CN109063741B - 一种基于希尔伯特曲线变换与深度学习的能谱分析方法 - Google Patents
一种基于希尔伯特曲线变换与深度学习的能谱分析方法 Download PDFInfo
- Publication number
- CN109063741B CN109063741B CN201810732197.6A CN201810732197A CN109063741B CN 109063741 B CN109063741 B CN 109063741B CN 201810732197 A CN201810732197 A CN 201810732197A CN 109063741 B CN109063741 B CN 109063741B
- Authority
- CN
- China
- Prior art keywords
- energy spectrum
- deep learning
- dimensional
- hilbert curve
- spectrum
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Measurement Of Radiation (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于希尔伯特曲线变换与深度学习的能谱分析方法,属于辐射环境监测和图像识别领域,具有高识别率、稳定性好、适应性强的特点。本发明包括以下步骤:(1)获取探测能谱和模拟能谱并进行预处理;(2)将传统的一维能谱分析转换为二维图像识别,将能谱全谱输入深度学习进行训练测试;(3)构建用于快速核素识别的深度学习算法,通过确定分类阈值和ROC曲线分析深度学习分类器效果。
Description
技术领域
本发明属于辐射环境监测和图像识别领域,尤其涉及一种基于希尔伯特曲线变换与深度学习的能谱分析方法。
背景技术
随着社会的不断发展,核技术应用及核辐射检测技术在生产生活、国防建设等领域起着越来越重要的角色,由此产生的放射性危害也引起越来越多的关注。能谱分析方法能够通过探测得到的能谱识别出环境中存在的放射性核素和测量活度,在天体物理、环境科学等领域有广泛应用。
目前,在长时间探测的能谱分析上已经有高识别正确率。但对于快速核素识别,存在计数低、能谱分辨率低和干扰大的问题,对后续的能谱分析造成很大困难。现有方法如寻峰算法对能谱数据要求较高,对低计数、低分辨率能谱无法精确识别,人工神经网络方法对相干核素能谱识别率差,易造成误识别。快速核素识别在放射性监测系统应用上还需要进一步提高。
发明内容
本发明提供了一种基于希尔伯特曲线变换与深度学习的能谱分析方法,利用一维映射到二维的数据处理,通过图像特征进行识别分类。本发明具有高识别率、稳定性好、适应性强的特点。
为实现以上目的,本发明采用以上技术方案:
一种基于希尔伯特曲线变换与深度学习的能谱分析方法,包括以下步骤:
(1)获取探测能谱和模拟能谱并进行预处理;
(2)将传统的一维能谱分析转换为二维图像识别,将能谱全谱输入深度学习进行训练测试;
(3)构建用于快速核素识别的深度学习算法,通过确定分类阈值和ROC曲线分析深度学习分类器的效果。
以上所述步骤中,步骤(1)包括:
(1-1)通过探测器探测得到天然本底能谱和放射性核素能谱数据,通过蒙特卡洛方法对伽马探测器建模模拟放射性核素能谱;
其中,所述蒙特卡洛程序采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的一种或几种。
(1-2)采用滤波算法对天然本底谱进行平滑处理得到标准本底谱,采用滤波算法对放射性核素谱进行平滑处理得到标准放射性核素谱;
其中,所述滤波算法采用高斯滤波法、小波平滑法、卡尔曼滤波法中的一种或几种;
(1-3)将标准放射性核素谱减去标准本底谱,得到扣除本底后的净计数放射性核素能谱;
(1-4)根据上述(1-3)得到的扣本底放射性核素能谱作归一化处理。
其中,所述归一化处理为线性函数归一化或0均值标准化。
步骤(2)包括:
(2-1)对每一个一维能谱使用上述步骤(1)处理,并作为填充曲线通过希尔伯特扫描矩阵生成二维方形图像;
其中,输入的一维能谱至少包括不同时间、不同核素种类、不同距离探测得到的实验能谱数据和模拟能谱数据;
(2-2)对所述生成的二维图像整合成三维矩阵,按7:3分类成训练集和测试集两类数据。
步骤(3)包括:
(3-1)将上述步骤中得到经希尔伯特曲线变换的二维图像训练集数据作为输入用于训练卷积神经网络;
其中,步骤(3)所述深度学习网络采用深度置信网络、深度神经网络、卷积神经网络、堆叠式自动编码器或卷积自动编码器中的一种或几种;
卷积神经网络的卷积层激励函数选择ReLu或sigmoid,输出层函数选择sigmoid或softmax;
(3-2)根据能谱中核素存在与否,输出结果分别设置为核素存在输出为1,核素不存在输出为0;
(3-3)根据卷积神经网络输出的结果,设置最优阈值,大于阈值为该核素存在,小于阈值则该核素不存在,输出结果。
本发明有益效果:本发明提供了一种基于希尔伯特曲线变换与深度学习的能谱分析方法,将一维离散能谱转换为低维的二维能谱,能够减少输入维度,提升深度学习训练收敛速度和识别效果,同时相比其他的特征提取方法,通过该方法可以将能谱全谱输入深度学习进行训练测试,保留了能谱所有信息,并将空间信息作为核素特征区分,对核素识别准确率会有较大提高;采用模拟能谱的近似系数进行训练深度学习,克服了实验室放射源数量不足的难题,可用于多种(≥9)核素的稳定识别;本发明能对短时间测量能谱有高识别率,且识别响应速度快(≥1),可以用于便携式探测仪器等的快速核素识别应用;通过希尔伯特曲线变换和卷积神经网络的训练,相比一维的能谱分析,可以通过图像识别的方法减少噪声干扰和能谱漂移造成的误差,对重叠峰的识别也能有效提高。
附图说明
图1是本发明的流程图。
图2是不同阶数的希尔伯特曲线变换图像。
图3(a)是三种核素的混合能谱,图3(b)是三种核素的混合能谱经希尔伯特曲线变换后的二维图像。
图4是本发明的深度学习算法图。
图5是实施例中卷积神经网络损失函数图像。
图6是实施例中ROC曲线图像。
图7(a)是实施例中700V高压下60Co能谱,图7(b)是实施例中720V高压下60Co能谱。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合说明书附图进一步详细说明本发明的示例性实施方式。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1所示为本发明基于希尔伯特曲线变换与深度学习的能谱分析方法的流程图,具体包括以下步骤:
步骤1获取探测能谱和模拟能谱并进行预处理,包括以下子步骤:
(1-1)通过探测器探测得到天然本底能谱和放射性核素能谱数据,选用的探测器采用气体电离室、NaI(Tl)闪烁体探测器、HGe半导体探测器中的一种或几种,通过探测器与MAESTRO软件连接进行放射源探测,获取不同时间、不同核素种类、不同距离探测得到的实验能谱数据。
通过蒙特卡洛方法对伽马探测器建模模拟放射性核素能谱,具体为虚构一个探测器,然后在虚拟环境中放置所需放射性来获得能谱。蒙特卡洛方法又叫随机抽样法或统计实验法,属于计算数学的一个分支,它能够真实地模拟实际物理过程,解决问题与实际非常符合。使用蒙特卡洛程序模拟感兴趣核素能谱,可以克服实验室放射性核素数量不够的难题,可以更容易获得各核素的成谱规律,进而获得大规模样本数据,可以使深度学习具有更强的学习及预测能力。所述蒙特卡洛程序采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的一种或几种。
(1-2)采用滤波算法对天然本底谱进行平滑处理得到标准本底谱,采用滤波算法对放射性核素谱进行平滑处理得到标准放射性核素谱;
其中,所述滤波算法采用高斯滤波法、小波平滑法、卡尔曼滤波法中的一种或几种。
(1-3)将标准放射性核素谱减去标准本底谱,得到扣除本底后的净计数放射性核素能谱;
具体的,采用小波分解技术提取能谱的近似系数并将其归一化,对于多数信号,低频部分是最重要的,它是信号的标识,与之相反的即噪声。小波分析中,将它们成为近似部分和细节部分。采用一阶小波变换可以将信号分解为近似部分和细节部分,这个过程可以迭代,即继续采用一阶小波变换将近似信号进行分解,迭代次数即为分解级数。将得到的近似系数进行归一化,可以消除由探测时间、核素活度、探测距离、核素个数等因素的不同而造成能谱强度的不同这一效应,显著的提高了深度学习的学习能力及预测能力。所述小波分解方法采用的小波分解母函数为Daubechies、Coiflets、Symlets、Fejer-Korovkinfilters、Discrete Meyer、Biorthogonal或Reverse Biorthogonal中的一种或几种。小波分解级数为1、2、3、4或5中的一种或几种。本实例中其具体参数为小波函数sym8,分解级数5,能够除去探测器探测中的噪声干扰,再利用滤波后的放射性核素能谱与本底能谱相减,除去本底辐射影响,得到净计数谱。
(1-4)根据上述(1-3)得到的扣本底放射性核素能谱作归一化处理,归一化处理采用的线性归一化,向量y(x=0,…,N-1)(N为向量维度)的线性归一化为:
其中,amax和amin分别为要归一化后的最大值和最小值,ymax和ymin分别为向量的最大值和最小值,y为向量中的任意一个。
步骤2根据本发明的一种基于希尔伯特空间填充曲线的能谱二维映射方法,将传统的一维能谱分析转换为二维图像识别,能够减少输入维度,提升深度学习训练收敛速度和识别效果;同时相比其他的特征提取方法,通过该方法可以将能谱全谱输入深度学习进行训练测试,保留了能谱所有信息,并将空间信息作为核素特征区分,对核素识别准确率会有较大提高。该方法包含以下步骤:
(2-1)对每一个一维能谱使用上述步骤1处理过,并作为填充曲线,通过希尔伯特曲线变换生成二维方形图像,参见图2,以下为MATLAB编译的生成希尔伯特空间填充曲线矩阵代码:
其中,输入spe为探测和模拟得到的一维能谱数据,本实例探测和模拟能谱为一维1024道能谱,经过希尔伯特曲线变化后,每个能谱生成对应的大小为32×32的二维能谱。图3(a)是本实例实际探测的三种核素混合能谱,经希尔伯特曲线变化后,图像如图3(b)所示;
(2-2)对经上述(2-1)生成的二维图像整合成三维矩阵,按7:3分类成训练集和测试集两类数据。
步骤3构建根据上文所述的用于快速核素识别的深度学习算法,通过确定分类阈值和ROC曲线分析深度学习分类器的效果,相比传统方法和其他神经网络算法,该方法具有更好的特征提取和分类效果,方法流程图参见图4,方法步骤包括:
(3-1)将上述步骤2中得到经希尔伯特曲线变换的二维图像训练集数据作为输入用于训练;
具体的,深度学习网络可以更好的模拟人脑进行分析学习及数据解释,它已在计算机视觉、语音识别、自然语音处理等领域成功应用。所述的步骤3中的深度学习网络采用深度置信网络、深度神经网络、卷积神经网络、堆叠式自动编码器或卷积自动编码器中的一种或几种。所述的步骤3中的深度学习网络采用的深度学习框架为DeepLearnToolbox、Caffe、CNTK、TensorFlow、Theano、Torch、Keras、Lasagne、DSSTNE、MXNet、DeepLearning4J、ConvNetJS、Chainer或Scikit-Learn中的一种或多种。本实例中使用卷积神经网络实现快速核素识别,其中,卷积神经网络的卷积层激励函数选择ReLu或sigmoid函数,输出层函数选择sigmoid函数;
(3-2)根据能谱中核素存在与否,输出结果分别设置为0,1,即核素存在输出为1,核素不存在输出为0;
(3-3)根据卷积神经网络输出的结果,设置最优阈值,即大于阈值为该核素存在,小于阈值则该核素不存在,输出结果。
下面通过具体的实验数据来对本发明的基于希尔伯特曲线变换和深度学习的能谱分析方法进行验证。
采用ORTEC公司生产的3in×3in 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7.7%FWHM(662kev能量处)。表1是用于实验的放射性核素,分别标记为N-1,N-2,N-3。
表1用于本实验的放射性核素
本发明采用ROC曲线来评价核素识别算法的性能。如公式(2)(3)所示,
其中,TP(true positive)表示正确正响应,TN(true negative)表示正确负响应,FP(false positive)表示错误正响应,FN(false negative)表示错误负响应。
本实验的能谱样本:
(1)不同时间的样本的采集。在伽马探测器的正前方10cm处测量了N-1、N-2和N-3的能谱,重复测量10次,测量时间分别为1s、2s、3s、4s和5s,共采集150个能谱。
(2)不同核素个数的样本的采集。在探测器的正前方10cm处测量了N-1、N-2、N-3、N-1+N-2、N-1+N-3、N-2+N-3和N-1+N-2+N-3的能谱,重复测量10次,测量时间为5s,共采集70个能谱。
(3)不同距离的样本的采集。在伽马探测器正前方每间隔5cm进行探测,分别测量了N-1、N-2和N-3的能谱,重复测量10次,测量时间为5s,一共测量了450个能谱,全部作为实验测试样本。
(4)采用蒙特卡洛软件MCNP模拟了60Co、137Cs、238Pu三种核素的伽马能谱,其中按(2)中混合放射性核素,并以不同能谱总计数,共模拟100个能谱。
(5)改变探测器高压,模拟环境变化中能谱漂移造成的探测误差,在700V-720V间每间隔5V测量60Co能谱10组,共50组能谱。
将上述(1)~(4)步骤实验和模拟样本分别进行平滑及按时间比例本底扣除,再通过步骤2进行能谱变换,随机取750组样本分类成训练集和测试集,其中,训练集为580个能谱,测试集为170个能谱,将训练集输入卷积神经网络进行训练。
实验结果:
图5为该卷积神经网络训练集损失函数曲线。从图中可以看出,损失函数在多次迭代后收敛,表明该模型能够对训练集进行分类识别。将测试集输入训练好的卷积神经网络中,在阈值为0.7条件下,得到探测率为
图6为ROC曲线图,可以看出,60Co的识别准确率最高,238Pu的识别准确率相对较低,但相比于传统方法也具有很高的可信度。结果表明该算法对核素分类有高识别正确率,是一种性能较佳的核素识别算法。
图7(a)(b)是在不同探测器高压下探测的60Co能谱图,将实验能谱采集(5)中的能谱输入训练好的卷积神经网络,得到的探测率为
即在小范围能谱漂移误差内,相比于其他一维输入的神经网络模型,该算法可以通过图像的空间相关性将核素识别出来,优于其他核素识别算法,在应用环境差别较大的放射性核素识别应用中,具有很大的应用意义。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (9)
1.一种基于希尔伯特曲线变换与深度学习的能谱分析方法,其特征在于,包括以下步骤:
(1)获取探测能谱和模拟能谱并进行预处理;
(2)将传统的一维能谱分析转换为二维图像识别,将能谱全谱输入深度学习进行训练测试;
(3)构建用于快速核素识别的深度学习算法,通过确定分类阈值和ROC曲线分析深度学习分类器的效果:将上述步骤中得到经希尔伯特曲线变换的二维图像训练集数据作为输入用于训练;根据能谱中核素存在与否,输出结果分别设置为核素存在输出为1,核素不存在输出为0;根据卷积神经网络输出的结果,设置最优阈值,大于阈值为该核素存在,小于阈值则该核素不存在,输出结果。
2.根据权利要求1所述基于希尔伯特曲线变换与深度学习的能谱分析方法,其特征在于,步骤(1)包括:
(1-1)通过探测器探测得到天然本底能谱和放射性核素能谱数据,通过蒙特卡洛方法对伽马探测器建模模拟放射性核素能谱;
(1-2)采用滤波算法对天然本底谱进行平滑处理得到标准本底谱,采用滤波算法对放射性核素谱进行平滑处理得到标准放射性核素谱;
(1-3)将标准放射性核素谱减去标准本底谱,得到扣除本底后的净计数放射性核素能谱;
(1-4)将所述得到扣本底放射性核素能谱作归一化处理。
3.根据权利要求2所述基于希尔伯特曲线变换与深度学习的能谱分析方法,其特征在于,步骤(1-1)所述蒙特卡洛方法采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的一种或几种。
4.根据权利要求2所述基于希尔伯特曲线变换与深度学习的能谱分析方法,其特征在于,步骤(1-2)所述滤波算法采用高斯滤波法、小波平滑法、卡尔曼滤波法中的一种或几种。
5.根据权利要求2所述基于希尔伯特曲线变换与深度学习的能谱分析方法,其特征在于,步骤(1-4)所述归一化处理为线性函数归一化或0均值标准化。
6.根据权利要求1所述基于希尔伯特曲线变换与深度学习的能谱分析方法,其特征在于,步骤(2)包括:
(2-1)对每一个一维能谱使用步骤(1)处理,并作为填充曲线通过希尔伯特扫描矩阵生成二维方形图像;
(2-2)对所述生成的二维方形图像整合成三维矩阵,按7:3分类成训练集和测试集两类数据。
7.根据权利要求1或6所述基于希尔伯特曲线变换与深度学习的能谱分析方法,其特征在于,步骤(2-1)所述的一维能谱包括不同时间、不同核素种类、不同距离探测得到的实验能谱数据和模拟能谱数据。
8.根据权利要求1所述基于希尔伯特曲线变换与深度学习的能谱分析方法,其特征在于,所述深度学习网络采用深度置信网络、深度神经网络、卷积神经网络、堆叠式自动编码器或卷积自动编码器中的一种或几种。
9.根据权利要求1或8所述基于希尔伯特曲线变换与深度学习的能谱分析方法,其特征在于,卷积神经网络的卷积层激励函数选择ReLu或sigmoid,输出层函数选择sigmoid或softmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810732197.6A CN109063741B (zh) | 2018-07-05 | 2018-07-05 | 一种基于希尔伯特曲线变换与深度学习的能谱分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810732197.6A CN109063741B (zh) | 2018-07-05 | 2018-07-05 | 一种基于希尔伯特曲线变换与深度学习的能谱分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063741A CN109063741A (zh) | 2018-12-21 |
CN109063741B true CN109063741B (zh) | 2021-12-10 |
Family
ID=64819444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810732197.6A Active CN109063741B (zh) | 2018-07-05 | 2018-07-05 | 一种基于希尔伯特曲线变换与深度学习的能谱分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063741B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3096782B1 (fr) * | 2019-05-28 | 2022-10-07 | Commissariat Energie Atomique | : Procédé et dispositif d’identification d’espèces atomiques émettant un rayonnement X ou gamma |
CN110660464B (zh) * | 2019-10-29 | 2020-10-27 | 浙江明峰智能医疗科技有限公司 | 一种lyso晶体pet的智能日常质量控制方法和系统 |
CN111008356B (zh) * | 2019-11-13 | 2023-06-16 | 成都理工大学 | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 |
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 |
CN111308543B (zh) * | 2019-12-03 | 2020-10-23 | 北京卫星环境工程研究所 | 一种核素识别方法 |
CN111079863B (zh) * | 2019-12-31 | 2023-05-19 | 重庆青信科技有限公司 | 利用能谱曲线统计指纹识别病灶组织的系统 |
CN111950358A (zh) * | 2020-07-01 | 2020-11-17 | 浙江中控技术股份有限公司 | 一种基于图像识别的阀门粘滞检测方法 |
CN111861944B (zh) * | 2020-08-07 | 2023-06-30 | 温州理工学院 | 一种基于多结构元素形态学的核素能谱寻峰方法 |
CN112614122B (zh) * | 2020-12-29 | 2024-04-09 | 辽宁科技大学 | 一种基于矿石研磨图像的元素分析方法 |
CN112842342B (zh) * | 2021-01-25 | 2022-03-29 | 北京航空航天大学 | 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法 |
CN114241846A (zh) * | 2021-12-24 | 2022-03-25 | 西安恒律模训科技发展有限公司 | 模拟γ放射性核素识别训练方法及其系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902958A (zh) * | 2012-09-19 | 2013-01-30 | 四川大学 | 基于图像识别的数字核信号处理和多参数核信息获取方法 |
US20140197324A1 (en) * | 2013-01-11 | 2014-07-17 | Baker Hughes Incorporated | Methods to enhance nuclear spectroscopy analysis |
CN107229787A (zh) * | 2017-05-24 | 2017-10-03 | 南京航空航天大学 | 一种基于近似系数与深度学习的伽马能谱分析方法 |
CN107390259A (zh) * | 2017-07-14 | 2017-11-24 | 西南科技大学 | 一种基于svd和svm的核素识别方法 |
-
2018
- 2018-07-05 CN CN201810732197.6A patent/CN109063741B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902958A (zh) * | 2012-09-19 | 2013-01-30 | 四川大学 | 基于图像识别的数字核信号处理和多参数核信息获取方法 |
US20140197324A1 (en) * | 2013-01-11 | 2014-07-17 | Baker Hughes Incorporated | Methods to enhance nuclear spectroscopy analysis |
CN107229787A (zh) * | 2017-05-24 | 2017-10-03 | 南京航空航天大学 | 一种基于近似系数与深度学习的伽马能谱分析方法 |
CN107390259A (zh) * | 2017-07-14 | 2017-11-24 | 西南科技大学 | 一种基于svd和svm的核素识别方法 |
Non-Patent Citations (1)
Title |
---|
基于Walsh-Hadamard变换与栈式自编码快速核素识别;何建平等;《核电子学与探测技术》;20170831;第38卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109063741A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107229787B (zh) | 一种基于近似系数与深度学习的伽马能谱分析方法 | |
Barrett et al. | Task-based measures of image quality and their relation to radiation dose and patient risk | |
Choma et al. | Graph neural networks for icecube signal classification | |
CN105607111B (zh) | 一种γ核素识别方法 | |
CN108983279B (zh) | 一种基于碘化钠探测器的低本底解谱方法 | |
CN102893294A (zh) | 概率密度函数估计器 | |
Bilton et al. | Non-negative matrix factorization of gamma-ray spectra for background modeling, detection, and source identification | |
CN107390259A (zh) | 一种基于svd和svm的核素识别方法 | |
US20130197861A1 (en) | Method for spectrometric analysis and related device | |
US20080205731A1 (en) | Noise Model Selection for Emission Tomography | |
Tambouratzis et al. | A comparison of artificial neural network performance: The case of neutron/gamma pulse shape discrimination | |
Pierre et al. | The cosmological analysis of X-ray cluster surveys-III. 4D X-ray observable diagrams | |
Kim et al. | Identification of multiple radioisotopes through convolutional neural networks trained on 2-D transformed gamma spectral data from CsI (Tl) spectrometer | |
Xu et al. | Recent advances of stretched Gaussian distribution underlying Hausdorff fractal distance and its applications in fitting stretched Gaussian noise | |
Bérubé et al. | Data-driven modeling of time-domain induced polarization | |
CN115310472A (zh) | 基于核脉冲峰值序列的一维卷积神经网络核素识别方法 | |
Galib | Applications of machine learning in nuclear imaging and radiation detection | |
Arahmane et al. | Improving Neutron‐Gamma Discrimination with Stilbene Organic Scintillation Detector Using Blind Nonnegative Matrix and Tensor Factorization Methods | |
CN111008356B (zh) | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 | |
CN110687584B (zh) | 一种基于lstm的快速核素识别方法 | |
El_Tokhy | Rapid and robust radioisotopes identification algorithms of X-Ray and gamma spectra | |
Arafa et al. | A real-time scintillation crystal identification method and ITS FPGA implementation | |
Zhang et al. | Isotope identification using artificial neural network ensembles and bin-ratios | |
CN111309093B (zh) | 一种理想波形模型的建立方法、装置、设备及存储介质 |
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 |