CN111008356A - 一种基于WTSVD算法扣除背景的γ能谱集分析方法 - Google Patents
一种基于WTSVD算法扣除背景的γ能谱集分析方法 Download PDFInfo
- Publication number
- CN111008356A CN111008356A CN201911108217.3A CN201911108217A CN111008356A CN 111008356 A CN111008356 A CN 111008356A CN 201911108217 A CN201911108217 A CN 201911108217A CN 111008356 A CN111008356 A CN 111008356A
- Authority
- CN
- China
- Prior art keywords
- energy spectrum
- background
- wavelet
- gamma energy
- wtsvd
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Abstract
本发明公开了一种基于WTSVD算法扣除背景的γ能谱集分析方法,包括以下步骤:S1、根据小波的变换自适应程度进行分级;S2、分析小波的时域和频域,判断是否有人工核素干扰,如果是,则进入步骤S3中,如果否,则直接进入步骤S4中;S3、剔除受到人工核素干扰的数据,并进行补充测量;S4、构建背景训练矩阵Bn×p,并通过Mallat对小波进行分解;S5、测量γ能谱,构建γ能谱集S;S6、对背景训练矩阵Bn×p进行SVD分解,即幺正矩阵分解,提取主成分矩阵U;S7、基于主成分矩阵U,通过位运算,对能谱数据集合S进行降噪,获得降噪能谱集D。通过小波变换分析,精确降低人工核素对背景能谱影响。
Description
技术领域
本发明涉及测量技术领域,具体来说,涉及一种基于WTSVD算法扣除背景的γ能谱集分析方法。
背景技术
γ能谱数据的处理是能谱分析的重要前提,由于受γ射线和辐射探测器本身固有的统计涨落及电子学噪声的影响,γ能谱数据有很大统计涨落。能谱数据降噪方法一般有重心法,最小二乘拟合法(陈良波,郑亚青.基于最小二乘法的曲线拟合研究[J].原子能科学技术,2012,11(5):52-55.),高斯函数法(钟文峰,周书民.平滑处理在频谱分析中的应用研究与实现[J].智能计算机与应用,2013,3(3):72-74.),傅里叶变换法(张鹏飞.傅里叶变换法在中子活化γ能谱解析中的应用[D].吉林大学,2016.),数字滤波器法(王雪.数字S-K滤波器平滑处理方法研究[D].成都理工大学,2013.)。平滑主要是降低噪声干扰,凸显有效峰位,使核素识别能高效寻到真峰。上述方法自适应度较低,处理的能谱数据信噪比较低,加大了特征信息获取的难度,更重要的是,不适用于数量巨大的γ能谱集处理。上述所有方法针对能谱本身,利用数值运算和分析,对单一能谱进行处理,而能谱测量过程存在大量的不确定性,如何将不确定性降到最低,通过单一能谱测量是无法完成的。
发明内容
为解决现有技术中存在的问题,本发明提供一种基于WTSVD算法扣除背景的γ能谱集分析方法。
为实现上述目的,本发明采用的技术方案是:一种基于WTSVD算法扣除背景的γ能谱集分析方法,包括以下步骤:
S1、根据小波的变换自适应程度进行分级;
S2、分析小波的时域和频域,判断是否有人工核素干扰,如果是,则进入步骤S3,如果否,则直接进入步骤S4;
S3、剔除受到人工核素干扰的数据,并进行补充测量;
S4、构建背景训练矩阵Bn×p,并通过Mallat对小波进行分解;
S5、测量γ能谱,构建γ能谱集S;
S6、对背景训练矩阵Bn×p进行SVD分解,提取主成分矩阵U;
S7、基于主成分矩阵U,通过按位或运算,对能谱数据集合S进行降噪,获得降噪能谱集D。
优选的,步骤S4中的Mallat分解公式为:
fm(n)=∑kh(2n-k)fm+1(k)
dm(n)=∑kg(2n-k)fm+1(k)
其中f0,标识原始信号向量,fm(m=-1,-2,…,-M)是经过分解过后的逼近信号,dm(m=-1,-2,…,-M))是经过分解后的细节信号,h和g分别是低通滤波器和高通滤波器的冲击响应序列。
优选的,步骤S6中的分解公式为:
本发明的有益效果是:
1、通过小波变换分析,精确降低人工核素对背景能谱影响;
2、能够降低不确定性影响,逼近真实测量;
3、通过多组数据测量而非单一分析,降低误差;
4、能够对大量γ能谱数据进行快速运算处理,极大提高分析效率;
5、SVD能够处理任一γ能谱集构成的矩阵,兼容性较好,效率高。
附图说明
图1是本发明所述的基于WTSVD算法扣除背景的γ能谱集分析方法的实施例的整体运算流程结构示意图;
图2是本发明所述的基于WTSVD算法扣除背景的γ能谱集分析方法的实施例的Mallat小波分解结构示意图;
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例1:
如图1和图2所示,一种基于WTSVD算法扣除背景的γ能谱集分析方法,包括以下步骤:
S1、根据小波的变换自适应程度进行分级;
S2、分析小波的时域和频域,判断是否有人工核素干扰,如果是,则进入步骤S3中,如果否,则直接进入步骤S4中;
S3、剔除受到人工核素干扰的数据,并进行补充测量;
S4、构建背景训练矩阵Bn×p,并通过Mallat对小波进行分解;
S5、测量γ能谱,构建γ能谱集S;
