CN108490477A - 一种基于改进质心算法的n-γ脉冲甄别方法及系统 - Google Patents
一种基于改进质心算法的n-γ脉冲甄别方法及系统 Download PDFInfo
- Publication number
- CN108490477A CN108490477A CN201810208240.9A CN201810208240A CN108490477A CN 108490477 A CN108490477 A CN 108490477A CN 201810208240 A CN201810208240 A CN 201810208240A CN 108490477 A CN108490477 A CN 108490477A
- Authority
- CN
- China
- Prior art keywords
- pulse
- parameter
- threshold
- algorithm
- centroid algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/16—Measuring radiation intensity
- G01T1/20—Measuring radiation intensity with scintillation detectors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/36—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry
- G01T1/38—Particle discrimination and measurement of relative mass, e.g. by measurement of loss of energy with distance (dE/dx)
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了一种基于改进质心算法的n‑γ脉冲甄别方法及系统,该方法以质心算法为基础,通过增加微调项walk来提高算法性能,称之为改进质心算法;通过改进质心算法对获取的脉冲数据处理,确定脉冲幅度散点图;对脉冲幅度散点图进行直接统计得到一维线性甄别阈值,并由此获得n‑γ甄别谱图。因此,采用本发明提供的方法,能够很好的将n、γ脉冲区分开,且计算复杂度低、甄别能力强、可满足实时甄别系统要求。另外,对采集频率、采样长度、放射源类型等条件不同的脉冲也具有普遍适用能力,具有明显的推广和工程应用价值。
Description
技术领域
本发明涉及n-γ辐射场测量及其数据处理技术领域,特别涉及一种基于改进质心算法的n-γ脉冲甄别方法及系统。
背景技术
许多核技术及应用领域都需要对n射线(中子射线)、γ射线进行现场测量,如海关安检中的放射性物质检查、军控核查中的核材料识别、反恐维稳中的炸药和毒品检测等。然而,由于中子探测器往往也对γ射线敏感,因此在进行n、γ射线实时测量或n-γ射线联合实时测量时,n-γ射线实时甄别技术成为关键。
在n-γ射线甄别技术领域中,对于有一定时间关系的n射线和γ射线,可以利用粒子飞行时间(Time OfFlight,TOF)的差别进行甄别。对没有时间关系的n射线和γ射线,一般用脉冲形状甄别法(Pulse Shape Discrimination,PSD)加以区分。早在上世纪五、六十年代,脉冲形状甄别技术即已被广泛使用于强γ射线背景中的中子探测。较早使用的方法有:电荷比较法(Charge Comparison Method,CCM),其基本原理是利用闪烁体中中子(反冲质子)激发的光脉冲慢成分与快成分的强度比是γ射线(散射电子)激发的光脉冲的慢成分与快成分的强度比的5倍左右,进而对电流脉冲进行积分获得电荷分布后,根据快、慢电荷所占比例不同进行甄别;上升时间法(Rise-Time Methods,RTM),其基本原理是根据n射线和γ射线在闪烁体中快慢成分不同,使收集电荷时间不同,导致输出电荷脉冲上升时间不同进行甄别;过零时间法(Zero-Crossing Methods,ZCM),其基本原理是将输出的电压脉冲先做一次积分,而后再做一次微分,微分后的脉冲会与基线相交(即过零点的位置),该交点与电压脉冲幅值无关,而只与电压脉冲上升时间有关(即只与脉冲形状有关),而后利用快、慢成分引起的电压脉冲上升时间不同,采用时-幅变换器给出时间分布进行甄别。除此之外,基于模拟电路的甄别方法还有饱和法、抵消法等传统方法。但是这些基于模拟电路的传统n-γ射线甄别系统需要过多硬件、结构复杂,并且成本较高,信号调试较困难,使用受到限制。
