基于HHT频带能量特征和卷积神经网络的核素识别方法技术

本发明专利技术公开了一种能够处理非线性非平稳信号，并且在将信号进行时频转换后，对任意长度的时间信号都能处理识别的基于HHT频带能量特征和卷积神经网络的核素识别方法。该基于HHT频带能量特征和卷积神经网络的核素识别方法采用HHT对完整的核脉冲信号进行特征提取，根据不同核素在Hilbert边际谱的不同频带上能量趋势的差异性，把能量趋势作为脉冲信号的特征，选择一维卷积神经网络作为分类器进行核素识别。采用该基于HHT频带能量特征和卷积神经网络的核素识别方法不用不断调整分析参数，提高了核素识别方法的自适应性；能够避免以往基于脉冲进行核素识别仅使用部分信号特征的缺点，其次识别速度快，准确率高。准确率高。准确率高。

【技术实现步骤摘要】
基于HHT频带能量特征和卷积神经网络的核素识别方法


[0001]本专利技术涉及核素识别，尤其是一种基于HHT频带能量特征和卷积神经网络的核素识别方法。

技术介绍

[0002]众所周知的：放射性核素在国民生产生活和经济发展中具有重要作用，因此在核安全领域对于放射性核素识别就显得尤为重要。放射性核素的快速识别要求在短时间(几秒)内完成定性分析，即给出放射性核素的种类或者某种核素是否存在的判断。传统的放射性核素与识别，是通过分析放射性核素的能谱，根据特征峰匹配度来识别核素。但是，根据能谱数据的统计性质可知，在低计数率、强干扰等情况下，识别的时间与计数是一个巨大的矛盾，并且由于能量分辨率、背景噪声等因素影响，能谱解析难度大，核素识别准确率低。所以需要一种新的方法来解决采用能谱数据进行数据分析所存在的缺陷。近年来，已有多位研究者基于能谱数据提出了基于人工神经网络、机器学习、卷积神经网络等算法的核素识别方法，证明了通过训练神经网络实现核素的识别，但这些方法始终未摆脱能谱的概念，受统计学规律的约束，无法从本质上提高系统判定时间。
[0003]2009年，美国Los Alamos国家实验室Candy等人提出了基于序贯贝叶斯数据分析的核素识别方法，利用贝叶斯算法对采集到的核脉冲信号进行处理，基于核脉冲的幅度和时间概率分布甄别事件序列，从而识别核素。该方法在测量时间短、光子数少的情况下能识别核素，证明了直接分析核脉冲信号来完成核素识别的可行性。国内学者也在此基础上开展了序贯贝叶斯分析的进一步研究和应用。但该方法只利用了核脉冲信号的幅度和时间信息，缺乏对完整核信号的考察，同时测量条件改变即须调整分析参数，方法的自适应性较差。

