一种基于预测模型的核信号校正方法技术

本发明专利技术涉及一种基于预测模型的核信号校正方法，包括S1、通过软件模拟核脉冲堆积信号；S2、在核脉冲堆积信号中选取初始序列；S3、通过Sigmoid函数变换的灰色模型对初始序列进行变换，再反解出真实预测值，然后根据真实预测值对脉冲信号进行重建。本发明专利技术通过Sigmoid函数变换对初始序列进行变换，使得灰色模型得到了优化，与传统的三次指数平滑和传统灰色模型相比，算法误差减小，脉冲信号的重建精度得到了提升，此外，Sigmoid函数变换与双曲正切函数变换相比，计算过程更加简单，计算速度更快，校正效率得到提升。效率得到提升。效率得到提升。

【技术实现步骤摘要】
一种基于预测模型的核信号校正方法


[0001]本专利技术属于核辐射探测
，尤其是一种基于预测模型的核信号校正方法。

技术介绍

[0002]在使用核辐射探测设备获取核信号的过程中，经常出现部脉冲堆积的情况。脉冲堆积会给核信号的获取与分析带来难度，通常表现为脉冲形状失真、计数率下降、死区时间延长甚至降低能量分辨率等。通常采用整形器通过调整脉冲宽度来减少脉冲堆积，这种方法在一定程度上能减少脉冲堆积发生的概率，但也会损失部分信号，增大校正误差。因此，对脉冲堆积校正算法开展深入研究具有深远意义。
[0003]随着机器学习等人工智能算法的发展，稀疏重建算法以及神经网络得到了更加广泛的应用。有学者将稀疏重建算法用于信号处理并采用两个正则项来减小误差，较好的实现了脉冲堆积分离。有学者利用全连接神经网络和递归神经神经网络实现了中子伽马脉冲堆积重建，并在此基础上测试了基于神经网络的中子伽马甄别能力，此类算法计算往往比较复杂，实用性不强。为简化校正过程，提高校正精度，有研究者采用拟合的方式来进行脉冲重建，如三次指数平滑和灰色模型对脉冲数据进行预测校正，三次指数平滑和传统灰色模型具有预测准确度较高，计算简便等优点，广泛应用于各个领域。但传统灰色模型预测精度极大受限于初始序列，如果初始系列的精度不高，那么预测结构的精度也不会高。CN202011580375.1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，采用基于双曲正切函数变换优化的灰色模型对初始序列进行预测，预测精度得到提高，但计算过程较为复杂。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于预测模型的核信号校正方法，减小误差的同时简化计算过程。
[0005]为解决上述问题，本专利技术采用的技术方案为：一种基于预测模型的核信号校正方法，包括S1、通过软件模拟核脉冲堆积信号；S2、在核脉冲堆积信号中选取初始序列；S3、通过Sigmoid函数变换的灰色模型对初始序列进行变换，再反解出真实预测值，然后根据真实预测值对脉冲信号进行重建。
[0006]进一步地，步骤S2中，根据峰高选取初始序列。
[0007]进一步地，步骤S2包括S21、将核脉冲堆积信号中的两个连续脉冲峰，从左至右分别记为峰1和峰2，由于堆积效应的影响，峰1、峰2部分信息重叠，需要对峰1下降段以及峰2的上升段进行预测；S22、分别以峰1、峰2的顶点到峰高一半处的区间作为预测模型的初始序列。
[0008]进一步地，步骤S3包括
S31、将初始序列记为其中，为输入的脉冲信号的初始序列，为第个样本的幅值，，为初始序列信号个数；S32、利用Sigmoid函数对初始序列进行变换，得到新序列其中，为输入样本的Sigmoid函数变换值，为输入样本的幅值，为初始序列采用Sigmoid函数变换后的新序列；S33、根据公式对变换后的新序列进行一次累加，其中，为一次累加后的序列；S34、将一次累加后的序列代入白化微分方程，得代入白化微分方程，得其中，为发展系数，为灰作用量，为背景值；S35、根据公式计算背景值；S36、根据公式
计算和，其中，矩阵为矩阵为S37、将、和代入白化微分方程，对白化微分方程进行求解，反解出真实预测值其中，为真实预测值；S38、根据真实预测值对脉冲信号进行重建。
[0009]进一步地，步骤S32之后，通过公式计算初始序列的光滑比，其中， 为第t个初始序列信号的光滑比，表示第次累加值，，为初始序列信号个数；根据公式计算级比偏差，其中，为拟合系数；根据准指数规律检验方法，将计算出的级比偏差和光滑比对比传统灰色模型的光滑比和平均级比偏差。
