一种基于深度学习的NV色心磁力计磁场计算方法及应用

一种基于深度学习的nv色心磁力计磁场计算方法及应用
技术领域
1.本发明属于量子测量与深度学习交叉领域，具体的说是一种基于深度学习的nv色心磁力计磁场计算方法及应用。


背景技术：

2.nv色心是金刚石氮空位色心，它的电子自旋能够进行高灵敏度和高空间分辨率的磁场测量。基于nv色心的系综nv色心磁力计具有工作温度覆盖广、体积小、灵敏度高、空间分辨率高的特点，是一种应用前景十分广泛的新型磁力计。通常，磁力计分为矢量磁力计和标量磁力计，且可应用于磁导航、磁异常检测、磁成像等等领域。其中，标量磁力计能够获得被测磁场的总场标量信息，而矢量磁力计则能够获得被测磁场的分量信息。矢量磁力计相较于标量磁力计能够获得更多的磁场信息，因此理论上能够在实际应用中得到更好的应用效果。
3.比较具有代表性的矢量磁力计技术包括超导量子干涉仪、磁通门、巨磁阻，以及本专利所涉及的系综nv色心磁力计。除系综nv色心磁力计外，其他几种磁力计均只对某特定方向的磁场敏感。因此，在需要测量磁场的三分量信息时，其他几类磁力计需要将至少三个探测器相互正交布置，以测量空间中沿指定轴的磁场投影，并最终获取矢量总场信息。此时，由不同探测器带来的各轴向增益不确定性和漂移，以及装配的角度误差和振动，都会产生误差从而影响矢量场的测量精度。而系综nv色心磁力计在进行磁场测量时，由于其晶轴具有四个不同取向，因此能够同时得到磁场在四个取向上的投影分量，进而可以获知磁场三分量的完整信息。同时，由于金刚石本身晶格结构的稳定性，其四个取向的相对位置也非常精准且稳定，因此能够极大减少由于装配带来的轴向误差和漂移。因而，nv色心磁力计是一种非常适于进行总场矢量磁测量的磁力计。
4.系综nv色心磁力计在工作于连续波测量模式下时，其磁场信息的获得通常是通过测量系综nv色心的连续波谱实现的。其连续波谱中共振峰出现的位置反映了系综nv色心所处位置磁场的情况，通过一定的换算关系，就能从连续波谱共振峰位置中得到磁场三分量的值。目前，通常使用的系综nv色心磁力计的磁场求解方法为拟合哈密顿量法和一阶矩阵近似法。第一种方法通过非线性最小二乘法对哈密顿量参数进行拟合进而得到磁场值，其在使用中计算得到的磁场三分量有较大的不确定度，且受到温度漂移，应力，电场耦合等等参数拟合精度的影响，会产生一定误差。第二种方法只能用于小动态范围内的线性拟合，当磁场变化范围增大时，其计算误差也会增大。目前，系综nv色心磁力计的使用中暂时还未有计算复杂度低、求解速度快的方法获得高精度的磁场测量值。因此，虽然系综nv色心磁力计的灵敏度指标已经能够突破皮特斯拉级别，但是在求解磁场精度方面仍有较大提升空间。


技术实现要素：

5.本发明是为了解决上述现有技术存在的不足之处，提出一种基于深度学习的nv色心磁力计磁场计算方法及应用，以期能快速高精度求解系综nv色心磁力计磁场测量值或其
他关键系统参数，并能提高计算效率和准确性。
6.本发明为达到上述发明目的，采用如下技术方案：
7.本发明一种基于深度学习的nv色心磁力计磁场计算方法的特点在于，包括以下步骤：
8.步骤一：数据集的获取和预处理；
9.步骤1.1：在nv色心磁力计上施加外磁场，并将所获得的外磁场的磁感应强度在笛卡尔坐标系下的三个分量代入哈密顿量进行求解，得到八个共振频率，从而构成第一数据组d1＝{d
1,k
|k＝1,2,
···
m}并作为训练数据；其中，d
1,k
表示第一数据组d1中第k组数据，且d
1,k
包含八个共振频率f
1,k
＝{f
1,k,i
|i＝1,2,
···
8}和笛卡尔坐标系下的磁感应强度分量的标准值{b
1,k,j
|j＝x,y,z}；f
1,k,i
表示第一数据组d1中第k个数据d
1,k
的第i个共振频率值，b
1,k,j
表示第一数据组d1中第k组数据d
1,k
的第j个磁感应强度分量的标准值，m表示第一数据组d1的总组数；
10.步骤1.2：利用步骤1.1的方法生成第二数据组d2＝{d
2,g
|g＝1,2,
···
n}并作为测试数据；其中，d
2,g
表示第二数据组d2中第g组数据，且d
2,g
