CN101718769B - 一种基于并联型遗传Elman神经网络的源驱动式235U浓度识别方法 - Google Patents

Abstract

本发明公开了一种基于并联型遗传Elman神经网络的源驱动式²³⁵U浓度识别方法。主要包括建立神经网络模型，神经网络模型结构分为三层：数据分配层、子网层、综合决策层；对获取的中子脉冲信号自相关函数做预处理；将处理后的信号自相关函数样本输入并联型遗传Elman网络的数据分配层，采用循环随机多点抽样法对样本数据进行分配；将分配好的数据分别输入子网层中的各个遗传Elman子网进行识别，并各自给出识别结果；综合决策层通过对多个子网的识别结果作综合处置，得出²³⁵U浓度最终识别结果。该方法因其较高的数据利用率，新颖的网络结构，取得了较好的²³⁵U浓度识别效果。

Description

一种基于并联型遗传Elman神经网络的源驱动式235U浓度识别方法

技术领域

本发明属于神经网络及核查技术领域，涉及一种基于并联型遗传Elman神经网络的源驱动式²³⁵U浓度识别方法。

背景技术

核查技术领域中的NMIS/NWIS(核材料/核武器识别)系统，即核查系统，其宗旨在于测量核材料的特性参数，以推断其用途，它的一项重要功能即是检测核材料的浓度(众所周知，核材料的浓缩度是识别其属民用级或武器级的依据，也是判断其核工业水平的标志之一)。从获取核材料辐射信号的途径而言，核查的技术路线可被分为被动式和主动式两种。针对U(铀)材料辐射能量较低的特点，需采用主动式测量方法，即通过外加激励源注入能量引起核材料的链式裂变辐射中子、射线来取得需要的信息，又称源驱动式。

源驱动式核查系统测量原理如图1所示。首先，第1通道中的源²⁵²Cf，为驱动中子源，它“激发”了反应堆(核材料)，并使之产生若干中子和γ射线，其可以通过第2、第3通道探测到这些裂变中子。²⁵²Cf为核系统的自发裂变中子源，每自发裂变一次，放射出约4个中子和6个γ光子。²⁵²Cf源产生中子和γ射线后，在反应堆(核材料)内产生一系列的裂变中子，所以堆裂变材料在本系统中起“受激辐射”的作用(也称链式反应)。核材料即是源驱动式核查系统的测量对象。第1、第2、第3通道探测到的裂变中子和γ射线被NMIS的多个探测通道接收，得到多通道的脉冲中子信号。

通过源驱动方法获得的脉冲中子信号，经NMIS系统相关运算后，其信号自相关函数时间序列上的计数值对被测²³⁵U材料的浓度存在敏感性，随核材料浓度升高而增大。但如何利用核信号自相关函数识别核材料浓度，国内外只见报道了一种相关函数积分值与浓度关系曲线法，而且效果并不理想。经分析，对浓度识别精度的主要影响因素有：一、相关函数的相关计数值具有时变性，只参考其积分值会损失其信息量。二、不同测量时间段相关计数对浓度的敏感度存在差异，对浓度敏感度较大的相关计数主要体现在典型时间区间内，一概积分也会影响辨识精度。三、由于统计涨落的存在，对判断结果会产生可观的影响，使识别浓度发生显著漂移；虽然积分在一定程度上能减弱其影响，但因受测量时间长度(block长度或截取时间段长度)限制，以及涨落的非线性随机性，其效果远非最佳。

因此，设计一种能够更有效利用核信号相关函数含有的信息，达到较高识别精度的核材料浓度识别方法，就成为了本发明所关注的问题。

发明内容

本发明需要解决的问题是如何有效提高对中子脉冲信号自相关函数的信息利用率，克服现有方法简单采用积分方式导致识别精度不高的缺点。考虑到中子脉冲信号的特点和性质，本发明的目的是提供一种基于并联型遗传Elman神经网络的源驱动式²³⁵U浓度识别方法，通过建立新型的神经网络模型对做了相应预处理的信号自相关函数进行分析，以识别被测核材料的浓度。该方法对信息量的利用充分，网络结构合理高效，识别模式智能化，使基于脉冲中子信号自相关函数的²³⁵U浓度识别达到了更高的精度。