[0010]本专利技术的有益效果是：本专利技术通过Sigmoid函数变换对初始序列进行变换，使得灰色模型得到了优化，与传统的三次指数平滑和传统灰色模型相比，算法误差减小，脉冲信号的重建精度得到了提升，此外，Sigmoid函数变换与双曲正切函数变换相比，计算过程更加简单，计算速度更快，校正效率得到提升。
附图说明
[0011]图1为为本专利技术方法的流程示意图；图2为模拟的脉冲堆积信号图；图3为优化的灰色模型对脉冲信号的重建结果图；图4为以241Am
‑
Be中子源作为放射源用于产生中子，使用基于EJ
‑
276塑料闪烁体的核辐射探测设备，采用数字示波器与计算机构成的信号处理单元，采集的部分脉冲堆积信号图；图5为本专利技术优化的灰色模型对图4所示的信号进行校正的结果图；图6为传统三次指数平滑模拟模型对图4所示的信号进行校正的结果图。
具体实施方式
[0012]下面结合附图和实施例对本专利技术进一步说明。
[0013]本专利技术的一种基于预测模型的核信号校正方法，包括以下步骤：S1、通过软件模拟核脉冲堆积信号，模拟出的核脉冲堆积信号与真实的核脉冲堆积信号相近。通过软件模拟核脉冲堆积信号，与通过核信号采集设备采集脉冲信号的方式相比，能够获得多种类的堆积信号。采集设备采集的脉冲信号受采集系统本身所影响，无法获取多类别的堆积信号，如多脉冲堆积，前沿堆积、后沿堆积等。具体的软件可采用MATLAB。如图2示出了一种模拟的核脉冲堆积信号的两个连续脉冲峰。
[0014]S2、在核脉冲堆积信号中选取初始序列，由于信号堆积的位置一般位于波峰之下，波峰处的信号是准确的，无需重建，因此根据峰高选取初始序列，具体方式为：S21、如图2所示，将核脉冲堆积信号中的两个连续脉冲峰，从左至右分别记为峰1和峰2，由于堆积效应的影响，峰1、峰2部分信息重叠，要完成两个脉冲信号的堆积校正，需要对峰1下降段以及峰2的上升段进行预测。
[0015]S22、分别以峰1、峰2的顶点到峰高一半处的区间作为预测模型的初始序列，一共得到两个初始序列，需要分别对这两个初始序列进行预测，以完成两个脉冲信号的重建。
[0016]S3、通过Sigmoid函数变换的灰色模型对初始序列进行变换，再反解出真实预测值，然后根据真实预测值对脉冲信号进行重建。
[0017]具体地，步骤S3包括S31、将初始序列记为其中，为输入的脉冲信号的初始序列，为第个样本的幅值，，为初始序列信号个数。
[0018]S32、利用Sigmoid函数对初始序列进行变换，得到新序列其中，为输入样本的Sigmoid函数变换值，为输入样本的幅值，为初始序列采用Sigmoid函数变换后的新序列；S33、根据公式对变换后的新序列进行一次累加，其中，为一次累加后的序列；S34、将一次累加后的序列代入白化微分方程，得代入白化微分方程，得其中，为发展系数，为灰作用量，为背景值；S35、根据公式计算背景值；S36、根据公式计算和，其中，矩阵为
矩阵为S37、将和代入白化微分方程，对白化微分方程进行求解，反解出真实预测值其中，为真实预测值；S38、根据真实预测值对脉冲信号进行重建。
[0019]通过步骤S31至S38的方法对图2所示的脉冲堆积信号进行重建的结果如图3所示。
[0020]步骤S32之后，通过公式计算初始序列的光滑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于预测模型的核信号校正方法，其特征在于，包括S1、通过软件模拟核脉冲堆积信号；S2、在核脉冲堆积信号中选取初始序列；S3、通过Sigmoid函数变换的灰色模型对初始序列进行变换，再反解出真实预测值，然后根据真实预测值对脉冲信号进行重建。2.如权利要求1所述一种基于预测模型的核信号校正方法，其特征在于，步骤S2中，根据峰高选取初始序列。3.如权利要求2所述一种基于预测模型的核信号校正方法，其特征在于，步骤S2包括S21、将核脉冲堆积信号中的两个连续脉冲峰，从左至右分别记为峰1和峰2，由于堆积效应的影响，峰1、峰2部分信息重叠，需要对峰1下降段以及峰2的上升段进行预测；S22、分别以峰1、峰2的顶点到峰高一半处的区间作为预测模型的初始序列。4.如权利要求1所述一种基于预测模型的核信号校正方法，其特征在于，步骤S3包括S31、将初始序列记为其中，为输入的脉冲信号的初始序列，为第个样本的幅值，，为初始序列信号个数；S32、利用Sigmoid函数对初始序列进...

【专利技术属性】
技术研发人员：颜瑜成，杨雪，陈辞，刘艳华，黄瑶，
申请(专利权)人：成都理工大学工程技术学院，
类型：发明
国别省市：