【技术实现步骤摘要】
本专利技术涉及沉积位置甄别领域，特别是涉及一种基于神经网络的粒子能量沉积位置甄别系统及方法。
技术介绍
1、能量沉积位置对于粒子轨迹重建、粒子类型甄别、弹道亏损校正、辐射成像等应用中具有重要意义。传统中对能量沉积位置甄别的方法主要是通过将探测器分割为多个区域，通过多个电极读出信号来粗略的区分能量沉积位置所对应的分割区间，探测器制作工艺复杂，成本昂贵；另一种方法是使用脉冲形状甄别算法根据多个读出电极的核脉冲信号特征粗略的估计能量沉积位置，该方法随着探测器体积的增加，电极数量和处理的数据量增加，难以实现实时的位置甄别。为此有必要研究出一种工艺简单且低成本的、可针对不同类型探测器，实现对射线能量沉积位置在线甄别的方法。
技术实现思路
1、本专利技术的目的是提供一种基于神经网络的粒子能量沉积位置甄别系统及方法，能够实时准确的实现沉积位置的甄别。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于神经网络的粒子能量沉积位置甄别系统，所述系统包括：依次连接的信号获取模块、提取模块和处理器；
4、所述处理器包括npu处理单元，所述npu处理单元中部署有神经网络自编码器和位置甄别模块；所述神经网络自编码器和所述位置甄别模块连接；所述神经网络自编码器是通过对第一神经网络进行无监督训练得到的；所述位置甄别模块中部署有神经网络模型；所述神经网络模型是通过对第二神经网络进行训练得到的；
5、所述信号获取模块用于获取目标粒子的辐射射线能量，并将所述辐
6、所述提取模块用于对所述数字信号进行数据拼接和波形提取，得到提取数据；所述提取数据包括：第一路提取数据和第二路提取数据；
7、所述神经网络自编码器用于对所述第一路提取数据进行噪声滤除处理，得到滤除信号；
8、所述位置甄别模块用于对所述滤除信号进行位置甄别处理，得到沉积位置信息。
9、可选地，所述信号获取模块包括：依次连接的辐射探测器、前置放大器、单端转差分电路模块和模数转换器；所述模数转换器还与所述提取模块连接；
10、所述辐射探测器用于获取目标粒子的辐射射线能量，并将所述辐射射线能量转化为电压脉冲信号；
11、所述前置放大器用于对所述电压脉冲信号进行滤波和放大处理，得到放大脉冲信号；
12、所述单端转差分电路模块用于将所述放大脉冲信号转换为差分信号；
13、所述模数转换器用于对所述差分信号进行模数转换，得到数字信号。
14、可选地，所述处理器还包括：cpu处理单元；
15、所述cpu处理单元分别与所述提取模块和所述位置甄别模块连接；
16、所述提取模块还用于采用数字化算法对所述第二路提取数据进行特征提取，得到特征数据；所述数字化算法包括：梯形成型算法；
17、所述cpu处理单元用于采集所述特征数据和所述沉积位置信息。
18、可选地，所述提取模块是通过对加法器、减法器、累加器和寄存器进行搭配组合后得到的。
19、可选地，所述系统还包括：上位机；
20、所述上位机与所述cpu处理单元连接；所述cpu处理单元还用于将所述特征数据和所述沉积位置信息传输至所述上位机。
21、一种基于神经网络的粒子能量沉积位置甄别方法，所述方法采用上述所述的基于神经网络的粒子能量沉积位置甄别系统实现；所述方法包括：
22、获取目标粒子的辐射射线能量，并将所述辐射射线能量转化为电压脉冲信号，以及对所述电压脉冲信号进行预处理操作，得到数字信号；
23、对所述数字信号进行数据拼接和波形提取，得到提取数据；所述提取数据包括：第一路提取数据和第二路提取数据；
24、基于神经网络自编码器对所述第一路提取数据进行噪声滤除处理，得到滤除信号；所述神经网络自编码器是通过对第一神经网络进行无监督训练得到的；
25、基于位置甄别模块对所述滤除信号进行位置甄别处理，得到沉积位置信息；所述位置甄别模块中部署有神经网络模型；所述神经网络模型是通过对第二神经网络进行训练得到的。
26、可选地，所述神经网络自编码器的确定方法，具体包括：
27、获取训练数据；所述训练数据包括：训练的提取数据和预设目标信号数据；
28、构建第一神经网络；
29、将所述训练数据输入至所述第一神经网络中，以第一损失函数最小为目标，对所述第一神经网络的参数进行训练，得到训练后的第一神经网络；第一神经网络的参数包括：权重；所述第一损失函数是根据所述第一神经网络的输出与所述预设目标信号数据之间的差距确定的；
