本发明专利技术涉及一种基于ResNet的γ能谱数据分析方法,包括步骤:利用蒙特卡洛模拟生成用于训练的γ能谱数据;对γ能谱中的每道计数进行归一化处理;将处理后的每道计数作为输入,γ射线的能量及数量以一维数组的形式作为输出,搭建ResNet神经网络模型;采用随机梯度下降算法对搭建的模型进行训练;通过训练完成的模型得到γ射线能量及数量的预测值。本发明专利技术还提供一种存储介质及基于ResNet的γ能谱数据分析系统,采用一种基于ResNet的γ能谱数据分析方法、存储介质及系统可弥补已有方法在γ射线能量、数量分析上的精度缺陷,提高放射性定量分析的准确性。量分析的准确性。量分析的准确性。
【技术实现步骤摘要】
一种基于ResNet的
γ
能谱数据分析方法、存储介质及系统
[0001]本专利技术属于核辐射探测领域,具体涉及一种基于ResNet的γ能谱数据分析方法、存储介质及系统。
技术介绍
[0002]γ能谱是放射性核素发射的γ射线在探测器中沉积能量而形成的信号计数统计分布图(按信号幅值从小到大排列)。由于信号幅值与γ射线在探测器中沉积的能量成正比,因此γ能谱即为γ射线数目按能量的统计分布图。该分布图是离散的,其横坐标是能量区间,或称为“道”。各道通常以自然数进行标号,该标号被称为“道址”,即道的地址。通过能量刻度,“道址”可以转换为能量值。由于γ能谱蕴含了放射性核素的特征信息,因此γ能谱数据分析是实验室或就地进行放射性定量分析的关键环节。
[0003]γ能谱数据分析一般包括γ射线能量、γ射线数量分析等。已有γ能谱数据分析方法均围绕γ能谱中的峰结构来实现,该峰结构被称为全能峰,是由γ射线在探测器中发生光电效应损失全部能量而形成。其具体步骤如下:a)使用特定的滤波器定位γ能谱中的全能峰,获取其峰中心能量值,并将该值确定为γ射线能量;b)使用线性或多项式函数法计算全能峰净计数,结合探测效率函数,确定各γ射线数量。
[0004]然而,由于滤波器难以识别幅值较小的全能峰,且易将散射峰等假峰结构误识别为全能峰,同时全能峰净计数计算方法误差大,从而造成γ能谱数据分析准确性差。
技术实现思路
[0005]针对现有技术中存在的缺陷,本专利技术的目的是提供一种基于ResNet的γ能谱数据分析方法、存储介质及系统,弥补已有方法的精度缺陷,提高放射性定量分析的准确性。
[0006]为达到以上目的,本专利技术采用的技术方案是:一种基于ResNet的γ能谱数据分析方法,包括步骤:利用蒙特卡洛模拟生成用于训练的γ能谱数据;对γ能谱中的每道计数进行归一化处理;将处理后的每道计数作为输入,γ射线的能量及数量以一维数组的形式作为输出,搭建ResNet神经网络模型;采用随机梯度下降算法对搭建的模型进行训练;通过训练完成的模型得到γ射线能量及数量的预测值。
[0007]进一步,所述利用蒙特卡洛模拟生成用于训练的γ能谱数据时,能谱道数设置为1024道,采用随机整数确定γ射线总种类,使用随机浮点数确定每种γ射线具体能量及相对数量。
[0008]进一步,所述随机整数的范围为1
‑
10,所述随机浮点数确定所述具体能量的范围为0.01
‑
3.00MeV,确定所述数量的范围为1.00
‑
10.00。
[0009]进一步,所述蒙特卡洛模拟采用MCNP软件。
[0010]进一步所述归一化处理为:
[0011]x
′
i
=x
i
/max
i
(x
i
) i=1,
…
,n
[0012]其中,x
i
,x
’
i
分别表示原始γ能谱和其归一化后各道计数值,max表示取最大值函
数。
[0013]进一步,所述模型的输出层中γ射线能量和数量标签的表示方式为:使用一个一维数组Y={y
i
|y
i
∈R,i=1,...,n}作为标签,n等于输入层γ射线道数;若一个γ射线其源粒子能量所在道为i,其仿真模拟时相对数量的归一化值为P,则令y
i
=P。
[0014]进一步,所述模型的输入层神经元个数等于γ能谱道数,神经元值等于归一化的γ能谱各道计数值,所述模型的输出层神经元个数等于γ能谱道数,第i个神经元值等于输出层中确定的yi值;所述模型的中间层由4个R1
‑
R2联合模块和1个全连接层构成,其中R1
‑
R2联合模块含1层R1和3层R2。
[0015]进一步,所述联合模块中R1可用4个参数表征,即
[0016]R1(D
in
,D
out
,Ch
in
,Ch
out
),D
in
、D
out
分别表示R1的输入、输出数据维数,Ch
in
、Ch
out
