CN108983279A - 一种基于碘化钠探测器的低本底解谱方法 - Google Patents
一种基于碘化钠探测器的低本底解谱方法 Download PDFInfo
- Publication number
- CN108983279A CN108983279A CN201810732617.0A CN201810732617A CN108983279A CN 108983279 A CN108983279 A CN 108983279A CN 201810732617 A CN201810732617 A CN 201810732617A CN 108983279 A CN108983279 A CN 108983279A
- Authority
- CN
- China
- Prior art keywords
- peak
- algorithm
- seeking
- spectrum
- function
- 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.)
- Granted
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
- G01T1/36—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry
- G01T1/362—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry 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
- G01T1/16—Measuring radiation intensity
- G01T1/20—Measuring radiation intensity with scintillation detectors
- G01T1/202—Measuring radiation intensity with scintillation detectors the detector being a crystal
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)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了一种基于碘化钠探测器的低本底解谱方法,其包括以下步骤:(1)能量刻度后的γ探测器实测放射性核素谱和天然本底谱降噪处理;(2)去卷积算法处理降噪后的γ能谱;(3)寻峰算法对去卷积后的γ能谱所有潜在峰位进行搜寻,并获得峰位列表;(4)将峰位列表信息结合核素库一同输入模糊逻辑系统,系统将给出核素库中任一核素特征峰的峰位识别置信度,设置约束条件进一步调整峰位识别置信度获得核素列表及其核素识别置信度。本发明具有还原峰位准确、提高能量分辨率显著、可分解重叠峰、误识别率小、本底核素分析精确、低活度核素分析准确等优点,可用于门式辐射监测器、核素识别仪等辐射监测设备的核素识别与活度计算。
Description
技术领域
本发明涉及一种伽马能谱解析方法,特别是一种基于碘化钠探测器的低本底解谱方法。
技术背景
在快速核素识别之后,随着测量时间的增加,伽马能谱谱形的基本成形需要采用数学、物理或两者结合的方法对实测能谱做高精度分析,以实现精确核素识别。
目前,用于核素识别的探测器大多数为半导体探测器,如高纯锗探测器,而由于半导体探测器自身特点,需要制冷、价格昂贵、体积大等缺点,使其并不适合应用于复杂环境下担任核素识别任务,而采用能量分辨率较低的探测器,如碘化钠探测器,则存在重叠峰严重现象,对重叠峰的处理措施将直接影响到最后结果的准确性以及可靠性,即重叠峰分解不正确将导致核素误识别和核素活度计算不准确,进而导致错误评估周围辐射水平,威胁人类财产安全。
发明内容
本发明所要解决的技术问题是提供一种基于碘化钠探测器的低本底解谱方法,其通过对伽马能谱采用去卷积算法处理提高分辨率,寻峰算法搜寻伽马能谱中所有潜在峰位,模糊逻辑算法实现能谱中某核素存在与否判断,实现低本底、低活度下低分辨碘化钠探测器能谱准确核素识别。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于碘化钠探测器的低本底解谱方法,包含以下步骤:
步骤一、采用能量刻度后的γ探测器实测放射性核素谱和天然本底谱,并对它们进行降噪处理;
步骤二、采用去卷积算法处理降噪后的γ能谱;
步骤三、采用寻峰算法对去卷积算法处理后的γ能谱所有潜在峰位进行搜寻,并获得峰位列表;
步骤四、将峰位列表信息结合核素库一同输入至模糊逻辑系统,系统将给出核素库中任一核素特征峰的峰位识别置信度,通过设置约束条件进一步调整峰位识别置信度,并获得核素列表及其核素识别置信度。