为了达到以上目的，本发明采用如下技术方案是这样的，即一种基于并联型遗传Elman神经网络的源驱动式²³⁵U浓度识别方法，方法包括建立神经网络模型、训练步骤和识别步骤(流程图见图2)：其中

1)、建立神经网络模型

神经网络模型结构分为三层：数据分配层、子网层、综合决策层；其中：

①、数据分配层将较长的自相关函数时间序列进行分配，使输入向量维数降低，为保证不致损失信息量，采用循环随机多点抽样法对样本数据进行分配；

②、子网层由一系列以并联形式存在的Elman神经网络(如图3)组成，每单个Elman网络称为一个子网，并且每一个子网训练过程均先采用遗传算法对权值和阈值进行优化；子网层的作用是对分配好的数据进行训练及识别，并各自给出识别结果；

③、综合决策层通过综合处置所有子网的识别结果，给出最终结论；其决策方式因数据分配层的分配方式而定，由于数据分配层采用循环随机多点抽样法，使子网层中每个子网权重相同，则综合决策层只需对所有子网的识别浓度求均值即可；

2)、训练神经网络

①、按照核查实施要求把待测核材料浓度分为G级(G≥2)，对G个浓度级别的标准核材料进行测量，每一浓度核材料测量S次，并确定某一探测通道信号为使用信号，以获取G×S组标准参照信号集对前述神经网络进行训练；

②、对通过源驱动式核查系统获取的标准核材料的脉冲中子信号，计算其自相关函数，并作提取典型时间区间的处理；采用的脉冲中子信号自相关函数无偏估计的计算公式为：

$A{C}_x\left(\mathrm{\τ}\right)=\frac{1}{M-\mathrm{\τ}}\underset{k=0}{\overset{M-1-\mathrm{\τ}}{\mathrm{\Σ}}}{X}_k{X}_{k+\mathrm{\τ}}$

其中，设X_k为某通道探测器获取的中子脉冲信号的离散形式，M为数据块长度，由离散点数表示，由于采样间隔为1ns，则点间距为1ns；τ为时延，提取计算得到的自相关函数的典型时间区间为其20～100ns之间，共80个时延点的对应相关计数值；

③、将G×S组处理好的标准核材料脉冲中子信号自相关函数时间序列输入本前述神经网络模型，前述神经网络的数据分配层将把每一组处理好的脉冲中子信号自相关函数时间序列都拆分为多组短序列，并对应分配给子网层中的多个子网，使单个神经网络的输入向量维数降低；

④、将分配好的数据及其对应的浓度值输入子网层中的各个子神经网络进行训练；对于每一子网而言，其训练输入为G×S组短序列及其各自对应的浓度；由此可得到一组训练好的子网，并由它们构成并联型识别网络；

3)识别步骤

①、实测待核查核材料，通过源驱动式核查系统获取的被测核材料的脉冲中子信号，计算其自相关函数，并作提取典型时间区间的处理。具体方法同步骤2)②；

②、将处理好的待测核材料脉冲中子信号自相关函数时间序列输入前述神经网络模型的数据分配层进行分配；

③、将分配好的数据分别输入子网层中的训练好的各个子神经网络进行识别，并各自给出识别结果，再将结果输入综合决策层；

④、综合决策层通过对多个子网的识别结果作综合处置，得出对待测²³⁵U浓度的最终识别结果。

本发明建立的上述神经网络模型结构如图4所示。由于子网训练过程均先采用遗传算法对权值和阈值进行优化，因而本发明的神经网络为采用遗传算法优化的并联型Elman网络结构，可简称为并联型遗传Elman网络。

上述并联型遗传Elman网络数据分配层采用的循环随机多点抽样法原理如下：

随机抽取预处理后的中子脉冲信号自相关函数时间序列M个时间点中的N个组成一个子时间序列，对应子网层中一个Elman子网的输入层。将随机抽样循环进行M/N次，对应子网层中的M/N个子网，形成一组并联网络。对每个子网而言，一旦数据分配层确定了其输入层所对应的N个时间点，则在将来的训练或测试过程中，其对任何一组样本抽取的均是其位于这N个时间点上的自相关函数计数值。可以证明，在此种数据分配方式下，每个时间点被抽到的概率均为1，数据利用较充分。

