一种复杂环境下的核脉冲信号与噪声信号甄别方法技术

本发明专利技术公开了一种复杂环境下的核脉冲信号与噪声信号甄别方法，涉及核辐射探测领域，包括：首先将采集的原始信号，进行FIR低通滤波；然后对滤波之后的信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间；再在二维的频域空间内提取出信号特征；然后将信号特征输入至训练好的核脉冲信号与噪声分离模型，并将输出，通过逆变换，并结合信号特征所对应信号的相位，获得核脉冲信号和噪声信号；进而将获得的核脉冲信号进行预处理；最后提取出预处理后的核脉冲信号的幅值，并以此生成能谱；本发明专利技术，采用基于机器学习的方法可以有效的区分核脉冲和噪声信号，从而减少对噪声信号的采集。信号的采集。信号的采集。

【技术实现步骤摘要】
一种复杂环境下的核脉冲信号与噪声信号甄别方法
[0001]

本专利技术涉及核辐射探测领域，具体涉及一种复杂环境下的核脉冲信号与噪声信号甄别方法。

技术介绍

[0002]本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。
[0003]在核辐射脉冲测量技术中，有用的脉冲信号总是叠加在一个不稳定的基线电压上，导致脉冲幅度偏离实际值，影响能谱测量；这类电压称为脉冲信号的基线，把脉冲幅值偏离实际值的现象称为脉冲信号的基线漂移；而在测量过程中，环境噪声、探测器的漏电流、电子元器件的温漂和电源的纹波等会导致核辐射探测器的基线漂移。
[0004]现有的模拟系统中通常使用基线恢复器来估计基线大小并加以扣除，这样会增加电路的复杂性；并且由于受到不确定因素的影响，又引入了新的能量分辨率损失；数字化多道系统中的基线估计方法可针对输入信号特点进行优化，但是仍然是采用固定阈值比较的方式来区分是否为有效脉冲；当信号幅值超过了某一固定阈值这判定为有效的核脉冲信号，反之则判定其为噪声信号；在这种情况下，由于基线的漂移，采集的噪声增加会导致探测器的能量分辨率变差。

