基于支持向量机的液体闪烁体探测器n/γ射线甄别方法技术

本发明专利技术提供了一种基于支持向量机的液体闪烁体探测器n/γ射线甄别方法，该方法的步骤如下：(1)信号采集，采用液体闪烁体探测器采集由中子源产生的信号，并将所采集的信号转化为脉冲信号；(2)采用电荷比较法甄别中子和γ射线，采用传统电荷比较法对步骤(1)获取的脉冲信号进行甄别，确定电荷比较法对中子和γ射线的甄别能量下限；(3)获取M矩阵；(4)采用LIBSVM软件进行中子和γ射线的分类预测。该方法可以对能量处于传统方法甄别阈值以下的信号进行区分，从而有助于提高中子通量测量的准确性。

【技术实现步骤摘要】
基于支持向量机的液体闪烁体探测器n/γ射线甄别方法
本专利技术属于中子辐射探测
，特别涉及一种基于支持向量机的液体闪烁体探测器n/γ射线甄别方法。
技术介绍
1931年，英国物理学家JamesChadwick发现了中子(n)的存在，此后几十年间，中子探测技术得到了广泛而深入的研究和应用。目前，中子探测技术已广泛应用于测井、违禁品检测、环境辐射检测、医学以及军事等领域。但由于中子与周围环境的非弹性散射、慢化中子的辐射俘获等原因，存在中子的场合几乎都伴随着大量的伽马射线(γ射线)本底，中子探测器对γ射线也是非常灵敏的。要精确地确定环境的中子通量，应尽量排除γ射线对中子通量测量的影响，因此n与γ射线的甄别就成为了中子探测的关键技术之一。对于液体闪烁体，入射粒子激发的荧光脉冲通常可用指数衰减的快成分和慢成分来表示。中子与液体闪烁体作用所产生的荧光脉冲的快成分份额比例较小，慢成分份额比例较大，而γ射线则与此相反，γ射线与液体闪烁体作用所产生的荧光脉冲的快成分份额比例较大，慢成分份额比例较小，即γ射线与液体闪烁体作用所产生的荧光脉冲比中子与液体闪烁体所产生的荧光脉冲衰减得更快。因此可利用中子和γ射线在液体闪烁体探测器内所产生荧光脉冲形状的不同来甄别n和γ射线。传统的n和γ射线甄别方法主要有上升时间法、电荷比较法等基于模拟技术的方法，这些方法需要专用的电子插件，具有电路实现复杂、脉冲通过率低以及稳定性差等缺点。近年来，高速模数转换器(FADC)的出现使得完整记录数字化脉冲波形成为可能，数字信号处理器(DSP)、现场可编程阵列(FPGA)等数字器件的发展为全数字化的n和γ射线的甄别提供了必要的平台。目前有神经网络法、脉冲梯度法、小波变换法这些基于数字技术的对甄别n和γ射线的方法，虽然这些方法在一定程度上提高了对中子和γ射线的甄别能力。但上述方法无法区分能量处于甄别阈值以下的信号是属于n还是γ射线，这会导致中子通量测量的准确性不高。支持向量机(SupportVectorMachine,SVM)是由Vapnik等于1995年提出的一种非常有潜力的分类技术，SVM是一种基于统计学习理论的模式识别方法，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。
技术实现思路
本专利技术的目的是针对现有技术对n/γ射线甄别存在的能量处于甄别阈值以下的信号无法区分的不足，提供一种基于支持向量机的液体闪烁体探测器n/γ射线甄别方法，该方法可以对能量处于传统方法甄别阈值以下的信号进行区分，从而有助于提高中子通量测量的准确性。为实现上述目的，本专利技术所述基于支持向量机的液体闪烁体探测器n/γ射线甄别方法的步骤如下：(1)信号采集采用液体闪烁体探测器采集由中子源产生的信号，并将所采集的信号转化为脉冲信号；(2)采用电荷比较法甄别中子和γ射线采用传统电荷比较法对步骤(1)获取的脉冲信号进行甄别，确定电荷比较法对中子和γ射线的甄别能量下限；(3)获取M矩阵①确定训练集和预测集将能量高于步骤(2)所得甄别能量下限的脉冲信号作为训练点，所有训练点组成训练集，将能量等于或低于步骤(2)所得甄别能量下限的脉冲信号作为预测点，所有预测点组成预测集；②确定M矩阵的特征向量分别扣除步骤(1)采集的各脉冲