进一步地,所述步骤一中,能量刻度算法采用线性函数法或二次函数法。
进一步地,所述步骤一中,降噪算法采用重心法、高斯滤波法、最小二乘滤波法、小波平滑法、移动平均值法、粒子滤波法和卡尔曼滤波法中的一种或几种。
进一步地,所述步骤二中,去卷积算法采用Gold去卷积算法、Richardson-Lucy(R-L)去卷积算法、Maximum a posteriori(MAP)去卷积算法和GRAVEL去卷积算法中的一种或几种。
进一步地,所述步骤二中,去卷积算法中的迭代次数范围为10-20000,加速因子范围为1-2,响应函数通过高斯响应矩阵方法或模拟能谱方法获得。
进一步地,所述步骤三中,寻峰算法采用导数寻峰法、斜宽寻峰法、协方差寻峰法、对称零面积寻峰法、高斯乘积函数寻峰法、微商寻峰法、IF函数寻峰法、单卷积寻峰算法和双卷积寻峰算法中的一种或多种。
进一步地,所述步骤四中的核素识别采用模糊逻辑算法。
进一步地,所述步骤四中的模糊逻辑算法的隶属函数采用三角隶属度函数、高斯隶属度函数、两边型高斯隶属度函数、钟型隶属度函数、Sigmoid隶属度函数、S型隶属度函数和梯形隶属度函数中的一种或几种;
模糊推理方法采用面积中心法、面积平分法、平均最大隶属度方法、最大隶属度中的取最小值方法和最大隶属度中的去最大值方法中的一种或几种。
进一步地,所述步骤四中,约束条件对任一所寻峰位可匹配的核素特征峰数量范围为1-20。
本发明与现有技术相比,具有以下优点和效果:
1、本发明采用去卷积算法处理伽马能谱,显著提高了能谱能量分辨率、有效分解了重叠峰、正确还原了核素特征峰峰位;
2、本发明采用模糊逻辑算法判断能谱中核素存在与否判断,大大减少了能谱分析人员的工作量,提高了正确核素识别概率,降低了核素误识别概率,实现了能谱智能分析;
3、本发明结合去卷积算法与模糊逻辑算法,实现了低本底、低活度下低分辨碘化钠探测器能谱的精确分析,增强了碘化钠探测器的核素鉴别能力,拓展了碘化钠探测器的应用范围。本发明可用于门式辐射监测器、核素识别仪以及其他辐射监测设备的核素识别与活度计算。
附图说明
图1是本发明的低本底解谱算法流程图;
图2是本发明的实施例的模糊逻辑系统输入变量语言值小、中、大的模糊表示;
图3是本发明的实施例的模糊逻辑系统输出变量语言值低、中、高的模糊表示;
图4是60Co能谱图,其中,(a)为MCNP模拟能谱,(b)为高斯展宽后能谱;
图5中,(a)为R-L算法处理后60Co能谱图,(b)为60Co模拟与R-L算法处理后能谱图;
图6中,(a)为137Cs(Nuclide-3)能谱图,(b)为R-L算法处理后137Cs能谱图;
图7中,(a)为3600s天然本底能谱图,(b)为R-L算法处理后3600s天然本底能谱图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
一种基于碘化钠探测器的低本底解谱方法,如图1所示,包含以下步骤:
步骤一、采用能量刻度后的γ探测器实测放射性核素谱和天然本底谱,并对它们进行降噪处理。
放射性核衰变和γ能谱仪的固有统计涨落、γ射线散射、电子学系统噪声等因素往往会造成实测γ能谱出现较大的统计涨落,即每一道址的计数与理论期望值存在一定偏差,这些涨落将影响全能峰峰位的确定、净峰面积的计算、掩盖弱峰、导致假峰出现等,大大增加了后续能谱分析的复杂度,使γ能谱定性定量分析存在不可避免的误差。为对γ能谱进行准确分析以及提取包含信息,需将γ能谱进行平滑或降噪处理。γ能谱数据的维度是2的整数次方,由于相邻各道的计数服从相应的数学表达式,因此可利用该规律采用相应的数学方法逐道对γ能谱数据进行校正,以达到去除γ能谱统计涨落的影响的作用,同时保留原始能谱中的核心特征。天然本底谱或放射性核素谱进行平滑处理,可去除能谱中包含的噪声成分,以及抑制天然本底辐射的涨落性。平滑算法采用重心法、高斯滤波法、最小二乘滤波法、小波平滑法、移动平均值法、粒子滤波法和卡尔曼滤波法中的一种或几种。
步骤二、采用去卷积算法处理降噪后的γ能谱。
去卷积算法被认为是提高能量分辨率最有效的一种方法,它的核心思想是去除入射粒子与探测器晶体卷积(响应)这一过程,最终使能谱在核素特征峰峰位处成delta函数形式。去卷积算法可以分为两类,即直接法和迭代法。直接法由于对噪声灵敏,不适合处理含有噪声作用的伽马能谱数据,而迭代法对噪声作用不灵敏,使它在伽马能谱数据处理方面得到应用,因此本发明采用的去卷积算法属于迭代法。去卷积算法采用Gold去卷积算法、Richardson-Lucy(R-L)去卷积算法、Maximum a posteriori(MAP)去卷积算法和GRAVEL去卷积算法中的一种或几种。去卷积算法中的迭代次数范围为10-20000,加速因子范围为1-2,响应函数通过高斯响应矩阵方法或模拟能谱方法获得。
步骤三、采用寻峰算法对去卷积算法处理后的γ能谱所有潜在峰位进行搜寻,并获得峰位列表。
