构建地磁图方向适配性特征的方法

摘要

本发明公开了一种构建地磁图方向适配性特征的方法，涉及地磁场的应用及导航技术领域。所述方法包括如下步骤：1）按给定方向m（m为非零向量）过候选匹配区内一点M0生成一个平面，求该平面截磁场曲面的截线，记作C，截线上地磁场的起伏可以代表候选匹配区在给定方向上的磁场信息；2）提取截线C上的统计特征，将其表示为向量的形式；3）将所得特征向量通过非线性变换映射到特征空间，实现去量纲化；4）按照一定规律移动M0点N次，重复步骤1）‑步骤3），得到N条截线的统计特征向量，它们共同构成地磁图方向适配性特征。所述方法不仅可以构建地磁图在任意方向上的适配性特征，而且相比基于灰度共生矩阵建立的方向适配性特征，所述方法具有更高的分类稳定性。

说明书

技术领域

本发明涉及地磁场的利用方法技术领域，尤其涉及一种构建地磁图方向适配性特征的方法。

背景技术

地磁导航是一种基于地理信息的导航方式，具有无源、无辐射、隐蔽性强、误差不随时间积累的特点，可进行全天候、全地域导航，在跨海制导领域具有相当优势。目前，地磁导航通常作为一种辅助手段，与惯性导航、卫星导航等方式一起构成组合导航系统，提高导航系统的可靠性。

目前，有关地磁图方向适配性研究的成果见诸报道的不多。概括来讲，构建地磁图方向适配性特征的方法主要分为基于统计的方法(如灰度共生阵)和基于滤波的方法(如Gabor滤波器)。虽然在地磁图方向适配性分析中得到了应用，但它们也存在一些不足：

(1)理论上，可以提取到候选匹配区在任意方向上的灰度共生阵，但由于候选匹配区范围一般为几公里，像元数有限，因此不能构建任意方向的地磁图适配性特征；

(2)基于统计的特征提取方法方法不能完全体现磁场的局部特征；

(3)设计Gabor滤波器时需要设置包括滤波器窗口的大小、滤波中心频率等多个参数，方向适配性特征提取的步骤较为繁琐，有时需要引入经验阈值辅助决策，增加了构建特征的难度。

上述的不足限制了地磁图方向适配性评价的准确性和效率。

发明内容

本发明所要解决的技术问题是如何提供一种具有较高分类稳定性的构建地磁图方向适配性特征的方法。

为解决上述技术问题，本发明所采取的技术方案是：一种构建地磁图方向适配性特征的方法，其特征在于包括如下步骤：

1)设地磁场中一个候选匹配区的地磁模型为：

z＝I(x,y)

其中，(x,y)为候选匹配区内某一位置的经纬度坐标，I(x,y)为位置(x,y)处地磁场的强度；

设载体进入候选匹配区的位置为M₀(x₀,y₀,z₀)，进入方向与东向夹角为θ，记θ的向量形式为m，且向量n＝(A,B,C)与m垂直，进入磁场后做匀速等高直线运动，则过点M₀且与m平行的平面有且只有一个，记作平面Π，则Π表示为：

A(x-x₀)+B(y-y₀)+C(z-z₀)＝0

联立式z＝I(x,y)和式A(x-x₀)+B(y-y₀)+C(z-z₀)＝0可得候选匹配区磁场曲面被平面Π所截的截线方程，记作C，则：

2)提取截线C上的统计特征，将其表示为向量的形式；

3)将所得该截线C的特征向量通过非线性变换映射到特征空间，实现去量纲化，得到候选匹配区在给定方向上的一个特征向量；

4)改变载体进入候选匹配区磁场的位置，按照一定的规律移动M₀点N次，重复步骤1)-步骤3)，得到给定方向上N个截线的统计特征向量，它们共同构成地磁图方向适配性特征，描述磁场在方向m上进行地磁导航时地磁图的方向适配性。

进一步的技术方案在于，所述统计特征包括候选匹配区地磁值的均值I与标准差σ：

X，Y分别为一个候选匹配区在x轴方向和y轴方向的维数。

进一步的技术方案在于，所述统计特征包括方差均值比r：

进一步的技术方案在于，所述统计特征包括计算峰态系数κ：

进一步的技术方案在于，所述统计特征包括计算偏态系数s:

进一步的技术方案在于，所述统计特征包括地磁差异熵H_d:

其中，

进一步的技术方案在于，所述统计特征包括地磁信息熵H：

其中，

进一步的技术方案在于：通过如下方法评价地磁图在方向m上的适配性：

1)建立方向适配性评价准则；

2)地磁图方向适配性分析模型的建立：

3)使用地磁图方向适配性分析模型对磁场在方向m上进行地磁匹配导航时的适配性进行评价。

进一步的技术方案在于，方向适配性评价准则建立方法如下：

引入方向匹配概率评价磁场在不同方向的适配性：在磁场候选匹配区的某一方向上进行若干次匹配仿真实验，则方向匹配概率为该方向上正确匹配与总匹配次数的比值，其计算公式如下：

其中，P_r(i,m)为第i个候选匹配区在方向m上的匹配概率，表示区域i在方向m上进行匹配时匹配成功的次数，N_C为匹配总次数，E_p(i,m)为匹配结果的位置误差，threshold为给定的判断匹配成功与否的阈值，在匹配过程中由人为设定；

由于实际应用中往往更关心在某个方向上能否实现载体的可靠定位，而不需要知道该方向上具体的匹配概率是多少。因此，为了提高方向适配性分析的效率，可以将地磁图方向适配性分析模型的建立简化为一个分类问题，将匹配概率大于某一阈值的方向作为适合匹配的方向，小于该阈值的则不适合匹配。因此，在P_r(i,m)的基础上，可以给各候选匹配区在该方向上的适配性打上标签，方法为：如果P_r(i,m)大于某一阈值，则方向m为适合匹配的方向，归为类别“1”，如果P_r(i,m)小于该阈值则方向m认为不适合匹配，归为类别“0”。

进一步的技术方案在于，地磁图方向适配性分析模型建立的方法如下：

1)：方向适配性特征提取：设候选匹配区的大小为A×B，随机选择若干候选匹配区，并取θ₁，θ₂，…，θ_D为D个代表方向，在每个方向上，设载体从不同的位置进入候选匹配区，共得到N条截线，提取各候选匹配区在D个代表方向上的适配性特征，每个方向提取的方向适配性特征为7×N个；

2)：分别求各候选匹配区在D个方向上的匹配概率并给各方向分配类别标签；

3)：设定BP网络结构：各候选匹配区在每个方向上构建的地磁图方向适配性特征都是相互独立的，可将其作为BP神经网络的输入建立地磁图方向适配性分析模型。因此，网络输入节点个数设为7×N，输出节点为1，隐层节点数依据仿真效果及经验设置；

4)：训练网络：BP神经网络以所得方向适配性特征为输入，以相应的标签为目标，进行有监督地学习，建立方向适配性分析模型。

采用上述技术方案所产生的有益效果在于：(1)本发明所述方法可以构建任意方向的地磁图方向适配性特征；(2)本发明构建的地磁图方向适配性特征在进行方向适配性分析时具有较高的分类稳定性。

附图说明

图1是本发明实施例所述方法的流程图；

图2是本发明实施例基于截线法提取地磁图方向适配性特征的原理图；

图3是实施例一中截线法获取的一条截线的俯视图；

图4是实施例一中测试集方向适配性的分析结果；

图5是实施例二中设计的CNN网络结构图；

图6是实施例二中测试集方向适配性的分析结果。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

如图1所示，总体的，本发明实施例公开了一种构建地磁图方向适配性特征的方法，包括如下步骤：

S101：设地磁场中某个候选匹配区的地磁模型为：

z＝I(x,y)

其中，(x,y)为候选匹配区内某一位置的经纬度坐标，I(x,y)为位置(x,y)处地磁场的强度；

设载体进入候选匹配区的位置为M₀(x₀,y₀,z₀)，进入方向与东向夹角为θ，记θ的向量形式为m，且向量n＝(A,B,C)与m垂直，进入磁场后做匀速等高直线运动，则过点M₀且与m平行的平面有且只有一个，记作平面Π，则Π表示为：

