一种基于自编码器的α、β脉冲甄别方法和装置制造方法及图纸

本发明专利技术公开了一种基于自编码器的α、β脉冲甄别方法和装置，其中，该方法包括：获取粒子脉冲数据；其中，粒子脉冲数据包括α、β脉冲；将粒子脉冲数据输入训练好的自编码模型进行脉冲数据重建，得到脉冲数据的重建误差；比较重建误差大小，基于重建误差大小甄别输入粒子脉冲为α或β脉冲；其中，训练好的自编码模型对α脉冲数据的重建误差小于β脉冲数据重建误差。本发明专利技术实现α和β脉冲数据甄别，能够在猝灭水平变化条件下获得较低的α和β甄别错误率，具有较好的应用前景。具有较好的应用前景。具有较好的应用前景。

【技术实现步骤摘要】
一种基于自编码器的
α
、
β
脉冲甄别方法和装置


[0001]本专利技术涉及核辐射探测
，尤其涉及一种基于自编码器的α、β脉冲甄别方法和装置。

技术介绍

[0002]随着核技术的广泛应用、核武器试验、核能和平利用及核事故等人类涉核活动的开展，全球范围内由人类涉核活动导致进入水环境的放射性核素总量增多。为了保障人类水安全，世界卫生组织、国际标准化组织和我国都对水体放射性检测制定了相关标准。为了降低日常水中放射性检测的成本和人力，总α总β测量成为水体放射性检测的一种重要筛查手段。液体闪烁计数法因其对α和β探测效率高，制样简单，能够同时测量α和β等优点，已经成为水体总α总β测量的一种重要方法。为了实现一次测量同时确定样品中总α和总β的放射性水平，需要对测量获取的脉冲信号进行判别是由α或β衰变的哪一种引起，从而进行归类计数。因此，α和β脉冲甄别是液体闪烁计数法实现总α总β放射性水平同时测量的一项重要内容。
[0003]α和β脉冲甄别方法主要有脉冲幅度甄别和脉冲形状甄别两种方法，脉冲形状甄别应用较多，每家液体闪烁谱仪制造商都有其独有的甄别方法。当前所有脉冲形状甄别方法都需要测量前确定α和β脉冲形状甄别的最佳判别值。一旦样品的猝灭水平发生变化，必须重新建立α和β脉冲形状甄别的最佳判别值。否则，随着待测样品的猝灭水平加重或减轻，α和β的甄别错误率也随之上升，甚至可以达到百分之几十，从而使得总α总β的测量结果出现较大偏差。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本专利技术提出一种基于自编码器的α、β脉冲甄别方法，采用机器学习自编码器提取α和β脉冲信号的特征，实现α和β脉冲信号甄别，能够在猝灭水平变化下获得较低α和β甄别错误率。
[0006]本专利技术的另一个目的在于提出一种基于自编码器的α、β脉冲甄别装置。
[0007]为达上述目的，本专利技术一方面提出了基于自编码器的α、β脉冲甄别方法，包括以下步骤：
[0008]获取粒子脉冲数据；其中，粒子脉冲数据包括α、β脉冲；将所粒子脉冲数据输入训练好的自编码模型进行脉冲数据重建，得到脉冲数据的重建误差；其中，自编码模型包括：网络输入层、编码层、中间层、解码层和网络输出层；其中，编码层和解码层互为镜相，将编码层的第一层预设第一多个神经元、第二层预设第二多个神经元、第三层预设第三多个神经元、第四层预设第四多个神经元，将中间层预设第五多个神经元，将网络输入层和网络输出层预设第一多个神经元；比较重建误差大小，基于重建误差大小甄别输入的粒子脉冲数据为α或β脉冲；其中，训练好的自编码模型对α脉冲数据的重建误差小于β脉冲数据重建误
差。
[0009]本专利技术实施例的基于自编码器的α、β脉冲甄别方法，可以实现α和β脉冲信号甄别，能够在猝灭水平变化条件下获得较低α和β甄别错误率。
[0010]另外，根据本专利技术上述实施例的基于自编码器的α、β脉冲甄别方法还可以具有以下附加的技术特征：
[0011]进一步地，在本专利技术地一个实施例中，所述方法，还包括：获取训练数据集；将所述训练数据集输入自编码模型进行迭代训练，得到所述训练好的自编码模型。
[0012]进一步地，在本专利技术地一个实施例中，所述获取训练数据集，包括：预设测量时间并测量不同猝灭水平的α加标样品，得到对应的脉冲数据；从测量所述α加标样品的脉冲数据中，随机抽样预设数量的脉冲数据组成所述训练数据集。
[0013]进一步地，在本专利技术地一个实施例中，所述编码层的第一层的激活函数采用sigmoid函数，所述编码层的第二层至所述中间层的每一层的激活函数采用ReLU函数，所述sigmoid函数的公式和所述ReLU函数的公式分别为：
[0014][0015][0016]进一步地，在本专利技术地一个实施例中，将所述训练数据集输入所述自编码模型进行迭代训练时，采用所述网络输入层与所述网络输出层的均方差作为损失函数，并利用Adam优化算法更新网络权重。
[0017]进一步地，在本专利技术地一个实施例中，所述比较所述脉冲数据的重建误差，α和β脉冲判别函数PSD的公式为：