以下进一步阐述本发明神经网络结构设计的理由：

1.自相关函数某一时延处对应值本身即是相关计数值，能反映浓度差异。自相关函数具有时变性，是时间的函数，若只参考其积分值，则会损失其包含在波形中的信息量；

2.不同测量时间段相关计数对浓度的敏感度存在差异，对主动式测量方式而言，浓度不同导致的计数差异主要体现在典型时间区间内，故一概积分会影响辨识精度；

3.由于统计涨落的存在，对判断结果会产生可观的影响，使识别浓度发生显著漂移；虽然积分在一定程度上能减弱其影响，但因受测量时间长度(block长度或截取时间段长度)限制，以及涨落的非线性随机性，其效果远非最佳；

4.积分值不能直接指出被测核材料浓度，需设计相应的判别机制，而通过敏感系数作出的相关积分-裂变质量线性关系曲线精度不高；

5.人工神经网络能够通过对时间序列进行训练克服统计涨落造成的漂移，反映相关函数随裂变质量的变化，直接对核材料浓度作出识别；小波去噪、曲线拟合等方法亦能取得类似效果。不同的是，后两者只能起到对原数据的处理优化作用，而不能进行浓度判断。同直接积分一样，它们必须补充判别机制。故，若不直接使用积分值进行浓度测定，而采用自相关函数计数值的时间序列作为人工神经网络的输入特征向量参与浓度辨识，则可利用人工神经网络的适应能力进行逐点修正，且能寻找并突出重要时间区间，最终得到相较于直接积分而言更多的有用信息，以更大程度地减弱统计涨落给核材料浓度判定带来的不利影响，取得更为准确的识别效果。

6.Elman网络具有适应时变特性的能力，能直接反映动态过程系统的特性，适用于利用空间模式对时间模式进行识别与分离。故Elman网络适用于利用中子脉冲信号自相关函数时间序列进行²³⁵U浓度识别的问题。故子网层中的子网采用Elman神经网络。

7.然而，对训练人工神经网络而言，其输入向量维数具有一定要求。过长则会使神经网络结构过于复杂，泛化能力降低，引起识别精度变差，同时增加系统开销，降低运算速度。所以必须将作为神经网络输入的较长的中子脉冲信号自相关函数时间序列依某种数据分配方式分成多组子时间序列，一个Elman网络只负责一个子时间序列的识别。故本发明针对性地设计了并联型Elman神经网络，采用并联型结构克服上述问题。由此，更有效地利用了原始数据蕴含的信息量，实现快速运算、综合决策，使基于中子脉冲信号自相关函数识别²³⁵U浓度达到了更高的适用度。

8.此外，鉴于Elman网络可能陷入局部最小值，由于遗传算法具有很强的宏观搜索能力和良好的全局优化能力，因此将每个子网的训练过程均先采用遗传算法对权值和阈值进行优化，将搜索范围缩小后，再利用Elman网络进行精确求解，以达到全局寻找和快速高效的目的。该算法不仅具有全局搜索能力，以避免局部极小问题，而且提高了局部搜索能力，从而使结果的性质得到极大的改善。

本发明的有益效果是：可以提高对中子脉冲信号自相关函数的信息利用率，同时避免过于复杂的单神经网络结构，提高系统处理能力，取得智能化的识别模式，达到更高的核材料浓度识别精度。

