一种消磁方法及系统

摘要

本发明涉及一种消磁方法及系统，方法包括：向介质发射消磁线圈阵列的探测信号，生成介质的原始感应信号；对原始感应信号进行预处理得到感应信号；以感应信号为输入，以感应信号对应的介质类型为输出，采用机器学习算法训练介质分类模型；以感应信号和感应信号对应的介质类型为输入，以感应信号对应的消磁所需的磁场强度为输出，采用机器学习算法训练磁场强度预测模型；将待消磁感应信号输入介质分类模型，获得待消磁感应信号的介质分类结果；将介质分类结果和待消磁感应信号输入磁场强度预测模型，获得介质消磁所需的磁场强度；根据磁场强度对介质进行消磁。本发明根据获取的磁场强度对磁性存储介质进行消磁，降低了消磁所需能耗。

权利要求

1.一种消磁方法，其特征在于，所述方法包括：

向介质发射消磁线圈阵列的探测信号，生成所述介质的原始感应信号；

接收多种类型的介质的所述原始感应信号；

对所述原始感应信号进行预处理得到感应信号；

将所述感应信号作为样本数据，以所述感应信号为输入，以所述感应信号对应的介质类型为输出，采用机器学习算法训练介质分类模型；

以所述感应信号和所述感应信号对应的介质类型为输入，以所述感应信号对应的消磁所需的磁场强度为输出，采用机器学习算法训练磁场强度预测模型；

将待消磁感应信号输入所述介质分类模型，获得所述待消磁感应信号的介质分类结果，所述待消磁感应信号为通过向待消磁介质发射探测信号获得的感应信号；

将所述介质分类结果和所述待消磁感应信号输入所述磁场强度预测模型，获得介质消磁所需的磁场强度；

根据所述磁场强度对介质进行消磁；

对所述原始感应信号进行预处理得到感应信号，具体包括：采用3σ准则剔除所述原始感应信号中的异常数据，获得第一感应信号；

将第一感应信号的最大值、最小值、均值和方差作为构造特征加入到第一感应信号中，获得第二感应信号；

使用主成分分析法对第二感应信号进行降维处理，获得第三感应信号；

使用线性函数归一化方法或者零均值归一化方法对第三感应信号进行归一化，获得感应信号。

2.根据权利要求1所述的消磁方法，其特征在于，所述原始感应信号为对2秒内接收的电流信号进行100次等间隔采样获得的感应电流信号。

3.根据权利要求1所述的消磁方法，其特征在于，所述机器学习算法包括XGBoost、决策树、支持向量机和神经网络中的任意一种。

4.根据权利要求1所述的消磁方法，其特征在于，所述采用机器学习算法训练介质分类模型之前，将所述感应信号按照6:2:2的比例随机划分为训练集、验证集和测试集。

5.一种消磁系统，其特征在于，所述系统包括：

信息采集模块：用于向介质发射消磁线圈阵列的探测信号，生成所述介质的原始感应信号；接收多种类型的介质的所述原始感应信号；对所述原始感应信号进行预处理得到感应信号；

介质分类模型建模模块：用于将所述感应信号作为样本数据，以所述感应信号为输入，以所述感应信号对应的介质类型为输出，采用机器学习算法训练介质分类模型；

磁场强度预测模型建模模块：用于将所述感应信号作为样本数据，以所述感应信号和所述感应信号对应的介质类型为输入，以所述感应信号对应的消磁所需的磁场强度为输出，采用机器学习算法训练磁场强度预测模型；

磁场强度预测模块，用于将待消磁感应信号输入所述介质分类模型，获得所述待消磁感应信号的介质分类结果；所述待消磁感应信号为通过向待消磁介质发射探测信号获得的感应信号；将所述介质分类结果和所述待消磁感应信号输入所述磁场强度预测模型，获得介质消磁所需的磁场强度；

