CN112101141A - 频域n-γ的识别方法及装置 - Google Patents
频域n-γ的识别方法及装置 Download PDFInfo
- Publication number
- CN112101141A CN112101141A CN202010876162.7A CN202010876162A CN112101141A CN 112101141 A CN112101141 A CN 112101141A CN 202010876162 A CN202010876162 A CN 202010876162A CN 112101141 A CN112101141 A CN 112101141A
- Authority
- CN
- China
- Prior art keywords
- pulse
- frequency
- frequency domain
- gamma
- noise reduction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000009467 reduction Effects 0.000 claims abstract description 38
- 238000010586 diagram Methods 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000001976 improved effect Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000005855 radiation Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 15
- 238000001228 spectrum Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000004907 flux Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 101100502324 Arabidopsis thaliana FAD6 gene Proteins 0.000 description 1
- 101100503252 Streptomyces wedmorensis fom1 gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005658 nuclear physics Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明实施例公开了一种频域n‑γ的识别方法及装置,涉及核辐射探测技术领域,主要目的在于采用以Shannon熵作为小波重构系数的降噪方法,可以抑制高频噪声甚至信号,同时对于低频信号不但没有抑制,反而有提升的效果,算法简单、准确度高。主要技术方案包括:对待处理脉冲信号基于Shannon熵小波作为小波重构系数进行频域脉冲降噪;对降噪后的待处理脉冲信号提取0频率的脉冲幅值,将所述0频率的脉冲幅值作为特征值进行频域n‑γ的识别。
Description
技术领域
本发明实施例涉及核辐射探测技术领域,特别是涉及一种频域n-γ的识别方法及装置。
背景技术
大多数中子辐射伴有γ射线,这主要源自中子源自身的γ散射和慢化中子的俘获γ射线。在n、γ射线混合辐射场进行粒子探测时,需要进行 n-γ识别。在n-γ识别技术领域中,对于有一定时间关系的n和γ射线,可以利用粒子飞行时间(Time Of Flight,TOF)的差别进行识别。对没有时间关系的n和γ射线,一般用脉冲形状识别法(Pulse ShapeDiscrimination, PSD)加以区分。根据脉冲形状的不同,早在上世纪五、六十年代的核物理实验中,基于模拟电路的脉冲形状识别技术,例如电荷比较法(Charge ComparisonMethod,CCM)、上升时间法(Rise-Time Methods,RTM)、过零时间法(Zero-CrossingMethods,ZCM)等已被广泛使用于强γ射线背景中的中子探测。但是这种传统n-γ识别系统需要过多硬件、结构复杂,并且成本较高,信号调试较困难,使用受到限制。
近年来,随着计算机技术的不断发展,数字信号处理(Digital SignalProcessing)技术的运算速度得到大幅度提升,高速模数转换器(Fast Analog to DigitalConverter,FADC)的出现,使得数字化n-γ脉冲识别技术取得了较大发展。目前的数字化n-γ识别算法主要包括两类:一类是从基于模拟电路的传统算法发展起来的识别算法,如电荷比较法、n-γ模型分析法、过零时间法等。这类算法较为简单,但直接移植后并没有充分利用数字信号处理中高精度的特点,因而识别的可靠性不高。另一类是数字信号处理中的算法直接应用于n-γ识别,如神经网络,模糊聚类等算法。