A(x-x₀)+B(y-y₀)+C(z-z₀)＝0

联立式z＝I(x,y)和式A(x-x₀)+B(y-y₀)+C(z-z₀)＝0可得候选匹配区磁场曲面被平面Π所截的截线方程，记作C，则：

S102:提取截线C上的统计特征，将其表示为向量的形式；

S103:将所得该截线C的特征向量通过非线性变换映射到特征空间，实现去量纲化，得到候选匹配区在给定方向上的一个特征向量；

S104:改变载体进入候选匹配区磁场的位置，按照一定的规律移动M₀点N次，重复步骤S101-步骤S103)，得到给定方向上N个截线的统计特征向量，它们共同构成地磁图方向适配性特征，描述磁场在方向m上进行地磁导航时地磁图的方向的适配性。

实施例一：

利用BP网络进行地磁图方向适配性分析，具体步骤如下：

S201：求过候选匹配区磁场曲面上一点M₀(x₀,y₀,z₀)且方向为m的平面截磁场曲面的截线，如图2所示。本实施例取一个大小为20×20的地磁场区域为候选匹配区，并以30°方向为例，说明求取截线及其统计特征的过程。

取候选匹配区磁场曲面的上一点(37.0769,50.3151,1436.5)作为M₀点，其中，前两个坐标值为M₀点经纬度坐标，单位为°，第三个坐标值为选定的候选匹配区在M₀点的磁场值，单位为nT。生成一个方向为30°且过M₀点的平面，求磁场曲面与该平面的截线序列，如图3中所示。为了方便表示，该截线的三个坐标分别给出：

C_LA＝[37.0715,37.0718,37.0721,37.0724,37.0726,37.0729,37.0732,37.0735,37.0738,37.0740,

37.0743,37.0746,37.0749,37.0751,37.0754,37.0757,37.0760,37.0763,37.0765,37.0768,

37.0771,37.0774,37.0776,37.0779,37.0782,37.0785,37.0788,37.0790,37.0793,37.0796,

37.0799,37.0801,37.0804,37.0807,37.0810,37.0815,37.0818,37.0821，37.0824，37.0826]

C_LO＝[50.3120,50.3122，50.323，50.3125，50.3127，50.3128，50.3130，50.3131，50.3133，50.3135，

50.3136，50.3138，50.3139，50.3141，50.3143，50.3144，50.3146，50.3149，50.3151，50.3152，

50.3154，50.3155，50.3157，50.3159，50.3160,50.3162,50.3163,50.3165,50.3167,50.3168,

50.3170,50.3171,50.3173,50.3175,50.3178,50.3179,50.3181,50.3183,50.3184,50.3186]

C_M＝[1456.0,1455.0,1454.0,1453.0,1452.0,1451.0,1450.0,1449.0,1448.0,1446.9,

1445.9,1444.9,1443.9,1442.9,1441.8,1440.8,1439.8,1438.8,1437.7,1436.7,

1435.7,1434.7,1433.7,1432.6,1431.6,1430.6,1429.5,1428.5,1427.5,1426.4,

1425.4,1424.4,1423.3,1422.3,1421.2,1419.2,1418.1,1417.1,1416.0,1414.9]

