一种放射性核素识别模型构建方法及装置制造方法及图纸

本发明专利技术公开了一种放射性核素识别模型构建方法及装置，将奇异谱分析应用于能谱降噪处理，有效提取了能谱数据中的特征分量并去除了无用噪声信号，为深度学习网络建模提供高精度的数据源；采用模拟能谱建立深度学习网络训练所需的大样本数据库，克服了深度学习网络训练样本及实验室放射源种类不足的难题，可用于多种核素(≥7)在介质中的稳定识别。建模获得的深度学习核素识别模型具有高识别率(≥99％)和响应速度快(≥1s)的优点，可用于土壤、水、煤矿等不同介质中放射性核素的甄别。矿等不同介质中放射性核素的甄别。矿等不同介质中放射性核素的甄别。

【技术实现步骤摘要】
一种放射性核素识别模型构建方法及装置


[0001]本专利技术涉及核素识别
，特别是涉及一种基于奇异谱分析与深度学习的可实现对放射性核素快速识别的放射性核素识别模型构建方法及装置。

技术介绍

[0002]能谱指脉冲幅度经能量刻度后就可得到计数率随粒子能量的分布曲线。电离室输出的脉冲经前置放大器及线性脉冲放大器放大后，输入单道或多道脉冲分析器，以测量计数器率随脉冲幅度的分布曲线。这曲线称为脉冲谱。能谱应用于医学、航空航天、核研究等多个领域。
[0003]电子能谱分析是一种研究物质表面或界面的新型物理方法。它是多种技术集合的总称，其共同特点是：利用具有一定能量的电子束或单色光源(如x射线、紫外光等)照射样品，使样品表面的原子或分子中的电子受激发而发射出来，这些电子带有样品表面的各种信息，具有特征能量，收集和研究这些电子的能量分布，可以获得有关样品表面的各种信息，从而有利于对物质表面进行研究。电子能谱分析是研究和探索物质“表面科学”最直观和最有效的方法。
[0004]伴随着核技术的快速发展，能谱分析技术被广泛应用于核辐射检测、核应急、核安保等领域并发挥着重要作用。能谱分析技术主要对放射性核素源的能谱数据进行分析从而确定放射性核素种类及活度，所以高效准确的识别放射核素源是能谱分析的一项重要研究内容。
[0005]目前，现有的核素识别算法(如寻峰法)对识别能谱质量要求较高，需要其具有较高计数率及能量分辨率并且具有明显特征全能峰。但是由于在实际分析中往往由于采样时间较短，采集到能谱具有计数率低、分辨率低，并且有用信号被噪声信号严重淹没的等不足，使得采用现有技术中的算法进行核素识别时，识别准确率低，极易造成误识别，极大的限制了能谱分析在核辐射检测、核应急、核安保等领域的应用。
[0006]因此，如何提供一种能够快速且准确提取能谱特征进行放射性核素种类识别的方法，是迫切需要本领域技术人员解决的技术问题。