包含八个共振频率f
2,k'
＝{f
2,g,i
|i＝1,2,
···
8}和笛卡尔坐标系下的磁感应强度分量的标准值{b
2,g,j
|j＝x,y,z}，f
2,g,i
表示第二数据组d2中第g个数据d
2,g
的第i个共振频率值，b
2,g,j
表示第二数据组d2中第g组数据d
2,g
的第j个磁感应强度分量的标准值，n为第二数据组d2的总组数；
11.步骤二：构建用于磁场求解的神经网络，包括：特征提取网络，磁场计算网络和误差拟合网络；
12.步骤2.1：所述特征提取网络由m个全连接层串联而成，且每个全连接层后均连接一个relu激活函数；
13.步骤2.2：所述磁场计算网络由三个并行的支路组成，且每一个支路是由n个全连接层和p个残差块依次串联而成，每个残差块是由w个全连接层串联后再与一个短路连接shortcut_1并联而成，且磁场计算网络中的每个全连接层后均连接一个relu激活函数；
14.步骤2.3：所述误差拟合网络由三个完全相同的残差神经网络构成，每个残差神经网络由q个全连接层串联而成；且q个全连接层串联后再与一个短路连接shortcut_2并联；
15.步骤三：对所述神经网络进行训练；
16.步骤3.1：设置当前的训练时间为t，特征提取网络的封锁时间为t
lock
，并初始化t＝0；
17.步骤3.2：初始化所述磁场计算网络中所有全连接层的学习率为lr0，所述特征提取网络中所有全连接层的学习率为
18.设置保存特征提取网络和磁场计算网络的时间周期为t
save
；
19.设置h个退火节点对应的均方损失阈值按照降序排列后记为loss1,loss2,
···
lossu,
···
lossh，设置降序排列后的均方损失阈值对应的学习率为lr1,lr2,
···
lru,
···
lrh，其中，lossu表示第u个退火节点对应的均方损失阈值，lru表示第u个退火节点对应的学习率；
20.步骤3.3：从所述训练数据d1中选取一批大小为|b|的数据作为当前训练时间t下的输入数据，将所述输入数据中第s组数据的八个共振频率均乘以频率放大倍数α作为特征
提取网络在当前训练时间t下的第s组输入训练数据f
1,t,s
＝{αf
1,t,s,i
|s＝1,2,
···
,|b|,i＝1,2,
···
8}；将所述输入数据中每组数据的笛卡尔坐标系下三个磁感应强度分量均乘以磁场放大倍数β作为磁场计算网络的第s组训练目标b
1,t,s
＝{βb
1,t,s,j
|s＝1,2,
···
,|b|,j＝x,y,z}；其中，f
t,1,s,i
表示当前训练时间t下输入数据中第s组数据的第i个共振频率；b
t,1.s,j
表示当前训练时间t下输入数据中第s组数据的第j个磁感应强度分量的标准值；
21.所述特征提取网络对所述第s组输入训练数据f
1,t,s
进行处理后，输出当前训练时间t下的第s组磁场特征向量{o
t,s,1
,o
t,s,2
,
···
,o
t,s,w
,
···
,o
t,s,out
}，其中，o
t,s,w
表示当前训练时间t下的特征提取网络中第w个神经元对第s组输入训练数据f
1,t,s
输出的磁场特征信息；out代表特征提取网络中输出层的神经元总数；
22.所述第s组磁场特征向量{o
t,s,1
,o
t,s,2
,
···
,o
t,s,w
,
···
,o
t,s,out
}以全连接的方式输入所述磁场计算网络的三个支路中，其并分别经过三个支路的计算后，相应得到当前训练时间t下第s组数据的笛卡尔坐标系下的磁感应强度分量的第一步输出值其中，表示第s组数据的第j个磁感应强度分量在训练时间t下经过特征提取网络和磁场计算网络的第一步输出值；
23.步骤3.4：利用式(1)建立当前训练时间t下神经网络的均方误差损失l
t
，用于对特征提取网络和磁场计算网络参数的更新：
[0024][0025]
步骤3.5：初始化u＝1；
[0026]
步骤3.6：利用式(1)计算当前训练时间t下一批大小为|b|的数据的均方损失均值，并与第u个退火节点的均方损失阈值lossu进行比较；若均方损失均值小于lossu，在训练时间t 1时将特征提取网络和磁场计算网络的学习率调整为lru，并将u 1赋值给u后，返回步骤3.3顺序执行，否则，则直接返回步骤3.3顺序执行；