上述算法虽然能够实现n-γ脉冲的识别,但是在频域特征提取方面上述算法对噪声敏感度不高,但是噪声对频域识别效果的影响很大,因此,如何对频域识别中的噪声进行处理,并进行频域n-γ识别是目前亟需解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种频域n-γ的识别方法及装置,主要目的采用以Shannon熵作为小波重构系数的降噪方法,可以抑制高频噪声甚至信号,同时对于低频信号不但没有抑制,反而有提升的效果,算法简单、准确度高。
为了解决上述问题,本发明实施例主要提供如下技术方案:
第一方面,本发明实施例提供了一种频域n-γ的识别方法,包括:
对待处理脉冲信号基于Shannon熵小波作为小波重构系数进行频域脉冲降噪;
对降噪后的待处理脉冲信号提取0频率的脉冲幅值;
将所述0频率的脉冲幅值作为特征值进行频域n-γ的识别。
可选的,对降噪后的待处理脉冲信号提取0频率的脉冲幅值包括:
根据降噪后的n-γ脉冲信号得到频域脉冲分布图;
在所述频域脉冲分布图基于下述公式提取0频率的脉冲幅值,其中F 的数值相对较大的部分为n脉冲信号;
a为傅里叶变换之后频率为0处幅值的实部,b为虚部。
可选的,所述方法还包括:
根据提取的所述0频率的脉冲幅值生成识别统计图。
第二方面,本发明实施例还提供一频域n-γ的识别装置,包括:
降噪单元,用于对待处理脉冲信号基于Shannon熵小波作为小波重构系数进行频域脉冲降噪;
第一提取单元,用于对所述降噪单元降噪后的待处理脉冲信号提取0 频率的脉冲幅值;
识别单元,用于将所述提取单元提取的所述0频率的脉冲幅值作为特征值进行频域n-γ的识别。
可选的,所述第一提取单元包括:
处理模块,用于根据降噪后的n-γ脉冲信号得到频域脉冲分布图;
提取模块,用于在所述频域脉冲分布图基于下述公式提取0频率的脉冲幅值,其中F的数值相对较大的部分为n脉冲信号;
a为傅里叶变换之后频率为0处幅值的实部,b为虚部。
可选的,所述装置还包括:
第二提取单元,用于根据提取的所述0频率的脉冲幅值生成识别统计图。
第三方面,本发明实施例还提供一种电子设备,包括:
至少一个处理器;
以及与所述处理器连接的至少一个存储器、总线;其中,
所述处理器、存储器通过所述总线完成相互间的通信;
所述处理器用于调用所述存储器中的程序指令,以执行第一方面中任一项所述的频域n-γ的识别方法。
第三方面,本发明实施例还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面中任一项所述的频域n-γ的识别方法。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明实施例提供的一种频域n-γ的识别方法及装置,对待处理脉冲信号基于Shannon熵小波作为小波重构系数进行频域脉冲降噪;对降噪后的待处理脉冲信号提取0频率的脉冲幅值,将所述0频率的脉冲幅值作为特征值进行频域n-γ的识别。与现有技术相比,本发明实施例通过以 Shannon熵作为小波重构系数的降噪方法,可以抑制高频噪声甚至信号,同时对于低频信号不但没有抑制,反而有提升的效果,算法简单、准确度高;利用0频率幅值识别算法,只取频率为0的幅值进行识别,可以将n-γ脉冲完全区分开,脉冲中间几乎没有粘连,求取的识别统计的性能参数均能达到最优,因此识别效果最好。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种频域n-γ的识别方法的流程图;
图2示出了本发明实施例提供的一种Shannon熵小波降噪与EMD降噪的比对示意图
图3示出了本发明实施提供的一种频域脉冲分布图的示意图;
图4示出了本发明实施例提供的一种六种频域算法获取特征值的示意图;
图5示出了本发明实施例提供的一种ZFA、SF及SGA三种频域算法 n-γ识别对比图;
图6示出了本发明实施例提供的一种频域n-γ的识别装置的组成框图;
图7示出了本发明实施例提供的另一种频域n-γ的识别装置的组成框图;
图8示出了本发明实施例提供的一种电子设备的架构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种频域n-γ的识别方法,如图1所示,所述方法包括:
101、对待处理脉冲信号基于Shannon熵小波作为小波重构系数进行频域脉冲降噪;
在具体实施本发明实施例时,采用的是实验方法,即采用本发明实施例提供的方法与其他识别n-γ脉冲信号的方法进行了比对,真实的实验数据更具说明力。
