具有脉冲堆积非参数分解的辐射检测制造技术

公开了一种确定在辐射检测器中接收的单个辐射量子的能谱的方法。能谱敏感统计是根据来自辐射检测器的数字观察的时间序列计算的，定义从脉冲幅度密度到能谱敏感统计的映射。通过对能谱敏感统计应用映射的逆来估计脉冲幅度的密度，从而确定能谱。统计可以基于：在不考虑脉冲簇的整体的情况下恒定长度L的第一组不重叠的时间间隔，所述恒定长度L至少与脉冲的持续时间一样长；以及在也不考虑脉冲簇的整体的情况下小于L的恒定长度L1的第二组不重叠的时间间隔。还公开了一种估计计数率的方法。时间间隔。还公开了一种估计计数率的方法。时间间隔。还公开了一种估计计数率的方法。

【技术实现步骤摘要】
【国外来华专利技术】具有脉冲堆积非参数分解的辐射检测


[0001]提供了一种用于估计辐射量子的能量分布的新奇方法，所述量子诸如是入射在诸如X射线或伽马射线光谱学的光谱系统中的检测器上的光子。该方法对于脉冲堆积是一个问题的计数率方法特别有用。推导本专利技术实施例的估计量的关键步骤是将问题新奇重新表述为复合泊松过程的分解问题。该方法可以应用于任何形式的辐射检测器，其检测辐射的量子或其他微粒，诸如x射线、伽马射线或其他光子、中子、原子、分子或地震脉冲。来自这种检测器的光谱学的应用是众所周知的。这样的申请在现有技术中被广泛描述，现有技术包括在国际专利申请PCT/AU2005/001423、PCT/AU2009/000393、PCT/AU2009/000394、PCT/AU2009/000395、PCT/AU2009/001648、PCT/AU2012/000678、PCT/AU2014/050420、PCT/AU2015/050752、PCT/AU2017/050514和PCT/AU2017/050512中，出于描述当前专利技术的潜在应用和理解当前专利技术所需要的任何其他背景材料的目的，将其中的每一项以其整体并入本文中。

技术介绍

[0002]X射线和伽马射线光谱学支撑着宽范围的科学、工业和商业过程。光谱学的一个目标是估计入射在检测器上的光子的能量分布。从信号处理的角度来看，挑战在于将检测器输出的脉冲流转换成每个脉冲下面积的直方图。脉冲是根据泊松分布生成的，泊松分布的比率对应于用于照射样本的X射线或伽马射线的强度。增加强度导致平均每秒更多脉冲，并且因此导致在获得准确直方图之前的更短时间。在诸如机场行李扫描之类的应用中，这直接转化为更大的吞吐量。当两个或更多个脉冲在时域中重叠时，出现脉冲堆积。随着计数率（平均每秒脉冲数）增加，脉冲堆积的发生率也增加。这增加了在确定存在的脉冲数量和每个脉冲下的面积方面的难度。在极限下，该问题是病态的：如果两个脉冲实质上上同时开始，则它们的叠加就无法与单个脉冲区分。X射线或伽马射线检测器对入射光子的响应可以建模为脉冲形状函数与狄拉克
‑
德尔塔（Dirac
‑
delta）脉冲的卷积的叠加，。
[0003]到达时间未知，并且形成泊松过程。每个光子到达被建模为时间的狄拉克
‑
德尔塔，并且具有与光子能量成比例并引起检测器脉冲形状响应的幅度。幅度是其公共概率密度函数未知的同分布随机变量的实现。脉冲形状函数由检测器的几何形状和光子相互作用确定。在一些系统中，脉冲形状的变化极小，并且可以忽略，而其他系统（例如HPGe）单个脉冲形状可能彼此显著不同[1]。假设所有脉冲形状都是有因果的，即对于t < 0，，单峰，有限能量，并且随着
而指数地向零衰减。脉冲形状函数的积分被归一化为单位，即，使得脉冲下的面积由给出。观察的信号由被噪声破坏的检测器输出组成，即，。
[0004]脉冲堆积校正的数学目标是在给定的均匀采样、有限长度版本的情况下对进行估计。我们始终假设噪声分布是具有已知方差的零均值高斯分布。我们还假设光子到达时间形成具有已知比率的齐次泊松过程。由被噪声过程W破坏的检测器响应R组成，其中、和表示每个序列的第k个元素，并且其中。让S、R和W是对应于这些信号的均匀采样时间序列，其中。
[0005]脉冲处理方法概述：几十年来，已经提出了许多方法来解决脉冲堆积的问题。方法可以大体上分类为两个类型：基于时域的和基于能量域的。一种流行的策略是试图检测时域中何时发生堆积，并拒绝或补偿受影响的脉冲。早期的光谱系统采用了基于拒绝的方法连同匹配滤波。该方法的缺点是，随着堆积概率增长，越来越多比例的脉冲被拒绝。系统迅速陷入瘫痪，从而给计数率设置了上限[1]。随着廉价计算能力的增加，补偿或校正堆积的策略的数量已经增长。这些包括模板拟合[2]、基线减法[3]、自适应滤波[4，5]、稀疏回归[6，7]等。这些方法都试图标识和补偿时域中的堆积，并且通常最适合于具有低脉冲形状变化的系统。这些方法的复杂度随着脉冲形状之间可变性的增加而显著增加。可以示出，任何试图表征单个脉冲的方法都将受到堆积影响。这些方法能做的最好的事情是减少堆积的发生。基于能量的方法试图基于脉冲集而不是单个脉冲的统计来解决堆积。它们通常对估计能量（脉冲簇下的面积）的直方图进行操作。Wielopolski和Gardner的早期工作[8]和他们的想法的更近的扩展[9]主要在能量域中使用基于集合的策略来操作。Trigano等人[10，11]利用边缘密度估计入射光谱，该边缘密度来自可变长度脉冲簇的统计特性的联合分布，其中检测到每个簇的开始和结束。这避免了标识单个脉冲的需要，并且对脉冲形状变化是鲁棒的。Ilhe等人[12]考察了指数散粒噪声过程，将脉冲形状限制为简单的指数，以获得易于处理的结果。已经做了进一步的工作[13]以允许更宽范围的脉冲形状。在这两种情况下，都需要脉冲形状的知识，连同特征函数及其导数的估计。