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利用了核脉冲信号序列的完整信息，能够处理非线性非平稳信号，并且在将信号进行时频转换后，对任意长度的时间信号都能处理识别，不用不断调整分析参数，提高了核素识别方法的自适应性；能够避免以往基于脉冲进行核素识别仅使用部分信号特征的缺点，其次识别速度快，准确率高的基于HHT频带能量特征和卷积神经网络的核素识别方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：基于HHT频带能量特征和卷积神经网络的核素识别方法，包括以下步骤：
[0006]S1、对核脉冲信号进行采集；
[0007]S2、通过基于离散小波变换消除核脉冲信号噪声，包括以下步骤：
[0008]S21、选择小波和小波分解层次，计算原始信号到第n层的小波分解；采用Coiflet(coifN)小波系；
[0009]S22、对每层高频系数选择一个阈值，对高频系数进行修正；采用改进的阈值函数
进行高频系数修正，改进的阈值函数形式如下：
[0010][0011]thr＝max(x
j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0012][0013]其中，thr为阈值；k为经验系数，0≤k≤1，当k＝0时相当于硬阈值函数，当k＝1时相当于软阈值函数；x
jt
和η
jt
分别为修正前后第j层的第t个高频系数；sign为符号函数；
[0014]S23、根据第n层的低频系数和从第1层到第n层的经过修正的高频系数进行信号的小波重建；
[0015]S3、基于HHT的特征提取；
[0016]对于核脉冲信号序列x(t)，可通过EMD分解为若干有限个本征模态函数IMF，即原信号是这些本征模态函数的叠加：
[0017][0018]其中，IMF是指模态函数(intrinsic mode function)；n为IMF分量阶数，ci(t)为第i阶 IMF分量，rn(t)为趋势项，表示信号的平均趋势或均值；
[0019]EMD分解算法的步骤如下：
[0020]S31、初始化，令r1(t)＝x(t)，i＝1，k＝0；
[0021]S32、获取第n阶本征模态函数，包括以下步骤：
[0022]S321、初始化，令h1(t)＝r1(t)；
[0023]S322、找到hk(t)的所有极大值和极小值点；
[0024]S323、通过插值函数分别对极大值点和极小值点进行拟合，求得上下包络线：e+(t)和 e
‑
(t)；
[0025]S324、计算上下包络线均值mk(t)＝(e+(t)+e
‑
(t))/2；
[0026]S325、计算hk+1(t)＝hk(t)
‑
mk(t)；
[0027]S326、判断：0.2≤ε≤0.3，若成立，则ci(t)＝hk(t)，否则，令k＝k+1，返回S322；
[0028]S33、rk+1(t)＝rk(t)
‑
ck+1(t)，判断余量是否为单调函数或常量，如果是，则分解过程结束；
[0029]S34、x(t)经过EMD分解后得到n个频率从高到低的本征模态函数IMF；经过EMD分解后的核信号，再通过Hilbert变换进行特征提取，过程如下：
[0030]S341、对降噪后的核脉冲信号进行EMD分解，得到一系列的IMFs；
[0031]S342、对各IMF分量做Hilbert变换，求出每个IMF的瞬时频率、幅度函数及相应Hilbert 谱；
[0032]S343、汇总所有IMF的Hilbert谱得到原随机核信号的Hilbert谱H(w,t)。它是频率w和时间t的函数，能很好展示随机核信号的时频联合分布关系；
[0033]S344、将核信号瞬时频率边际谱以一定的频率间隔划分为n个瞬时频率区间，分别求出各频带区间内的能量Ei，i＝1,2,
…
,n；
[0034]S345、令总能量：
[0035][0036]定义归一化频带能量：
[0037][0038]S345、最终得到信号HHT后的特征向量为：
[0039]T＝[e1,e2,e3,
…
,en]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0040]S4、通过一维卷积神经网络完成核素识别；具体的包括以下步骤：
[0041]S41、确定目标函数；
[0042]首先将脉冲信号特征向量定义为一组随机变量X＝{x0,
…
,x
n
}，属于m个离散标签，递归网络建立了一个随机变量上的概率分布模型Q(X|θ,I)，其中θ为网络的参数。这种分布通常被建模为信号特征边缘Q(X|θ,I)＝∏
i
q
i
(x
i
|θ,I)，其中每一个边缘代表最大的相似概率：
[0043][0044]其中为每个信号采样点i的分割函数。函数f
i
表示神经网络的实值分数。分数越高，概率越大。