近年来,随着计算机技术的不断发展,特别是高速模数转换器(FastAnalog toDigital Converter,FADC)的出现,使得数字化高速数据采集技术有了突飞猛进的进步。数字化高速数据采集技术能够将闪烁体探测器送出的整个n或γ核脉冲信号波形全部采样成离散的数字序列,通过FADC模-数转换后,完整地记录数字化脉冲。采集后的脉冲信号经调理后,送入DSP计算处理,即可称为数字化n-γ脉冲分析技术。围绕数字化n-γ脉冲甄别技术,国内外研究人员提出了数字化脉冲形状甄别法(Digital Pulse ShapeDiscrimination,DPSD),即根据n和γ在探测器中衰减时间不同,进而采集到的脉冲信号形状的不同来判别粒子的类型。总体而言,目前的数字化n-γ甄别算法主要包括两类:一类是从基于模拟电路的传统算法发展起来的甄别算法,如电荷比较法、n-γ模型分析法、过零时间法等。这类算法较为简单,但直接移植后并没有充分利用数字信号处理中高精度的特点,因而甄别的可靠性不高。另一类是数字信号处理中的算法直接应用于n-γ甄别,如神经网络,模糊聚类等算法。这类算法能够获得较高准确度的甄别效果,但没有充分考虑核脉冲信号的特点,算法过于复杂,目前硬件发展水平无法完成实时处理。
发明内容
本发明的目的是在考虑实时性对甄别算法所要求的低复杂度和高准确度双重指标的基础上,创造性的提提供了一种基于改进质心算法的n-γ脉冲甄别方法及系统,克服了传统的n-γ甄别方法需专用的电子插件,成本较高,结构复杂,信号调试困难且不稳定的缺陷,同时还克服了现有的离线n-γ甄别算法,因计算过于复杂而无法满足实时性要求。
为实现上述目的,本发明提供了如下方案:
一种基于改进质心算法的n-γ脉冲甄别方法,所述n-γ脉冲甄别方法包括:
获取脉冲数据;所述脉冲数据包括n脉冲数据和γ脉冲数据;
采用改进质心算法对所述脉冲数据进行处理,确定脉冲幅度散点图;
对脉冲幅度散点图进行直接统计,得到一维线性甄别阈值和n-γ甄别谱图。
可选的,所述n-γ脉冲甄别方法还包括:
计算阈值参数、阈值高度参数、峰阈比参数、阈值宽度参数、第一甄别评价因子参数、错误概率参数、第二甄别评价因子参数以及计算时间参数;
根据所述阈值参数、所述阈值高度参数、所述峰阈比参数、所述阈值宽度参数、所述第一甄别评价因子参数、所述错误概率参数、所述第二甄别评价因子参数以及所述计算时间参数,对所述n-γ甄别谱图进行量化评价。
可选的,所述采用改进质心算法对所述脉冲数据进行处理,确定脉冲幅度散点图,具体包括:
根据以下公式对所述脉冲数据进行处理,确定脉冲幅度散点图;所述公式为:式中G为脉冲甄别因子;Centroid为所述脉冲数据的质心;ym为脉冲峰值;walk为调节因子。
可选的,所述walk的值根据实际的闪烁体探测器和放射源类型确定。
可选的,所述ym为脉冲峰值的最大值。
可选的,所述脉冲数据的质心的计算公式如下:式中n为所述脉冲数据的采样时间点;Pulse(n)为n时刻脉冲数据的幅度;Ts指任一脉冲信号的到达时间,共有s个脉冲信号;Tm指第m个脉冲信号的到达时间,n=1,2,3....s。
本发明还提供了一种基于改进质心算法的n-γ脉冲甄别系统,所述n-γ脉冲甄别系统包括:
脉冲数据获取模块,用于获取脉冲数据;所述脉冲数据包括n脉冲数据和γ脉冲数据;
脉冲幅度散点图确定模块,用于采用改进质心算法对所述脉冲数据进行处理,确定脉冲幅度散点图;
一维线性甄别阈值和n-γ甄别谱图得到模块,用于对脉冲幅度散点图进行直接统计,得到一维线性甄别阈值和n-γ甄别谱图。
可选的,所述n-γ脉冲甄别系统还包括:
计算模块,用于计算阈值参数、阈值高度参数、峰阈比参数、阈值宽度参数、第一甄别评价因子参数、错误概率参数、第二甄别评价因子参数以及计算时间参数;
量化评价模块,用于根据所述阈值参数、所述阈值高度参数、所述峰阈比参数、所述阈值宽度参数、所述第一甄别评价因子参数、所述错误概率参数、所述第二甄别评价因子参数以及所述计算时间参数,对所述n-γ甄别谱图进行量化评价。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种基于改进质心算法的n-γ脉冲甄别方法方法及系统,该方法以质心算法为基础,通过增加微调项walk来提高算法性能,称之为改进质心算法。通过改进质心算法对获取的脉冲数据处理,确定脉冲幅度散点图;对脉冲幅度散点图进行直接统计得到一维线性甄别阈值,并由此获得n-γ甄别谱图。因此,采用本发明提供的方法能够很好的将n、γ脉冲区分开,对采集频率、采样长度、放射源类型等条件不同的脉冲具有普遍适用能力,且该方法的算法复杂度比电荷比较法等传统时域甄别算法低,且阈值为一维数值,能够很好的符合数字化n-γ实时甄别对算法的要求。综上所述,本发明提供的方法或者系统具有计算复杂度低、甄别能力强、可满足实时甄别系统要求的特点,具有明显的推广和工程应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于改进质心算法的n-γ脉冲甄别方法的流程示意图;