信号的基线，将扣除基线后的每个脉冲信号分别用M矩阵表示，也就是将各训练点和预测点用M矩阵表示，M＝[m0,m1,…,mk-1,mk]，其中，m0,m1,…,mk-1,mk分别为M矩阵的特征向量，所述M矩阵的特征向量按如下方法确定：扣除基线后，每个脉冲信号第i个采样点的幅度为g[i]，脉冲信号起始点jstart至脉冲信号第i个采样点的积分值表示为f[i]：式(1)中，jstart为脉冲信号的起始点；M矩阵的特征向量表示如下：式(2)～(5)中，N为整个脉冲信号所包含的采样点的数量，i为脉冲信号第i个采样点，k为≥5的正整数；(4)采用LIBSVM软件进行中子和γ射线的分类预测①分别将步骤(3)得到的各M矩阵进行归一化，使||M||＝1；②将归一化后的M矩阵表示的各训练点作为LIBSVM软件的输入信号，使用RBF函数作为核函数对所有训练点组成的训练集进行超平面分类模型训练，得到超平面分类模型；③将归一化后的M矩阵表示的各预测点和超平面分类模型输入LIBSVM软件中，对预测集中的预测点进行分类预测，即完成液体闪烁体探测器n/γ射线甄别。上述技术方案中，所述M矩阵的阶数优选为6～9阶，即5≤k≤8，且k为正整数。上述技术方案中，确定电荷比较法对中子和γ射线的甄别能量下限的步骤如下：①寻峰对步骤(1)采集的每一个脉冲信号进行寻峰操作；②确定脉冲信号的最佳积分区间步骤1：将整个脉冲信号的积分值表示为Qtotal，脉冲信号尾部的积分值表示为Qpart；QTotal的积分区间为从峰前某一采样点A到峰后某一采样点B，QPart的积分区间为从峰后某一采样点C到峰后某一采样点B；先任意选取一组Qtotal和Qpart的积分区间，计算寻峰后的各脉冲信号的Qtotal和Qpart，并计算各脉冲信号的甄别因子Dis，Dis＝Qpart/Qtotal，统计具有相同Dis值的脉冲信号的数量，以甄别因子为横坐标、其脉冲信号数量为纵坐标作图得到甄别因子分布图；步骤2：分别用两个高斯函数对甄别因子分布图中的两个峰进行拟合，得到n/γ射线的甄别因子分布拟合曲线，然后根据所述拟合曲线计算优质因子，优质因子表示为FOM，式(6)中，ΔD为n/γ射线的甄别因子分布拟合曲线中两个峰的峰位之间的距离，Wγ为拟合曲线中左边的峰的半高宽，Wn为拟合曲线中右边的峰的半高宽；步骤3：调整步骤1中所选择的积分区间，重复步骤1和步骤2，得到多个FOM值，最大的FOM值对应的积分区间即为QTotal、Qpart的最佳积分区间；③确定电荷比较法的能量甄别下限以步骤②确定的最佳Qtotal和Qpart积分区间计算Qtotal、Qpart以及甄别因子，然后以甄别因子为横坐标、粒子能量为纵坐标作图得到最佳甄别图，根据最佳甄别图即可确定电荷比较法对中子和γ射线的甄别能量下限。与现有技术相比，本专利技术具有以下有益效果：1、本专利技术提供了一种新的液体闪烁体探测器n/γ射线甄别方法，该方法通过对已知分类信号进行训练的基础上，能够给出传统甄别方法能量处于甄别阈值以下的信号的类别，可对传统方法无法区分的n/γ射线信号作出分类预测，有助于提高地下试验室的中子通量测量的准确性。2、本专利技术所述方法将支持向量机与M矩阵法相结合进行n/γ射线的甄别，采用M矩阵法一方面可减小支持向量机的输入信号的阶数以提高支持向量机的运算效率，另一方面M矩阵法能将每个脉冲的差异提取出来并表现在各训练点和预测点的特征向量每一维的数值差异上，这能够提高支持向量机甄别n/γ射线的准确性。3、本专利技术所述方法基于支持向量机来进行液体闪烁体探测器n/γ射线甄别，由于支持向量机比神经网络等基于数字技术的方法有更好的泛化能力，并且支持向量机还具有很好的人工识别的能力，因而本专利技术所述方法具有更好的n/γ射线甄别能力。附图说明图1为本专利技术信号采集系统的连接示意图。图2为本专利技术采集的负脉冲信号的脉冲波形示意图。图3为本专利技术所述电荷比较法对本文档来自技高网...