其中，C_LA,C_LO,C_M分别是截线上各点的经度坐标、纬度坐标和磁场值。

S202：提取截线上的统计特征。共提取7个统计特征，计算过程如下：

S2021：计算均值与方差。按照以下公式截线数据的均值和方差σ。

其中，X，Y分别为一个候选匹配区在x轴方向和y轴方向的维数。，I(i,j)为位置(i,j)处磁场的强度。

本实施例以S201步骤中得到的所选候选匹配区在30°方向的截线为例，计算得到其均值和方差分别为：1683.4nT和11.52nT。

S2022：计算方差均值比。计算公式为：

得到所选候选匹配区在30°方向上截线的方差均值比为0.0068。

S2023：计算峰态系数。公式为：

得到所选候选匹配区在30°方向上截线的峰态系数为1.8154。

S2024：计算偏态系数。公式为：

得到所选候选匹配区在30°方向上截线的偏态系数为-0.0094。

S2025：计算地磁差异熵。公式为：

其中，

得到所选候选匹配区在30°方向上截线的地磁差异熵大小为8.3633。

S2026：计算地磁信息熵。计算公式为：

其中，

得到所选候选匹配区在30°方向上截线的地磁信息熵大小为8.6438。

则可以构建S201步骤中所得截线的特征向量：

S203：消除量纲影响。采用log函数将所得特征向量通过非线性变换映射到特征空间，实现去量纲化，最终所得候选匹配区在30°方向上所得截线的特征向量为：

其它候选匹配区和方向上的特征向量按照步骤S101-S103的方法进行。

S204：计算地磁图方向适配性特征。先将M₀点的经纬度坐标固定在对应候选匹配区第10行第10列的位置(候选匹配区的中心)，按照步骤S201-S203的方法获取截线并求其7个特征；固定载体运动方向不变，再沿着x轴和y轴的方向分别向上和向下移动M₀点9次，每次移动一个磁场网格，共得到19条截线。分别按步骤S201-S203计算各条截线的7个统计特征，它们共同构成候选匹配区在30°方向上的适配性特征。

其它候选匹配区在不同方向上的适配特征的构建遵循步骤S101-S104，这些方向适配性特征为地磁导航的适配性分析奠定了基础。

进一步的，本发明实施例还公开了地磁图方向适配性分析模型的建立方法，包括方向适配性评价准则和方向适配性分析模型的建立：

方向适配性评价准则：

通常以匹配概率作为评价某一区域适配性的定量依据，它表示在区域内进行地磁匹配时匹配结果的可信程度。匹配概率越大，则在该区域得到的定位结果就越可信。本发明引入方向匹配概率评价候选匹配区磁场在不同方向的适配性：在磁场的某一方向上进行若干次匹配仿真实验，则方向匹配概率为该方向上正确匹配与总匹配次数的比值。其计算公式如下：

其中，P_r(i,m)为第i个候选匹配区在方向m上的匹配概率，表示区域i在方向m上进行匹配时匹配成功的次数，N_C为匹配总次数，E_p(i,m)为匹配结果的位置误差，threshold为给定的判断匹配成功与否的阈值，在匹配过程中由人为设定。

在P_r(i,m)的基础上，可以给各候选匹配区在该方向上的适配性打上标签，方法为：如果P_r(i,m)大于某一阈值，则方向m为适合匹配的方向，归为类别“1”，如果P_r(i,m)小于该阈值则方向m认为不适合匹配，归为类别“0”。

仍以计算S201步骤中所选的候选匹配区在30°方向上的方向匹配概率为例，在该区域内的不同位置进行100次匹配仿真实验，设threshold＝125m(区域模型地磁场分辨率为62.5m)，即当匹配结果误差小于125m时认为匹配成功，统计100次试验中匹配成功的次数为93，则所选候选匹配区在30°方向上的方向匹配概率为93％。如果当方向匹配概率大于90％即认为该方向适合匹配，很显然，所选候选匹配区在30°方向上适合匹配，归为类别“1”。

地磁图方向适配性分析模型：

本发明所述方法适用于构建任意方向的方向适配性特征，为了区别于GLCM方法，本发明利用截线法提取D个代表方向上的适配性特征，将各方向记为θ₁，θ₂，…，θ_D。为便于建模，将一定范围内的地磁场划分为若干大小相同的矩形区域，记为候选匹配区，并利用泛化能力较强的BP神经网络建立磁场方向适配性特征与对应类别标签之间的模型。建模过程如下：

1)：方向适配性特征提取：设候选匹配区的大小为A×B，随机选择若干候选匹配区，并取θ₁，θ₂，…，θ_D为D个代表方向，在每个方向上，设载体从不同的位置进入候选匹配区，共得到得到N条截线，提取各候选匹配区在D个代表方向上的适配性特征，每个方向提取的方向适配性特征为7×N个；

2)：分别求各候选匹配区在D个方向上的匹配概率并给各方向分配类别标签；

3)：设定BP网络结构：各候选匹配区在每个方向上构建的地磁图方向适配性特征都是相互独立的，可将其作为BP神经网络的输入建立地磁图方向适配性分析模型。因此，网络输入节点个数设为7×N，输出节点为1，隐层节点数依据仿真效果及经验设置；