图2为本发明Marrone model标准n脉冲、γ脉冲的示意图;
图3为本发明脉冲幅度散点图;其中,图3中的(a)(b)(c)依次为质心算法得到的239Pu源、252Cf源和Am-Li源的脉冲幅度散点图,(d)(e)(f)依次为改进质心算法得到的239Pu源、252Cf源和Am-Li源的脉冲幅度散点图;
图4为本发明n-γ甄别谱图;其中,图4中的(a)(b)(c)分别为质心算法处理239Pu源、252Cf源和Am-Li源所获得的n-γ甄别谱图,(d)(e)(f)分别为改进质心算法处理239Pu源、252Cf源和Am-Li源所获得的n-γ甄别谱图;
图5为本发明n-γ甄别算法性能评价参数说明图;其中,图5中的(a)为EMD降噪后与原始脉冲统计谱对比图,(c)为(a)图的局部放大图,(b)为双高斯函数进行拟合与原始脉冲统计谱对比图,(d)为(b)图的局部放大图;
图6为本发明实施例基于改进质心算法的n-γ脉冲甄别系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是在考虑实时性对甄别算法所要求的低复杂度和高准确度双重指标的基础上,创造性的提提供了一种基于改进质心算法的n-γ脉冲甄别方法及系统,克服了传统的n-γ甄别方法需专用的电子插件,成本较高,结构复杂,信号调试困难且不稳定的缺陷,同时还克服了现有的离线n-γ甄别算法,因计算过于复杂而无法满足实时性要求。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例基于改进质心算法的n-γ脉冲甄别方法的流程示意图,如图1所示,本发明实施例提供放入基于改进质心算法的n-γ脉冲甄别方法具体包括以下几个步骤:
步骤101:获取脉冲数据;所述脉冲数据包括n脉冲数据和γ脉冲数据。
步骤102:采用改进质心算法对所述脉冲数据进行处理,确定脉冲幅度散点图。
步骤103:对所述脉冲幅度散点图直接进行统计,确定一维线性甄别阈值和n-γ甄别谱图。
步骤104:计算阈值参数、阈值高度参数、峰阈比参数、阈值宽度参数、第一甄别评价因子参数、错误概率参数、第二甄别评价因子参数以及计算时间参数。
步骤105:根据所述阈值参数、所述阈值高度参数、所述峰阈比参数、所述阈值宽度参数、所述第一甄别评价因子参数、所述错误概率参数、所述第二甄别评价因子参数以及所述计算时间参数,对所述n-γ甄别谱图进行量化评价。
其中,步骤102具体包括:根据以下公式对所述脉冲数据进行处理,确定脉冲幅度散点图;所述公式为:
式(1)中G为脉冲甄别因子;Centroid为所述脉冲数据的质心;ym为脉冲峰值;walk为调节因子。
其中,所述walk的值根据实际的闪烁体探测器和放射源类型确定。
优选的,为了降低算法的复杂度,所述ym为脉冲峰值的最大值。
利用闪烁体探测器进行n、γ射线测量时,n射线和γ射线在闪烁体探测器中形成的电离密度ρ不同,因而激发的光脉冲信号中含有不同的衰减时间成分。当光电倍增管工作在线性范围内时,其收集闪烁体探测器发出荧光经过倍增后,由某个倍增极或阳极引出的电流信号则能够反应光脉冲的形状,可以表示为:
其中,τf、τg及If、Ig分别为快慢成分的衰减时间及电流最大值。闪烁体探测器工作时,由倍增极引出电流后,所得信号即为电流脉冲信号,中子(反冲质子)与闪烁体作用产生的荧光电流脉冲快成分份额小,慢成分份额较大,而γ(散射电子)则相反。因此,n脉冲比γ脉冲衰减得慢,如图2所示,这也就是根据脉冲形状进行n-γ甄别的基本原理。其中ym为脉冲峰值幅度;yd选取甄别样本起点幅值;ys为选取甄别样本截止点幅值。tm、td、ts分别为对应时刻。
传统的质心算法是根据公式(3)对信号波形或者曲线的“质量中心”进行求解,在统计学中表示“平均”的概念,主要应用于数字信号处理系统领域。实验发现,质心算法对核脉冲信号具有较好的适应能力,因此,本发明将质心算法引入到核脉冲信号处理中,利用其进行n-γ射线甄别。理论上而言,n脉冲波形慢会成分比大于γ射线脉冲波形,因此所求的n脉冲质心理应靠后,而γ射线脉冲质心偏前,以此为标准进行甄别。所述公式(3)如下:式中n为所述脉冲数据的采样时间点;Pulse(n)为n时刻脉冲数据的幅度;Ts指任一脉冲信号的到达时间,共有s个脉冲信号;Tm指第m个脉冲信号的到达时间,n=1,2,3....s。
