一种基于ResNet的γ能谱数据分析方法、存储介质及系统技术方案

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：