4)：训练网络：BP神经网络以所得方向适配性特征为输入，以相应的标签为目标，进行有监督地学习，建立方向适配性分析模型。

具体实施过程如下：

S1：方向适配性特征提取。在全球地磁异常模型NDGC-720模型Y分量地磁图上，取经度范围[34°E,39°E]、纬度范围[47.812°N,53.812°N]的区域为背景磁场，通过Kriging插值法建立该区域精细化的地磁异常场模型，将该区域划分为若干个大小为20×20的候选匹配区，以0°,30°,60°,90°,120°,150°这6个方向为代表。对于每一个候选匹配区，将载体进入候选匹配区的位置设置在候选匹配区磁场的中心位置，按照S204的方法得到19条截线。分别按步骤S201-S203计算各条截线的7个统计特征。每个方向提取的方向适配性特征为7×19＝133个。

S2：求各候选匹配区在6个代表方向上的匹配概率并给各方向分配类别标签。通过匹配仿真实验计算每个候选匹配区在各个方向上的匹配成功率，将匹配成功率大于或等于90％的方向划分为适合匹配的方向，归为类别“1”，不满足该条件的划分为不合匹配的方向，归为类别“0”。

S3：设定BP网络结构。网络输入节点设为133，输出节点为1，隐层按照多次仿真的效果设为50×10的双隐层结构。

S4：训练网络。随机取1600组S1中所得的方向适配性特征作为BP神经网络的输入，以S2中相应的标签为目标，进行有监督地学习，通过梯度下降法对网络多次训练，建立地磁图方向适配性的分析模型。为了减小BP网络随机初始权值对结果的影响，同时为了统计多次分类时特征对分类的稳定性，对特征集进行50次训练和预测，取训练效果最好的模型为最终的地磁图方向适配性分析模型。

方向适配性模型确定后，对于一个方向适配性未知的候选匹配区，当输入其某一方向的适配性特征后，模型就会给出该方向的适配性评价结果，指导载体的运动。

S5：网络测试。从非训练集样本(其地磁图方向适配性未知)中随机选择800个作为测试样本，提取其方向适配性特征后，用训练好的模型给出地磁图方向适配性评价结果，网络输出为“1”视为适合匹配，否则不适合。

同时，为了评价对测试集的分类结果，本实施例引入全局分类准确率(OverallAccuracy,OA)进行评价，它衡量了模型对所有样本的分类准确性，如下式所示：

其中，ω_i取0或1，代表样本类别，N(PredictionC＝ω_i)表示实际样本类别为ω_i的样本数，N(PredictionC＝ω_i∩RealC＝ω_i)表示实际样本类别为ω_i且被正确分类为ω_i的样本的数。

图4给出了800个测试样本的方向适配性预测结果。

可以看出，模型对绝大部分样本的方向适配性预测结果与匹配实验得到的结果一致，个别样本的评价结果有误；计算全局分类准确率达可知，BP网络模型对800个测试样本的OA达到了95.32％。说明本发明所述方法提取的特征在建立方向适配性评价模型时的有效性。

为了进一步分析本发明所述方法的性能，将本发明基于截线法提取的方向适配性特征与2011年《武汉大学学报(信息科学版)》第36卷第4期“基于地磁共生矩阵的水下地磁导航适配区选择”中基于共生矩阵提取的特征的分类性能进行比较。论文只能在0°,45°,90°和135°这四个方向上提取地磁共生阵的能量、对比度、相关度和同质性四个量作为方向适配性特征(记为GLCM特征)。为了便于比较，用本发明所提的构建地磁图方向适配性特征的方法也提取0°,45°,90°和135°四个方向的特征，记为Slice特征，两种特征都采用双隐含层的BP网络进行建模，且所用的训练集和测试集来源一致。为了减小BP网络随机初始权值对结果的影响，同时为了统计多次分类时两种特征对分类的稳定性，对两种特征集分别进行50次训练和预测，将分类准确率划分为三个区间：[0,80％),[80％,90％),[90％,100％]，并统计基于GLCM特征和基于Slice特征在50次网络训练和预测中的分类准确率在各个区间内出现的的次数，结果见表1：

表1 50次训练中各区间分类准确率的统计结果

可见，50次试验中基于地磁共生阵的方向适配性特征的分类准确率小于90％的次数达到了23次，小于80％的达到了12次，而基于截线法的方向适配性特征的全局分类准确率只有一次小于90％，未出现小于80％的情况，这说明在地磁导航方向适配性分析模型建立的过程中，基于截线法的特征稳定性更好。

