松。
3.3 加权融合与三轴信号综合判定
磁异常信号是三维矢量，X、Y、Z轴各得到一组离散基函数系数序列，每组算出EDR相似度 ( S_{\alpha_i} ) 后，需要融合为最终的整体相似度：
[ \text{sLines} = \sum_{i=1}^{3} W_i \cdot S_{\alpha_i} ]
其中 ( W_i ) 来自式(11)的权重归一化。这个加权方案特意避开了简单的平均法——基函数 ( f_1 ) 的系数幅值通常是 ( f_3 ) 的10倍以上，等权平均会让小系数分量的噪声被放大，削弱主分量的贡献。
在0 dB信噪比对比案例中，OBF-EDR打分如下：X轴三个基分量相似度分别为1.000、0.768、0.816，权重为0.700、0.145、0.155，加权得分0.938。Y轴得分为0.946。Z轴相对较低，仅0.913，原因是Z轴幅值较小，信噪比最低。直接使用EDR计算含噪信号与原始信号的相似度，X轴0.750、Y轴0.767、Z轴0.741，全部低于0.8。
这里有一个工程判断上的细节：三轴结果如何汇总为最终判定结果？是取平均、取最小还是加权？原文采用取最小值策略——三轴中任一方向强烈不相似，则整体判定为不同目标。这主要是因为地磁背景噪声在不同方向上的影响差异大，Z轴信噪比最差，取平均会被高信噪比的X轴稀释掉；取最小值则保守地选择了置信度最低的维度，减少了误判真实来源的风险。但代价是增加了误拒绝率，实际使用时应结合场景权衡。
三轴加权得分能拉开OBF-EDR和EDR的差距：0 dB下OBF-EDR最高0.946、最低0.913，EDR最高0.767、最低0.741。将判定阈值设为0.9时，EDR结果全部落在阈值以下被判为"不同"，这正是低信噪比下EDR失效的直观体现。
4. 仿真评估与FAR/FRR性能对比
4.1 测试数据生成与评价指标定义
单组案例不足以评估算法性能，需要较大规模的测试。按磁异常探测模型随机生成200组磁异常数据作为模板库：速度 ( v = 4 \text{ m/s} )，CPA距离 ( R_0 = 5 \text{ m} )，磁矩三分量在合理范围内随机变化。每组包含 ( B_x )、( B_y )、( B_z ) 三条曲线，其中Z轴信号只由 ( M_z ) 决定，所以200组的Z轴曲线实际上完全相同的。
向原始信号添加高斯白噪声，控制信噪比从-10 dB到8 dB逐步变化，每个信噪比下生成对应含噪集。性能评估采用两个指标：
- 误识率（FAR）：类间测试中，本应判定为不同的信号对被误判为相同的比例，反映算法的安全性（越小越好）。
- 误拒率（FRR）：类内测试中，本应判定为相同的信号对被误判为不同的比例，反映算法的易用性（越小越好）。
从实际工程角度看，FAR和FRR是矛盾的——阈值提高则FAR下降但FRR上升，阈值降低则反之。两者同时低于0.1意味着算法在可接受的安全水平和易用水平之间找到了平衡。判定规则：两组信号相似度大于0.9则标记为相同，否则为不同。
4.2 不同信噪比下OBF-EDR与EDR性能对比
仿真结果呈现出非常清晰的两个区间。信噪比低于0 dB时，EDR算法的FAR始终接近1，FRR始终为0——这说明算法把所有信号都判为"不同"，完全无法识别相同目标。原因很好理解：噪声幅值大于信号幅值时，含噪序列和原始序列中能够匹配上的点极少，EDR的替换代价几乎全部为1，编辑距离接近序列长度，相似度趋近于0，低于0.9的判定阈值，误拒率就居高不下。
切换OBF-EDR后，同样的信噪比条件下结果显著改善。从-10 dB开始，FRR虽略有上升但始终低于0.1，FAR则随信噪比增大迅速下降，在0 dB附近FAR已跌破0.1。这说明OBF分解在面对低于噪声水平的信号时，仍然能保留主基函数系数的一致性，系数域的EDR才有了区分能力。
