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；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：