一种中子-伽马射线甄别方法、系统、设备及介质技术方案

本发明专利技术提出了一种中子

【技术实现步骤摘要】
一种中子
‑
伽马射线甄别方法、系统、设备及介质


[0001]本专利技术涉及中子探测
，具体而言，涉及一种中子
‑
伽马射线甄别方法、系统、设备及介质。

技术介绍

[0002]半个多世纪以来，随着核技术快速发展。在反应堆功率、堆外放射性、核退役、辐照室、中子测井、硼中子俘获治疗以及核材料运输等众多领域都需要采用中子探测技术。但在实际中子测量应用中，由于中子与周围环境存在非弹性散射及慢中子的俘获等相互作用，伽马射线总是与中子相伴存在。而探测器一般对中子和伽马射线同时灵敏，且中子和伽马射线都相对容易探测但较难区分，因此中子和伽马射线的甄别尤为重要。
[0003]近年来，科研工作者在中子伽马甄别算法领域进行了许多研究。这些现有的甄别方法大致可分为三类：频域甄别法，时域甄别法以及智能甄别法。其中，频域与智能甄别法需要进行大量的矩阵运算，消耗时间较长，很难用于实时甄别；而时域甄别法虽然运算较快，但是甄别效果又相对较差。因此，急需一种既有出色的甄别效果，又耗时较短的中子
‑
伽马射线甄别方法用以解决现有技术中存在的这些困惑。