附图说明

图1源驱动式核查系统测量原理；

图2本发明并联型遗传Elman网络训练及识别核材料浓度流程图；

图3Elman神经网络模型；

图4本发明并联型遗传Elman网络结构；

图5实施例中40组自相关函数训练样本示意图；

图6实施例中20组自相关函数测试样本示意图；

图7实施例中随机五点抽样示意图；

图8实施例中某一Elman子网的训练误差；

图9实施例16个子网各自识别结果；

图10实施例中标准浓度阶梯图；

图11实施例中并联型遗传Elman网络识别结果示意图；

图12实施例中相关函数积分识别结果示意图；

图13实施例中直接80点时间序列识别结果示意图。

具体实施方式

下面结合附图及实例就本发明作进一步的阐述。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

本实施例将来自²³⁵U浓度分别为80.09％、84.97％、90.03％、93.15％(以小数形式表示为0.8009、0.8497、0.9003、0.9315，浓度分级G＝4)通过三通道式源驱动法获取的第二通道(即确定第二通道信号为使用信号)中子脉冲信号自相关函数时间序列各十组(即每一浓度核材料测量次数S＝10)，共40组样本作为训练样本(见图5，样本序号按²³⁵U浓度由低到高分四组顺序排列，且下文均以第二通道自相关函数进行分析)；将此四种浓度的核信号自相关函数时间序列另各五组，共20组样本作为测试样本(见图6，样本序号排列方式同前)。

第一步，对脉冲中子信号样本进行预处理，提取其典型时间区间。在本发明中，典型时间区间为截取每组自相关函数时间序列20～100ns之间，共80个时延点的对应计数值(系统采样时间间隔为1ns)；由图5、6可见，由于统计涨落的存在，一般方法将难以对浓度进行准确识别。

第二步，数据分配层对样本数据的分配方式为随机五点抽样，如图7。即随机抽取80个时间点(即M＝80)中的5个(即N＝5)组成一个子时间序列，对应子网层中一个Elman子网的输入层。共随机抽取16次(即M/N＝16)，对应16个子网，形成一组并联网络。对每个子网而言，一旦数据分配层确定了其输入层所对应的五个时间点，则在将来的训练或测试过程中，其对任何一组样本抽取的均是其位于这五个时间点上的自相关函数计数值。可以证明，在此种数据分配方式下，每个时间点被抽到的概率均为1，数据利用较充分。由于数据分配层采用随机五点抽样，每个子网权重相当，则综合决策层只需对16子网的识别浓度求均值即可。

第三步，对Elman子网的设置为：net＝newelm(minmax(XX)，[51]，{′tansig′′purelin′})；隐含层神经元个数为5，传递函数为S函数tansig()，输出层神经元个数为1，传递函数为线性函数purelin()。并用遗传算法对Elman子网隐含层、输出层的初始阈值及层间权值进行优化：populationSize(种群规模)为50，Generation(遗传代数)为100。经过遗传算法对Elman网络的优化，遗传100代之后，16个子网的适应度提高，误差减小。图8显示，一个Elman子网尚未训练时的初始误差通过遗传算法对网络的优化，即已降到10^-2量级，而最终训练精度则能逼近10^-4。

第四步，用40组训练样本进行并联型遗传Elman网络的训练，以得到并联型遗传Elman识别网络。然后用20组测试样本对训练好的网络做识别²³⁵U浓度的测试，以检验网络性能。

第五步，综合决策层对16个子网的识别浓度求均值，得出最终的浓度识别结果。

图9展示了训练好的编号为1～16的子网对20组测试样本的识别结果，图10为标准浓度值，可见单个子网的识别结果误差较大。但经过综合决策层的处理后，结果如图11所示，识别准确程度相当高。本实例同时对比给出另两种方法对该20组测试样本的识别结果，它们是：使用核信号自相关函数积分进行²³⁵U浓度识别(图12)；以及将所有80点时间序列作为输入向量进行遗传Elman网络训练与识别(图13)。三种不同识别方式的结果对标准浓度的均方差见表1。

表1不同方式识别结果的均方差比较

	并联遗传Elman	相关函数积分	80点时间序列
				均方差(MSE)	5.5136e-005	5.7702e-004	1.1114e-001

由图11、12、13、表1的结果可见，本发明并联型遗传Elman网络的识别精度和可用性，要高于自相关函数积分的方式。积分方式在对比实验中未能明确区分90.03％与93.15％的²³⁵U浓度，且均方差也较大。而将所有80点时间序列输入遗传Elman网络的方式，更是因其复杂的网络结构和较低的泛化能力，使识别结果完全不可用。可见本发明并联型遗传Elman网络充分利用了原始数据的信息量，获得了相当可靠的识别效果。