技术实现思路

[0007]鉴于上述问题，本专利技术提供用于克服上述问题或者至少部分地解决上述问题的一种放射性核素识别模型构建方法及装置。该方法基于奇异谱分析与深度学习的快速放射性核素识别方法，通过蒙特卡洛模拟实现深度学习网络中训练集大样本数据库搭建，利用奇异谱分析对实测数据进行降噪处理并输入到深度学习网络中完成核素预测。具有识别速度快、识别准确度高、稳定性好的特点。
[0008]本专利技术提供了如下方案：
[0009]一种放射性核素识别模型构建方法，包括：
[0010]利用伽马探测器采集环境介质的本底谱及放射性核素能谱；
[0011]采用奇异谱分析所述本底谱以及所述放射性核素能谱进行降噪处理，并把降噪后所述放射性核素能谱减去所述本底谱，得到放射性核素的净计数能谱；
[0012]采用蒙特卡洛模拟方法对所述伽马探测器及所述环境介质建模模拟放射性核素能谱，得到模拟能谱；
[0013]对所述净计数能谱以及所述模拟能谱进行归一化处理得到归一化净计数能谱数据以及归一化模拟能谱数据；
[0014]将所述归一化模拟能谱数据作为深度学习网络的训练样本建立深度学习核素识别模型；将所述归一化净计数能谱数据作为预测样本验证所述深度学习核素识别模型的核素识别能力。
[0015]优选地：所述环境介质包括固体介质、液体介质中的任意一种。
[0016]优选地：所述固体介质包括土壤、煤中的任意一种，所述液体介质包括水。
[0017]优选地：所述采用奇异谱分析所述本底谱以及所述放射性核素能谱进行降噪处理，包括：
[0018]轨迹矩阵嵌入，假设x1,x2,
…
,x
N
为一维能谱数据，对该一维数据变换为L
×
K的轨迹矩阵，具体的变化过程为：
[0019][0020]式中，N为能谱最大道址数，L为嵌入维数，N、L以及K满足如下关系：1<L<N,K＝N―L+1；
[0021]轨迹矩阵奇异值分解，对所述轨迹矩阵X按下式完成奇异值的求解：
[0022][0023]式中，j代表第j个奇异值；d代表矩阵X非零奇异值总个数，d满足d≤min(L,K)；σ1，σ2,
…
,σ
d
代表的是矩阵X所有奇异值，其按降序排列；μ
j
,v
j
代表的是矩阵X的特征向量，其中μ
j
代表第j个奇异值的左奇异特征向量，v
j
代表第j个奇异值的右奇异特征向量；
[0024]奇异值分组，将所述d个奇异值σ1，σ2,
…
,σ
d
划分为两组，前r(r<d)个较大奇异值为一组，其对应能谱成分，剩余的奇异值划分为一组，其对应的是噪声成分；
[0025]利用前r个奇异值及其对应的左右奇异特征矩阵求解光滑后的轨迹矩阵即：
[0026][0027]式中，j代表第j个奇异值；r代表选取的奇异值数；σ1，σ2,
…
,σ
r
代表的是矩阵X的前r个奇异值，其按降序排列；μ
j
,v
j
代表的是矩阵X的特征向量，其中μ
j
代表第j个奇异值的左奇异特征向量，v
j
代表第j个奇异值的右奇异特征向量。
[0028]对角平均化，把矩阵Y转化为经过光滑后的能谱，转换过程如下式所示：
[0029][0030]式中，y
i,j
代表矩阵Y的元素，x
er
(m)代表的是光滑后的能谱一维数据x
re
中的第m个元素。
[0031]优选地：所述蒙特卡洛模拟方法包括MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的任意一种或几种。
[0032]优选地：所述对所述净计数能谱以及所述模拟能谱归一化处理包括采用线性函数归一化处理或者采用0均值标准化进行归一化处理。
[0033]优选地：所述深度学习网络包括径向基函数神经网络、深度神经网络、卷积神经网络、递归神经网络、长短时间记忆网络、深度置信网络、卷积自动编码器中的任意一种或几种。
[0034]优选地：所述深度学习网络包括卷积神经网络，所述卷积神经网络中卷积层激励函数为ReLU或sigmoid，输出层函数为sigmoid或softmax。
[0035]优选地：所述深度学习网络的框架包括Caffe、Theano、TensorFlow、Keras、Torch、Pytorch、MXNet、cuda
‑
convent2、Neon、Deeplearning4j、CNTK、PaddlePaddle中的任意一种或几种。
[0036]一种放射性核素识别模型构建装置，所述装置包括：
[0037]放射性核素能谱采集单元，用于利用伽马探测器采集环境介质的本底谱及放射性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种放射性核素识别模型构建方法，其特征在于，所述方法包括：利用伽马探测器采集环境介质的本底谱及放射性核素能谱；采用奇异谱分析所述本底谱以及所述放射性核素能谱进行降噪处理，并把降噪后所述放射性核素能谱减去所述本底谱，得到放射性核素的净计数能谱；采用蒙特卡洛模拟方法对所述伽马探测器及所述环境介质建模模拟放射性核素能谱，得到模拟能谱；对所述净计数能谱以及所述模拟能谱进行归一化处理得到归一化净计数能谱数据以及归一化模拟能谱数据；将所述归一化模拟能谱数据作为深度学习网络的训练样本建立深度学习核素识别模型；将所述归一化净计数能谱数据作为预测样本验证所述深度学习核素识别模型的核素识别能力。2.根据权利要求1所述的放射性核素识别模型构建方法，其特征在于，所述环境介质包括固体介质、液体介质中的任意一种。3.根据权利要求2所述的放射性核素识别模型构建方法，其特征在于，所述固体介质包括土壤、煤中的任意一种，所述液体介质包括水。4.根据权利要求1所述的放射性核素识别模型构建方法，其特征在于，所述采用奇异谱分析所述本底谱以及所述放射性核素能谱进行降噪处理，包括：轨迹矩阵嵌入，假设x1,x2,
…
,x
N
为一维能谱数据，对该一维数据变换为L
×
K的轨迹矩阵，具体的变化过程为：式中，N为能谱最大道址数，L为嵌入维数，N、L以及K满足如下关系：1<L<N,K＝N―L+1；轨迹矩阵奇异值分解，对所述轨迹矩阵X按下式完成奇异值的求解：式中，j代表第j个奇异值；d代表矩阵X非零奇异值总个数，d满足d≤min(L,K)；σ1，σ2,
…
,σ
d
代表的是矩阵X所有奇异值，其按降序排列；μ
j
,v
j
代表的是矩阵X的特征向量，其中μ
j
代表第j个奇异值的左奇异特征向量，v
j
代表第j个奇异值的右奇异特征向量；奇异值分组，将d个奇异值σ1，σ2,
…
,σ
d
划分为两组，前r(r<d)个较大奇异值为一组，其对应能谱成分，剩余的奇异值划分为一组，其对应的是噪声成分；利用前r个奇异值及其对应的左右奇异特征矩阵求解光滑后的轨迹矩阵即：式中，j代表第j个奇异值；r代表选取的奇异值数；σ1，σ2,
…
,σ
r
代表的是矩阵X的前r个奇异值，其按降序排列；μ
j
,v
j<...

【专利技术属性】
技术研发人员：梁杰，牛德青，韩强，侯鑫，姚飞，廖鹏，袁敏娟，母湘樊，
申请(专利权)人：中国兵器装备集团自动化研究所有限公司，
类型：发明
国别省市：