技术实现思路

[0004]本专利技术的目的在于提供一种中子
‑
伽马射线甄别方法、系统、设备及介质，其能够在提高甄别效果的同时减少甄别耗时。
[0005]本专利技术的实施例是这样实现的：
[0006]第一方面，本申请实施例提供一种中子
‑
伽马射线甄别方法，包括以下步骤：
[0007]步骤S101：获取中子
‑
伽马射线的数字波形Sn；步骤S102：将数字波形Sn送入预置的脉冲耦合神经网络中进行点火，得到对应的点火映射图；步骤S103：基于点火映射图包括的数字波形Sn的上升沿、下降沿与余晖效应部分进行积分处理，并根据积分结果生成对应的得到甄别因子R；步骤S104：基于甄别因子R建立预设甄别机制获取中子
‑
伽马射线的甄别结果信息。
[0008]在本专利技术的一些实施例中，上述步骤S101和步骤S102之间还包括：将数字波形Sn依次进行剔除失真信号、幅值归一化处理和滤波处理。
[0009]在本专利技术的一些实施例中，上述步骤S102包括：
[0010]对脉冲耦合神经网络进行对应的参数配置，得到对应的PCNN模型；利用PCNN模型对每一个数字波形Sn的每一个采样点进行点火，并将每一采样点的每次迭代的点火情况进行累计，得到每一个数字波形Sn的点火映射图。
[0011]在本专利技术的一些实施例中，上述点火映射图中的每一个采样点的点火次数的选取贡献包括对应采样点的幅值和数字波形Sn的动态信息。
[0012]在本专利技术的一些实施例中，上述步骤S104具体包括：
[0013]基于甄别因子R绘制对应的统计直方图；对绘制的统计直方图进行高斯拟合，得到
两个高斯峰，并得到对应的拟合参数d、S1和S2，其中，d为两高斯峰之间的距离，S1和S2分别为两高斯峰的半高斯峰的宽度；基于公式进行计算得到对应的FOM值。
[0014]在本专利技术的一些实施例中，上述脉冲耦合神经网络的数学表达式包括：
[0015][0016][0017]U
ij
[n]＝F
ij
[n]{1+βL
ij
[n]}}
[0018][0019][0020]其中，(i，j)为内部活动神经元的位置坐标，n为神经元的迭代次数，S
ij
为外部刺激，F
ij
和L
ij
分别为反馈输入和连接输入，α
F
和α
L
分别为反馈输入和连接输入的衰减系数，U
ij
为神经元内部活动，由F
ij
和L
ij
共同决定，β为链接系数，用于调节神经元内部活动强度，M
ijkl
和W
ijkl
分别为反馈输入突触权重矩阵和链接输入突触权重矩阵，用于调节邻接神经元对中心神经元的刺激强度，θ
ij
为神经元的动态阈值，α
θ
为神经元动态阈值的衰减系数，V
θ
为神经元动态阈值的增幅系数，V
F
和V
L
分别为神经元反馈输入和连接输入的放大系数，Y
ij
为脉冲序列。
[0021]在本专利技术的一些实施例中，上述脉冲耦合神经网络对应的参数设置包括：W＝M＝[0.1409，0，0.1409]、n＝180、α
F
＝0.32、α
L
＝0.356、α
θ
＝0.08、V
F
＝0.0005、V
L
＝0.0005、V
θ
＝15、β＝0.4。
[0022]第二方面，本申请实施例提供一种中子
‑
伽马射线甄别系统，其包括：
[0023]数据获取模块，用于获取中子
‑
伽马射线的数字波形Sn；点火映射模块，用于将数字波形Sn送入预置的脉冲耦合神经网络中进行点火，得到对应的点火映射图；因子生成模块，用于基于点火映射图包括的数字波形Sn的上升沿、下降沿与余晖效应部分进行积分处理，并根据积分结果生成对应的得到甄别因子R；甄别模块，用于基于甄别因子R建立预设甄别机制获取中子
‑
伽马射线的甄别结果信息。
[0024]第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项上述的方法。
[0025]第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项上述的方法。
[0026]相对于现有技术，本专利技术的实施例至少具有如下优点或有益效果：
[0027]本专利技术的实施例基于脉冲耦合神经网络将数字波形Sn进行点火处理，用以得到对应的点火映射图，从而后续可以在点火映射图的基础上进行相应的处理，用以甄别中子
‑
伽马射线。其甄别效果相对于现有的电荷比较法、反向传播神经网络和分形谱方法，品质因数更高，甄别效果明显提升。并且，在利用脉冲耦合神经网络进行点火的时候，不像其他现有技术中的方法那样仅仅基于输入信号的固定向量的每一个点，它不仅考虑了点的振幅，还
考虑了该位置之前和之后的点的振幅。换言之，脉冲耦合神经网络将输入信号作为一个整体进行分析和处理，这使其具有良好的抗噪效果和捕捉脉冲信号中的动态信息的能力。并且，在获取了更精准的甄别效果的同时，相较于在现有技术中的甄别效果相对较不错的反向传播神经网络和分形谱方法相比，其不仅甄别效果更高，而且耗时更短。
附图说明
[0028]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种中子
‑
伽马射线甄别方法，其特征在于，包括以下步骤：步骤S101：获取中子
‑
伽马射线的数字波形S
n
；步骤S102：将数字波形S
n
送入预置的脉冲耦合神经网络中进行点火，得到对应的点火映射图；步骤S103：基于点火映射图包括的数字波形S
n
的上升沿、下降沿与余晖效应部分进行积分处理，并根据积分结果生成对应的得到甄别因子R；步骤S104：基于甄别因子R建立预设甄别机制获取中子
‑
伽马射线的甄别结果信息。2.如权利要求1所述的一种中子
‑
伽马射线甄别方法，其特征在于，所述步骤S101和步骤S102之间还包括：将数字波形S
n
依次进行剔除失真信号、幅值归一化处理和滤波处理。3.如权利要求1所述的一种中子
‑
伽马射线甄别方法，其特征在于，所述步骤S102包括：对脉冲耦合神经网络进行对应的参数配置，得到对应的PCNN模型；利用PCNN模型对每一个数字波形Sn的每一个采样点进行点火，并将每一采样点的每次迭代的点火情况进行累计，得到每一个数字波形S
n
的点火映射图。4.如权利要求3所述的一种中子一伽马射线甄别方法，其特征在于，所述点火映射图中的每一个采样点的点火次数的选取贡献包括对应采样点的幅值和数字波形S
n
的动态信息。5.如权利要求1所述的一种中子
‑
伽马射线甄别方法，其特征在于，所述步骤S104具体包括：基于甄别因子R绘制对应的统计直方图；对绘制的统计直方图进行高斯拟合，得到两个高斯峰，并得到对应的拟合参数d、S1和S2，其中，d为两高斯峰之间的距离，S1和S2分别为两高斯峰的半高斯峰的宽度；基于公式进行计算得到对应的FOM值。6.如权利要求1所述的一种中子
‑
伽马射线甄别方法，其特征在于，所述脉冲耦合神经网络的数学表达式包括：网络的数学表达式包括：U
ij
[n]＝F
ij
[n]{1+βL
ij
[n]}、[n]}、其中，(i，j)为内部活动神经元的位置坐标，n为神经元的迭代次数，S
ij
为外部刺激，F
ij
和L
ij
分别为反馈输入和连接输入，α
F
和α
L

【专利技术属性】
技术研发人员：黎鹏，左卓，罗静蕾，刘浩然，王凯民，柳炳琦，颜瑜成，
申请(专利权)人：成都理工大学工程技术学院，
类型：发明
国别省市：