技术实现思路

[0006]我们选择了基于能量的堆积校正方法，以便i）避免与单个脉冲检测相关联的限制[14]和ii）能够处理脉冲形状变化，而不过度增加计算复杂度。我们不是利用联合分布[10，
11]或散粒过程[12]方法，而是将堆积问题重铸为复合泊松过程的“分解”问题。复合泊松过程是离散时间随机过程，其中每个分量由独立同分布随机变量的随机数的总和组成，其中每个总和中的随机变量数是泊松分布的[15]。复合泊松过程的“分解”是使用随机和来估计从其中已经提取随机变量的分布的任务。Buchmann和[16]在保险索赔和排队论的背景下阐述了复合泊松过程的分解。均匀采样复合泊松过程的分解在最近时间受到了一些关注[16，17，18，12，19]。这些推导的上下文经常（合理地）假设每个事件都是可检测的（即，关于事件的数量没有歧义），或者密度估计量以每个观察中至少发生一个事件为条件[20]。这些假设在解决光谱堆积问题时价值有限。
[0007]对事件检测的无条件非参数分解研究在文献中受到相对少的关注。Gugushvili [18]提出了一种非参数的、基于核的估计量，用于存在高斯噪声下的分解问题。在本专利技术的实施例中，专利技术人已经设想，一旦获得了用于选择核带宽的方法，连同用于将观察的检测器输出变换以拟合数学模型的方法，该估计量可以容易地扩展并应用于光谱堆积问题的重构。
[0008]根据本专利技术的第一广义方面，提供了一种确定在辐射检测器中接收的单个辐射量子的能谱的方法，该方法包括以下步骤：（1）从辐射检测器获得数字观察的时间序列，该时间序列包括与单个量子的检测相对应的脉冲；（2）根据检测器信号计算能谱敏感统计，该能谱敏感统计定义从脉冲幅度密度到能谱敏感统计的映射；（3）通过对能谱敏感统计应用映射的逆来估计脉冲幅度的密度，从而确定能谱。
[0009]在实施例中，能谱敏感统计可以基于在多个时间间隔上的数字观察的总和，并且可以使用近似复合泊松过程来定义映射，该近似复合泊松过程可以通过建模噪声来增强。该映射可以表述为幅度的特征函数、能谱本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种确定在辐射检测器中接收的单个辐射量子的能谱的方法，所述方法包括以下步骤：（1）从辐射检测器获得数字观察的时间序列，所述时间序列包括对应于单个量子检测的脉冲；（2）根据检测器信号计算能谱敏感统计，能谱敏感统计定义从脉冲幅度密度到能谱敏感统计的映射；和（3）通过对能谱敏感统计应用映射的逆来估计脉冲幅度的密度，从而确定能谱。2.根据权利要求1所述的方法，进一步包括使能谱敏感统计基于多个时间间隔上的数字观察的总和。3.根据权利要求2所述的方法，进一步包括使用近似复合泊松过程来定义所述映射。4.根据权利要求3所述的方法，进一步包括通过建模噪声来增强近似复合泊松过程。5.根据权利要求4所述的方法，进一步包括将所述映射表述为幅度的特征函数、能谱敏感统计和建模噪声之间的关系。6.根据权利要求5所述的方法，进一步包括通过对数字观察的总和的直方图应用逆傅立叶变换来计算所述能谱敏感统计的特征函数。7.根据权利要求5或权利要求6所述的方法，进一步包括用低通滤波器计算幅度的特征函数。8.根据权利要求2至7中任一项所述的方法，进一步包括选择所述多个时间间隔中的每一个以包含零个或更多个近似完整的脉冲簇，并且将所述多个时间间隔定义为不重叠并且具有恒定长度L。9.根据权利要求8所述的方法，进一步包括在每个时间间隔的开始和结束时要求检测器信号的最大值。10.根据权利要求8或9所述的方法，进一步包括将近似复合泊松过程定义为每个时间间隔中脉冲幅度的总和。11.根据权利要求8至10中任一项所述的方法，进一步包括如由等式（40）和（41）定义的表述映射。12.根据权利要求11所述的方法，进一步包括通过加窗函数来增强所述映射。13.根据权利要求2至7中任一项所述的方法，进一步包括选择所述多个间隔...

【专利技术属性】
技术研发人员：C，
申请(专利权)人：南方创新国际股份有限公司，
类型：发明
国别省市：