目前,时域降噪基于经验模态分解(Empirical Mode Decomposition, EMD)全局小波降噪算法取得的降噪和识别效果是十分理想的。但是运用时域降噪能够取得较好识别结果,但是该种识别方法在进行频域降噪识别时的结果并不好。因此,本发明实施例中在对频域降噪时,采用Shannon 熵小波作为小波重构系数进行频域脉冲降噪,为了区分该两种方法,请参阅图2,图2示出了本发明实施例提供的一种Shannon熵小波降噪与EMD 降噪的比对示意图,其中,(a)为时域EMD降噪与原信号对比图,(b)为频域EMD降噪与原信号对比图,(c)为EMD降噪频域功率谱梯度(Spectrum Gradient Analysis,SGA)算法识别图;(d)、(e)、(f)分别为以Shannon熵为重构条件小波降噪对应图。
从时域图2(a)中可以看出EMD全局小波降噪效果已经很好,从脉冲波形上看既能保持脉冲的特征也能将噪声抑制到很低的范围,从频域图2(b) 上看也很能保持好频域信号的一般特征,且对于高频噪声有一定的抑制作用,但是运用频域功率谱梯度(SpectrumGradient Analysis,SGA)算法所获得的识别图2(c)中可以看出,识别效果并不是十分理想。相反,频域识别中常用的以Shannon熵作为小波重构系数的降噪算法,在时域中识别效果并不是很好,从图2(d)中可以看出,其很大程度上已经将脉冲波形的形状改变,从频域降噪对比图2(e)中可以看出该种降噪算法的特点是进一步抑制了高频噪声甚至信号,但是对于低频信号不但没有抑制,反而有提升的效果,因此该种算法适用于频域识别,从图2(f)中可以看出,这种降噪算法的识别效果要比适用于时域的识别效果好的多。
为量化说明降噪算法对识别性能的影响,对识别图性能参数进行求解可得表1。
表1 Shannon熵小波降噪与EMD降噪对频域n-γ识别影响评估
从表1中可以看出,中子和γ射线数接近说明算法的合理性,另外无论从识别峰值与波谷比值,还是识别评价因子FOM角度而言,基于以“Shannon”熵作为小波重构系数的适合频域降噪的算法都比适合时域降噪的EMD算法所得的n-γ识别图性能要好。
102、对降噪后的待处理脉冲信号提取0频率的脉冲幅值;
103、将所述0频率的脉冲幅值作为特征值进行频域n-γ的识别。
对n、γ脉冲信号进行频域降噪之后,得到频域脉冲分布图,图3示出了本发明实施提供的一种频域脉冲分布图的示意图,从图中可以明显看出频率为0时两种类型脉冲有着明显的界限,由于中子在与闪烁体作用时低频分量较多,从而F较大的部分为n信号,由F较小的部分为γ信号。
实际应用中,利用下述公式提取出0频率的脉冲幅值。
其中,a为傅里叶变换之后频率为0处幅值的实部,b为虚部。
本发明实施例提供的一种频域n-γ的识别方法,对待处理脉冲信号基于Shannon熵小波作为小波重构系数进行频域脉冲降噪;对降噪后的待处理脉冲信号提取0频率的脉冲幅值,将所述0频率的脉冲幅值作为特征值进行频域n-γ的识别。与现有技术相比,本发明实施例通过以Shannon熵作为小波重构系数的降噪方法,可以抑制高频噪声甚至信号,同时对于低频信号不但没有抑制,反而有提升的效果,算法简单、准确度高;利用0 频率幅值识别算法,只取频率为0的幅值进行识别,可以将n-γ脉冲完全区分开,脉冲中间几乎没有粘连,求取的识别统计的性能参数均能达到最优,因此识别效果最好。
实验过程中所用数据为NI5772高速数据采集卡采集,BC501A液体闪烁体探测器探测。在进行散点图求取分析时(图4所示),仅对为Am-Li 中子源脉冲进行分析,而在参数求取及分析时,则分别对Am-Li中子源、252Cf以及239Pu源三种源数据同时求解,可得到表2。
图4示出了本发明实施例提供的一种六种频域算法获取特征值分布图, (a)0频率幅值算法;(b)频域质心算法;(c)频域离散度算法;(d)平滑度算法; (e)频谱通量算法;(f)频谱滚降算法,所用源为Am-Li源。
从图4(a)中可以看出,0频率幅值算法能够将两类脉冲完全的区分开,效果较好;图4(b)中的坐标横轴为傅里叶变换之后频率对应幅值的实部,而纵轴则为虚部,从图中可以看出能够分为两类,但是效果不好;图4(c) 和图4(b)类似,效果同样不好;图4(d)为平滑度,从图中可以看出两类能够明显分开,但是阈值无法有效给出;图4(e)同样能够很好的分为两个类型,阈值也可以给出;图4(f)则无法分辨。
从以上分析可以看出,可以进行求解参数的仅有0频率幅值算法和频谱通量算法,现对这两种算法和SGA算法求识别统计图(图5)以及识别统计图参数(表2)。
图5ZFA、SF及SGA三种频域算法n-γ识别对比图,(a)ZFA算法获取识别统计图;(b)SF算法获取识别统计图;(c)SGA算法获取识别统计图,所用源为Am-Li中子源.