【技术保护点】
基于支持向量机的液体闪烁体探测器n/γ射线甄别方法，其特征在于步骤如下：(1)信号采集采用液体闪烁体探测器采集由中子源产生的信号，并将所采集的信号转化为脉冲信号；(2)采用电荷比较法甄别中子和γ射线采用传统电荷比较法对步骤(1)获取的脉冲信号进行甄别，确定电荷比较法对中子和γ射线的甄别能量下限；(3)获取M矩阵①确定训练集和预测集将能量高于步骤(2)所得甄别能量下限的脉冲信号作为训练点，所有训练点组成训练集，将能量等于或低于步骤(2)所得甄别能量下限的脉冲信号作为预测点，所有预测点组成预测集；②确定M矩阵的特征向量分别扣除步骤(1)采集的各脉冲信号的基线，将扣除基线后的每个脉冲信号分别用M矩阵表示，也就是将各训练点和预测点用M矩阵表示，M＝[m0,m1,…,mk‑1,mk]，其中，m0,m1,…,mk‑1,mk分别为M矩阵的特征向量，所述M矩阵的特征向量按如下方法确定：扣除基线后，每个脉冲信号第i个采样点的幅度为g[i]，脉冲信号起始点jstart至脉冲信号第i个采样点的积分值表示为f[i]：f[i]=Σj=jstartig[i]---(1)]]>式(1)中，jstart为脉冲信号的起始点；M矩阵的特征向量表示如下：m0=Σi=1Nf[i]---(2)]]>mi=Σi=1Nf[i]·im0---(3)]]>mk-1=|Σi=1Nf[i]·ik-1m0|1/k-1---(4)]]>mk=|Σi=1Nf[i]·ikm0|1/k---(5)]]>式(2)～(5)中，N为整个脉冲信号所包含的采样点的数量，i为脉冲信号第i个采样点，k为≥5的正整数；(4)采用LIBSVM软件进行中子和γ射线的分类预测①分别将步骤(3)得到的各M矩阵进行归一化，使||M||＝1；②将归一化后的M矩阵表示的各训练点作为LIBSVM软件的输入信号，使用RBF函数作为核函数对所有训练点组成的训练集进行超平面分类模型训练，得到超平面分类模型；③将归一化后的M矩阵表示的各预测点和超平面分类模型输入LIBSVM软件中，对预测集中的预测点进行分类预测，即完成液体闪烁体探测器n/γ射线甄别。...

【技术特征摘要】
1.基于支持向量机的液体闪烁体探测器n/γ射线甄别方法，其特征在于步骤如下：(1)信号采集采用液体闪烁体探测器采集由中子源产生的信号，并将所采集的信号转化为脉冲信号；(2)采用电荷比较法甄别中子和γ射线采用传统电荷比较法对步骤(1)获取的脉冲信号进行甄别，确定电荷比较法对中子和γ射线的甄别能量下限；(3)获取M矩阵①确定训练集和预测集将能量高于步骤(2)所得甄别能量下限的脉冲信号作为训练点，所有训练点组成训练集，将能量等于或低于步骤(2)所得甄别能量下限的脉冲信号作为预测点，所有预测点组成预测集；②确定M矩阵的特征向量分别扣除步骤(1)采集的各脉冲信号的基线，将扣除基线后的每个脉冲信号分别用M矩阵表示，也就是将各训练点和预测点用M矩阵表示，M＝[m0,m1,…,mk-1,mk]，其中，m0,m1,…,mk-1,mk分别为M矩阵的特征向量，所述M矩阵的特征向量按如下方法确定：扣除基线后，每个脉冲信号第i个采样点的幅度为g[i]，脉冲信号起始点jstart至脉冲信号第i个采样点的积分值表示为f[i]：式(1)中，jstart为脉冲信号的起始点；M矩阵的特征向量表示如下：式(2)～(5)中，N为整个脉冲信号所包含的采样点的数量，i为脉冲信号第i个采样点，k为≥5的正整数；(4)采用LIBSVM软件进行中子和γ射线的分类预测①分别将步骤(3)得到的各M矩阵进行归一化，使||M||＝1；②将归一化后的M矩阵表示的各训练点作为LIBSVM软件的输入信号，使用RBF函数作为核函数对所有训练点组成的训练集进行...

【专利技术属性】
技术研发人员：幸浩洋，余训臻，朱敬军，林兴德，王力，唐昌建，夏玉玺，张才勋，杜强，魏伟伟，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51