分别表示R1的输入、输出数据通道数;R2可用2个参数表征,即R2(D,Ch),D表示输入输出数据的维数,Ch表示输入输出数据的通道数。
[0017]本专利技术还提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现一种基于ResNet的γ能谱数据分析方法。
[0018]本专利技术还提供一种基于ResNet的γ能谱数据分析系统,包括:模拟单元,用于利用蒙特卡洛模拟生成用于训练的伽马γ能谱数据;处理单元,用于对伽马γ能谱中的每道计数进行归一化处理;模型搭建单元,用于将处理后的每道计数作为输入,伽马γ射线的能量及数量以一维数组的形式作为输出,搭建ResNet神经网络模型;训练单元,用于采用随机梯度下降算法对搭建的模型进行训练;执行单元,用于通过训练完成的模型得到伽马γ射线能量及数量的预测值。
[0019]本专利技术的效果在于:通过使用计算机蒙特卡洛模拟得到的γ能谱和其γ射线能量与数量标签来训练特定的ResNet神经网络,其中原始γ能谱的各道计数作为输入值,相应的γ射线能量和数量标签作为输出值,使得该神经网络通过训练建立起γ能谱数据与其γ射线能量和比值的对应关系,从而弥补已有方法在γ射线能量、数量分析上的精度缺陷,提高放射性定量分析的准确性。
附图说明
[0020]图1是本专利技术中一种基于ResNet的γ能谱数据分析方法的步骤流程图;
[0021]图2为ResNet神经网络中I类Residual模块R1的模块示意图;
[0022]图3为ResNet神经网络中II类Residual模块R2的模块示意图;
[0023]图4为ResNet神经网络的结构示意图。
具体实施方式
[0024]下面结合附图和具体实施方式对本专利技术作进一步描述。
[0025]如图1
‑
4所示,本专利技术提出了一种基于ResNet的γ能谱数据分析方法包括步骤:
[0026]S1,利用蒙特卡洛模拟生成用于训练的γ能谱数据;
[0027]具体的,针对实际应用中某个特定的γ能谱测量场景,使用蒙特卡洛模拟软件对其建模并通过仿真模拟生成γ能谱。
[0028]在本实施例中,能谱道数设置为1024道,其中采用随机整数(范围1
‑
10)确定γ射
线总种类数,对每种γ射线使用随机浮点数(范围0.01
‑
3.00,单位MeV)确定其具体能量,使用随机浮点数(范围1.00
‑
10.00)确定其相对数量。这样做是因为,辐射探测领域常规实际测量中放射性核素种类一般为1
‑
5种,其发出的γ射线一般不超过10种,而常本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于ResNet的γ能谱数据分析方法,其特征在于,包括:利用蒙特卡洛模拟生成用于训练的γ能谱数据;对γ能谱中的每道计数进行归一化处理;将处理后的每道计数作为输入,γ射线的能量及数量以一维数组的形式作为输出,搭建ResNet神经网络模型;采用随机梯度下降算法对搭建的模型进行训练;通过训练完成的模型得到γ射线能量及数量的预测值。2.如权利要求1所述的一种基于ResNet的γ能谱数据分析方法,其特征在于:所述利用蒙特卡洛模拟生成用于训练的γ能谱数据时,能谱道数设置为1024道,采用随机整数确定γ射线总种类,使用随机浮点数确定每种γ射线具体能量及相对数量。3.如权利要求2所述的一种基于ResNet的γ能谱数据分析方法,其特征在:所述随机整数的范围为1
‑
10,所述随机浮点数确定所述具体能量的范围为0.01
‑
3.00MeV,确定所述数量的范围为1.00
‑
10.00。4.如权利要求1所述的一种基于ResNet的γ能谱数据分析方法,其特征在于:所述蒙特卡洛模拟采用MCNP软件。5.如权利要求1所述的一种基于ResNet的γ能谱数据分析方法,其特征在于:所述归一化处理为:x
′
i
=x
i
/max
i
(x
i
)i=1,
…
,n其中,x
i
,x
’
i
分别表示原始γ能谱和其归一化后各道计数值,max表示取最大值函数。6.如权利要求1所述的一种基于ResNet的γ能谱数据分析方法,其特征在于:所述模型的输出层中γ射线能量和数量标签的表示方式为:使用一个一维数组Y=(y
i
|y
i
∈R,i=1,
…
,n}作为标签,n等于输入层γ射线道数...
【专利技术属性】
技术研发人员:赵日,刘娜,梁润成,张静,刘兆行,陈法国,戴雨玲,令狐仁静,王佳,
申请(专利权)人:中国辐射防护研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。