[0045]记是网络输出的矢本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于HHT频带能量特征和卷积神经网络的核素识别方法，其特征在于，包括以下步骤：S1、对核脉冲信号进行采集；S2、通过基于离散小波变换消除核脉冲信号噪声，包括以下步骤：S21、选择小波和小波分解层次，计算原始信号到第n层的小波分解；采用Coiflet(coifN)小波系；S22、对每层高频系数选择一个阈值，对高频系数进行修正；采用改进的阈值函数进行高频系数修正，改进的阈值函数形式如下：thr＝max(x
j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，thr为阈值；k为经验系数，0≤k≤1，当k＝0时相当于硬阈值函数，当k＝1时相当于软阈值函数；x
jt
和η
jt
分别为修正前后第j层的第t个高频系数；sign为符号函数；S23、根据第n层的低频系数和从第1层到第n层的经过修正的高频系数进行信号的小波重建；S3、基于HHT的特征提取；对于核脉冲信号序列x(t)，可通过EMD分解为若干有限个本征模态函数IMF，即原信号是这些本征模态函数的叠加：其中，IMF是指模态函数(intrinsic mode function)；n为IMF分量阶数，ci(t)为第i阶IMF分量，rn(t)为趋势项，表示信号的平均趋势或均值；EMD分解算法的步骤如下：S31、初始化，令r1(t)＝x(t)，i＝1，k＝0；S32、获取第n阶本征模态函数，包括以下步骤：S321、初始化，令h1(t)＝r1(t)；S322、找到hk(t)的所有极大值和极小值点；S323、通过插值函数分别对极大值点和极小值点进行拟合，求得上下包络线：e+(t)和e
‑
(t)；S324、计算上下包络线均值mk(t)＝(e+(t)+e
‑
(t))/2；S325、计算hk+1(t)＝hk(t)
‑
mk(t)；
S326、判断：0.2≤ε≤0.3，若成立，则ci(t)＝hk(t)，否则，令k＝k+1，返回S322；S33、rk+1(t)＝rk(t)
‑
ck+1(t)，判断余量是否为单调函数或常量，如果是，则分解过程结束；S34、x(t)经过EMD分解后得到n个频率从高到低的本征模态函数IMF；经过EMD分解后的核信号，再通过Hilbert变换进行特征提取，过程如下：S341、对降噪后的核脉冲信号进行EMD分解，得到一系列的IMF；S342、对各IMF分量做Hilbert变换，求出每个IMF的瞬时频率、幅度函数及相应Hilbert谱；S343、汇总所有IMF的Hilbert谱得到原随机核信号的Hilbert谱H(w，t)。它是频率w和时间t的函数，能很好展示随机核信号的时频联合分布关系；S344、将核信号瞬时频率边际谱以一定的频率间隔划分为n个瞬时频率区间，分别求出各频带区间内的能量Ei，i＝1，2，
…
，n；S345、令总能量：定义归一化频带能量：S345、最终得到信号HHT后的特征向量为：T＝[e1，e2，e3，
…
，en]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)S4、通过一维卷积神经网络完成核素识别；具体的包括以下步骤：S41、确定目标函数；首先将脉冲信号特征向量定义为一组随机变量X＝{x0，
…
，x
n
}，属于m个离散标签，递归网络建立了一个随机变量上的概率分布模型Q(X|θ，I)，其中θ为网络的参数。这种分布通常被建模为信号特征边缘Q(X|θ，I)＝∏
i
q
i
(x
i
|θ，I)，其中每一个边缘代表最大的相似概率：其中为每个信号采样点i的分割函数。函数f
i
表示神经网络的实值分数。分数越高，概率越大。记是网络输出的矢量化形式Q(X|θ，I)。深度神经网络的框架可被优化为：寻找θ约束于其中对信号I的输出分布实施k个单独的线性约束；S42、设置网络结构及训练；所述网络结构为输入向量
→
卷积层
→
特性映射信号层
→
持续池化层
→
性映射信号层
→
全连接
→
高斯连接；所述持续池化层是指对数据进行池化层
→
特性映射信号层
→
卷积层
→
特性映射信号层
→
池化层，进行重复操作使得送入全连接层的数据达到合适的维度；所述合适维度是指多次特征提取后的高维特征数目小于或者等于核素识别的类别数的两个数量级；具体的，原始数据X(数据长度为：m)送入神经网络中；首先与n个不同的卷积核W(长度为：k∈[1，m])进行卷积，得到n个特征映射Y，即Y＝X*W
i
，i∈[1，n]；卷积核W
i
的维度小于原始数据的维度，进行移动平均；所述移动平均为将长度为k的卷积核与原始数据的前k个元素一一对应，各自对应的元素依次相乘，对k对元素的乘积值作累加M，让求出的乘积和的平均值M/k作为第一次卷积操作的结果；在进行下一次卷积操作前，需将卷积核向右平移t个单位长度，移动结束后，如第一次卷积操作的方式完成往后的卷积操作，直至卷积核尾元素移动到和原始数据的尾元素对齐为止，完成最后一次卷积操作；对卷积之后的...

【专利技术属性】
技术研发人员：石睿，赵威，刘一瑭，王博，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：