一种基于形态学与优化灰色模型的脉冲堆积校正方法技术

本发明专利技术公开了一种基于形态学与优化灰色模型的脉冲堆积校正方法，包括对堆积脉冲数据进行预处理；之后将数学形态学与灰色模型相结合先分别对脉冲上升段和下降段进行校正处理，再将其整合为完整脉冲信号，实现对整个脉冲信号堆积的校正。并且根据传统灰色模型的不足，巧妙利用双曲正切变换函数对灰色模型进行优化。本发明专利技术利用数学形态学变换与优化后的灰色模型分别对堆积脉冲信号的上升段与下降段进行校正，从图像处理方面出发结合数学预测模型较准确的甄别出单脉冲堆积以及重建双峰脉冲堆积信号，提高核信号分析处理能力，为核技术等安全应用领域提供保障。

【技术实现步骤摘要】
一种基于形态学与优化灰色模型的脉冲堆积校正方法
本专利技术涉及核信号处理
，具体地讲，是涉及一种基于形态学与优化灰色模型的脉冲堆积校正方法。
技术介绍
在核信息采集过程中，如果探测器没有对前一个脉冲反应完全，下一个脉冲就达到了，这会导致相邻的脉冲信号出现部分甚至全部重合，这就是所谓的脉冲堆积。在高计数率，高噪声等条件下，尤为容易发生脉冲堆积，脉冲堆积会为研究工作带来一系列的消极影响，具体体现在脉冲波形变形，损失计数率，死区时间延长，进而影响时间分辨率、空间分辨率等方面。脉冲堆积是核辐射测量系统以及能谱测量系统中存在的关键问题，在中子探测过程中，脉冲堆积的出现会极大抑制中子伽马甄别效果。在以往的研究中，通过直接去除产生的堆积信号这种方式来抑制脉冲堆积带来的负面影响，另外这种直截了当的方式会导致数据缺失造成校正误差大，为后续分析增加难度。因此，开展中子伽马脉冲堆积修正算法对能谱分析，中子伽马甄别等方面具有重要意义。
技术实现思路
针对上述现有技术中的上述问题，本专利技术提供一种提高核信号分析处理能力的基于形态学与优化灰色模型的脉冲堆积校正方法。形态学变换(MorphologicalTransformations)是一种基于形状的简单变换，用膨胀和腐蚀运算处理二值化的图像来连接相邻的元素或分离的元素，通过这种方法可很好的保留图像的边缘轮廓。灰色模型(GreyModel)是通过少量不完全的信息建立数学模型做出预测的一种数据预测方法，可以充分利用已知信息寻找系统的运动规律，特别使用处理贫数据系统。专利技术人研究发现，对于现有因堆积丢失部分核信号信息系统，可以采用将这两种方法相结合的方式来甄别堆积核信号，通过对产生的脉冲堆积图像进行形态学变换处理可很好的分离脉冲堆积，分离后的堆积信号用灰色模型预测单个脉冲信号中的缺失信息，从而实现对核脉冲堆积信号的分离与补全，减小传统方法因数据缺失带来的消极影响，提高核脉冲信号堆积的甄别能力。为了实现上述目的，本专利技术采用的技术方案如下：一种基于形态学与优化灰色模型的脉冲堆积校正方法，包括以下步骤：S10、将核信号探测装置采集到的堆积脉冲信号根据脉冲堆积波形的波峰高度进行标号，获得存在多个波峰的脉冲序列，并将每两个连续脉冲组合作为一个脉冲类型；S20、依次对每个脉冲类型的堆积脉冲数据进行预处理；S30、在一个脉冲类型中，基于较高波峰的峰值点信息和由不同尺度的线性结构元素对堆积脉冲数据进行数学形态学变换处理，确定该较高波峰的脉冲波形上升段，并对该脉冲波形上升段进行堆积校正；S40、利用基于双曲正切函数变换优化的灰色模型对该较高波峰的脉冲波形下降段的初始序列进行预测，拟合预测结果，完成对该脉冲波形下降段的堆积校正处理；S50、整合该较高波峰的脉冲波形上升段和下降段的校正数据，完成对较高脉冲波形峰的脉冲堆积校正；S51、重复步骤S30-S50，完成对该脉冲类型中较低脉冲波形峰的脉冲堆积校正，并整合完成对该脉冲类型的脉冲堆积校正；S52、重复步骤S20-S51，并整合完成对整个脉冲序列的脉冲堆积校正。