从图5中可以看出,0频率幅值算法能够完全将两类脉冲区分开,中间几乎没有粘连,识别效果最好;频谱通量算法获取的识别统计图中间有粘连,但是两个识别峰的形状较好;功率谱梯度算法能够将脉冲分开,但是形状不如频谱通量算法,左侧峰拖尾较为严重,中间有粘连,但是粘连程度要小于频谱通量算法。总的来讲,0频率幅值能够取得最好的识别效果。
为了量化比较ZFA、SF和SGA三种算法的优劣性,现对Am-Li中子源、252Cf以及239Pu源粒子脉冲数据进行识别,并分别求取识别性能参数,得到表2。
表2 ZFA、SF及SGA三种频域n-γ识别算法所获识别谱性能参数
参数说明:
①阈值(Threshold,Th),判别粒子类型的比较标准,求取阈值的意义在于检验道宽选取及脉冲统计谱起始道与截止道选取是否合理;
②阈值高度(Threshold height,ThH),阈值处对应的脉冲个数。
③峰阈比(Ratio of the Peak to the Threshold height,RPT),脉冲统计谱中n或者γ峰值(取峰值高度较低的)与阈值高度的比值:
④阈值宽度(Threshold Width,ThW),脉冲统计谱中n或者γ峰值(取峰值高度较低的)与阈值高度之和的一半所对应脉冲统计谱的道数;
⑥错误概率(Error Probability,EP),贝叶斯决策理论中最小风险判别指标,利用下式可以求得。
⑦识别评价因子2(Figure-Of-Merit 2,FOM2),取两个高斯函数拟合后的脉冲统计谱峰距离Peak separation2与n、γ峰位半高宽之和的比值:
从表2中可以看出无论对于何种源,0频率幅值n-γ识别算法是最好的,求取的识别统计的性能参数均能达到最优。而宏观上讲,频谱通量n-γ识别算法和脉冲梯度n-γ识别算法求取识别统计图的性能参数各有优劣,因此算法性能持平。总的来说0频率幅值n-γ识别算法能够适用于各种中子源的识别,是较为理想的识别算法。
由于本实施例所介绍的频域n-γ的识别装置为可以执行本发明实施例中的频域n-γ的识别方法的装置,故而基于本发明实施例中所介绍的频域 n-γ的识别方法,本领域所属技术人员能够了解本实施例的频域n-γ的识别装置的具体实施方式以及其各种变化形式,所以在此对于该频域n-γ的识别装置如何实现本发明实施例中的频域n-γ的识别方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中频域n-γ的识别方法所采用的装置,都属于本申请所欲保护的范围。
本发明实施例还提供一种频域n-γ的识别装置,如图6所示,包括:
降噪单元21,用于对待处理脉冲信号基于Shannon熵小波作为小波重构系数进行频域脉冲降噪;
第一提取单元22,用于对所述降噪单元21降噪后的待处理脉冲信号提取0频率的脉冲幅值;
识别单元23,用于将所述提取单元22提取的所述0频率的脉冲幅值作为特征值进行频域n-γ的识别。
进一步的,如图7所示,所述第一提取单元22包括:
处理模块221,用于根据降噪后的n-γ脉冲信号得到频域脉冲分布图;
提取模块222,用于在所述频域脉冲分布图基于下述公式提取0频率的脉冲幅值,其中F的数值相对较大的部分为n脉冲信号;
a为傅里叶变换之后频率为0处幅值的实部,b为虚部。
进一步的,如图7所示,所述装置还包括:
第二提取单元24,用于根据提取的所述0频率的脉冲幅值生成识别统计图。
本发明实施例提供的一种频域n-γ的识别装置,对待处理脉冲信号基于Shannon熵小波作为小波重构系数进行频域脉冲降噪;对降噪后的待处理脉冲信号提取0频率的脉冲幅值,将所述0频率的脉冲幅值作为特征值进行频域n-γ的识别。与现有技术相比,本发明实施例通过以Shannon熵作为小波重构系数的降噪方法,可以抑制高频噪声甚至信号,同时对于低频信号不但没有抑制,反而有提升的效果,算法简单、准确度高;利用0 频率幅值识别算法,只取频率为0的幅值进行识别,可以将n-γ脉冲完全区分开,脉冲中间几乎没有粘连,求取的识别统计的性能参数均能达到最优,因此识别效果最好。