S6、对背景训练矩阵Bn×p进行SVD分解,即幺正矩阵分解,提取主成分矩阵U;
S7、基于主成分矩阵U,通过按位或运算,对能谱数据集合S进行降噪,获得降噪能谱集D。
实施例2:
如图1和图2所示,本实施例在实施例1的基础上,步骤S4中的Mallat分解公式为:
fm(n)=∑kh(2n-k)fm+1(k)
dm(n)=∑kg((2n-k)fm+1(k)
其中f0,标识原始信号向量,fm(m=-1,-2,…,-M)是经过分解过后的逼近信号,dm(m=-1,-2,…,-M))是经过分解后的细节信号,h和g分别是低通滤波器和高通滤波器的冲击响应序列。
实施例3:
如图1和图2所示,本实施例在实施例1的基础上,步骤S6中的分解公式为:
(1)小波变换自适应度强,可分级,同时具备时域和频域分析,能够有效判断人工核素干扰,当背景能谱受到人工核素干扰时,剔除该次背景测量,进行补充测量,构建背景训练矩阵Bn×p,本发明采用的是Mallat小波分解,如图2所示,其中f0,标识原始信号向量,fm(m=-1,-2,…,-M)是经过分解过后的逼近信号,dm(m=-1,-2,…,-M)是经过分解后的细节信号,运算公式为:
fm(n)=∑kh(2n-k)fm+1(k) (1)
dm(n)=∑kg(2n-k)fm+1(k) (2)
此处的h和g分别是低通滤波器和高通滤波器的冲击响应序列。
(2)第二部分是测量大量的γ能谱,构建γ能谱集S。然后进行数据处理阶段,对背景训练矩阵Bn×p进行SVD分解,即幺正矩阵分解,提取主成分矩阵U,运算如下:
(3)最后,通过按位或运算,对能谱数据集合S进行降噪,获得降噪能谱集D,实现γ能谱集的主成分回归运算。
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (3)
1.一种基于WTSVD算法扣除背景的γ能谱集分析方法,其特征在于,包括以下步骤:
S1、根据小波的变换自适应程度进行分级;
S2、分析小波的时域和频域,判断是否有人工核素干扰,如果是,则进入步骤S3,如果否,则直接进入步骤S4;
S3、剔除受到人工核素干扰的数据,并进行补充测量;
S4、构建背景训练矩阵Bn×p,并通过Mallat对小波进行分解;
S5、测量γ能谱,构建γ能谱集S;
S6、对背景训练矩阵Bn×p进行SVD分解,提取主成分矩阵U;
S7、基于主成分矩阵U,通过按位或运算,对能谱数据集合S进行降噪,获得降噪能谱集D。
2.根据权利要求1所述的基于WTSVD算法扣除背景的γ能谱集分析方法,其特征在于,步骤S4中的Mallat分解公式为:
fm(n)=∑kh(2n-k)fm+1(k)
dm(n)=∑kg(2n-k)fm+1(k)
其中f0,标识原始信号向量,fm(m=-1,-2,…,-M)是经过分解过后的逼近信号,dm(m=-1,-2,…,-M))是经过分解后的细节信号,h和g分别是低通滤波器和高通滤波器的冲击响应序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911108217.3A CN111008356B (zh) | 2019-11-13 | 2019-11-13 | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911108217.3A CN111008356B (zh) | 2019-11-13 | 2019-11-13 | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008356A true CN111008356A (zh) | 2020-04-14 |
CN111008356B CN111008356B (zh) | 2023-06-16 |
Family
ID=70113273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911108217.3A Active CN111008356B (zh) | 2019-11-13 | 2019-11-13 | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008356B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329333A (zh) * | 2022-03-03 | 2022-04-12 | 核工业航测遥感中心 | 航空γ能谱数据NASVD降噪有效奇异值数目确定方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070014859A1 (en) * | 2005-07-15 | 2007-01-18 | Wyeth | Highly bioavailable oral delayed release dosage forms of O-desmethylvenlafaxine succinate |
US20090274236A1 (en) * | 2008-05-02 | 2009-11-05 | Norihito Mihota | Wireless Communication Apparatus, Wireless Communication Method, Wireless Communication System, and Computer Program |