Claims (2)

1.一种基于并联型遗传Elman神经网络的源驱动式²³⁵U浓度识别方法，方法包括建立神经网络模型、训练步骤和识别步骤，其中

1)、建立神经网络模型

神经网络模型结构分为三层：数据分配层、子网层、综合决策层；其中：

①、数据分配层将较长的自相关函数时间序列进行分配，使输入向量维数降低，为保证不致损失信息量，采用循环随机多点抽样法对样本数据进行分配；

②、子网层由一系列以并联形式存在的Elman神经网络组成，每单个Elman网络称为一个子网，并且每一个子网训练过程均先采用遗传算法对权值和阈值进行优化；子网层的作用是对分配好的数据进行训练及识别，并各自给出识别结果；

③、综合决策层通过综合处置所有子网的识别结果，给出最终结论；其决策方式因数据分配层的分配方式而定，由于数据分配层采用循环随机多点抽样法，使子网层中每个子网权重相同，则综合决策层只需对所有子网的识别浓度求均值即可；

2)、训练神经网络

①、按照核查实施要求把待测核材料浓度分为G级，其中G≥2，对G个浓度级别的标准核材料进行测量，每一浓度核材料测量S次，并确定某一探测通道信号为使用信号，以获取G×S组标准参照信号集对前述神经网络进行训练；

②、对通过源驱动式核查系统获取的标准核材料的脉冲中子信号，计算其自相关函数，并作提取典型时间区间的处理；采用的脉冲中子信号自相关函数无偏估计的计算公式为：

$A{C}_x\left(\mathrm{\τ}\right)=\frac{1}{M-\mathrm{\τ}}\underset{k=0}{\overset{M-1-\mathrm{\τ}}{\mathrm{\Σ}}}{X}_k{X}_{k+\mathrm{\τ}}$

其中，设X_k为某通道探测器获取的中子脉冲信号的离散形式，M为数据块长度，由离散点数表示，由于采样间隔为1ns，则点间距为1ns；τ为时延，提取计算得到的自相关函数的典型时间区间为其20～100ns之间，共80个时延点的对应相关计数值；

③、将G×S组处理好的标准核材料脉冲中子信号自相关函数时间序列输入本前述神经网络模型，前述神经网络的数据分配层将把每一组处理好的脉冲中子信号自相关函数时间序列都拆分为多组短序列，并对应分配给子网层中的多个子网，使单个神经网络的输入向量维数降低；

④、将分配好的数据及其对应的浓度值输入子网层中的各个子神经网络进行训练；对于每一子网而言，其训练输入为G×S组短序列及其各自对应的浓度；由此可得到一组训练好的子网，并由它们构成并联型识别网络；

3)识别步骤

①、实测待核查核材料，通过源驱动式核查系统获取的被测核材料的脉冲中子信号，计算其自相关函数，并作提取典型时间区间的处理，具体方法同步骤2)②；

②、将处理好的待测核材料脉冲中子信号自相关函数时间序列输入前述神经网络模型的数据分配层进行分配；

③、将分配好的数据分别输入子网层中的训练好的各个子神经网络进行识别，并各自给出识别结果，再将结果输入综合决策层；

④、综合决策层通过对多个子网的识别结果作综合处置，得出对待测235U浓度的最终识别结果。

2.根据权利要求1所述的基于并联型遗传Elman神经网络的源驱动式235U浓度识别方法，其特征在于：所述的循环随机多点抽样法为：由数据分配层随机抽取预处理后的中子脉冲信号自相关函数时间序列M个时间点中的N个组成一个子时间序列，对应子网层中一个Elman子网的输入层；将随机抽样循环进行M/N次，对应子网层中的M/N个子网，形成一组并联网络；对每个子网而言，一旦数据分配层确定了其输入层所对应的N个时间点，则在将来的训练或测试过程中，其对任何一组样本抽取的均是其位于这N个时间点上的自相关函数计数值。

Images