消磁模块，用于根据所述磁场强度对介质进行消磁；

所述信息采集模块包括数据处理单元，具体包括：

异常数据处理子单元，用于采用3σ准则剔除所述原始感应信号中的异常数据，获得第一感应信号；

特征构造子单元，用于将第一感应信号的最大值、最小值、均值和方差作为构造特征加入到第一感应信号中，获得第二感应信号；

降维处理子单元，用于使用主成分分析法对第二感应信号进行降维处理，获得第三感应信号；

归一化子单元，用于使用线性函数归一化方法或者零均值归一化方法对第三感应信号进行归一化，获得感应信号。

6.根据权利要求5所述的消磁系统，其特征在于，所述原始感应信号为对2秒内接收的电流信号进行100次等间隔采样获得的感应电流信号。

7.根据权利要求5所述的消磁系统，其特征在于，所述机器学习算法包括XGBoost、决策树、支持向量机和神经网络中的任意一种。

8.根据权利要求5所述的消磁系统，其特征在于，介质分类模型建模模块包括：数据集处理单元，用于将所述感应信号按照6:2:2的比例随机划分为训练集、验证集和测试集。

说明书

一种消磁方法及系统

技术领域

[0001] 本发明涉及电磁技术领域，特别是涉及一种消磁方法及系统。

背景技术

[0002] 目前随着国家信息化建设的进步，信息的记录、存储和传输技术空前发展。磁存储介质作为一种容量大、传输速度快的存储介质被广泛应用于企业、个人及政府机构，其主要的磁性载体包括硬盘、磁带、软盘等磁性存储介质。磁存储介质通常具有一定的使用寿命，并且使用需求的不断提高进一步加速了磁存储介质的更新换代，因此产生了大量的报废磁存储介质，同时也带来了报废磁存储介质信息泄露、信息非法窃取以及大量敏感信息消除不彻底的安全问题。

[0003] 电磁消磁系统是一种利用强磁场销毁存储介质中信息的消磁技术，由于磁存储介质种类繁多，形态各异，不同类型的磁存储介质达到彻底消磁销毁所需求的消磁场强度有较大差异，这给电磁消磁系统的使用和升级带来了困难。现有的电磁消磁系统通常不具有识别存储介质类型的能力，统一使用消磁机的最大功率对磁存储介质进行信息销毁，存在浪费电能与缩短消磁机使用寿命的现象，而通过人工判断存储介质类别的方法存在额外管理开销并且降低的消磁机的运行效率。

发明内容

[0004] 基于此，本发明的目的是提供一种消磁方法及系统，获取待消磁的磁性存储介质消磁所需的磁场强度，根据获取的磁场强度对磁性存储介质进行消磁，降低了消磁所需能耗。

