【技术实现步骤摘要】
本专利技术属于辐射环境监测，具体为一种用于伽马能谱数据的贝叶斯特征峰识别方法。
技术介绍
1、无人机载、车载环境辐射监测系统在环境监测、辐射应急中具有广泛的应用场景，是核安全的重要保障手段，但由于变化的环境本底辐射水平、不可预知的放射源类型及距离、受限探测器的体积与能量分辨率，导致探测器系统通常只能在较短的测量时间下采集得到计数率较低、统计涨落大、特征峰微弱的能谱数据。针对该类型的能谱数据处理，尤其是在能谱数据中可靠地识别感兴趣的特征伽马射线，是该类应用亟需解决的问题。
2、传统能谱数据定性分析方法主要使用基于导数或对称零面积法的能谱数据寻峰算法，这类算法实现简单高效，但待处理能谱数据需满足平滑分布的要求，通常只能处理高计数率、长测量时间下的能谱数据，对于低计数率、短测量时间的伽马能谱数据，该类方法通常不具备实用价值。
3、近年来基于人工智能算法的伽马能谱数据定性分析取得了一定的突破，其中基于模型训练的方法，通常通过人为构建训练样本集，通过解析的方法如离散余弦变换或小波变换等，从测量得到的能谱数据中提取特征数据，用于训练一个分类器实现特征峰的识别。另外基于贝叶斯模型的方法通过融入伽马探测过程中的物理知识，为测量得到的能谱数据建立相应的概率模型，通过实测数据对模型参数进行估计，完成特征峰的定性分析。两者均具有克服在低计数率、短测量时间下伽马能谱特征峰识别问题的潜力，但前通常具有较高的复杂度，模型训练和部署成本较高，后者具有较好的可解释性、建模灵活但参数推断过程也具有一定的计算复杂度。综上，通过对贝叶斯模型的
技术实现思路
1、本专利技术的目的在于提供一种用于伽马能谱数据的贝叶斯特征峰识别方法，以解决
技术介绍
中提出的现有技术中，对于特征峰识别时存在模型训练时间长、参数推断过程计算复杂的问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：
3、一种用于伽马能谱数据的贝叶斯特征峰识别方法，包括以下步骤：
4、步骤s1，特征峰感兴趣区间内能量测量值分布模型建立；分布模型具体为：
5、
6、式中，第m个特征峰能量感兴趣区间内测量得到的粒子事件集合eventsm中粒子事件能量e的概率分布为pm(e)，pm(e)由和加权求和得到,加权系数为wm，为光电事件的能量概率分布，其服从均值为em，标准差为σm，取值区间为em-kσm到em+kσm的阶段高斯分布，k为置信系数，φ(em-kσm|em,σm)为高斯分布在em-kσm处的累计分布函数值，为康普顿事件的能量概率分布，具有线性函数形式，其截距参数为bm；
7、步骤s2，先验分布选择和模型参数推断算法设计，具体为：采用贝叶斯参数估计方法进行模型参数推断，模型参数wm和bm的后验分布被定义为和由贝叶斯公式得到下式：
8、
9、式中，为模型参数wm和bm在给定观测结果eventsm的后验概率分布，p(wm,bm)为模型参数wm和bm的先验分布，pm(eventsm|wm,bm)为似然函数；
10、步骤s3，多特征峰识别方法设计。
11、根据上述技术方案，步骤s1中，的计算过程具体为：
12、步骤s101，将待识别的特征峰定义为集合peaks；集合peaks如下式所示：
13、peaks＝{[em,σm]}，m＝1,...,m
14、式中，em为属性值特征能量，σm为标准差，m表示集合中特征峰的序号，m为特征峰的信息数量；
15、步骤s102，将伽马辐射探测器记录得到的粒子事件序列定义为集合events，集合events如下式所示：
16、events＝{[e(i),t(i)]}，i＝1,...,n
17、式中，n表示粒子事件的数量，e(i)为能量，t(i)为达到时间，其中i为粒子事件序号；
18、步骤s103，对于第m个特征峰，指定能量感兴趣区间，将处于能量区间内的粒子事件集合定义为eventsm；粒子事件集合eventsm如下式所示：
19、eventsm＝{[em(i),tm(i),i＝1,...,nm]}
20、em-kσm≤em(i)≤em+kσm,i＝1,...,nm