伽马能谱经去卷积算法处理后,能量分辨率得到提高,能谱中潜在峰的数量大大增多。然而并非所有峰均是真峰,很多峰实质上是假峰,因此需要采用寻峰算法将真实存在的峰一一搜寻出来,去除假峰,特别地,最大程度保留弱峰信息,这对实现多种核素精确识别至关重要,是其关键步骤之一。寻峰算法采用导数寻峰法、斜宽寻峰法、协方差寻峰法、对称零面积寻峰法、高斯乘积函数寻峰法、微商寻峰法、IF函数寻峰法、单卷积寻峰算法和双卷积寻峰算法中的一种或多种。
步骤四、将峰位列表信息结合核素库一同输入至模糊逻辑系统,系统将给出核素库中任一核素特征峰的峰位识别置信度,通过设置约束条件进一步调整峰位识别置信度,并获得核素列表及其核素识别置信度。
模糊逻辑可模拟人脑方式,实行模糊综合判断,可替代工作人员进行核素存在与否判断,进而显著减少工作人员进行能谱分析的工作量。搭建的模糊逻辑核素识别系统,其输入为峰位列表与核素库,输出为核素列表与其识别置信度。模糊逻辑算法的隶属函数采用三角隶属度函数、高斯隶属度函数、两边型高斯隶属度函数、钟型隶属度函数、Sigmoid隶属度函数、S型隶属度函数和梯形隶属度函数中的一种或几种,模糊推理方法采用面积中心法、面积平分法、平均最大隶属度方法、最大隶属度中的取最小值方法、最大隶属度中的去最大值方法中的一种或几种。约束条件对任一所寻峰位可匹配的核素特征峰数量范围为1-20。
下面通过具体实例来对本发明进一步说明。
一、采用能量刻度后的γ探测器实测放射性核素谱和天然本底谱,并对它们进行降噪处理。
采用的平滑算法是高斯滤波法,其源函数为gaussSlop,输入spe为能谱数据,spe_sloped为平滑后的能谱数据,编译平台为MATLAB,源码如下所示:
function spe_sloped=gaussSlop(spe)
%本程序为高斯七点平滑算法
%输入spe为能谱数据,spe_sloped为平滑后数据
slop=[0.2438;0.205;0.1218;0.05126];
len=length(spe);
k=4;
y2=spe;
mid=zeros(len,1);
iteration=1;
for iter=1:iteration
for i=1:1:len
if(i<k)
mid(i)=y2(i)*slop(1)+(y2(i+1)+y2(i+1))*slop(2)+(y2(i+2)+y2(i+2))*slop(3)+(
y2(i+3)+y2(i+3))*slop(4);
else
if(i>=k&&i<=len-k+1)
mid(i)=y2(i)*slop(1)+(y2(i+1)+y2(i-1))*slop(2)+(y2(i+2)+y2(i-2))*slop(3)+(y2(i+3)+y2(i-3))*slop(4);
else
mid(i)=y2(i)*slop(1)+(y2(i-1)+y2(i-1))*slop(2)+(y2(i-2)+y2(i-2))*slop(3)+(y2(
i-3)+y2(i-3))*slop(4);
end
end
end
y2=mid;
end
%返回值
spe_sloped=y2;
end
二、采用去卷积算法处理降噪后的γ能谱。
伽马能谱在使用去卷积算法处理后,能谱能量分辨率将被显著提升。采用的去卷积算法是R-L去卷积算法,其源函数为RLdeconv,输入spe、H、whetherSlop、iterN、repN和booP分别为能谱数据、响应矩阵、判断是否平滑参数、迭代次数、重复次数和加速因子,输出spe_RL为去卷积算法处理后的能谱数据,编译平台为MATLAB,源码如下所示:
三、采用寻峰算法对去卷积算法处理后的γ能谱所有潜在峰位进行搜寻,并获得峰位列表。
采用的寻峰算法是单卷积寻峰算法,其源函数为singConvPeakDetec,输入spe_RL为去卷积算法处理后能谱数据,输出peak_information为所寻峰位,编译平台为MATLAB,源码如下所示:
四、将峰位列表信息结合核素库一同输入至模糊逻辑系统,系统将给出核素库中任一核素特征峰的峰位识别置信度,通过设置约束条件进一步调整峰位识别置信度,并获得核素列表及其核素识别置信度。
图2和图3是本实施例搭建的模糊逻辑系统对输入和输出变量的模糊表示,该系统可求得任一核素特征峰的峰位识别置信度,通过设置所寻峰位最多可匹配核素库中特征峰的数量,即可获得核素库中所有核素的识别置信度。
下面通过具体的试验数据来对本发明的基于碘化钠探测器的低本底解谱方法进行验证。
采用ORTEC公司生产的3’×3’NaI(Tl)探测器测量能谱数据,该探测器的能量范围是30kev至3Mev,能量分辨率为8.3%(662keV能量处)。
表1是本发明所使用的放射性源,共3种核素,为描述方便,分别将它们标记为Nuclide-1,Nuclide-2和Nuclide-3。
表1用于本发明试验的放射源
实验结果:
图4是60Co能谱,其中,(a)为MCNP模拟能谱,(b)为高斯展宽后能谱;