本发明首先通过质心算法处理了Am-Li源、239Pu源和252Cf源脉冲数据得到脉冲幅度散点图如图3(a)(b)(c)所示。采集的脉冲幅值变化范围为0V~5V,239Pu源和252Cf源脉冲采集频率为1GHz,Am-Li源脉冲采集频率为1.6GHz。从图3中可以看到质心Centroid随脉冲峰值的变化而变化,为了消除脉冲峰值对质心的影响,本发现明对传统质心算法进行了改进,将所求质心Centroid加上微调项walk作为脉冲类型的脉冲甄别因子G。我们将这种质心可调节的算法称之为改进质心算法。使用改进质心算法得到的Am-Li源、239Pu源和252Cf源脉冲数据得到脉冲幅度散点图如图3(d)(e)(f)所示。
图3中的(a)(b)(c)依次为质心算法得到的239Pu源、252Cf源和Am-Li源的脉冲幅度散点图,(d)(e)(f)依次为改进质心算法得到的239Pu源、252Cf源和Am-Li源的脉冲幅度散点图。
对图3进行统计可得到n-γ甄别谱,如图4所示。由图3所示,尽管质心算法能够获得较好的脉冲幅度散点图,n,γ能够明显的区分开,但却不能给出一维阈值,若将脉冲幅度散点图直接进行统计,获得的n-γ甄别谱图将无法有效判别脉冲类型。改进质心算法与质心算法相比,前者能够将脉冲甄别因子G随脉冲峰值变化减缓,从而能够给出一维线性甄别阈值,获得较好的脉冲个数随甄别因子变化的n-γ甄别谱图,如图4(d)(e)(f)所示。
图4中的(a)(b)(c)分别为质心算法处理239Pu源、252Cf源和Am-Li源所获得的n-γ甄别谱图,(d)(e)(f)分别为改进质心算法处理239Pu源、252Cf源和Am-Li源所获得的n-γ甄别谱图。
为量化评价各种算法改进前后性能,本发明在对n射线个数和γ射线个数、FOM等n-γ甄别谱图传统性能评价参数求解的基础上,提出了阈值高度、阈值宽度、峰阈比、高斯拟合后甄别评价因子(FOM2)等新的评价参数,并引进了贝叶斯统计学中错误概率参数,以对改进质心算法进行全面评估。为减小随机效应对参数准确度的影响,评价参数求解之前先用EMD降噪对n-γ甄别谱进行滤波,求解错误概率和FOM2时则利用高斯函数对脉冲统计谱双峰进行拟合。
为了更加形象的说明每个评价参数的含义,本发明利用经过EMD降噪及高斯函数拟合之后参数示意图(如图5所示)对参数的含义及作用说明如下:
①阈值(Threshold,Th),判别粒子类型的比较标准,求取阈值的意义在于检验道宽选取及脉冲统计谱起始道与截止道选取是否合理。
②阈值高度(Thresholdheight,ThH),阈值处对应的脉冲个数。
③峰阈比(Ratio ofthe Peakto the Thresholdheigh,RPT),n-γ甄别谱中n或者γ峰值(取峰值高度较低的)与阈值高度的比值(图5(c)所示):
④阈值宽度(ThresholdWidth,ThW),n-γ甄别谱中n或者γ峰值(取峰值高度较低的)与阈值高度之和的一半所对应脉冲统计谱的道数。
⑤第一甄别评价因子(Figure-Of-Merit 1,FOM1),取EMD降噪后的n-γ甄别谱距离Peak separation1与n、γ峰位半高宽之和的比值:
⑥错误概率(ErrorProbability,EP),贝叶斯决策理论中最小风险判别指标,利用公式(6)可以求得:
⑦第二甄别评价因子(Figure-Of-Merit 2,FOM2),取两个高斯函数拟合后的n-γ甄别谱峰距离Peak separation2与n、γ峰位半高宽之和的比值:
⑧计算时间(Calculating Tim,CT),用MATLAB软件计算5000个脉冲所用时间,用于算法用时的估算。
表1所示为质心算法和改进质心算法性能参数计算结果。因质心算法处理Pu与Am-Li所获统计谱图无法明确的给出阈值,因此表中未给出相关参数。从表1中可以看出,改进质心算法所获统计谱图各项参数能够很好的将n、γ进行甄别,尤其是对239Pu源处理完全将n与γ分成两堆,效果理想,同时改进质心算法的计算时间仅仅比质心算法增加了6%,是数字化n-γ实时化甄别系统的最佳选择。
表1算法改进前后获取甄别谱图性能参数
注:表中CA代表质心算法,ACA代表改进质心算法。
与现有技术相比,本发明创新性的建立了用于n-γ甄别的改进质心算法。目前,基于模拟电路的传统时域甄别算法(上升时间法、电荷比较法等)经过几十年的发展已相对成熟,对基于脉冲形状的n-γ甄别能够取得较好的效果,但是对于基于FPGA的数字化甄别还不能很好的适应,且该类技术需要专用的电子插件,成本较高,结构复杂,信号调试困难且不稳定。当前应用较多的离线n-γ甄别算法,诸如神经网络算法、小波变换法、模糊聚类法等,在现阶段FPGA算法实现水平较低的情况下,对于1G以上采样率的实时甄别无法实现。鉴于此,本发明提出了改进质心算法,该算法不仅能够适应数字化的实时甄别,并且其甄别质量也有了很大程度的提高,与现有技术相比其优点在于:
(1)改进质心算法能够很好的将n、γ脉冲区分开,对采集频率、采样长度、放射源类型等条件不同的脉冲具有普遍适用能力。