CN106507974B (zh) * | 2007-10-30 | 2012-03-07 | 核工业北京地质研究院 | 砂岩型铀矿放射性γ能谱弱信息提取方法 |
WO2014207588A1 (en) * | 2013-06-24 | 2014-12-31 | Universite De Strasbourg | Method for reducing noise in data-sets of harmonic signals |
CN104931518A (zh) * | 2015-06-09 | 2015-09-23 | 东南大学 | 一种用于x射线荧光光谱本底扣除的方法 |
CN105834835A (zh) * | 2016-04-26 | 2016-08-10 | 天津大学 | 一种基于多尺度主元分析的刀具磨损在线监测方法 |
CN106301755A (zh) * | 2016-08-12 | 2017-01-04 | 中国科学院信息工程研究所 | 一种基于小波分析的能量泄漏信号的降噪方法及系统 |
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 |
CN109063741A (zh) * | 2018-07-05 | 2018-12-21 | 南京航空航天大学 | 一种基于希尔伯特曲线变换与深度学习的能谱分析方法 |
CN110176273A (zh) * | 2013-10-04 | 2019-08-27 | 塞昆纳姆股份有限公司 | 遗传变异的非侵入性评估的方法和过程 |
-
2019
- 2019-11-13 CN CN201911108217.3A patent/CN111008356B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070014859A1 (en) * | 2005-07-15 | 2007-01-18 | Wyeth | Highly bioavailable oral delayed release dosage forms of O-desmethylvenlafaxine succinate |
CN106507974B (zh) * | 2007-10-30 | 2012-03-07 | 核工业北京地质研究院 | 砂岩型铀矿放射性γ能谱弱信息提取方法 |
US20090274236A1 (en) * | 2008-05-02 | 2009-11-05 | Norihito Mihota | Wireless Communication Apparatus, Wireless Communication Method, Wireless Communication System, and Computer Program |
WO2014207588A1 (en) * | 2013-06-24 | 2014-12-31 | Universite De Strasbourg | Method for reducing noise in data-sets of harmonic signals |
CN110176273A (zh) * | 2013-10-04 | 2019-08-27 | 塞昆纳姆股份有限公司 | 遗传变异的非侵入性评估的方法和过程 |
CN104931518A (zh) * | 2015-06-09 | 2015-09-23 | 东南大学 | 一种用于x射线荧光光谱本底扣除的方法 |
CN105834835A (zh) * | 2016-04-26 | 2016-08-10 | 天津大学 | 一种基于多尺度主元分析的刀具磨损在线监测方法 |
CN106301755A (zh) * | 2016-08-12 | 2017-01-04 | 中国科学院信息工程研究所 | 一种基于小波分析的能量泄漏信号的降噪方法及系统 |
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 |
CN109063741A (zh) * | 2018-07-05 | 2018-12-21 | 南京航空航天大学 | 一种基于希尔伯特曲线变换与深度学习的能谱分析方法 |
Non-Patent Citations (7)
Title |
---|
DONGIN FAN: "Fault feature extraction for roller bearings based on DTCWPT and SVD", 《2016 13TH INTERNATIONAL CONFERENCE ON UBIQUITOUS ROBOTS AND AMBIENT INTELLIGENCE(URAI)》 * |
XUE-JUN LIU: "Research on Noise Reduction Method Based on CEEMD-WT-SVD and its Application in Acoustic Signal of Pipeline Blockage", 《电脑学刊》 * |
姜东: "基于稀疏表示与字典学习的图像融合方法研究", 《中国优秀硕士学位论文全文数据库-工程科技II辑》 * |
曾晨浩: "基于模极大值法的γ能谱数据处理与分析", 《原子能科学技》, vol. 51, no. 7, pages 1305 - 1310 * |
王蒙: "基于EDXRF的钢厂中物料元素在线检测的能谱分析方法研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
罗烈: "小波变换在变形监测数据去噪和信息提取中的应用研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》, pages 68 - 71 * |
齐凤: "井下接收信号的小波降噪方法研究", 《中国优秀硕士论文全文数据库-信息科技辑》, pages 40 - 44 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329333A (zh) * | 2022-03-03 | 2022-04-12 | 核工业航测遥感中心 | 航空γ能谱数据NASVD降噪有效奇异值数目确定方法 |
CN114329333B (zh) * | 2022-03-03 | 2022-06-03 | 核工业航测遥感中心 | 航空γ能谱数据NASVD降噪有效奇异值数目确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111008356B (zh) | 2023-06-16 |
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 | |
CN109784410B (zh) | 一种舰船辐射噪声信号的特征提取和分类方法 | |
CN106483550B (zh) | 一种模拟能谱曲线仿真方法 | |
CN105824817A (zh) | 一种闪烁脉冲的数字化方法 | |
CN106483842B (zh) | 一种高精度智能仿核信号发生系统及其工作方法 | |
CN106483551B (zh) | 一种仿核信号发生器及其工作方法 | |
CN111008356A (zh) | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 | |
CN109165432B (zh) | 一种基于部分奇异值和的磁共振波谱重建方法 | |
Zhang et al. | Bearing fault diagnosis with kernel sparse representation classification based on adaptive local iterative filtering-enhanced multiscale entropy features | |
CN116432703B (zh) | 基于复合神经网络模型的脉冲高度估计方法、系统及终端 | |
CN110287853B (zh) | 一种基于小波分解的暂态信号去噪方法 | |
CN114118177B (zh) | 一种基于奇异谱分析的位平面降噪方法、系统及存储介质 | |
CN111553111A (zh) | 一种基于mcnp的数字仿核信号发生器 | |
CN107341519B (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
Trigano et al. | On nonhomogeneous activity estimation in gamma spectrometry using sparse signal representation | |
CN112285793B (zh) | 一种大地电磁去噪方法及系统 | |
CN114706128A (zh) | 一种微地震资料噪声压制方法及系统、存储介质和地震信息处理设备 | |
Guoming et al. | Analog circuit fault diagnosis using wavelet feature optimization approach | |
CN106483867B (zh) | 仿核信号发生系统用处理器的工作方法 | |
Trigano et al. | Intensity estimation of spectroscopic signals with an improved sparse reconstruction algorithm | |
El_Tokhy | Rapid and robust radioisotopes identification algorithms of X-Ray and gamma spectra | |
Bergamasco et al. | Correlation dimension of underground muon time series | |
CN110687584A (zh) | 一种基于lstm的快速核素识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Zeng Chenhao Inventor after: Lai Wanchang Inventor after: Fan Chen Inventor after: Chen Jiehao Inventor before: Zeng Chenhao Inventor before: Lai Wanchang Inventor before: Feng Xiaojie Inventor before: Fan Chen Inventor before: Chen Jiehao |
|
CB03 | Change of inventor or designer information |