图5中,(a)为R-L算法处理后60Co能谱,(b)为60Co模拟与R-L算法处理后能谱之差。
比较图4和图5可以发现,经R-L算法处理后60Co能谱的2个核素特征峰峰宽变窄,而且低能端康普顿坪斜的计数与能谱总计数的比例显著减小,这在一定程度上说明,该算法具有较强的能谱分辨率增强效果。另外,R-L算法处理后60Co能谱与模拟能谱中的2个60Co核素特征峰的道址是一致的,即新算法在减小核素全能峰峰宽的同时,也保证了还原峰位的准确性。
图6中,(a)为137Cs(Nuclide-3)能谱,(b)为R-L算法处理后137Cs能谱。从图中可以看出,R-L算法处理前137Cs能谱中137Cs核素特征峰(661.66keV)的FWHM为74.67keV,能量分辨率为8.3%。137Cs能谱经R-L算法处理后计数向峰位处集中,出现较多弱峰,同时采用相应数学方法算得该条件下137Cs核素特征峰(661.66keV)的FWHM为25.74keV,能量分辨率为2.9%。γ探测器能量分辨率从8.3%提高至2.9%,这一实验结果表明,该算法显著提升了低分辨γ探测器核素识别性能,可使得原本不可区分的相邻核素特征峰位得以区分。
图7中,(a)为3600s天然本底能谱,(b)为R-L算法处理后3600s天然本底能谱。从图中可以发现,经R-L算法处理后能谱能量分辨率提高了,使得原本重叠的峰位处出现较多的峰位,显著地增强了低分辨γ探测器的核素鉴别能力。
表2是天然本底能谱核素识别结果(天然本底核素),从表中可知,7种天然本底核素的识别置信度均高于阈值(0.9),表示识别出相关核素。除此之外,为使数据更加透明化,给出了所有核素特征峰的匹配峰位、峰位识别置信度,以及核素识别置信度信息。
表2天然本底能谱核素识别结果(天然本底核素)
表3是天然本底能谱核素识别结果(工业核素),从表中可知,8种工业核素的识别置信度均为0,低于阈值(0.9),表示未识别出相关核素。另外,给出了特征峰数量较少的核素的特征峰的匹配峰位、峰位识别置信度,以及核素识别置信度信息,其余核素出于简洁目的,只给出了核素识别置信度信息。
表3天然本底能谱核素识别结果(工业核素)
表4是天然本底能谱核素识别结果(医用核素),所有核素的识别置信度均为0,低于阈值(0.9),表示未识别出相关核素,实验结果与实际情况一致,未发生误识别事件。
表4天然本底能谱核素识别结果(医用核素)
表5是天然本底能谱核素识别结果(特殊核素),所有核素的识别置信度均为0,低于阈值(0.9),表示未识别出相关核素,实验结果与实际情况一致,未发生误识别事件。
表5天然本底能谱核素识别结果(特殊核素)
本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代,只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.一种基于碘化钠探测器的低本底解谱方法,其特征在于,包含以下步骤:
步骤一、采用能量刻度后的γ探测器实测放射性核素谱和天然本底谱,并对它们进行降噪处理;
步骤二、采用去卷积算法处理降噪后的γ能谱;
步骤三、采用寻峰算法对去卷积算法处理后的γ能谱所有潜在峰位进行搜寻,并获得峰位列表;
步骤四、将峰位列表信息结合核素库一同输入至模糊逻辑系统,系统将给出核素库中任一核素特征峰的峰位识别置信度,通过设置约束条件进一步调整峰位识别置信度,并获得核素列表及其核素识别置信度。
2.按照权利要求1所述的一种基于碘化钠探测器的低本底解谱方法,其特征在于,步骤一中,能量刻度算法采用线性函数法或二次函数法。
3.按照权利要求1所述的一种基于碘化钠探测器的低本底解谱方法,其特征在于,步骤一中,降噪算法采用重心法、高斯滤波法、最小二乘滤波法、小波平滑法、移动平均值法、粒子滤波法和卡尔曼滤波法中的一种或几种。
4.按照权利要求1所述的一种基于碘化钠探测器的低本底解谱方法,其特征在于,步骤二中,去卷积算法采用Gold去卷积算法、Richardson-Lucy(R-L)去卷积算法、Maximum aposteriori(MAP)去卷积算法和GRAVEL去卷积算法中的一种或几种。
5.按照权利要求4所述的一种基于碘化钠探测器的低本底解谱方法,其特征在于,所述去卷积算法中的迭代次数范围为10-20000,加速因子范围为1-2,响应函数通过高斯响应矩阵方法或模拟能谱方法获得。
6.按照权利要求1所述的一种基于碘化钠探测器的低本底解谱方法,其特征在于,步骤三中,寻峰算法采用导数寻峰法、斜宽寻峰法、协方差寻峰法、对称零面积寻峰法、高斯乘积函数寻峰法、微商寻峰法、IF函数寻峰法、单卷积寻峰算法和双卷积寻峰算法中的一种或多种。
7.按照权利要求1所述的一种基于碘化钠探测器的低本底解谱方法,其特征在于,步骤四中的核素识别采用模糊逻辑算法。
8.按照权利要求7所述的一种基于碘化钠探测器的低本底解谱方法,其特征在于,所述模糊逻辑算法中的隶属函数采用三角隶属度函数、高斯隶属度函数、两边型高斯隶属度函数、钟型隶属度函数、Sigmoid隶属度函数、S型隶属度函数和梯形隶属度函数中的一种;