(2)该算法的算法复杂度比电荷比较法等传统时域甄别算法低,且阈值为一维数值,能够很好的符合数字化n-γ实时甄别对算法的要求。
为实现上述目的,本发明还提供了一种基于改进质心算法的n-γ脉冲甄别系统。
图6为本发明实施例基于改进质心算法的n-γ脉冲甄别系统的结构示意图,如图6所示,所述n-γ脉冲甄别系统包括:
脉冲数据获取模块601,用于获取脉冲数据;所述脉冲数据包括n脉冲数据和γ脉冲数据。
脉冲幅度散点图确定模块602,用于采用改进质心算法对所述脉冲数据进行处理,确定脉冲幅度散点图。
一维线性甄别阈值和n-γ甄别谱图得到模块603,用于对所述脉冲幅度散点图直接进行统计,得到一维线性甄别阈值和n-γ甄别谱图。
计算模块604,用于计算阈值参数、阈值高度参数、峰阈比参数、阈值宽度参数、第一甄别评价因子参数、错误概率参数、第二甄别评价因子参数以及计算时间参数。
量化评价模块605,用于根据所述阈值参数、所述阈值高度参数、所述峰阈比参数、所述阈值宽度参数、所述第一甄别评价因子参数、所述错误概率参数、所述第二甄别评价因子参数以及所述计算时间参数,对所述n-γ甄别谱图进行量化评价。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于改进质心算法的n-γ脉冲甄别方法,其特征在于,所述n-γ脉冲甄别方法包括:
获取脉冲数据;所述脉冲数据包括n脉冲数据和γ脉冲数据;
采用改进质心算法对所述脉冲数据进行处理,确定脉冲幅度散点图;
对脉冲幅度散点图进行直接统计,得到一维线性甄别阈值和n-γ甄别谱图。
2.根据权利要求1所述的n-γ脉冲甄别方法,其特征在于,所述n-γ脉冲甄别方法还包括:
计算阈值参数、阈值高度参数、峰阈比参数、阈值宽度参数、第一甄别评价因子参数、错误概率参数、第二甄别评价因子参数以及计算时间参数;
根据所述阈值参数、所述阈值高度参数、所述峰阈比参数、所述阈值宽度参数、所述第一甄别评价因子参数、所述错误概率参数、所述第二甄别评价因子参数以及所述计算时间参数,对所述n-γ甄别谱图进行量化评价。
3.根据权利要求1所述的n-γ脉冲甄别方法,其特征在于,所述采用改进质心算法对所述脉冲数据进行处理,确定脉冲幅度散点图,具体包括:
根据以下公式对所述脉冲数据进行处理,确定脉冲幅度散点图;所述公式为:式中G为脉冲甄别因子;Centroid为所述脉冲数据的质心;ym为脉冲峰值;walk为调节因子。
4.根据权利要求3所述的n-γ脉冲甄别方法,其特征在于,所述walk的值根据实际的闪烁体探测器和放射源类型确定。
5.根据权利要求3所述的n-γ脉冲甄别方法,其特征在于,所述ym为脉冲峰值的最大值。
6.根据权利要求3所述的n-γ脉冲甄别方法,其特征在于,所述脉冲数据的质心的计算公式如下:式中n为所述脉冲数据的采样时间点;Pulse(n)为n时刻脉冲数据的幅度;Ts指任一脉冲信号的到达时间,共有s个脉冲信号;Tm指第m个脉冲信号的到达时间,n=1,2,3....s。
7.一种基于改进质心算法的n-γ脉冲甄别系统,其特征在于,所述n-γ脉冲甄别系统包括:
脉冲数据获取模块,用于获取脉冲数据;所述脉冲数据包括n脉冲数据和γ脉冲数据;
脉冲幅度散点图确定模块,用于采用改进质心算法对所述脉冲数据进行处理,确定脉冲幅度散点图;
一维线性甄别阈值和n-γ甄别谱图得到模块,用于对脉冲幅度散点图进行直接统计,得到一维线性甄别阈值和n-γ甄别谱图。
8.根据权利要求7所述的n-γ脉冲甄别系统,其特征在于,所述n-γ脉冲甄别系统还包括:
计算模块,用于计算阈值参数、阈值高度参数、峰阈比参数、阈值宽度参数、第一甄别评价因子参数、错误概率参数、第二甄别评价因子参数以及计算时间参数;
量化评价模块,用于根据所述阈值参数、所述阈值高度参数、所述峰阈比参数、所述阈值宽度参数、所述第一甄别评价因子参数、所述错误概率参数、所述第二甄别评价因子参数以及所述计算时间参数,对所述n-γ甄别谱图进行量化评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810208240.9A CN108490477A (zh) | 2018-03-14 | 2018-03-14 | 一种基于改进质心算法的n-γ脉冲甄别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810208240.9A CN108490477A (zh) | 2018-03-14 | 2018-03-14 | 一种基于改进质心算法的n-γ脉冲甄别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108490477A true CN108490477A (zh) | 2018-09-04 |