更值得关注的是性能"等价点"的对比。EDR达到FAR约0.015时需要6 dB信噪比，且此时FRR为0.117；而OBF-EDR在0 dB时的FAR已低至0.019、FRR为0.058。也就是说，OBF-EDR在0 dB下的综合性能已优于EDR在6 dB下的表现，等效信噪比增益约6 dB以上。在被动磁探测场景中，信噪比每提升6 dB意味着可探测距离显著增加，这个换算下来对实际探测指标的影响是实打实的。
另一个值得注意的细节：两种方法在-10 dB到0 dB区间的行为有本质差异。EDR是"一致失灵"，FAR和FRR乘积达到0；OBF-EDR是"渐进恢复"，FAR和FRR同时保持在0.1以下。前者意味着在低于0 dB的条件下EDR完全不能工作，后者意味着OBF-EDR在更低的信噪比下才开始退化。工程上这种"提前量"很重要——目标从远到近逼近传感器的过程中，最早的识别机会出现在信噪比最低的时刻，这一时刻的度量性能直接决定有效预警距离。
5. 正交基函数分解的工程参数调优与实用技巧
信噪比计算的基于模型的仿真和实测环境有差异。部署OBF-EDR到实际磁探测系统时，几个参数直接决定算法能否复现论文效果，这里给出具体的调优方法和避坑建议。
窗口宽度 ( k ) 的选取依据。原理论文建议 ( k ) 取信号长度的1/20，前提是基于解析式的仿真信号。实测环境的磁异常信号时长会变化：目标速度快则信号被压缩，慢则被展宽。建议先用目标可能的最短信号时长来确定窗口宽度上限，再逐档缩短1/4做预实验，观察系数序列的方差变化。窗口过宽时系数曲线过度平滑，丢失区分形状差异的能力；窗口过窄时噪声抑制不足，系数波动大，EDR的误匹配会增多。一个快速判断准则：在纯噪声信号上做OBF分解，窗口宽度导致的系数标准差不应超过目标信号系数的10%。数据量少的阶段不必追求全参数寻优，这类准则可以避免过拟合。
阈值 ( e ) 的动态设定策略。固定阈值在系数幅值随探测距离变化时会有问题——距离增大则系数幅值整体缩小，固定阈值导致所有元素都判为"匹配"，相似度恒为1，算法失去区分能力。建议将阈值从固定不变改为按首序列幅值动态缩放。参考原论文的0.1倍相对阈值设定，实测环境下建议基函数 ( f_2 ) 和 ( f_3 ) 用0.15倍幅值范围，因为它们的系数幅值小，噪声影响更敏感。要测试不同距离下的系数幅值范围变化情况，设定一个可行的下限，低于下限时直接判定为不可信数据，比强行算相似度更合理。
权值 ( W_j ) 的计算时机。仿真中固定磁矩参数，占比统计 ( W_j ) 一个值可复用在所有数据。实测时目标磁矩未知且多变，更不能直接套用模板权重。工程上可行的做法是：对每一个待识别的模板信号单独计算 ( W_j ) 并存储，线上比对时使用模板自身的权重而非当前含噪信号的权重。原因是含噪信号的系数幅值受噪声干扰，( f_3 ) 这种小幅值基的占比会被拉低，若用含噪权重会进一步压低本就信息量不足的分量。
三轴相似度的融合判定。取最小值策略偏保守，目标是提高安全性时适用；如果场景更关注召回率（比如不想漏掉疑似目标），建议改为加权平均，权重由各轴信噪比高低决定。尤其注意Z轴，它的信号幅值受 ( M_z ) 影响大，在某些磁矩配置下Z轴信噪比极低，取最小值会频繁触底，导致整体误拒。出现这种情况时，优先排查模板库中Z轴模板信噪比是否达标，而不是质疑算法本身。实测中Z轴低于系统可处理的最低信噪比（参考值约0 dB）时，建议直接关闭该轴参与融合。
算法运行的复杂度与实时性。OBF分解是每点计算窗口内的乘加，256点信号的滑窗计算量在千次量级；EDR是 ( O(n^2) ) 动态规划，100点序列则1万次浮点运算，两者在主流DSP或ARM核上通常能在毫秒级内完成。如果点序列较长，可采用金字塔分段降采样做粗匹配、原分辨率精匹配的两级搜索。这段优化对嵌入式部署是一个干净利落的加速方案。
实测流程可归结为：获取模板信号后离线计算并存储其离散基函数系数序列及权重；线上实时滚动OBF分解输入信号流，攒够一个完整事件后计算加权EDR相似度；相似度低于0.9则判为不同目标，高于则继续验证。整个过程绕开了直接对原始含噪波形匹配的低信噪比失效问题，相当于在更稳定的系数域完成模板比对。
本文还有配套的精品资源，点击获取
