Die Mehrfachmagnetquellen-Lokalisierung wird durch Faktoren wie geomagnetisches Rauschen und unklare Grenzen mehrerer Quellen eingeschränkt. Um eine präzise synchrone Positionierung mehrerer Ziele zu erreichen, wurde eine Methode zur Mehrfachmagnetquellen-Lokalisierung vorgeschlagen, die die nichtlineare Optimierung Moth-Flame Optimization (MFO) und dichtebasiertes Clustering kombiniert. Mithilfe hochpräziser Magnetsensoren wurde die magnetische Anomalieerkennung (Magnetic Anomaly Detection, MAD) in einem zweidimensionalen Gitternetz durchgeführt, um den Punkt maximaler magnetischer Anomalie jedes magnetischen Ziels zu bestätigen. Zur Lösung des Problems geomagnetischer Störungen wurde im Bereich des maximalen Anomaliewerts ein Zweipunkt-Lokalisierungsschema für magnetische Anomalien entworfen. Die Daten der magnetischen Anomalielokalisierung wurden als Anfangseingabe für den MFO-Algorithmus verwendet, und durch nichtlineare Optimierung wurde die Lokalisierungsgenauigkeit der magnetischen Ziele weiter verbessert. Abschließend wurde am gleichen magnetischen Ziel mehrfach optimiert, um einen dichten Punktcluster zu bilden. Mithilfe des dichtebasierten spatialen Clustering-Algorithmus (Density-Based Spatial Clustering of Applications with Noise, DBSCAN) wurden Rauschen und Optimierungsanomalien ausgeschlossen, was eine gleichzeitige Lokalisierung mehrerer magnetischer Ziele ermöglichte. Simulationsergebnisse zeigen, dass 9 magnetische Ziele mittels MFO-Algorithmus eine vorläufige Positionierung erreichten, mit einem durchschnittlichen Root Mean Square Error (RMSE) von 0,1346 m. Die Ergebnisse des Clustering-Algorithmus schlossen Rauschstörungen aus und reduzierten den durchschnittlichen RMSE auf 0,0764 m, was einer Abnahme von 57,1 % entspricht und die Genauigkeit verbesserte. Experimentelle Ergebnisse zeigten, dass der durchschnittliche RMSE von 3 typischen magnetischen Zielen im Testbereich von 1 m×1 m×1 m unter 0,0812 m lag. Diese Methode ermöglicht eine hochpräzise Mehrfachmagnetquellen-Lokalisierung.

geomagnetische Erkennung; Zweipunkt-Lokalisierung; Moth-Flame-Optimierung; dichtebasiertes Clustering; Mehrfachmagnetquellen-Lokalisierung; nichtlineare Optimierung; geomagnetische Anomalie; räumlicher Clustering-Algorithmus