模糊推理方法采用面积中心法、面积平分法、平均最大隶属度方法、最大隶属度中的取最小值方法和最大隶属度中的取最大值方法中的一种或多种。
9.按照权利要求1所述的一种基于碘化钠探测器的低本底解谱方法,其特征在于,步骤四中,约束条件对任一所寻峰位可匹配的核素特征峰数量范围为1-20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810732617.0A CN108983279B (zh) | 2018-07-05 | 2018-07-05 | 一种基于碘化钠探测器的低本底解谱方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810732617.0A CN108983279B (zh) | 2018-07-05 | 2018-07-05 | 一种基于碘化钠探测器的低本底解谱方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108983279A true CN108983279A (zh) | 2018-12-11 |
CN108983279B CN108983279B (zh) | 2021-12-21 |
Family
ID=64536276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810732617.0A Active CN108983279B (zh) | 2018-07-05 | 2018-07-05 | 一种基于碘化钠探测器的低本底解谱方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108983279B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109696702A (zh) * | 2019-01-22 | 2019-04-30 | 山东省科学院海洋仪器仪表研究所 | 一种海水放射性核素k40检测的重叠峰判断方法 |
CN110542739A (zh) * | 2019-08-20 | 2019-12-06 | 无锡创想分析仪器有限公司 | 一种基于卡尔曼技术的重叠峰分离方法 |
CN110658549A (zh) * | 2019-10-15 | 2020-01-07 | 中国工程物理研究院材料研究所 | 一种本底中弱信号信噪比提升方法及应用 |
CN111007559A (zh) * | 2019-11-25 | 2020-04-14 | 中国辐射防护研究院 | 一种基于Hilbert-Huang变换的γ能谱平滑方法 |
CN111538069A (zh) * | 2020-06-17 | 2020-08-14 | 中国原子能科学研究院 | 能谱分析系统、方法及能谱数据分析设备 |
CN111861944A (zh) * | 2020-08-07 | 2020-10-30 | 成都理工大学 | 一种基于多结构元素形态学的核素能谱寻峰方法 |
CN113155941A (zh) * | 2021-03-22 | 2021-07-23 | 西北大学 | 一种基于离子迁移谱的数据采集系统 |
CN113238276A (zh) * | 2021-05-10 | 2021-08-10 | 江苏省核与辐射安全监督管理中心 | 一种基于对抗生成网络的海洋放射性γ能谱预处理方法 |
CN115826027A (zh) * | 2022-12-01 | 2023-03-21 | 成都理工大学 | 一种车内辐射环境监测系统及辐射剂量计算方法 |
CN117421570A (zh) * | 2023-09-21 | 2024-01-19 | 清华大学 | 无能量刻度情况下的核素识别方法、装置、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5576548A (en) * | 1995-06-05 | 1996-11-19 | University Of South Florida | Nuclear imaging enhancer |
CN101088456A (zh) * | 2007-07-13 | 2007-12-19 | 天津大学 | 基于进化型小波域维纳去卷积的心电特征提取方法 |
-
2018
- 2018-07-05 CN CN201810732617.0A patent/CN108983279B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5576548A (en) * | 1995-06-05 | 1996-11-19 | University Of South Florida | Nuclear imaging enhancer |