[0027]
步骤3.7：判断当前训练时间t是否达到t
lock
，若达到，则将所述特征提取网络封锁，设置其学习率为lr
lock
，使其停止所述特征提取网络参数的更新，并执行步骤3.8；否则，将t 1赋值给t后，返回步骤3.3顺序执行；
[0028]
步骤3.8：判断(t-t
lock
)％t
save
＝0是否成立，若成立，则保存当前训练的特征提取网络和磁场计算网络并构成一个合并网络，从而按照步骤3.3-步骤3.8的过程得到p个合并网络记为net＝{netc|c＝1,2,
···
,p}；其中，netc表示第c个特征提取网络和磁场计算网络合并后的网络；否则，返回步骤3.3顺序执行；其中，％表示取余操作；
[0029]
步骤3.8：利用式(2)计算第c个合并网络netc的第j个磁感应强度分量的方均根误差rmsenet
c,j
，从而得到p个合并网络的方均根误差；
[0030][0031]
式(2)中，表示第g个数据d
2,g
输入第c个合并网络后输出的笛卡尔坐标系下第j个磁感应强度分量；
[0032]
步骤3.9：从p个合并网络的方均根误差中选择使得的值最小的合并网络记为最优合并网络net
best
，在数据集d1中随机选取v组数据，并按步骤3.3的过程输
入最优合并网络net
best
中进行计算，得到v个预测值其中，表示第k'组数据经由最优合并网络net
best
计算输出的第j个磁感应强度分量的预测值；
[0033]
将v个预测值作为误差拟合网络的输入数据，将v个预测值在数据集d1中对应的标准值乘以放大倍数β后作为误差拟合网络的训练目标，对所述误差拟合网络进行训练，得到训练后的误差拟合网络及其输出的笛卡尔坐标系下三个磁感应强度分量的预测值其中，表示第k'组数据经由误差拟合网络计算输出的第j个磁感应强度分量的预测值。
[0034]
本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述nv色心磁力计磁场计算方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
[0035]
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特点在于，所述计算机程序被处理器运行时执行所述nv色心磁力计磁场计算方法的步骤。
[0036]
与现有技术相比，本发明的有益效果在于：
[0037]
1、本发明通过设计神经网络实现了nv色心磁力计磁场的自动求解，在实际使用中可以通过仅求出连续波谱共振频率频率的值来高精度求解磁场大小。同时，该神经网络的设计思想可类似地应用于求解nv色心磁力计磁场相关的其他物理参数如温度、应变耦合参数、谱线中心位移等关键参数，用途广泛。该网络还可以部署在硬件芯片上，应用于实时解算的应用场景；
[0038]
2、由于八个共振频率和待求解磁场在减去偏置场所造成的偏移后数值很小，不利于特征信息的提取和网络参数的更新，而本发明通过对输入数据和目标进行适当的增益、线性放大操作可以改善这两个问题，同时神经网络易于捕捉线性放大的信息，不会增加网络训练的负担。
[0039]
3、本发明通过学习率退火方法，即在训练过程中设置一系列误差的阈值，当特征提取网络和磁场计算网络的输出预测值与目标值的误差小于设置的阈值后，学习率会随之减小。这个方法的目的是通过减小学习率来减小每次参数更新的幅度，使得网络更平稳地沿更高拟合精度的方向更新参数。
[0040]
4、本发明通过对特征提取网络“封锁”的方法，即在训练完成一定的次数后停止对特征提取网络的参数更新，磁场计算网络的参数照常更新。这个方法的目的是既使得磁场计算网络的三支网络能够从特征提取网络中获得稳定的特征信息，又能减少磁场计算网络的三支网络在反向传播各自更新参数时减少对彼此产生的干扰；这个方法使得在后续的训练中整个网络更专注于提高磁场计算网络部分的拟合能力，以此实现更高的计算精度。
[0041]
