1.一种基于B样条函数的欧拉解集概率密度成像方法,其特征在于,包括有:确定待测区域范围;测量重力矢量数据及重力梯度张量数据;或测量重力数据,通过离散余弦变换或傅里叶变换将重力数据换算到重力矢量数据及重力梯度张量数据;
根据所述重力矢量数据或所述重力梯度张量数据构建三维重力梯度张量欧拉反褶积方程;
确定滑动窗口大小,并利用滑动窗口内的数据构建线性方程组;
利用奇异值分解所述线性方程组,获取所述线性方程组的欧拉解,并输出对应的欧拉解集;其中,所述欧拉解包括异常源空间位置、异常源类型和奇异值分解误差;
将欧拉解解集拆分成不同维度的组合,并根据所述欧拉解解集组合估算估计区间的上/下界及估计网格带宽,以及确定所述估计网格的大小;
计算并存储B样条函数,并将欧拉解数据组合作为独立同分布采样投影至所述估计网格,计算预设权重以及所述B样条函数的系数;
对所述B样条函数以及对应的B样条函数的系数进行卷积,获取欧拉解概率密度分布结果,并根据所述欧拉解概率密度分布结果确定不同维度数据的异常源空间位置及类型。
2.根据权利要求1所述的基于B样条函数的欧拉解集概率密度成像方法,其特征在于,所述根据所述重力矢量数据或所述重力梯度张量数据构建三维重力梯度张量欧拉反褶积方程,包括:式中,Bα为异常背景场,gα为重力梯度,gαβ为重力梯度张量分量,{α,β∈x,y,z};(x0,y0,z0)为观测点位置坐标;(x,y,z)为待求解位场异常源位置;构造指数N是位场异常随场源深度衰减变化陡缓的量度。
3.根据权利要求2所述的基于B样条函数的欧拉解集概率密度成像方法,其特征在于,所述确定滑动窗口大小,并利用滑动窗口内的数据构建线性方程组,以及利用奇异值分解所述线性方程组,获取所述线性方程组的欧拉解,并输出对应的欧拉解集,包括:确定滑动窗口大小为Wx×Wy;
将滑窗中的Wx×Wy个测点数据代入(1)~(3)构建线性方程组,如下:Am=b (4);
式中,
nw=wx×wy;
1 i T
m=[m ,...,m ,...]为欧拉反褶积解集;
i i i i i T
第i个欧拉反褶积解可以表示为m=[x ,y ,z ,N];
利用奇异值分解求取异常源空间位置[x,y,z]及构造指数N;
i
逐一移动滑动窗口,构建线性方程组,并获得相应滑动窗口的欧拉解m ,直至滑动窗口i覆盖整个测区,构建欧拉解集{m}。
4.根据权利要求3所述的基于B样条函数的欧拉解集概率密度成像方法,其特征在于,i T T将样本X投影至大小为λ=[λ1,...,λj,...,λd]且带宽为h=[h1,...,hj,...,hd]的估计网格χ,则其各维度方向的估计点向量分别为χ1,...,χj,...,χd;
利用c次均匀B样条函数 表达d维B样条概率密度估计 则有:由B样条密度估计的定义有:
其中,第j维的带宽hj可以写为:
式中, 为第j维估计区间的上界,
为第j维估计区间的下界,
为第j维数据的最大值;
为第j维数据的最小值。
5.根据权利要求4所述的基于B样条函数的欧拉解集概率密度成像方法,其特征在于,设定第一个网格点 最后一个网格点 λj为第j维的网格数;则有:其中,δj为第j维数据的标准差,γj是一个与维度d和物理内存大小相关的经验系数,n为样本数, 为向下取整运算符,μj为第j维数据Xj算数平均值。
6.根据权利要求4或5所述的基于B样条函数的欧拉解集概率密度成像方法,其特征在于,对公式(5)采用基于规范化的三次B样条基函数,则有:式中, 为三次均匀规范B样条基函数;
系数 可以表示为:
7.根据权利要求6所述的基于B样条函数的欧拉解集概率密度成像方法,其特征在于,对于各维度方向的带宽相同的情况,式(10)可以改写为:
8.根据权利要求6所述的基于B样条函数的欧拉解集概率密度成像方法,其特征在于,在估计网格上,定义在j维度方向存在边 并将其简写为i
若X位于由边 构成的超矩形中,则利用 在 上的投影表示uj,即:
其中, 为向下取整运算符, 为第j维数据Xj的第i个值。