21、式中，nm表示所包含的粒子事件个数，k为置信系数；
22、步骤s104，将光电事件的能量概率分布定义为具体为：
23、
24、式中，ψ(e|em，σm，em-kσm，em+kσm)表示支撑为[em-kσm,em+kσm]，均值为em，标准差为σm的截断高斯分布在e处的概率密度值,φ(em-kσm|em,σm)为高斯分布在em-kσm处的累计分布函数值。
25、根据上述技术方案，步骤s1中，的计算过程具体为：
26、步骤s105，将能量分布使用线性函数表达，具体为：
27、
28、
29、式中，am和bm分别为线性函数的斜率和截距；
30、步骤s106，对步骤s105的公式进行代数运算，得到am和bm的换算关系，换算关系如下式所示；
31、
32、式中，am与bm为斜率和截距，kσm为能量感兴趣区间的半宽，其中σm为第m个特征峰能量所服从的高斯分布的标准差，k为置信系数；
33、步骤s107，将步骤s106中计算得到的换算关系式再带入到步骤s105的公式中，得到
34、
35、式中，bm为截距，kσm为能量感兴趣区间的半宽，其中σm为第m个特征峰能量所服从的高斯分布的标准差，k为置信系数。
36、根据上述技术方案，步骤s2中，参数的后验分布样本由马尔科夫链-蒙特卡洛采样方法采样得到，对所有样本取均值作为参数后验分布的点估计，具体如下：
37、wm～p(wm),bm～p(bm)
38、
39、
40、式中，p(wm)及p(bm)分别为模型参数wm与bm的先验分布，为给定观测结果eventsm时，模型参数的后验分布，与是从模型后验分布中采样得到的第i个样本，对采样得到的样本求平均，得到模型参数的后验分布点估计和
41、根据上述技术方案，步骤s3中，多特征峰识别方法设计具体为：
42、步骤s301，首先为待识别的特征峰建立一个数据库，每个特征峰的特征能量由核素信息查询，标准差由能量刻度系数计算得到，具体为：
43、
44、式中，σm为第m个特征峰能量所服从的高斯分布的标准差，resolution661kev为探测器系统测量661kev特征伽马射线的能量分辨率；
45、步骤s302，其次，为每个特征峰数据库中每一个特征峰，建立一个识别管线，每个管线工作在独立的线程中，具有统一的工作流程。
46、根据上述技术方本文档来自技高网...
【技术保护点】
1.一种用于伽马能谱数据的贝叶斯特征峰识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种用于伽马能谱数据的贝叶斯特征峰识别方法，其特征在于：步骤S1中，的计算过程具体为：
3.根据权利要求1所述的一种用于伽马能谱数据的贝叶斯特征峰识别方法，其特征在于：步骤S1中，的计算过程具体为：
4.根据权利要求1所述的一种用于伽马能谱数据的贝叶斯特征峰识别方法，其特征在于：步骤S2中，参数的后验分布样本由马尔科夫链-蒙特卡洛采样方法采样得到，对所有样本取均值作为参数后验分布的点估计，具体如下：
5.根据权利要求1所述的一种用于伽马能谱数据的贝叶斯特征峰识别方法，其特征在于：步骤S3中，多特征峰识别方法设计具体为：
6.根据权利要求5所述的一种用于伽马能谱数据的贝叶斯特征峰识别方法，其特征在于：步骤S302中，工作流程具体为：
【技术特征摘要】
1.一种用于伽马能谱数据的贝叶斯特征峰识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种用于伽马能谱数据的贝叶斯特征峰识别方法，其特征在于：步骤s1中，的计算过程具体为：
3.根据权利要求1所述的一种用于伽马能谱数据的贝叶斯特征峰识别方法，其特征在于：步骤s1中，的计算过程具体为：
4.根据权利要求1所述的一种用于伽马能谱数据的贝叶斯特征峰识别方...
【专利技术属性】
技术研发人员：谭河益，李孝哲，熊盛青，张庆贤，谭炜，程志强，张建，
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。