5、本发明通过对磁场计算网络的输出预测值利用残差网络进行误差拟合，使计算精度得到进一步的提高。残差网络结构在减小拟合误差方面具有非常显著的效果，其中短路连接保证第二次输出预测值能够基于第一次输出预测值进行计算；全连接层拥有足够的网络规模去拟合误差。
附图说明
[0042]
图1为本发明所述特征提取网络和磁场计算网络的结构示意图；
[0043]
图2为本发明所述用于求解bx预测值的误差拟合网络结构示意图；
[0044]
图3为本发明所述用于求解by预测值的误差拟合网络结构示意图；
[0045]
图4为本发明所述用于求解bz预测值的误差拟合网络结构示意图；
[0046]
图5为本发明所述磁场计算网络中残差块1，2内部结构示意图；
[0047]
图6为本发明所述磁场计算网络中残差块3内部结构示意图；
[0048]
图例说明：正方形代表网络的模块，input代表输入模块，fc代表全连接层；residualblock代表残差块；
⊕
代表将两个向量加和输出；圆形代表输出值，bx1,by1,bz1代表特征提取网络和磁场计算网络的笛卡尔坐标系下三个磁感应强度分量的输出值；bx2,by2,bz2代表误差拟合网络的笛卡尔坐标系下三个磁感应强度分量的输出值。
具体实施方式
[0049]
本实施例中，一种基于深度学习的nv色心磁力计磁场计算方法，是凭借神经网络在函数拟合的问题上具有模型灵活、可泛化等优势，利用神经网络开展求解系综nv色心磁力计磁场测量值的工作。从而能利用神经网络自动求解磁场三个方向磁感应强度大小以及其他nv色心相关物理量，如温度、应变耦合参数、谱线中心位移等关键参数。另外，本发明采用深度神经网络结构以增强网络鲁棒性，获取较大的结果置信区间。同时，训练完成的网络模型能够快速计算所需结果，在具有一定实时性要求的场景下开展工作，之后还可以将网络部署在芯片上实现更广泛的应用。具体的说，该方法包括如下步骤：
[0050]
步骤一：数据集的获取和预处理；
[0051]
步骤1.1：在nv色心磁力计上施加外磁场，并将所获得的外磁场的磁感应强度在笛卡尔坐标系下的三个分量代入哈密顿量进行求解，得到八个共振频率，从而构成第一数据组d1＝{d
1,k
|k＝1,2,
···
m}并作为训练数据；其中，d
1,k
表示第一数据组d1中第k组数据，且d
1,k
包含八个共振频率f
1,k
＝{f
1,k,i
|i＝1,2,
···
8}和笛卡尔坐标系下的磁感应强度分量的标准值{b
1,k,j
|j＝x,y,z}；f
1,k,i
表示第一数据组d1中第k个数据d
1,k
的第i个共振频率值，b
1,k,j
表示第一数据组d1中第k组数据d
1,k
的第j个磁感应强度分量的标准值，m表示第一数据组d1的总组数；
[0052]
步骤1.2：利用步骤1.1的方法生成第二数据组d2＝{d
2,g
|g＝1,2,
···
n}并作为测试数据；其中，d
2,g
表示第二数据组d2中第g组数据，且d
2,g
包含八个共振频率f
2,k'
＝{f
2,g,i
|i＝1,2,
···
8}和笛卡尔坐标系下的磁感应强度分量的标准值{b
2,g,j
|j＝x,y,z}，f
2,g,i
表示第二数据组d2中第g个数据d
2,g
的第i个共振频率值，b
2,g,j
表示第二数据组d2中第g组数据d
2,g
的第j个磁感应强度分量的标准值，n为第二数据组d2的总组数；
[0053]
本实施例中，第一数据组和第二数据组的磁感应强度大小的获取均为在一个半径为2的球体内均匀取点，为保证训练集和测试集之间的独立性，每一次的训练集和测试集均由同一个文件运行一次生成，之后将生成的数据集打乱之后随机地分配给训练集和测试集，即保证了训练数据和测试数据各自仍然是在球体内的均匀取点，又使得两个数据集彼此独立没有交叉，增加了测试集的可信度；在本实例中，取m＝2e 7，n＝5e 4；
[0054]
步骤二：构建用于磁场求解的神经网络，包括：特征提取网络，磁场计算网络和误
差拟合网络；
[0055]