[0018][0019]其中，y表示脉冲输入值，表示模型重建输出值。
[0020]进一步地，在本专利技术地一个实施例中，所述将所述训练数据集输入所述自编码模型进行迭代训练时，加入Batch
‑
Normalization批标准化和L2正则化。
[0021]进一步地，在本专利技术地一个实施例中，所述第一多个神经元至所述第五多个神经元的神经元个数为递减数列。
[0022]进一步地，在本专利技术地一个实施例中，所述方法，还包括，对所述α和β脉冲甄别结果进行数据验证，包括：将不同猝灭水平的α和β加标样品中α和β衰变释放的能量与闪烁液作用产生光子，将所述光子利用光电倍增管进行探测，输出相应的电子脉冲数据；将所述脉冲信号数据作为所述训练好的自编码模型的输入数据，并与模型的输出数据进行计算所述电子脉冲数据的甄别特征值PSD；基于所述PSD，通过所述训练好的自编码模型读取所述电子脉冲数据以进行脉冲判别，并分别对判别的α脉冲和β脉冲进行计数。
[0023]为达到上述目的，本专利技术另一方面提出了一种基于自编码器的α、β脉冲甄别装置，包括：
[0024]脉冲获取模块，用于获取粒子脉冲数据；其中，粒子脉冲数据包括α、β脉冲；误差重建模块，用于将粒子脉冲数据输入训练好的自编码模型进行脉冲数据重建，得到脉冲数据
的重建误差；其中，自编码模型包括：网络输入层、编码层、中间层、解码层和网络输出层；其中，编码层和解码层互为镜相，将编码层的第一层预设第一多个神经元、第二层预设第二多个神经元、第三层预设第三多个神经元、第四层预设第四多个神经元，将中间层预设第五多个神经元，将网络输入层和网络输出层预设第一多个神经元；脉冲甄别模块，用于比较重建误差大小，基于重建误差大小甄别输入的粒子脉冲数据为α或β脉冲；其中，训练好的自编码模型对α脉冲数据的重建误差小于β脉冲数据重建误差。
[0025]本专利技术实施例的基于自编码器的α、β脉冲甄别装置，实现α和β脉冲信号甄别，能够在猝灭水平变化条件下获得较低α和β甄别错误率。
[0026]本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0027]本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0028]图1为根据本专利技术实施例的自编码模型示意图；
[0029]图2为根据本专利技术实施例的基于自编码器的α、β脉冲甄别方法流程图；
[0030]图3为根据本专利技术实施例的数据验证系统结构图；
[0031]图4为根据本专利技术实施例的Alpha1样品PSD分布直方图；
[0032]图5为根据本专利技术实施例的Alpha1样品和本底PSD分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自编码器的α、β脉冲甄别方法，其特征在于，包括以下步骤：获取粒子脉冲数据；其中，所述粒子脉冲数据包括α、β脉冲；将所述粒子脉冲数据输入训练好的自编码模型进行脉冲数据重建，得到所述脉冲数据的重建误差；其中，所述自编码模型包括：网络输入层、编码层、中间层、解码层和网络输出层；其中，所述编码层和所述解码层互为镜相，将所述编码层的第一层预设第一多个神经元、第二层预设第二多个神经元、第三层预设第三多个神经元、第四层预设第四多个神经元，将所述中间层预设第五多个神经元，将所述网络输入层和所述网络输出层预设所述第一多个神经元；比较重建误差大小，基于所述重建误差大小甄别输入的所述粒子脉冲数据为α或β脉冲；其中，所述训练好的自编码模型对α脉冲数据的重建误差小于β脉冲数据重建误差。2.根据权利要求1所述的方法，其特征在于，所述方法，还包括：获取训练数据集；将所述训练数据集输入自编码模型进行迭代训练，得到所述训练好的自编码模型。3.根据权利要求2所述的方法，其特征在于，所述获取训练数据集，包括：预设测量时间并测量不同猝灭水平的α加标样品，得到对应的脉冲数据；从测量所述α加标样品的脉冲数据中，随机抽样预设数量的脉冲数据组成所述训练数据集。4.根据权利要求1所述的方法，其特征在于，所述编码层的第一层的激活函数采用sigmoid函数，所述编码层的第二层至所述中间层的每一层的激活函数采用ReLU函数，所述sigmoid函数的公式和所述ReLU函数的公式分别为：id函数的公式和所述ReLU函数的公式分别为：5.根据权利要求4所述的方法，其特征在于，将所述训练数据集输入所述自编码模型进行迭代训练时，采用所述网络输入层与所述网络输出层的均方差作为损失函数，并利用Adam优化算法更新网络权重。6.根据权利要求5所述的方法，其特征在于，所述比较所述脉冲数据的重建误差，α和β脉冲甄别函...

【专利技术属性】
技术研发人员：梁漫春，何水军，杜晓闯，黎岢，沈红敏，
申请(专利权)人：清华大学，
类型：发明
国别省市：