CN101088456A (zh) * | 2007-07-13 | 2007-12-19 | 天津大学 | 基于进化型小波域维纳去卷积的心电特征提取方法 |
Non-Patent Citations (2)
Title |
---|
MILTIADIS ALAMANIOTIS ET AL.: "Hybrid fuzzy-genetic approach integrating peak indentification and spectrum fitting for complex gamma-ray spectra", 《IEEE TRANSACTIONS ON NUCLEAR SCIENCE》 * |
王一鸣 等: "基于模糊逻辑的γ能谱核素识别", 《清华大学学报(自然科学版)》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109696702A (zh) * | 2019-01-22 | 2019-04-30 | 山东省科学院海洋仪器仪表研究所 | 一种海水放射性核素k40检测的重叠峰判断方法 |
CN109696702B (zh) * | 2019-01-22 | 2022-08-26 | 山东省科学院海洋仪器仪表研究所 | 一种海水放射性核素k40检测的重叠峰判断方法 |
CN110542739A (zh) * | 2019-08-20 | 2019-12-06 | 无锡创想分析仪器有限公司 | 一种基于卡尔曼技术的重叠峰分离方法 |
CN110658549B (zh) * | 2019-10-15 | 2023-04-07 | 中国工程物理研究院材料研究所 | 一种本底中弱信号信噪比提升方法及应用 |
CN110658549A (zh) * | 2019-10-15 | 2020-01-07 | 中国工程物理研究院材料研究所 | 一种本底中弱信号信噪比提升方法及应用 |
CN111007559A (zh) * | 2019-11-25 | 2020-04-14 | 中国辐射防护研究院 | 一种基于Hilbert-Huang变换的γ能谱平滑方法 |
CN111007559B (zh) * | 2019-11-25 | 2023-09-15 | 中国辐射防护研究院 | 一种基于Hilbert-Huang变换的γ能谱平滑方法 |
CN111538069A (zh) * | 2020-06-17 | 2020-08-14 | 中国原子能科学研究院 | 能谱分析系统、方法及能谱数据分析设备 |
CN111861944A (zh) * | 2020-08-07 | 2020-10-30 | 成都理工大学 | 一种基于多结构元素形态学的核素能谱寻峰方法 |
CN113155941A (zh) * | 2021-03-22 | 2021-07-23 | 西北大学 | 一种基于离子迁移谱的数据采集系统 |
CN113238276A (zh) * | 2021-05-10 | 2021-08-10 | 江苏省核与辐射安全监督管理中心 | 一种基于对抗生成网络的海洋放射性γ能谱预处理方法 |
CN115826027A (zh) * | 2022-12-01 | 2023-03-21 | 成都理工大学 | 一种车内辐射环境监测系统及辐射剂量计算方法 |
CN115826027B (zh) * | 2022-12-01 | 2024-04-05 | 成都理工大学 | 一种车内辐射环境监测系统及辐射剂量计算方法 |
CN117421570A (zh) * | 2023-09-21 | 2024-01-19 | 清华大学 | 无能量刻度情况下的核素识别方法、装置、设备和介质 |
CN117421570B (zh) * | 2023-09-21 | 2024-06-04 | 清华大学 | 无能量刻度情况下的核素识别方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108983279B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108983279A (zh) | 一种基于碘化钠探测器的低本底解谱方法 | |
CN105607111B (zh) | 一种γ核素识别方法 | |
CN107229787B (zh) | 一种基于近似系数与深度学习的伽马能谱分析方法 | |
CN109063741B (zh) | 一种基于希尔伯特曲线变换与深度学习的能谱分析方法 | |
US20100305873A1 (en) | Method and Apparatus for Spectral Deconvolution of Detector Spectra | |