技术实现思路

[0005]本专利技术的目的在于：针对目前核辐射脉冲测量中，由于基线的漂移，采集的噪声增加会导致探测器的能量分辨率变差的问题，提供了一种复杂环境下的核脉冲信号与噪声信号甄别方法，解决了噪声和核脉冲信号的甄别、核辐射探测器在长时间测量过程中，噪声基线漂移造成固定阈值的情况下采集的噪声增加、能谱分辨率变差的问题等问题，同时实现γ能谱的在线测量。
[0006]本专利技术的技术方案如下：一种复杂环境下的核脉冲信号与噪声信号甄别方法，包括：步骤S1：将采集的原始信号，进行FIR低通滤波；步骤S2：对滤波之后的信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间；步骤S3：在二维的频域空间内提取出信号特征；步骤S4：将信号特征输入至训练好的核脉冲信号与噪声分离模型，并将核脉冲信号与噪声分离模型的输出，通过逆变换，并结合信号特征所对应信号的相位，获得核脉冲信号和噪声信号；步骤S5：将获得的核脉冲信号进行预处理；步骤S6：提取出预处理后的核脉冲信号的幅值，并以此生成能谱。
[0007]进一步地，所述步骤S1，包括：利用ADC采集得到原始信号，所述原始信号包括：核脉冲信号、噪声信号以及二者的混合信号；对原始信号进行FIR低通滤波，滤波公式如下：其中：为第n个时刻的输入信号，为第n
‑
k个时刻的输入信号，为FIR滤波系数，为经过滤波后的信号，N表示FIR滤波器的抽头数，为滤波器阶数，k为正整数，并且k，n为正整数，表示为某一个时刻。
[0008]进一步地，所述步骤S2，包括：设是一个实对称窗函数，是一维时域信号在第时间帧、第个频段的短时傅里叶变换系数，则：其中：k为正整数，表示某一个时刻，为窗函数在第k时刻，第t时间帧的输出，j为虚数单位；对应的傅里叶能量幅度谱为：其中，表示复数域的取模操作。
[0009]进一步地，所述信号特征包括：信号的幅度谱和功率谱。
[0010]进一步地，所述核脉冲信号与噪声分离模型的训练过程如下：步骤A：时频分解；先对已知的核脉冲信号、噪声信号以及二者的混合信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间；步骤B：特征提取；分别提取核脉冲信号、噪声信号以及二者的混合信号在二维频域的特征；步骤C：模型训练；用步骤B得到的特征和各个信号的时频掩蔽对核脉冲信号与噪声分离模型进行训练；步骤D：模型保存；最后得到一个可以分离噪声和核脉冲信号的核脉冲信号与噪声分离模型。
[0011]进一步地，所述步骤S4，包括：将信号特征输入至训练好的核脉冲信号与噪声分离模型，分别预测得到噪声和信号的分离目标；再将分离目标通过短时逆傅里叶逆变换获得核脉冲的波形信号。
[0012]进一步地，所述短时傅里叶逆变换从重构，通过估计目标核脉冲的短时傅里叶变换系数来实现核脉冲信号的分离，用来表示混合信号中纯净的目标信号在第t时间帧内，第f个频段的傅里叶变换系数，那么目标信号的波形可以通过短时傅里
叶逆变换计算：。
[0013]进一步地，所述预处理，包括：信号合成、梯形成形、堆积判弃、峰值提取。
[0014]与现有的技术相比本专利技术的有益效果是：1、一种复杂环境下的核脉冲信号与噪声信号甄别方法，采用基于机器学习的方法可以有效的区分核脉冲和噪声信号，从而减少对噪声信号的采集。
[0015]2、一种复杂环境下的核脉冲信号与噪声信号甄别方法，通过减少探测器对噪声信号的采集，可以提高探测器的能量分辨率；尤其是当核探测器需要的长时间测量时，减少基线漂移对探测器的影响，实现高精度的能谱测量。
附图说明
[0016]图1为一种复杂环境下的核脉冲信号与噪声信号甄别方法的流程图；图2为核脉冲信号与噪声分离模型训练流程图；图3为核探测器系统的总体框图。
具体实施方式
[0017]需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0018]下面结合实施例对本专利技术的特征和性能作进一步的详细描述。
[0019]实施例一请参阅图1，一种复杂环境下的核脉冲信号与噪声信号甄别方法，具体包括如下步骤：步骤S1：将采集的原始信号，进行FIR低通滤波；步骤S2：对滤波之后的信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间；步骤S3：在二维的频域空间内提取出信号特征；优选地，所述信号特征包括：信号的幅度谱和功率谱；其中，从特征提取的基本单位来看，可以分为时频单元级别的特征和帧级别的特征；时频单元级别的特征是从一个时频中提取特征，这种方式提取的特征粒度更细，能够关注到更加微小的细节，但是缺乏对信号的全局性和整体性的描述；帧级别的特征是从一帧信号中提取的，这种级别的特征粒度更大，能够抓住信号的时空结构，具有更好的全局性和整体性；步骤S4：将信号特征输入至训练好的核脉冲信号与噪声分离模型，并将核脉冲信号与噪声分离模型的输出，通过逆变换，并结合信号特征所对应信号的相位，获得核脉冲信
号和噪声信号；步骤S5：将获得的核脉冲信号进行预处理；步骤S6：提取出预处理后的核脉冲信号的幅值，并以此生成能谱。
[0020]在本实施例中，具体的，所述步骤S1，包括：利用ADC采集得到原始信号，所述原始信号包括：核脉冲信号、噪声信号以及二者的混合信号；对原始信号进行FIR低通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂环境下的核脉冲信号与噪声信号甄别方法，其特征在于，包括：步骤S1：将采集的原始信号，进行FIR低通滤波；步骤S2：对滤波之后的信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间；步骤S3：在二维的频域空间内提取出信号特征；步骤S4：将信号特征输入至训练好的核脉冲信号与噪声分离模型，并将核脉冲信号与噪声分离模型的输出，通过逆变换，并结合信号特征所对应信号的相位，获得核脉冲信号和噪声信号；步骤S5：将获得的核脉冲信号进行预处理；步骤S6：提取出预处理后的核脉冲信号的幅值，并以此生成能谱。2.根据权利要求1所述的一种复杂环境下的核脉冲信号与噪声信号甄别方法，其特征在于，所述步骤S1，包括：利用ADC采集得到原始信号，所述原始信号包括：核脉冲信号、噪声信号以及二者的混合信号；对原始信号进行FIR低通滤波，滤波公式如下：其中：为第n个时刻的输入信号，为第n
‑
k个时刻的输入信号，为FIR滤波系数，为经过滤波后的信号，N表示FIR滤波器的抽头数，为滤波器阶数，k为正整数，并且k，n为正整数，表示为某一个时刻。3.根据权利要求2所述的一种复杂环境下的核脉冲信号与噪声信号甄别方法，其特征在于，所述步骤S2，包括：设是一个实对称窗函数，是一维时域信号在第时间帧、第个频段的短时傅里叶变换系数，则：其中：k为正整数，表示某一个时刻，为窗函数在第k时刻，第t时间帧的输出，j为虚数单位；对应的傅里叶能量幅度谱为：其中，表示复数域的取模操作。4.根据权利要求3所述...

【专利技术属性】
技术研发人员：张江梅，张草林，赵志豪，刘灏霖，熊芸峰，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：