CN111008356A - 一种基于WTSVD算法扣除背景的γ能谱集分析方法 - Google Patents

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

一种基于WTSVD算法扣除背景的γ能谱集分析方法

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B_n×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B_n×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：

f_m(n)＝∑_kh(2n-k)f_m+1(k)

d_m(n)＝∑_kg(2n-k)f_m+1(k)

其中f₀,标识原始信号向量，f_m(m＝-1，-2，…，-M)是经过分解过后的逼近信号，d_m(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B_n×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B_n×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：

f_m(n)＝∑_kh(2n-k)f_m+1(k)

d_m(n)＝∑_kg((2n-k)f_m+1(k)

其中f₀,标识原始信号向量，f_m(m＝-1，-2，…，-M)是经过分解过后的逼近信号，d_m(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B_n×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，f_m(m＝-1，-2，…，-M)是经过分解过后的逼近信号，d_m(m＝-1，-2，…，-M)是经过分解后的细节信号，运算公式为：

f_m(n)＝∑_kh(2n-k)f_m+1(k) (1)

d_m(n)＝∑_kg(2n-k)f_m+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B_n×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B_n×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：

f_m(n)＝∑_kh(2n-k)f_m+1(k)

d_m(n)＝∑_kg(2n-k)f_m+1(k)

其中f₀，标识原始信号向量，f_m(m＝-1，-2，…，-M)是经过分解过后的逼近信号，d_m(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。

3.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S6中的分解公式为：

Images