具体地，所述步骤S10中，脉冲类型根据两个连续脉冲的波峰高度分为：类型1，在两个连续的脉冲波形峰中，前峰幅值高于后峰幅值；类型2，在两个连续的脉冲波形峰中，后峰幅值高于前峰幅值。具体地，所述步骤S51中，根据脉冲类型整合较高脉冲波形峰和较低脉冲波形峰的校正数据，完成对一个脉冲类型的脉冲堆积校正。具体地，所述步骤S52中，根据脉冲序列中各脉冲类型的顺序整合所有脉冲类型的校正数据，完成对整个脉冲序列的脉冲堆积校正。具体地，所述步骤S20中，采用标准化处理和平滑处理来对堆积脉冲数据进行预处理，降低环境本底与电子学噪声的干扰。进一步地，所述步骤S30采用以下过程：S31、根据预处理后的堆积脉冲数据，提取一个脉冲类型中较高波峰的峰值点信息，确定该脉冲波形上升段的终点；S32、构建线性结构元素对预处理后的堆积脉冲数据进行数学形态学开运算变换，得到变换后的基于单个脉冲波形峰的波形数据，其中，构建的线性结构元素的尺寸LSE由预处理后的数据矩阵大小Ln/g决定：LSE＝Ln/g-1；S33、将开运算变换得到的波形数据中的相邻两项元素进行作差获得差值矩阵，选择差值矩阵中的最大值点对应的脉冲位置，作为该脉冲波形峰的起始点；S34、根据步骤S31中获得的脉冲波形上升段终点和步骤S33中获得的脉冲波形峰的起始点，确定出该脉冲波形上升段；S35、根据获得脉冲波形上升段的位置信息对开运算变换后的波形数据进行赋值，获得该脉冲波形上升段的校正矩阵，即为该脉冲波形上升段校正完成后的波形数据。其中，所述获得脉冲波形上升段的校正矩阵采用的公式如下：Sub＝datao(i+1)-datao(i)[Max1,Pos1]＝max{Sub}其中，Sub为数学形态学开运算变换后矩阵相邻两项元素的差值矩阵，datao为开运算后的堆积脉冲数据，i＝1,2,…,Ln/g-1，Max1为差值矩阵中的最大值，Pos1为差值矩阵中最大值所对应的位置，datar为赋值后获得的校正矩阵，j＝1,2,…,Ln/g。进一步地，所述步骤S40采用以下过程：S41、选取预处理后的堆积脉冲数据中较高波峰的峰值点至半峰高的数据作为脉冲波形下降段的初始序列进行双曲正切函数变换，得到新的堆积脉冲数据序列；S42、按85％:15％的比例将新的堆积脉冲数据序列分为训练集和测试集，将训练集带入到基于双曲正切函数变换优化的灰色模型中训练得到预测值；S43、拟合通过训练所得到的预测值，完成对脉冲波形下降段的堆积校正处理。更具体地，所述步骤S41中，采用以下公式进行双曲正切函数变换：Y(0)＝{y(0)(1),y(0)(2),…,y(0)(n)}其中，初始序列为X(0)＝{x(0)(1),x(0)(2),…,x(0)(k)},k＝1,2,…,n，Y(0)为得到新的堆积脉冲数据序列。更具体地，所述步骤S42中，通过对Y(0)进行一次累加，求解灰色模型白化微分方程得到双曲正切函数变换的灰色模型的预测值为：与现有技术相比，本专利技术具有以下有益效果：(1)本专利技术先将脉冲堆积的信号进行预处理，完成对脉冲堆积信号的标准化与平滑处理，利用数学形态学变换与基于双曲正切函数变换优化后的灰色模型分别对脉冲信号的上升段与下降段进行校正，校正完后将校正后的上升段与下降段重新拟合成完整的脉冲信号，实现对整个脉冲堆积信号校正。利用这种方法可较好地甄别核探测装置探测的堆积脉冲信号，解决了核辐射测量系统以及能谱测量系统中存在的脉冲堆积极大地抑制信号甄别效果的关键问题，提高核信号分析处理能力，为核技术等安全应用领域提供保障。(2)本专利技术将堆积的脉冲信号分为两种类型情况，先分别校正每个脉冲波形峰信号，再将所有脉冲信号整合，更好本文档来自技高网...