实施例二：

基于深度卷积神经网络构建地磁图方向适配性特征以及利用深度卷积神经网络进行方向适配性分析的方法参照实施例一步骤，简要说明如下：

深度卷积神经网络(Convolutional Neural Network,CNN)与BP网络相比，主要不同在于输入形式不同、网络结构不同、学习能力不同。BP网络将某一候选匹配区一个方向上所有截线法提取的特征拼接为一个数组进行学习；利用CNN分析时将每条截线上提取的特征向量按行拼接为一个方向特征矩阵，描述候选匹配区的方向特征，将该矩阵视为数字图像送入CNN进行学习。

以一个候选匹配区为例，按照步骤S201至步骤S203的方法，求该区域在30°方向上每条截线的7个统计特征，共计19条截线，将然后这19个特征向量拼接为一个特征矩阵F'，F'即为所选候选匹配区在30°方向的特征矩阵。

仍以实施例一的候选匹配区为研究对象，以0°,30°,60°,90°,120°,150°这6个方向为代表，重复上述过程计算其它候选匹配区和其它方向的特征矩阵，将它们作为CNN网络的输入，网络训练时的标签分配方式与实施例一中一样。

CNN的网络结构见图5，它共包含6层：一个输入层Input1、两个卷积层C1和C2、一个降采样层S3、一个全连接层F4和一个输出层Output。其中，卷积层的功能是基于卷积核完成特征图的提取，其中特征图的大小由卷积核的大小决定，特征图的个数由卷积核的种类决定；降采样层，又称为池化层，对上一级的特征图进行降采样，在完成特征映射的同时缩减输入数据的规模，减少计算量。各层参数设置如下：

Input层：输入为基于截线法建立的地磁图方向适配性特征矩阵，矩阵大小为19×7。

C1层：卷积层，用于提取Input层特征。卷积核的大小决定了神经元感受区域的范围，较小的卷积核无法提取有效的局部特征，而较大的卷积核又无法描述高度复杂的信息。本发明在大量实验的基础上选取本层卷积核的大小为3×3，卷积后得到大小维17×5的特征图。由于每个卷积核只能提取到某一类特征，本文同时利用6个卷积核对输入图像进行卷积，得到6中不同的特征图。

C2层：卷积层，对C1层输出的特征图进行特征提取。过程与C1层相似，不同的是本层取16个大小为2×2的卷积核完成特征提取，得到16个大小为16×4的特征图。

S3层：降采样层，对C1层输出的特征图进行降采样,一般缩放因子取2时就能取得较好的效果。大小为16×4的特征图通过2×2的子采样后得到大小为8×2的特征图。这意味着C1层特征图上的4个像素合并成S3层输出图像上的一个像素。常见的子采样的方法有最大值合并、平均值合并及随机合并，本发明采取随机合并方法。此外，降采样层只是在C1层特征图的基础上进行降采样，不改变特征图的数目。

F4：全连接层，再次对特征进行映射。S4层每个神经元与F5层的一个神经元连接，若设置F5层所含神经元数目为10，则S4层到F5层的连接可以视为将S4层的特征图映射为10个特征向量。

Output层：输出层，给出地磁图方向适配性分析的结论。本发明以“适合匹配”和“不适合匹配”对地磁图方向适配性进行划分，因此本层只设1个神经元，作为深度神经网络的最终输出，当输出为1时表示“适合匹配”，为0时表示“不适合匹配”。

随机取1600个不同的方向适配性特征矩阵作为CNN的输入，按照经典的深度网络的学习方法对网络进行训练，得到最终的方向适配性分析模型。

再从非训练集(方向适配性未知)中随机选择200个样本作为测试集，提取其方向适配性特征矩阵后，用训练好的CNN对其方向适配性进行评价，网络输出为“1”视为适合匹配，否则不适合。图6给出了测试样本的方向适配性预测结果。

可见，CNN网络对绝大部分测试集的适配性预测结果与其匹配仿真实验给出的方向适配性结果一致。经计算，测试集的分类准确率达到了92.0％，也证明了本发明所提取的方向适配性特征的有效性。

综合上述两个实施例，本发明所述方法是可行并且是有效的，可以实现任意方向的地磁图方向适配性特征，并且在建立分类器模型的过程中，本发明所提方法获取的特征稳定性较好。