Family
ID=63339271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810208240.9A Pending CN108490477A (zh) | 2018-03-14 | 2018-03-14 | 一种基于改进质心算法的n-γ脉冲甄别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108490477A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101141A (zh) * | 2020-08-25 | 2020-12-18 | 中国人民解放军火箭军工程大学 | 频域n-γ的识别方法及装置 |
CN113126140A (zh) * | 2019-12-30 | 2021-07-16 | 中核控制系统工程有限公司 | 一种高速数字n/γ波形实时甄别的系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336293A (zh) * | 2013-05-31 | 2013-10-02 | 四川大学 | 一种优化液体闪烁体探测器甄别中子和伽马能力的方法 |
CN104536032A (zh) * | 2014-12-23 | 2015-04-22 | 四川大学 | 基于支持向量机的液体闪烁体探测器n/γ射线甄别方法 |
CN105093261A (zh) * | 2015-08-20 | 2015-11-25 | 中国原子能科学研究院 | 一种数字化中子谱仪的中子、γ甄别系统 |
CN107272049A (zh) * | 2017-07-13 | 2017-10-20 | 成都理工大学 | 基于脉冲宽度的数字n‑γ甄别方法 |
CN107422359A (zh) * | 2017-05-16 | 2017-12-01 | 中国工程物理研究院材料研究所 | 一种基于液体闪烁体探测器的中子伽马剂量的测量方法 |
-
2018
- 2018-03-14 CN CN201810208240.9A patent/CN108490477A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336293A (zh) * | 2013-05-31 | 2013-10-02 | 四川大学 | 一种优化液体闪烁体探测器甄别中子和伽马能力的方法 |
CN104536032A (zh) * | 2014-12-23 | 2015-04-22 | 四川大学 | 基于支持向量机的液体闪烁体探测器n/γ射线甄别方法 |
CN105093261A (zh) * | 2015-08-20 | 2015-11-25 | 中国原子能科学研究院 | 一种数字化中子谱仪的中子、γ甄别系统 |
CN107422359A (zh) * | 2017-05-16 | 2017-12-01 | 中国工程物理研究院材料研究所 | 一种基于液体闪烁体探测器的中子伽马剂量的测量方法 |
CN107272049A (zh) * | 2017-07-13 | 2017-10-20 | 成都理工大学 | 基于脉冲宽度的数字n‑γ甄别方法 |
Non-Patent Citations (1)
Title |
---|
卢新城等: "基于实时性的n-γ甄别算法改进研究", 《国家安全地球物理丛书(十一)——地球物理应用前沿》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113126140A (zh) * | 2019-12-30 | 2021-07-16 | 中核控制系统工程有限公司 | 一种高速数字n/γ波形实时甄别的系统及方法 |
CN112101141A (zh) * | 2020-08-25 | 2020-12-18 | 中国人民解放军火箭军工程大学 | 频域n-γ的识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A digital method for the discrimination of neutrons and $\gamma $ rays with organic scintillation detectors using frequency gradient analysis | |
EP2773982B1 (en) | Neutron spectrometer | |
Flaska et al. | Identification of shielded neutron sources with the liquid scintillator BC-501A using a digital pulse shape discrimination method | |