[0005] 为实现上述目的，本发明提供了如下方案：

[0006] 一种消磁方法，该方法包括：

[0007] 向介质发射消磁线圈阵列的探测信号，生成所述介质的原始感应信号；

[0008] 接收多种类型的介质的所述原始感应信号；

[0009] 对所述原始感应信号进行预处理得到感应信号；

[0010] 将所述感应信号作为样本数据，以所述感应信号为输入，以所述感应信号对应的介质类型为输出，采用机器学习算法训练介质分类模型；

[0011] 以所述感应信号和所述感应信号对应的介质类型为输入，以所述感应信号对应的消磁所需的磁场强度为输出，采用机器学习算法训练磁场强度预测模型；

[0012] 将待消磁感应信号输入所述介质分类模型，获得所述待消磁感应信号的介质分类结果；所述待消磁感应信号为通过向待消磁介质发射探测信号获得的感应信号；

[0013] 将所述介质分类结果和所述待消磁感应信号输入所述磁场强度预测模型，获得介质消磁所需的磁场强度；

[0014] 根据所述磁场强度对介质进行消磁。

[0015] 可选地，对所述原始感应信号进行预处理得到感应信号，具体包括：

[0016] 采用3σ准则剔除所述原始感应信号中的异常数据，获得第一感应信号；

[0017] 将第一感应信号的最大值、最小值、均值和方差作为构造特征加入到第一感应信号中，获得第二感应信号；

[0018] 使用主成分分析法对第二感应信号进行降维处理，获得第三感应信号；

[0019] 使用线性函数归一化方法或者零均值归一化方法对第三感应信号进行归一化，获得感应信号。

[0020] 可选地，所述原始感应信号为对2秒内接收的电流信号进行100次等间隔采样获得的感应电流信号。

[0021] 可选地，所述机器学习算法包括XGBoost、决策树、支持向量机和神经网络中的任意一种。

[0022] 可选地，所述采用机器学习算法训练介质分类模型之前，将所述感应信号按照6:2:2的比例随机划分为训练集、验证集和测试集。

[0023] 本发明还提供了一种消磁系统，该系统包括：

[0024] 信息采集模块：用于向介质发射消磁线圈阵列的探测信号，生成所述介质的原始感应信号；接收多种类型的介质的所述原始感应信号；对所述原始感应信号进行预处理得到感应信号；

[0025] 介质分类模型建模模块：用于将所述感应信号作为样本数据，以所述感应信号为输入，以所述感应信号对应的介质类型为输出，采用机器学习算法训练介质分类模型；

[0026] 磁场强度预测模型建模模块：用于将所述感应信号作为样本数据，以所述感应信号和所述感应信号对应的介质类型为输入，以所述感应信号对应的消磁所需的磁场强度为输出，采用机器学习算法训练磁场强度预测模型；

[0027] 磁场强度预测模块，用于将待消磁感应信号输入所述介质分类模型，获得所述待消磁感应信号的介质分类结果；所述待消磁感应信号为通过向待消磁介质发射探测信号获得的感应信号；将所述介质分类结果和所述待消磁感应信号输入所述磁场强度预测模型，获得介质消磁所需的磁场强度；

[0028] 消磁模块，用于根据所述磁场强度对介质进行消磁。

[0029] 可选地，所述信息采集模块包括数据处理单元，具体包括：

[0030] 异常数据处理子单元，用于采用3σ准则剔除所述原始感应信号中的异常数据，获得第一感应信号；

[0031] 特征构造子单元，用于将第一感应信号的最大值、最小值、均值和方差作为构造特征加入到第一感应信号中，获得第二感应信号；

[0032] 降维处理子单元，用于使用主成分分析法对第二感应信号进行降维处理，获得第三感应信号；

[0033] 归一化子单元，用于使用线性函数归一化方法或者零均值归一化方法对第三感应信号进行归一化，获得感应信号。

[0034] 可选地，所述原始感应信号为对2秒内接收的电流信号进行100次等间隔采样获得的感应电流信号。

[0035] 可选地，所述机器学习算法包括XGBoost、决策树、支持向量机和神经网络中的任意一种。

[0036] 可选地，介质分类模型建模模块包括：

[0037] 数据集处理单元，用于将所述感应信号按照6:2:2的比例随机划分为训练集、验证集和测试集。

[0038] 根据本发明提供的具体实施例，本发明公开了以下技术效果：

[0039] 本发明以不同类型介质的感应信号为数据集训练介质分类模型和磁场强度模块，通过介质分类模型和磁场强度模块获取未知介质消磁所需的磁场强度，针对不同类型的介质调节消磁所需的磁场强度，从而降低消磁的能耗。

附图说明

[0040] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0041] 图1为本发明实施例一种消磁方法流程示意图；

[0042] 图2为本发明实施例一种消磁系统结构示意图。

具体实施方式

[0043] 下面将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他实施例，都属于本发明保护的范围。

[0044] 本发明的目的是提供一种消磁方法及系统，获取待消磁的磁性存储介质消磁所需的磁场强度，根据获取的磁场强度对磁性存储介质进行消磁，降低了消磁所需能耗。

[0045] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0046] 图1为一种消磁方法流程示意图，如图1所示，一种消磁方法，包括：

[0047] 步骤101：向介质发射消磁线圈阵列的探测信号，生成所述介质的原始感应信号。

[0048] 其中，步骤101具体包括：向多种类型的介质发射消磁线圈阵列的脉冲磁场探测信号，接收介质的感应磁场信号并产生感应电流信号，对2秒内的接收电流信号进行100次等间隔采样获得感应电流信号I＝{xj|j＝1,2,3…,100}，感应电流信号为原始感应信号。