He et al. | Rapid radionuclide identification algorithm based on the discrete cosine transform and BP neural network | |
Zhang et al. | Reconstruction method for gamma-ray coded-aperture imaging based on convolutional neural network | |
Sahiner et al. | Gamma spectral analysis by artificial neural network coupled with Monte Carlo simulations | |
RU2539779C1 (ru) | Способы и базы данных для идентификации нуклидов | |
EP3989126A1 (en) | Method for the automatic identification and quantification of radioisotopes in gamma spectra | |
Mendes et al. | Radioactive hot-spot localisation and identification using deep learning | |
Qi et al. | Comparison of machine learning approaches for radioisotope identification using NaI (TI) gamma-ray spectrum | |
Hague et al. | A comparison of adaptive and template matching techniques for radio-isotope identification | |
JP5703462B2 (ja) | クリプトン及びキセノン同位体に基づく核爆発特定方法 | |
Khatiwada et al. | Machine Learning technique for isotopic determination of radioisotopes using HPGe γ-ray spectra | |
Zhao et al. | Low-resolution gamma-ray spectrum analysis using comprehensive training set and deep ResNet architecture | |
Zhao et al. | Novel radionuclides identification method based on Hilbert–Huang Transform and Convolutional Neural Network with gamma-ray pulse signal | |
US8417467B2 (en) | Shielding and activity estimator for template-based nuclide identification methods | |
US20230236331A1 (en) | Increasing energy resolution, and related methods, systems, and devices | |
Du et al. | Locating a γ-ray source using cuboid scintillators and the KNN algorithm | |
Wang et al. | Multiple radionuclide identification using deep learning with channel attention module and visual explanation | |
CN110687584A (zh) | 一种基于lstm的快速核素识别方法 | |
Beach et al. | Deconvolution and reconstruction techniques of closely spaced low-energy spectra from high-purity germanium spectrometry | |
Wang et al. | Spectrometry analysis algorithm based on RL deconvolution and fuzzy inference | |
CN113506355B (zh) | 散射校正方法、装置、成像系统及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |