CN109521457B - 一种基于信息准则的γ辐射源项划分方法及系统 - Google Patents
一种基于信息准则的γ辐射源项划分方法及系统 Download PDFInfo
- Publication number
- CN109521457B CN109521457B CN201811119911.0A CN201811119911A CN109521457B CN 109521457 B CN109521457 B CN 109521457B CN 201811119911 A CN201811119911 A CN 201811119911A CN 109521457 B CN109521457 B CN 109521457B
- Authority
- CN
- China
- Prior art keywords
- source item
- distribution model
- source
- item distribution
- information criterion
- 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
- 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
- G01T1/167—Measuring radioactive content of objects, e.g. contamination
Abstract
本发明公开了一种基于信息准则的γ辐射源项划分方法及系统,方法包括:S1、对γ辐射源项进行多种区域划分,每种区域划分对应一个源项分布模型,每个源项分布模型的参数个数为对应区域划分下的源项划分区域个数,每个参数表示一个源项划分区域内的放射性活度;S2、获取剂量率数据的位置信息与测量值,并计算得到每个源项分布模型产生的剂量率数据的相对贡献份额;S3、基于信息准则,根据每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型。本发明所提供的方法及系统,根据γ辐射源项周围剂量率测量结果,在统筹考虑模型拟合优度与模型复杂度基础上,确定信息准则意义上最优的模型。
Description
技术领域
本发明涉及辐射场修正与源项反演计算领域,具体涉及一种基于信息准则的γ辐射源项划分方法及系统。
背景技术
放射性源项表征贯穿于核设施设计建造、运行和退役的所有阶段,在不同阶段,源项调查具有不同的目标和作用。其中,运行阶段辐射源项监测是评估核设施运行状态和污染水平的重要手段,也为职业照射评估、源项与剂量控制提供基础数据;同时,在运行后期,开展针对性的源项测量则为制定退役阶段的源项调查方案、放射性计算程序验证,甚至机组延寿等提供重要依据。过渡阶段(Transition phase,即关停到拆解期间)的源项调查作为本阶段的一项重要工作,它为制定具体的退役拆解方案提供依据。而在不同的辐射源项中,γ辐射源项一般作为易测核素,为其他难测核素(纯β、α)的源项表征提供基础,一般采用取样分析结果所确定的易测核素与难测核素活度之比确定难测核素活度。
在以上核设施运行及过渡阶段放射性源项表征中,针对γ辐射源项所采用的测量手段包括,源项扫描、辐射成像、能谱测量、剂量率测量等。其中,对于γ辐射源项中核素信息确定,剂量率高的场所以及测量空间相对比较狭小等情况下,会采用剂量率测量的方式进行γ辐射源项的反演。
在给定γ辐射源项周围剂量率测量数据的前提下,怎样划分辐射源项区域是典型的模型选择问题。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种基于信息准则的γ辐射源项划分方法及系统,通过该方法及系统能够根据γ辐射源项周围剂量率测量结果,在统筹考虑模型拟合优度与模型复杂度基础上,确定信息准则意义上最优的模型,即最优的源项区域划分方法。
为实现上述目的,本发明采用的技术方案如下:
一种基于信息准则的γ辐射源项划分方法,包括:
S1、对γ辐射源项进行多种区域划分,每种区域划分对应一个源项分布模型,每个源项分布模型的参数个数为对应区域划分下的源项划分区域个数,每个参数表示一个源项划分区域内的放射性活度;
S2、获取剂量率数据的位置信息与测量值,并计算得到每个源项分布模型产生的剂量率数据的相对贡献份额;
S3、基于信息准则,根据每个源项分布模型的参数及参数个数、剂量率数据的测量值和相对贡献份额计算得到每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型。
进一步,如上所述的一种基于信息准则的γ辐射源项划分方法,步骤S3包括:
S31、根据每个源项分布模型的参数及参数个数、剂量率数据的测量值和相对贡献份额反演计算得到该源项分布模型的剂量率数据的计算值;
S32、基于信息准则,根据反演时每个源项分布模型所用测量值的个数、参数个数、剂量率数据的测量值和计算值计算得到每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型。
进一步,如上所述的一种基于信息准则的γ辐射源项划分方法,所述信息准则为AIC信息准则或BIC信息准则。
进一步,如上所述的一种基于信息准则的γ辐射源项划分方法,步骤S32包括:
如果所述信息准则为AIC信息准则,则根据下式中AIC取最小值时对应的模型为最优的源项分布模型;
AIC=n·ln(Rss/n)+2m,
其中,n·ln(Rss/n)表示每个源项分布模型的拟合优度,2m表示每个源项分布模型的复杂度,Rss为每个源项分布模型的剂量率数据的测量值与计算值之差的平方和,n为反演时每个源项分布模型所用测量值的个数,m为每个源项分布模型的参数个数。
进一步,如上所述的一种基于信息准则的γ辐射源项划分方法,步骤S3包括:
如果所述信息准则为BIC信息准则,则下式中的BIC取最小值时对应的模型为最优的源项分布模型;
BIC=n·ln(Rss/n)+mln(n),
其中,n·ln(Rss/n)表示每个源项分布模型的拟合优度,mln(n)表示每个源项分布模型的复杂度,Rss为每个源项分布模型的剂量率数据的测量值与计算值之差的平方和,n为反演时每个源项分布模型所用测量值的个数,m为每个源项分布模型的参数个数。
本发明实施例中还提供了一种基于信息准则的γ辐射源项划分系统,包括:
区域划分模块,用于对γ辐射源项进行多种区域划分,每种区域划分对应一个源项分布模型,每个源项分布模型的参数个数为对应区域划分下的源项划分区域个数,每个参数表示一个源项划分区域内的放射性活度;
获取模块,用于获取剂量率数据的位置信息与测量值,并计算得到每个源项分布模型产生的剂量率数据的相对贡献份额;
选择模块,用于基于信息准则,根据每个源项分布模型的参数及参数个数、剂量率数据的测量值和相对贡献份额计算得到每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型。
进一步,如上所述的一种基于信息准则的γ辐射源项划分系统,所述选择模块包括:
计算子模块,用于根据每个源项分布模型的参数及参数个数、剂量率数据的测量值和相对贡献份额反演计算得到该源项分布模型的剂量率数据的计算值;
选择子模块,用于基于信息准则,根据反演时每个源项分布模型所用测量值的个数、参数个数、剂量率数据的测量值和计算值计算得到每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型。
进一步,如上所述的一种基于信息准则的γ辐射源项划分系统,所述信息准则为AIC信息准则或BIC信息准则。
进一步,如上所述的一种基于信息准则的γ辐射源项划分系统,所述选择子模块具体用于:
如果所述信息准则为AIC信息准则,则根据下式中AIC取最小值时对应的模型为最优的源项分布模型;
AIC=n·ln(Rss/n)+2m,
其中,n·ln(Rss/n)表示每个源项分布模型的拟合优度,2m表示每个源项分布模型的复杂度,Rss为每个源项分布模型的剂量率数据的测量值与计算值之差的平方和,n为反演时每个源项分布模型所用测量值的个数,m为每个源项分布模型的参数个数。
进一步,如上所述的一种基于信息准则的γ辐射源项划分系统,所述选择子模块具体用于:
如果所述信息准则为BIC信息准则,则下式中的BIC取最小值时对应的模型为最优的源项分布模型;
BIC=n·ln(Rss/n)+mln(n),
其中,n·ln(Rss/n)表示每个源项分布模型的拟合优度,mln(n)表示每个源项分布模型的复杂度,Rss为每个源项分布模型的剂量率数据的测量值与计算值之差的平方和,n为反演时每个源项分布模型所用测量值的个数,m为每个源项分布模型的参数个数。
本发明的有益效果在于:本发明所提供的方法及系统,根据γ辐射源项周围剂量率测量结果,在统筹考虑模型拟合优度与模型复杂度基础上,确定信息准则意义上最优的模型,即最优的源项区域划分方法。
附图说明
图1为本发明实施例中提供的一种基于信息准则的γ辐射源项划分方法的流程示意图;
图2为本发明实施例中提供的不同源项分布模型对应的信息量的对比示意图;
图3为本发明实施例中提供的一种基于信息准则的γ辐射源项划分系统的机构示意图。
具体实施方式
下面结合说明书附图与具体实施方式对本发明做进一步的详细说明。
如图1所示,一种基于信息准则的γ辐射源项划分方法,包括:
S1、对γ辐射源项进行多种区域划分,每种区域划分对应一个源项分布模型,每个源项分布模型的参数个数为对应区域划分下的源项划分区域个数,每个参数表示一个源项划分区域内的放射性活度;
S2、获取剂量率数据的位置信息与测量值,并计算得到每个源项分布模型产生的剂量率数据的相对贡献份额;
S3、基于信息准则,根据每个源项分布模型的参数及参数个数、剂量率数据的测量值和相对贡献份额计算得到每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型。
步骤S3包括:
S31、根据每个源项分布模型的参数及参数个数、剂量率数据的测量值和相对贡献份额反演计算得到该源项分布模型的剂量率数据的计算值;
S32、基于信息准则,根据反演时每个源项分布模型所用测量值的个数、参数个数、剂量率数据的测量值和计算值计算得到每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型。
信息准则为AIC信息准则或BIC信息准则。
步骤S32包括:
如果信息准则为AIC信息准则,则根据下式中AIC取最小值时对应的模型为最优的源项分布模型;
AIC=n·ln(Rss/n)+2m,
其中,n·ln(Rss/n)表示每个源项分布模型的拟合优度,2m表示每个源项分布模型的复杂度,Rss为每个源项分布模型的剂量率数据的测量值与计算值之差的平方和,n为反演时每个源项分布模型所用测量值的个数,m为每个源项分布模型的参数个数。
步骤S3包括:
如果信息准则为BIC信息准则,则下式中的BIC取最小值时对应的模型为最优的源项分布模型;
BIC=n·ln(Rss/n)+mln(n),
其中,n·ln(Rss/n)表示每个源项分布模型的拟合优度,mln(n)表示每个源项分布模型的复杂度,Rss为每个源项分布模型的剂量率数据的测量值与计算值之差的平方和,n为反演时每个源项分布模型所用测量值的个数,m为每个源项分布模型的参数个数。
根据剂量率测量数据反演γ辐射源项的基本原理是线性叠加原理,即每一个剂量率的测量结果都是由不同区域的辐射源项贡献的线性叠加。一般源项区域的划分个数小于或等于剂量率测量数据点,进而可求出最小二乘解。原则上,对于任何一个给定的模型(某一个给定的源项划分方式),都可以计算出相应的源项反演结果及其不确定度。当从最简单的模型向逐步复杂化的模型进行反演时,将会有两个不确定度来源:源项反演结果的不确定度和模型导致的偏差。因此检验的目的就是为了将这两个不确定度来源统筹考虑基础上,在不同模型之中,挑选出最优模型。
机器学习及模式识别中模型的选择方法一般有AIC(Akaike InformationCriterion)、BIC(Bayesian Information Criterion)、MDL(Minimum DescriptionLength)、CV(Cross Validation)等方法。这些方法中,前两种方法在考虑模型的复杂度时,只用模型中参数个数(源项划分区域个数)表征;而后两种方法则在考虑模型中参数个数的基础上有考虑了参数在模型中的具体函数形式的复杂度。如上所述,由剂量率测量数据反演γ辐射源项的基本原理是线性叠加原理,因此在考虑模型复杂度时,可只考虑模型中参数个数,即可采用前两种方法。
AIC是由日本学者Akaike为了解决模型复杂性问题在1974年提出的一种模型选择方法。如下式,其将所有给定模型下的最优解(统计学上最优的极大似然解)对应的似燃函数值对数与模型中可调参数个数之差最大时的模型作为最优模型。如果将数据表示为D,某一个模型中参数个数(例如,罐内部放射性源项划分区域的个数)表示为M,并设此时模型参数的极大似然解为wML,则相应的模型选择可以表示为如下的优化问题。
BIC是将给定模型下的最优解(统计学上最优的极大似然解)对应的似燃函数值对数和将不同模型中参数个数与证据(后验分布于先验分布宽度或方差之比)的乘积之和最大时的模型作为最优模型。如果将数据表示为D,某一个模型中参数个数(例如,罐内部放射性源项划分区域的个数)表示为M,模型参数表示为w,模型参数的极大后验解为wMAP,参数的先验分布和后验分布的宽度分别为Δwprior和Δwposterior,则相应的模型选择可以表示为如下的优化问题。
辐射源项反演问题中,剂量率数据的测量值对应数据D,模型对应给定源项划分方式下与其对应的剂量率贡献矩阵E,而每一个放射性源项划分区域内的放射性活度则对应于模型参数w。基于数据D、剂量率贡献矩阵E和参数w,反演计算得到剂量率数据的计算值,进一步计算得到剂量率数据的测量值与计算值之差的平方和。具体地,根据部分实测数据的测量位置,计算得到对每种区域划分下的每个区域源项在每个测量位置处的剂量率贡献矩阵E,同时结合这些位置处的剂量率实测数据D,根据该剂量率贡献矩阵E计算得到每个区域源项在每个测量位置处的活度值w,根据该获得的源活度值计算得到这些测量位置处的剂量率计算数据。D是指剂量率数据的测量值,准确地说,它是n个测量位置的测量值的集合,即D={d1,d2,...,dn},剂量率数据的计算值是指用测量值反推出的源项,计算出同样位置处的剂量率数据{d1',d2',...,dn'}。具体到辐射源项反演问题,AIC和BIC准则分别如下:
AIC=n·ln(Rss/n)+2m
BIC=n·ln(Rss/n)+mln(n)
其中,n为反演时所用测量值的个数,m为源项划分的个数,Rss(residual sum ofsquare)是剂量率的测量值与计算值之间差的平方和。上式中,第一项表示模型的拟合优度,第二项表示模型的复杂度。使上式中的AIC和BIC分别达到最小值时的模型为最优的模型。
如图2所示,对于某一个复杂源项,采用其周围20个测量点的剂量率测量数据,分别针对2,4,5,7,9,11,13,15,17,19个源项区域划分,计算得到AIC和BIC的值。
具体选择最优源项划分方案时,可根据需要适当增加或组合一些筛选准则,如模型剂量率数据的测量值与计算值的相对偏差限值,比如5%。
本发明根据γ辐射源项周围剂量率测量结果,在统筹考虑模型拟合优度与模型复杂度基础上,确定信息准则意义上最优的模型,即最优的源项区域划分方法。本发明可应用于核设施退役过渡阶段(Transition Phase)中复杂的对象的放射性源项表征、核设施大修及退役过程中辐射防护最优化等领域。
如图3所示,本发明实施例中还提供了一种基于信息准则的γ辐射源项划分系统,包括:
区域划分模块1,用于对γ辐射源项进行多种区域划分,每种区域划分对应一个源项分布模型,每个源项分布模型的参数个数为对应区域划分下的源项划分区域个数,每个参数表示一个源项划分区域内的放射性活度;
获取模块2,用于获取剂量率数据的位置信息与测量值,并计算得到每个源项分布模型产生的剂量率数据的相对贡献份额;
选择模块3,用于基于信息准则,根据每个源项分布模型的参数及参数个数、剂量率数据的测量值和相对贡献份额计算得到每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型。
选择模块3包括:
计算子模块31,用于根据每个源项分布模型的参数及参数个数、剂量率数据的测量值和相对贡献份额反演计算得到该源项分布模型的剂量率数据的计算值;
选择子模块32,用于基于信息准则,根据反演时每个源项分布模型所用测量值的个数、参数个数、剂量率数据的测量值和计算值计算得到每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型。
信息准则为AIC信息准则或BIC信息准则。
选择子模块32具体用于:
如果信息准则为AIC信息准则,则根据下式中AIC取最小值时对应的模型为最优的源项分布模型;
AIC=n·ln(Rss/n)+2m,
其中,n·ln(Rss/n)表示每个源项分布模型的拟合优度,2m表示每个源项分布模型的复杂度,Rss为每个源项分布模型的剂量率数据的测量值与计算值之差的平方和,n为反演时每个源项分布模型所用测量值的个数,m为每个源项分布模型的参数个数。
选择子模块32具体用于:
如果信息准则为BIC信息准则,则下式中的BIC取最小值时对应的模型为最优的源项分布模型;
BIC=n·ln(Rss/n)+mln(n),
其中,n·ln(Rss/n)表示每个源项分布模型的拟合优度,mln(n)表示每个源项分布模型的复杂度,Rss为每个源项分布模型的剂量率数据的测量值与计算值之差的平方和,n为反演时每个源项分布模型所用测量值的个数,m为每个源项分布模型的参数个数。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (2)
1.一种基于信息准则的γ辐射源项划分方法,其特征在于,包括:
S1、对γ辐射源项进行多种区域划分,每种区域划分对应一个源项分布模型,每个源项分布模型的参数个数为对应区域划分下的源项划分区域个数,每个参数表示一个源项划分区域内的放射性活度;
S2、获取剂量率数据的位置信息与测量值,并计算得到每个源项分布模型产生的剂量率数据的相对贡献份额;
S3、基于信息准则,根据每个源项分布模型的参数及参数个数、剂量率数据的测量值和相对贡献份额计算得到每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型;
步骤S3包括:
S31、根据每个源项分布模型的参数及参数个数、剂量率数据的测量值和相对贡献份额反演计算得到该源项分布模型的剂量率数据的计算值;
S32、基于信息准则,根据反演时每个源项分布模型所用测量值的个数、参数个数、剂量率数据的测量值和计算值计算得到每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型;
所述信息准则为AIC信息准则或BIC信息准则;
如果所述信息准则为AIC信息准则,则根据下式中AIC取最小值时对应的模型为最优的源项分布模型;
AIC=n·ln(Rss/n)+2m,
其中,n·ln(Rss/n)表示每个源项分布模型的拟合优度,2m表示每个源项分布模型的复杂度,Rss为每个源项分布模型的剂量率数据的测量值与计算值之差的平方和,n为反演时每个源项分布模型所用测量值的个数,m为每个源项分布模型的参数个数;
如果所述信息准则为BIC信息准则,则下式中的BIC取最小值时对应的模型为最优的源项分布模型;
BIC=n·ln(Rss/n)+m ln(n),
其中,n·ln(Rss/n)表示每个源项分布模型的拟合优度,m ln(n)表示每个源项分布模型的复杂度,Rss为每个源项分布模型的剂量率数据的测量值与计算值之差的平方和,n为反演时每个源项分布模型所用测量值的个数,m为每个源项分布模型的参数个数。
2.一种基于信息准则的γ辐射源项划分系统,其特征在于,包括:
区域划分模块,用于对γ辐射源项进行多种区域划分,每种区域划分对应一个源项分布模型,每个源项分布模型的参数个数为对应区域划分下的源项划分区域个数,每个参数表示一个源项划分区域内的放射性活度;
获取模块,用于获取剂量率数据的位置信息与测量值,并计算得到每个源项分布模型产生的剂量率数据的相对贡献份额;
选择模块,用于基于信息准则,根据每个源项分布模型的参数及参数个数、剂量率数据的测量值和相对贡献份额计算得到每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型;
所述选择模块包括:
计算子模块,用于根据每个源项分布模型的参数及参数个数、剂量率数据的测量值和相对贡献份额反演计算得到该源项分布模型的剂量率数据的计算值;
选择子模块,用于基于信息准则,根据反演时每个源项分布模型所用测量值的个数、参数个数、剂量率数据的测量值和计算值计算得到每个源项分布模型的拟合优度和复杂度,从多个源项分布模型中选择最优的源项分布模型;
所述信息准则为AIC信息准则或BIC信息准则;
如果所述信息准则为AIC信息准则,则根据下式中AIC取最小值时对应的模型为最优的源项分布模型;
AIC=n·ln(Rss/n)+2m,
其中,n·ln(Rss/n)表示每个源项分布模型的拟合优度,2m表示每个源项分布模型的复杂度,Rss为每个源项分布模型的剂量率数据的测量值与计算值之差的平方和,n为反演时每个源项分布模型所用测量值的个数,m为每个源项分布模型的参数个数;
如果所述信息准则为BIC信息准则,则下式中的BIC取最小值时对应的模型为最优的源项分布模型;
BIC=n·ln(Rss/n)+m ln(n),
其中,n·ln(Rss/n)表示每个源项分布模型的拟合优度,m ln(n)表示每个源项分布模型的复杂度,Rss为每个源项分布模型的剂量率数据的测量值与计算值之差的平方和,n为反演时每个源项分布模型所用测量值的个数,m为每个源项分布模型的参数个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811119911.0A CN109521457B (zh) | 2018-09-25 | 2018-09-25 | 一种基于信息准则的γ辐射源项划分方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811119911.0A CN109521457B (zh) | 2018-09-25 | 2018-09-25 | 一种基于信息准则的γ辐射源项划分方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109521457A CN109521457A (zh) | 2019-03-26 |
CN109521457B true CN109521457B (zh) | 2022-10-21 |
Family
ID=65769952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811119911.0A Active CN109521457B (zh) | 2018-09-25 | 2018-09-25 | 一种基于信息准则的γ辐射源项划分方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109521457B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115201884B (zh) * | 2022-09-14 | 2022-12-20 | 嘉兴嘉卫检测科技有限公司 | 一种环境监测用的空气辐射测量方法及系统 |
Family Cites Families (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4212061A (en) * | 1977-12-21 | 1980-07-08 | Medtronic, Inc. | Radiation signal processing system |
US6697633B1 (en) * | 1995-06-02 | 2004-02-24 | Northrop Grummar Corporation | Method permitting increased frequency re-use in a communication network, by recovery of transmitted information from multiple cochannel signals |
JP4313895B2 (ja) * | 1999-06-04 | 2009-08-12 | 株式会社東芝 | 放射線検出装置 |
DE60228960D1 (de) * | 2001-06-22 | 2008-10-30 | Pg Res Foundation Inc | Kompakte automatisierte vorrichtung zur trennung von radionukliden |
US8461547B2 (en) * | 2005-04-28 | 2013-06-11 | Utah State University | Suppressed correlation method for identifying radioactive sources |
DE602006020618D1 (de) * | 2005-12-22 | 2011-04-21 | Visen Medical Inc | Kombiniertes röntgen- und optisches tomographie-bildgebungssystem |
EP1999670A4 (en) * | 2006-03-17 | 2010-05-19 | Canberra Ind Inc | device for estimating probability uncertainties |
US8666711B2 (en) * | 2006-03-17 | 2014-03-04 | Canberra Industries, Inc. | Radiation analysis system and method |
US20100129804A1 (en) * | 2006-11-08 | 2010-05-27 | Chinnaiyan Arul M | Spink1 as a prostate cancer marker and uses thereof |
GB2454691A (en) * | 2007-11-15 | 2009-05-20 | Nexia Solutions Ltd | Device and method for the detection and mapping of radiation |
CN101576516B (zh) * | 2008-05-09 | 2011-12-21 | 同方威视技术股份有限公司 | 气体辐射探测器及辐射成像系统 |
WO2017100706A1 (en) * | 2015-12-09 | 2017-06-15 | Origin Wireless, Inc. | Method, apparatus, and systems for wireless event detection and monitoring |
CN101718875A (zh) * | 2009-12-11 | 2010-06-02 | 中国原子能科学研究院 | γ射线成像装置 |
US9715020B2 (en) * | 2010-04-09 | 2017-07-25 | Bayer Healthcare Llc | Radiopharmaceutical concentration measurement system and method |
GB201115419D0 (en) * | 2011-09-07 | 2011-10-19 | Univ Leuven Kath | Non-invasive in-situ radiation dosimetry |
FR2981455B1 (fr) * | 2011-10-14 | 2013-12-27 | Commissariat Energie Atomique | Dispositif d'imagerie x ou gamma portable et polyvalent pour l'examen non destructif de colis suspects, integrant les techniques d'imagerie en transmission et en retrodiffusion |
WO2013059358A2 (en) * | 2011-10-17 | 2013-04-25 | Butterfly Network, Inc. | Transmissive imaging and related apparatus and methods |
FR2996667B1 (fr) * | 2012-10-05 | 2015-12-11 | Olea Medical | Systeme et procede pour estimer une quantite d'interet dans un systeme cinematique par tomographie par agent de contraste |
CA2904441A1 (en) * | 2013-03-15 | 2014-09-18 | Metamark Genetics, Inc. | Compositions and methods for cancer prognosis |
CN103235294A (zh) * | 2013-03-29 | 2013-08-07 | 电子科技大学 | 一种基于外辐射源定位的微弱信号分离估计方法 |
US10371860B2 (en) * | 2013-05-22 | 2019-08-06 | S.S. Papadopulos & Associates, Inc. | Simultaneous multi-event universal kriging methods for spatio-temporal data analysis and mapping |
CN103592670B (zh) * | 2013-11-07 | 2016-06-01 | 西北核技术研究所 | gamma放射性气体体源绝对探测效率刻度装置及方法 |
US9494535B2 (en) * | 2014-04-21 | 2016-11-15 | Kla-Tencor Corporation | Scatterometry-based imaging and critical dimension metrology |
CN104215997B (zh) * | 2014-09-03 | 2016-09-21 | 北京市射线应用研究中心 | 一种α和γ双通道能谱连续监测方法及监测系统 |
CN105589089B (zh) * | 2014-10-24 | 2019-01-08 | 中核核电运行管理有限公司 | 用于核电厂报废空气过滤器金属框架辐射源项调查的方法 |
CN106611072A (zh) * | 2015-10-26 | 2017-05-03 | 中广核工程有限公司 | 核电站辐射剂量场的模拟方法和系统 |
CN106814384B (zh) * | 2015-11-27 | 2019-03-15 | 华北电力大学 | 核电厂点源辐射源强逆推方法及点源辐射源强逆推系统 |
CN106991265B (zh) * | 2016-01-20 | 2019-12-24 | 华北电力大学 | 核电厂面源辐射源强逆推方法及面源辐射源强逆推系统 |
CN205550908U (zh) * | 2016-03-11 | 2016-09-07 | 深圳市利美泰克自控设备有限公司 | 放射性固体废物检测分类系统 |
CN106354695B (zh) * | 2016-08-22 | 2019-09-17 | 北京理工大学 | 一种仅输出线性时变结构模态参数辨识方法 |
CN107330186B (zh) * | 2017-06-30 | 2020-06-16 | 哈尔滨工程大学 | 一种3dsMax核设施模型辐射场剂量分布仿真方法 |
CN111666718B (zh) * | 2020-06-08 | 2021-10-22 | 南华大学 | 核设施源项活度智能反演方法、装置、设备及存储介质 |
-
2018
- 2018-09-25 CN CN201811119911.0A patent/CN109521457B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109521457A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Achard et al. | Study of the e+ e−→ Zγ process at LEP and limits on triple neutral-gauge-boson couplings | |
Nousek et al. | Chi-squared and C statistic minimization for low count per bin data | |
Burke et al. | Planet Detection Metrics: Per-Target Detection Contours for Data Release 25 | |
WO2009114669A1 (en) | Radiation therapy plan dose perturbation system and method | |
US8666711B2 (en) | Radiation analysis system and method | |
CN101755308A (zh) | 确定关于核反应堆堆芯中功率分布的不确定性分量的方法 | |
Miao et al. | Analysis of correlations and their impact on convergence rates in Monte Carlo eigenvalue simulations | |
WO2014085081A1 (en) | Radiation analysis system and method | |
Mervin et al. | Uncertainty underprediction in Monte Carlo eigenvalue calculations | |
CN109521457B (zh) | 一种基于信息准则的γ辐射源项划分方法及系统 | |
CN109471999B (zh) | 一种非均匀源项分布的γ辐射场数据修正计算方法及系统 | |
CN109521456B (zh) | 一种基于正则化最小二乘法的γ辐射源项反演方法及系统 | |
JP7399030B2 (ja) | 線量推定装置、線量推定方法および線量推定プログラム | |
CN113449254A (zh) | 任意网型变形监测稳定性分析方法及监控点位置确定方法 | |
Bonner et al. | Ensuring the effectiveness of safeguards through comprehensive uncertainty quantification | |
Ramuhalli et al. | Uncertainty quantification techniques for sensor calibration monitoring in nuclear power plants | |
US20130001431A1 (en) | Method for identifying a nuclear explosion based on krypton and xenon isotopes | |
Merlé et al. | Impact of pharmacokinetic–pharmacodynamic model linearization on the accuracy of population information matrix and optimal design | |
Ziemann | Operational improvements for an algorithm to noninvasively measure the orbit response matrix in storage rings | |
Bakin et al. | Computational errors in the calculation of long radioactive decay chains | |
Croft et al. | How the choice of data reduction can strongly influence uncertainty assessment: A re-analysis of Mn-bath experiments | |
JP7399031B2 (ja) | 線量推定装置、線量推定方法および線量推定プログラム | |
Van der Merwe et al. | Enhancing PEPT: high fidelity analysis with augmented detection | |
CN114117870B (zh) | 一种反馈式辐射屏蔽分析方法、系统、终端及介质 | |
CN115267873B (zh) | 一种反应堆沉积源项的测量分析方法、系统、终端及介质 |
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 |