30、将训练后的第一神经网络确定为神经网络自编码器。
31、可选地，所述神经网络模型的确定方法，具体包括：
32、获取数据集；所述数据集包括：沉积位置信息和滤除信号；
33、将所述数据集划分为训练集、验证集和测试集；
34、构建第二神经网络；所述第二神经网络包括相互连接的输入层、隐藏层和输出层；所述隐藏层包括：依次连接的卷积层、批归一化层、池化层、随机失活层和全连接层；
35、将所述训练集经所述输入层传输至所述隐藏层，得到整合数据；
36、在所述输出层以softmax激活函数对所述整合数据进行转化，得到概率分布数据；所述概率分布数据用以确定沉积位置信息；
37、对所述第二神经网络的训练过程，具体包括：
38、以满足设定迭代次数或者第二损失函数最小为目标，根据所述训练集对所述第二神经网络的参数进行训练，得到训练好的第二神经网络；所述第二损失函数是根据所述输出层的输出结果与所述训练集中的沉积位置信息之间的映射误差确定的；所述第二神经网络的参数包括：权重和偏移量；
39、在任一迭代次数下，采用所述验证集对该迭代次数下对应的第二神经网络进行验证；
40、将训练好的第二神经网络确定为所述神经网络模型，并采用测试集对所述神经网络模型进行验证；
41、在所述隐藏层中，具体包括：
42、采用所述卷积层对所述训练集进行核脉冲信号波形特征提取，得到波形特征数据；
43、采用批归一化层对所述波形特征数据进行归一化处理，得到归一化后的特征数据；
44、采用所述池化层对所述归一化后的特征数据进行数据量拟合处理，得到拟合特征数据；所述数据量拟合处理包括：数据量和参数数量的减小处理；
45、采用随机失活层对所述拟合特征数据进行正则化处理，得到正则化处理数据；
46、采用全连接层对所述正则化处理数据进行整合，得到整合数据。
47、可选地，获取数据集，具体包括：
48、对探测器进行有限元划分，得到二维平面图信息；
49、对所述二维平面图信息进行空间划分和编号本文档来自技高网...
【技术保护点】
1.一种基于神经网络的粒子能量沉积位置甄别系统，其特征在于，所述系统包括：依次连接的信号获取模块、提取模块和处理器；
2.根据权利要求1所述的基于神经网络的粒子能量沉积位置甄别系统，其特征在于，所述信号获取模块包括：依次连接的辐射探测器、前置放大器、单端转差分电路模块和模数转换器；所述模数转换器还与所述提取模块连接；
3.根据权利要求1所述的基于神经网络的粒子能量沉积位置甄别系统，其特征在于，所述处理器还包括：CPU处理单元；
4.根据权利要求3所述的基于神经网络的粒子能量沉积位置甄别系统，其特征在于，所述提取模块是通过对加法器、减法器、累加器和寄存器进行搭配组合后得到的。
5.根据权利要求3所述的基于神经网络的粒子能量沉积位置甄别系统，其特征在于，所述系统还包括：上位机；
6.一种基于神经网络的粒子能量沉积位置甄别方法，其特征在于，所述方法采用权利要求1-5中任意一项所述的基于神经网络的粒子能量沉积位置甄别系统实现；所述方法包括：
7.根据权利要求6所述的基于神经网络的粒子能量沉积位置甄别方法，其特征在于，
8.根据权利要求6所述的基于神经网络的粒子能量沉积位置甄别方法，其特征在于，所述神经网络模型的确定方法，具体包括：
9.根据权利要求8所述的基于神经网络的粒子能量沉积位置甄别方法，其特征在于，获取数据集，具体包括：
...【技术特征摘要】
1.一种基于神经网络的粒子能量沉积位置甄别系统，其特征在于，所述系统包括：依次连接的信号获取模块、提取模块和处理器；
2.根据权利要求1所述的基于神经网络的粒子能量沉积位置甄别系统，其特征在于，所述信号获取模块包括：依次连接的辐射探测器、前置放大器、单端转差分电路模块和模数转换器；所述模数转换器还与所述提取模块连接；
3.根据权利要求1所述的基于神经网络的粒子能量沉积位置甄别系统，其特征在于，所述处理器还包括：cpu处理单元；
4.根据权利要求3所述的基于神经网络的粒子能量沉积位置甄别系统，其特征在于，所述提取模块是通过对加法器、减法器、累加器和寄存器进行搭配组合后得到的。
5.根据...
【专利技术属性】
技术研发人员：曾国强，樊纯頔，顾民，杨小峰，胡传皓，杨剑，卿松，严磊，
申请(专利权)人：成都理工大学，
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。