[0049] 步骤102：接收多种类型的介质的所述原始感应信号。

[0050] 步骤103：对所述原始感应信号进行预处理得到感应信号。

[0051] 其中，步骤103中具体包括：对所述原始感应信号进行预处理得到感应信号I'＝{xi|i＝1,2,3…,n}，n为感应信号数量，具体包括：

[0052] 计算采集的感应电流信号I的平均值μ与标准差σ，根据3σ准则，采集的各感应电流信号中信号值与平均值μ之差大于3μ的感应电流信号则被判定为异常数据，使用平均值μ替代异常数据，数据清洗后获得感应电流信号I1，记为第一感应信号。

[0053] 将第一感应信号的最大值、最小值、均值和方差作为构造特征加入到第一感应信号中，获得第二感应信号I2＝{xi|i＝1,2,3…,104}，其中x101、x102、x103和x104分别为第一感应信号的最大值、最小值、均值和方差。

[0054] 使用主成分分析法(Principal components analysis，PCA)对第二感应信号进行降维处理，使用网格搜索(GridSearchCV)以最大化类间欧式距离为目标求解降维后的数据维度N，并设置PCA算法的输出数据维度为N，并将第二感应电流信号I2输入PCA算法后，PCA输出降维后的N维第三感应电流信号I3。

[0055] 使用线性函数归一化(Min-Max  Scaling)或者零均值归一化(Z-Score Normalization)对第三感应信号进行归一化，获得感应信号I'。

[0056] 其中，线性函数归一化方法对感应电流信号进行处理的表达式为：xnorm为xi归一化后的感应电流信号，xi为被归一化的感应电流信号，
xmax为第三感应电流信号I3中的最大值，xmin为第三感应电流信号I3中的最小值。

[0057] 其中，零均值归一化方法对感应电流信号进行处理的表达式为： 其中z为xi归一化后的信号，μ3为第三感应电流信号I3的均值，σ3为第三感应电流信号I3的标准差。

[0058] 步骤104：将所述感应信号作为样本数据，以所述感应信号为输入，以所述感应信号对应的介质类型为输出，采用机器学习算法训练介质分类模型。

[0059] 其中，步骤104，具体包括：人工标注介质样本数据的介质类型标签，如数字1代表第一类介质，数字2代表第二类介质，……，依次类推。通过留出法，将数据集按照6:2:2的比例随机划分为训练集Xtrain、验证集Xval与测试集Xtest，验证集用于机器学习模型参数优化与防止机器学习模型过拟合较。

[0060] 构造神经网络模型：神经网络的输入层的神经元数量等于感应信号的维度，不使用激活函数，神经网络的输出层的神经元数量等于介质的类别数量，使用归一化指数函数(softmax函数)作为激活函数，确定神经网络的隐藏层的数量、每层所包含的神经元数量与所使用的激活函数的过程为参数优化过程，使用网格搜索(GridSearchCV)方法以最大化验证集Xval的准确率为目标的获取隐藏层的最佳参数。完成介质分类模型构造。

[0061] 将训练集Xtrain输入介质分类模型并且使用随机梯度下降算法(Stochastic Gradient Descent，SGD)以最小化交叉熵(cross entropy)优化神经网络的权重参数，迭代1000次获得训练后的介质分类模型并保存其权重参数。为确保介质分类模型对未知介质具有良好的分类能力，需对介质分类模型的泛化误差进行评估，即使用训练好的介质分类模型对测试集Xtest样本进行预测，并计算分类准确率，当准确率大于99％则认为介质分类模型具有良好的泛化性能，否则重新构建并训练介质分类模型。对介质分类模型进行测试时，泛化误差的评估指标除了准确率外，还包括错误率、查准率和查全率。

[0062] 步骤105：以所述感应信号和所述感应信号对应的介质类型为输入，以所述感应信号对应的消磁所需的磁场强度为输出，采用机器学习算法训练磁场强度预测模型。

[0063] 其中，步骤105，具体包括：人工标注介质样本数据的介质类型标签与介质样本消磁所需磁场强度。通过留出法，将数据集按照6:2:2的比例随机划分为训练集Xtrain、验证集Xval与测试集Xtest。

[0064] 构造神经网络模型：神经网络的输入层的神经元数量等于感应电流信号的维度，不使用激活函数，神经网络的输出层包含1个神经元，不使用激活函数，确定神经网络的隐藏层的数量、每层所包含的神经元数量与所使用的激活函数的过程为参数优化过程，使用网格搜索(GridSearchCV)方法以最小化验证集Xval均方误差(MSE)为目标的获取隐藏层的最佳参数，完成磁场强度预测模型构造。

[0065] 将训练集Xtrain输入磁场强度预测模型并且使用随机梯度下降算法(Stochastic Gradient Descent，SGD)以最小化训练集均方误差为目标求解神经网络的最优权重参数，迭代1000次获得训练后的磁场强度预测模型并保存其权重参数。为确保磁场强度预测模型对未知介质所需消磁磁场强度具有良好的预测能力，需对磁场强度预测模型的泛化误差进行评估，即使用训练后的磁场强度预测模型对测试集Xtest样本所需消磁磁场强度进行预测，并计算均方误差，当均方误差小于1时则认为磁场强度预测模型具有良好的泛化性能，否则重新构建并训练磁场强度预测模型。对磁场强度预测模型进行测试时，泛化误差的评估指标除了均方误差外，还包括均方根误差和绝对误差。

[0066] 步骤106：向待消磁介质发射消磁线圈阵列的探测信号，生成向待消磁介质的原始感应信号，对待消磁介质的原始感应信号进行预处理得到待消磁感应信号，将待消磁感应信号输入所述介质分类模型，获得所述待消磁感应信号的介质分类结果。

[0067] 其中，步骤106具体包括：将待消磁感应信号进行预处理后输入介质分类模型，通过前向传播识别介质的类别标签C。

[0068] 步骤107：将所述介质分类结果和所述待消磁感应信号输入所述磁场强度预测模型，获得介质消磁所需的磁场强度。

[0069] 其中，步骤107具体包括：将预处理后的感应信号与介质类型标签C输入磁场强度预测模型，通过前向传播获得介质消磁所需磁场强度H。

[0070] 步骤108：根据所述磁场强度对介质进行消磁。

[0071] 其中，步骤108具体包括：

[0072] 根据介质消磁所需磁场强度H，设定需要注入消磁线圈的电流It。可通过预先建立磁场强度与消磁线圈电流之间的函数映射关系，通过输入磁场强度H获取消磁线圈的电流It。函数映射关系确定的方式：调整消磁线圈的电流，并测试记录相应的磁场强度，获取多组测试数据后进行多项式拟合，获得消磁线圈电流与磁场强度的函数映射关系。

[0073] 图2为一种消磁系统结构示意图，如图2所示，一种消磁系统，包括：

[0074] 信息采集模块201：用于向介质发射消磁线圈阵列的探测信号，生成所述介质的原始感应信号；接收多种类型的介质的所述原始感应信号；对所述原始感应信号进行预处理得到感应信号。

[0075] 其中，信息采集模块201具体包括：

[0076] 发射单元，包括发射电路，用于发射消磁线圈阵列的脉冲磁场探测信号。

[0077] 接收单元，包括接收电路，用于接收介质的电磁感应信号强度并产生感应电流信息。

[0078] 电磁感应信号Bs(ω)可以表示为： 式中，m(ω)为角频率是ω时在介质位置处的感应偶极矩，与探测磁场以及介质的材质、形状、尺寸有关，r为识别线圈到介质中心的距离，为介质中心指向识别线圈中心的单位矢量，为单位矩阵。并将采集信号传输至数据处理单元。

[0079] 数据处理单元包括：

[0080] 数据采样子单元，用于对2秒内的接收电流信号进行100次等间隔采样获得感应电流信号I＝{xj|j＝1,2,3…,100}。

[0081] 异常数据处理子单元，用于设置统计平方公差法(Root-Sum-Squares RSS)的正常值范围，采用3σ准则剔除所述原始感应信号中的异常数据。剔除异常数据的过程具体包括：计算采集的感应电流信号I的平均值μ与标准差σ，根据3σ准则，采集的各感应电流信号中信号值与平均值μ之差大于3μ的感应电流信号则被判定为异常数据，使用平均值μ或固定值替代异常数据，数据清洗后获得感应电流信号I1，记为第一感应信号。

[0082] 特征构造子单元，用于使用自动编码器(AutoEncoder)对信号进行特征构造；或者将第一感应信号的最大值、最小值、均值和方差作为构造特征加入到第一感应信号中，获得第二感应信号I2＝{xi|i＝1,2,3…,104}，其中x101、x102、x103和x104分别为第一感应信号的最大值、最小值、均值和方差。特征构造突出感应信号的数据特征，增强感应信号数据集的信息表达能力。

[0083] 降维处理子单元，用于使用主成分分析法对第二感应信号进行降维处理。使用主成分分析法(Principal components analysis，PCA)对第二感应信号进行降维处理，使用网格搜索(GridSearchCV)以最大化类类间欧式距离为目标求解降维后的数据维度N，并设置PCA算法的输出数据维度为N，并将第二感应电流信号I2输入PCA算法后，PCA输出降维后的N维第三感应电流信号I3。通过降维处理减小感应信息的信息冗余，加快模型训练与预测过程。降维处理还可以选择特征抽取与特征选择方法。其中，特征抽取方法通过数学变换将特征集中的高维属性映射到低维子空间，从而降低数据集的维度，包括但不限于主成分分析法、核主成分分析法和局部线性嵌入；特征选择方法通过从M维的特征集中选择K维的特征子集，其中K

[0084] 归一化子单元，用于使用线性函数归一化(Min-Max Scaling)或者零均值归一化(Z-ScoreNormalization)对第三感应信号进行归一化，获得感应信号I'。

[0085] 其中，线性函数归一化方法对感应电流信号进行处理的表达式为：xnorm为xi归一化后的感应电流信号，xi为被归一化的感应电流信号，
xmax为第三感应电流信号I3中的最大值，xmin为第三感应电流信号I3中的最小值。

[0086] 其中，零均值归一化方法对感应电流信号进行处理的表达式为：

[0087] 其中z为xi归一化后的信号，μ3为第三感应电流信号I3的均值，σ3为第三感应电流信号I3的标准差。

[0088] 数据处理单元包括至少一个微处理器，将接收的信号发送至介质分类模型建模模块202和磁场强度预测模型建模模块203。

[0089] 介质分类模型建模模块202：用于将历史感应信号作为样本数据，以所述感应信号为输入，以所述感应信号对应的介质类型为输出，采用机器学习算法训练介质分类模型。评估介质分类模型的泛化误差，选择泛化性能良好的介质分类模型。介质分类模型的评估指标包括准确率、错误率、查准率和查全率等。

[0090] 介质分类模型建模模块202，具体包括：人工标注介质样本数据的介质类型标签，如数字1代表第一类介质，数字2代表第二类介质，……，依次类推。将感应信号和感应信号对应的介质类型作为数据集，通过留出法、交叉验证法和自助法中的任意一种，将数据集按照6:2:2的比例随机划分为训练集Xtrain、验证集Xval与测试集Xtest。

[0091] 构造神经网络模型：神经网络的输入层的神经元数量等于感应信号的维度，不使用激活函数，神经网络的输出层的神经元数量等于介质的类别数量，使用softmax作为激活函数，确定神经网络的隐藏层的数量、每层所包含的神经元数量与所使用的激活函数的过程为参数优化过程，使用网格搜索(GridSearchCV)方法以最大化验证集Xval准确率为目标的获取隐藏层的最佳参数。完成介质分类模型构造。

[0092] 将训练集Xtrain输入介质分类模型并且使用随机梯度下降算法(Stochastic Gradient Descent，SGD)以最小化交叉熵(cross entropy)优化神经网络的权重参数，迭代1000次获得训练后的介质分类模型并保存其权重参数。为确保介质分类模型对未知介质具有良好的分类能力，需对介质分类模型的泛化误差进行评估，即使用训练好的介质分类模型对测试集Xtest样本进行预测，并计算分类准确率，当准确率大于99％则认为介质分类模型具有良好的泛化性能，否则重新构建并训练介质分类模型。

[0093] 磁场强度预测模型建模模块203：用于将所述感应信号作为样本数据，以所述感应信号和所述感应信号对应的介质类型为输入，以所述感应信号对应的消磁所需的磁场强度为输出，采用机器学习回归算法训练磁场强度预测模型。

[0094] 其中，磁场强度预测模型建模模块203，具体包括：人工标注介质样本数据的介质类型标签与介质样本消磁所需磁场强度。将感应信号、感应信号对应的介质类型、感应信号对应的消磁所需的磁场强度作为数据集，通过留出法、交叉验证法和自助法中的任意一种，将数据集按照6:2:2的比例随机划分为训练集Xtrain、验证集Xval与测试集Xtest。

[0095] 构造神经网络模型：神经网络的输入层的神经元数量等于感应电流信号的维度，不使用激活函数，神经网络的输出层包含1个神经元，不使用激活函数，确定神经网络的隐藏层的数量、每层所包含的神经元数量与所使用的激活函数的过程为参数优化过程，使用网格搜索(GridSearchCV)方法以最小化验证集Xval均方误差(MSE)为目标的获取隐藏层的最佳参数，完成磁场强度预测模型构造。

[0096] 将训练集Xtrain输入磁场强度预测模型并且使用随机梯度下降算法(Stochastic Gradient Descent，SGD)以最小化训练集均方误差为目标求解神经网络的最优权重参数，迭代1000次获得训练后的磁场强度预测模型并保存其权重参数。为确保磁场强度预测模型对未知介质所需消磁磁场强度具有良好的预测能力，需对磁场强度预测模型的泛化误差进行评估，即使用训练后的磁场强度预测模型对测试集Xtest样本所需消磁磁场强度进行预测，并计算均方误差，当均方误差小于1时则认为磁场强度预测模型具有良好的泛化性能，否则重新构建并训练磁场强度预测模型。

[0097] 磁场强度预测模块204，用于将待消磁感应信号输入所述介质分类模型，获得所述待消磁感应信号的介质分类结果；所述待消磁感应信号为通过向待消磁介质发射探测信号获得的感应信号；将所述介质分类结果和所述待消磁感应信号输入所述磁场强度预测模型，获得介质消磁所需的磁场强度。评估磁场强度预测模型的泛化误差，选择泛化性能良好的磁场强度预测模型。磁场强度预测模型的评估指标包括均方误差、均方根误差和绝对误差等。

[0098] 对介质分类模型和磁场强度预测模型进行评估，防止模型过拟合，确保模型对未知介质同样保持良好的预测性能。

[0099] 其中，磁场强度预测模块204具体包括：待消磁感应信号为待消磁介质的感应信号，将待消磁感应信号进行预处理后实时输入介质分类模型，通过前向传播识别介质的类别标签C。将预处理后的感应信号与介质类型标签C实时输入磁场强度预测模型，通过前向传播实时获得介质消磁所需磁场强度H。

[0100] 消磁模块205，用于根据所述磁场强度对介质进行消磁。

[0101] 其中，消磁模块205具体包括：

[0102] 根据介质消磁所需磁场强度H，消磁控制单元设定需要注入消磁线圈的电流It。可通过预先建立磁场强度与消磁线圈电流之间的函数映射关系，通过输入磁场强度H实时获取消磁线圈的电流It。函数映射关系确定的方式：调整消磁线圈的电流，并测试记录相应的磁场强度，获取多组测试数据后进行多项式拟合，获得消磁线圈电流与磁场强度的函数映射关系。在多种类型的介质消磁的过程中，消磁系统自适应调节消磁线圈的电流，驱动发射电路产生消磁磁场，完成对介质的消磁，降低消磁系统能耗。

[0103] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

[0104] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。