步骤2.1：特征提取网络由m个全连接层串联而成，且每个全连接层后均连接一个relu激活函数；在本实例中，如图1所示，取m＝1，特征提取网络的隐藏层经测试表明应该具有很高数量的神经元，使得特征信息能够映射到高维离散空间中，有利于特征信息的获取，同时神经元数量不能过大，会导致由于网络规模很大，使用tanh和sigmoid很容易出现梯度消失的问题，relu函数比tanh和sigmoid函数在梯度消失的问题上有很好的改善，因此选择relu函数作为激活函数；
[0056]
步骤2.2：磁场计算网络由三个并行的支路组成，且每一个支路是由n个全连接层和p个残差块依次串联而成，每个残差块是由w个全连接层串联后再与一个短路连接shortcut_1并联而成，且磁场计算网络中的每个全连接层后均连接一个relu激活函数；在本实例中，如图1所示，取n＝6，p＝3；如图5所示，残差块1，2取w＝3，如图6所示，残差块3取w＝4；
[0057]
步骤2.3：误差拟合网络由三个完全相同的残差神经网络构成，每个残差神经网络由q个全连接层串联而成；且q个全连接层串联后再与一个短路连接shortcut_2并联；如图2，图3和图4所示，在本实例中，q＝6；
[0058]
步骤三：对神经网络进行训练；
[0059]
步骤3.1：设置当前的训练时间为t，特征提取网络的封锁时间为t
lock
，并初始化t＝0；在本实例中，通过对不同封锁时间得到的网络在测试集上的表现结果比较，选择在参数更新二十五万次之后对特征层进行封锁；
[0060]
步骤3.2：初始化磁场计算网络中所有全连接层的学习率为lr0，特征提取网络中所有全连接层的学习率为在本实例中，令lr0＝6e-3，学习率过大会使得网络不能在高精度下收敛，过小会导致训练速度变慢，将特征提取网络的学习率设置为磁场计算网络的1/3是为了使得磁场计算网络的每一支平均地将梯度反向传播至特征提取网络，使特征提取网络平均地接受来自三个方向的信息，有利于使训练更加稳定；
[0061]
设置保存特征提取网络和磁场计算网络的时间周期为t
save
；在本实例中设置该周期为训练五千次；
[0062]
设置h个退火节点对应的均方损失阈值按照降序排列后记为loss1,loss2,
···
lossu,
···
lossh，设置降序排列后的均方损失阈值对应的学习率为lr1,lr2,
···
lru,
···
lrh，其中，lossu表示第u个退火节点对应的均方损失阈值，lru表示第u个退火节点对应的学习率；在本实例中，当某次训练之后网络输出结果的平均误差低于一个设定的值时，便对学习率进行退火处理。设置了五个退火节点，其中第一、二个退火节点对应的均方损失阈值为5e-3和5e-5，对应学习率每次缩小十倍，第三个退火节点为特征提取网络封锁的节点，此时设置特征提取网络学习率为1e-9，磁场计算网络学习率为6e-6，第四，五个退火节点为训练五十万次和七十五万次之后，磁场计算网络学习率相应调整为1e-6，6e-7；
[0063]
步骤3.3：从训练数据d1中选取一批大小为|b|的数据作为当前训练时间t下的输入数据，将输入数据中第s组数据的八个共振频率均乘以频率放大倍数α作为特征提取网络在当前训练时间t下的第s组输入训练数据f
1,t,s
＝{αf
1,t,s,i
|s＝1,2,
···
,|b|,i＝1,2,
···
8}；将输入数据中每组数据的笛卡尔坐标系下三个磁感应强度分量均乘以磁场放大倍数β作为磁场计算网络的第s组训练目标b
1,t,s
＝{βb
1,t,s,j
|s＝1,2,
···
,|b|,j＝x,
y,z}；其中，f
t,1,s,i
表示当前训练时间t下输入数据中第s组数据的第i个共振频率；b
t,1.s,j
表示当前训练时间t下输入数据中第s组数据的第j个磁感应强度分量的标准值；本实例中，将输入数据即八个共振频率放大了10倍，将目标数据即笛卡尔坐标系下磁感应强度的三个分量放大了80倍；
[0064]
特征提取网络对第s组输入训练数据f
1,t,s
进行处理后，输出当前训练时间t下的第s组磁场特征向量{o
t,s,1
,o
t,s,2
,
···
,o
t,s,w
,
···
,o
t,s,out
}，其中，o
t,s,w
表示当前训练时间t下的特征提取网络中第w个神经元对第s组输入训练数据f
1,t,s