Miller et al. | MCNPX-PoliMi post-processing algorithm for detector response simulations | |
CN102073059A (zh) | 一种数字化pileup波形处理方法及系统 | |
CN103282794B (zh) | 放射线检测系统、生成方法以及生成装置 | |
CN110187378B (zh) | 用于鉴别中子和伽马的中子探测器 | |
US11815645B2 (en) | Radiation detecting system and method | |
GB2445578A (en) | Radioactive isotope identification | |
CN102916683B (zh) | 一种可调参数核脉冲模拟方法 | |
CN108490477A (zh) | 一种基于改进质心算法的n-γ脉冲甄别方法及系统 | |
CN107272049A (zh) | 基于脉冲宽度的数字n‑γ甄别方法 | |
Danon et al. | Simultaneous measurement of 235U fission and capture cross sections from 0.01 eV to 3 keV using a gamma multiplicity detector | |
Blain et al. | Measurement of prompt fission neutron spectrum for spontaneous fission of Cf 252 using γ multiplicity tagging | |
Nakhostin | A technique for the reduction of pulse pile-up effect in pulse-shape discrimination of organic scintillation detectors | |
Mosby et al. | Improved neutron capture cross section of Pu 239 | |
CN104155674A (zh) | 基于数字化波形实时甄别α/γ混合辐射场粒子的方法 | |
Pechousek et al. | Virtual instrumentation technique used in the nuclear digital signal processing system design: Energy and time measurement tests | |
Enqvist et al. | Measurement and simulation of neutron/gamma-ray cross-correlation functions from spontaneous fission | |
Wang et al. | Improvement of algorithms for digital real-time n-γ discrimination | |
Giacomelli et al. | Tomographic analysis of neutron and gamma pulse shape distributions from liquid scintillation detectors at Joint European Torus | |
US20100030721A1 (en) | Physics-Based, Bayesian Sequential Detection Method and System for Radioactive Contraband | |
Romain et al. | Low-Energy Neutrons from the Reaction Be 9 (α, n) C 12 | |
Poenitz | Additional Measurements of the 235 (n, f) Cross Section in the 0.2-to 8.2-MeV Range | |
CN110781906B (zh) | 一种基于半监督支持向量机的n-γ甄别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180904 |
|
RJ01 | Rejection of invention patent application after publication |