A Sparse Bayesian Learning Method for Efficient Magnetization Vector Inversion

Tianjiao Chen

doi:10.1109/tim.2026.3728938

A Sparse Bayesian Learning Method for Efficient Magnetization Vector Inversion

2026-08-31

0

PRE

AI

DOI：10.1109/tim.2026.3728938

原文链接

原文求助

摘要

En 中文

磁化矢量反演（MVI）是恢复地下目标磁化特性的关键方法，在磁测量数据处理与解释中发挥重要作用。基于测量的总磁场数据，MVI可恢复地下目标的物理属性，如空间位置和磁化参数。然而，在精细网格离散化条件下，磁反演的迭代求解通常涉及大规模矩阵运算，显著增加计算成本。为解决这些问题，本文提出了一种用于MVI的稀疏贝叶斯学习（SBL）框架。在假设高斯噪声的前提下构建观测模型，并为受先验方差超参数控制的磁化矢量引入高斯先验。通过最大化似然函数，自适应更新先验方差和噪声方差等关键超参数。这使得稀疏度和噪声水平可自动调整，无需手动参数调优，实现了反演过程的自适应求解。仿真和实测数据结果表明，所提方法在提高计算效率的同时保持反演精度，可为磁场测量数据的定量解释提供有效技术支持。在仿真中，所提方法的相关系数为0.87，磁化偏角和倾角误差分别为8.5°和9.1°，计算时间仅为40.3 s。在实地实验中，中心偏移误差和误识别率分别为0.36 m和3.4%，计算时间为45.7 s。结果表明，所提方法在显著提高计算效率的同时，保持了高反演精度和定位可靠性。

Keyword:

Efficient magnetization vector inversion (MVI)

hyperparameter adaptation

maximum likelihood estimation

sparse Bayesian learning (SBL)

A Sparse Bayesian Learning Method for Efficient Magnetization Vector Inversion

摘要

期刊

机构

引用论文