输出的磁场特征信息；out代表特征提取网络中输出层的神经元总数；如图1所示，在本实例中，取out＝2048；
[0065]
第s组磁场特征向量{o
t,s,1
,o
t,s,2
,
···
,o
t,s,w
,
···
,o
t,s,out
}以全连接的方式输入磁场计算网络的三个支路中，其并分别经过三个支路的计算后，相应得到当前训练时间t下第s组数据的笛卡尔坐标系下的磁感应强度分量的第一步输出值其中，表示第s组数据的第j个磁感应强度分量在训练时间t下经过特征提取网络和磁场计算网络的第一步输出值；在本实例中，取|b|＝20，|b|不宜过大，在总数据量一定的情况下，批量过大会导致参数更新次数下降；|b|也不宜过小，过小会导致每个批量的误差不稳定，从而导致参数更新不稳定；
[0066]
步骤3.4：利用式(1)建立当前训练时间t下神经网络的均方误差损失l
t
，用于对特征提取网络和磁场计算网络参数的更新：
[0067][0068]
步骤3.5：初始化u＝1；
[0069]
步骤3.6：利用式(1)计算当前训练时间t下一批大小为|b|的数据的均方损失均值，并与第u个退火节点的均方损失阈值lossu进行比较；若均方损失均值小于lossu，在训练时间t 1时将特征提取网络和磁场计算网络的学习率调整为lru，并将u 1赋值给u后，返回步骤3.3顺序执行，否则，则直接返回步骤3.3顺序执行；
[0070]
步骤3.7：判断当前训练时间t是否达到t
lock
，若达到，则将特征提取网络封锁，设置其学习率为lr
lock
，使其停止特征提取网络参数的更新，并执行步骤3.8；否则，将t 1赋值给t后，返回步骤3.3顺序执行；在本实例中，设置在训练进行二十五万次后对特征提取网络“封锁”；如步骤3.2，设置特征提取网络封锁的学习率lr
lock
＝1e-9；
[0071]
步骤3.8：判断(t-t
lock
)％t
save
＝0是否成立，若成立，则保存当前训练的特征提取网络和磁场计算网络并构成一个合并网络，从而按照步骤3.3-步骤3.8的过程得到p个合并网络记为net＝{netc|c＝1,2,
···
,p}；其中，netc表示第c个特征提取网络和磁场计算网络合并后的网络；否则，返回步骤3.3顺序执行；其中，％表示取余操作；
[0072]
步骤3.8：利用式(2)计算第c个合并网络netc的第j个磁感应强度分量的方均根误差从而得到p个合并网络的方均根误差；
[0073][0074]
式(2)中，表示第g个数据d
2,g
输入第c个合并网络后输出的笛卡尔坐标系下第j个磁感应强度分量；
[0075]
步骤3.9：从p个合并网络的方均根误差中选择使得的值最小的合并网络记为最优合并网络net
best
，在数据集d1中随机选取v组数据，并按步骤3.3的过程输入最优合并网络net
best
中进行计算，得到v个预测值其中，表示第k'组数据经由最优合并网络net
best
计算输出的第j个磁感应强度分量的预测值；在本实例中，实际训练的过程中大多数情况下并不会精准的找到最优合并网络，通常在最后收敛的网络中都能得到一个很小的值，在实际训练中，已证明了这些网络之间的微小差异对于残差拟合网络的训练结果没有影响，最终的拟合精度不会有变化；在本实例中，取v＝5e 6；
[0076]
将v个预测值作为误差拟合网络的输入数据，将v个预测值在数据集d1中对应的标准值乘以放大倍数β后作为误差拟合网络的训练目标，对误差拟合网络进行训练，得到训练后的误差拟合网络及其输出的笛卡尔坐标系下三个磁感应强度分量的预测值其中，表示第k'组数据经由误差拟合网络计算输出的第j个磁感应强度分量的预测值。在本实例中，对误差拟合网络的结果评估同步骤3.8和3.9的方法，最终得到的笛卡尔坐标系下三个磁感应强度分量的均方根误差在2gs动态范围下为1.5-2.5nt，在1gs动态范围下约为1nt。
[0077]
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
[0078]
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。