【技术保护点】
1.一种基于形态学与优化灰色模型的脉冲堆积校正方法，其特征在于，包括以下步骤：/nS10、将核信号探测装置采集到的堆积脉冲信号根据脉冲堆积波形的波峰高度进行标号，获得存在多个波峰的脉冲序列，并将每两个连续脉冲组合作为一个脉冲类型；/nS20、依次对每个脉冲类型的堆积脉冲数据进行预处理；/nS30、在一个脉冲类型中，基于较高波峰的峰值点信息和由不同尺度的线性结构元素对堆积脉冲数据进行数学形态学变换处理，确定该较高波峰的脉冲波形上升段，并对该脉冲波形上升段进行堆积校正；/nS40、利用基于双曲正切函数变换优化的灰色模型对该较高波峰的脉冲波形下降段的初始序列进行预测，拟合预测结果，完成对该脉冲波形下降段的堆积校正处理；/nS50、整合该较高波峰的脉冲波形上升段和下降段的校正数据，完成对较高脉冲波形峰的脉冲堆积校正；/nS51、重复步骤S30-S50，完成对该脉冲类型中较低脉冲波形峰的脉冲堆积校正，并整合完成对该脉冲类型的脉冲堆积校正；/nS52、重复步骤S20-S51，并整合完成对整个脉冲序列的脉冲堆积校正。/n

【技术特征摘要】
1.一种基于形态学与优化灰色模型的脉冲堆积校正方法，其特征在于，包括以下步骤：
S10、将核信号探测装置采集到的堆积脉冲信号根据脉冲堆积波形的波峰高度进行标号，获得存在多个波峰的脉冲序列，并将每两个连续脉冲组合作为一个脉冲类型；
S20、依次对每个脉冲类型的堆积脉冲数据进行预处理；
S30、在一个脉冲类型中，基于较高波峰的峰值点信息和由不同尺度的线性结构元素对堆积脉冲数据进行数学形态学变换处理，确定该较高波峰的脉冲波形上升段，并对该脉冲波形上升段进行堆积校正；
S40、利用基于双曲正切函数变换优化的灰色模型对该较高波峰的脉冲波形下降段的初始序列进行预测，拟合预测结果，完成对该脉冲波形下降段的堆积校正处理；
S50、整合该较高波峰的脉冲波形上升段和下降段的校正数据，完成对较高脉冲波形峰的脉冲堆积校正；
S51、重复步骤S30-S50，完成对该脉冲类型中较低脉冲波形峰的脉冲堆积校正，并整合完成对该脉冲类型的脉冲堆积校正；
S52、重复步骤S20-S51，并整合完成对整个脉冲序列的脉冲堆积校正。


2.根据权利要求1所述的基于形态学与优化灰色模型的脉冲堆积校正方法，其特征在于，所述步骤S10中，脉冲类型根据两个连续脉冲的波峰高度分为：
类型1，在两个连续的脉冲波形峰中，前峰幅值高于后峰幅值；
类型2，在两个连续的脉冲波形峰中，后峰幅值高于前峰幅值。


3.根据权利要求2所述的基于形态学与优化灰色模型的脉冲堆积校正方法，其特征在于，所述步骤S51中，根据脉冲类型整合较高脉冲波形峰和较低脉冲波形峰的校正数据，完成对一个脉冲类型的脉冲堆积校正。


4.根据权利要求3所述的基于形态学与优化灰色模型的脉冲堆积校正方法，其特征在于，所述步骤S52中，根据脉冲序列中各脉冲类型的顺序整合所有脉冲类型的校正数据，完成对整个脉冲序列的脉冲堆积校正。


5.根据权利要求1所述的基于形态学与优化灰色模型的脉冲堆积校正方法，其特征在于，所述步骤S20中，采用标准化处理和平滑处理来对堆积脉冲数据进行预处理，降低环境本底与电子学噪声的干扰。


6.根据权利要求1～5任一项所述的基于形态学与优化灰色模型的脉冲堆积校正方法，其特征在于，所述步骤S30采用以下过程：
S31、根据预处理后的堆积脉冲数据，提取一个脉冲类型中较高波峰的峰值点信息，确定该脉冲波形上升段的终点；
S32、构建线性结构元素对预处理后的堆积脉冲数据进行数学形态学开运算变换，得到变换后的基于单...

【专利技术属性】
技术研发人员：柳炳琦，任振兴，刘明哲，黄瑶，刘祥和，陈璐，
申请(专利权)人：成都大学，成都理工大学，
类型：发明
国别省市：四川;51