本发明实施例提供了一种电子设备,如图8所示,包括:至少一个处理器(processor)31;以及与所述处理器31连接的至少一个存储器 (memory)32、总线33;其中,
所述处理器31、存储器32通过所述总线33完成相互间的通信;
所述处理器31用于调用所述存储器32中的程序指令,以执行上述方法实施例中的步骤。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/ 输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种频域n-γ的识别方法,其特征在于,包括:
对待处理脉冲信号基于Shannon熵小波作为小波重构系数进行频域脉冲降噪;
对降噪后的待处理脉冲信号提取0频率的脉冲幅值;
将所述0频率的脉冲幅值作为特征值进行频域n-γ的识别。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
根据提取的所述0频率的脉冲幅值生成识别统计图。
4.一种频域n-γ的识别装置,其特征在于,包括:
降噪单元,用于对待处理脉冲信号基于Shannon熵小波作为小波重构系数进行频域脉冲降噪;
第一提取单元,用于对所述降噪单元降噪后的待处理脉冲信号提取0频率的脉冲幅值;
识别单元,用于将所述提取单元提取的所述0频率的脉冲幅值作为特征值进行频域n-γ的识别。
6.根据权利要求4或5所述的装置,其特征在于,所述装置还包括:
第二提取单元,用于根据提取的所述0频率的脉冲幅值生成识别统计图。
7.一种电子设备,其特征在于,包括:
至少一个处理器;
以及与所述处理器连接的至少一个存储器、总线;其中,
所述处理器、存储器通过所述总线完成相互间的通信;
所述处理器用于调用所述存储器中的程序指令,以执行权利要求1至权利要求3中任一项所述的频域n-γ的识别方法。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行权利要求1至权利要求3中任一项所述的频域n-γ的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876162.7A CN112101141A (zh) | 2020-08-25 | 2020-08-25 | 频域n-γ的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876162.7A CN112101141A (zh) | 2020-08-25 | 2020-08-25 | 频域n-γ的识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101141A true CN112101141A (zh) | 2020-12-18 |
Family
ID=73757924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010876162.7A Pending CN112101141A (zh) | 2020-08-25 | 2020-08-25 | 频域n-γ的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101141A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347966A (zh) * | 2020-12-31 | 2021-02-09 | 网络通信与安全紫金山实验室 | 一种设备物理指纹的提取方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104345049A (zh) * | 2013-08-09 | 2015-02-11 | 中国科学院沈阳自动化研究所 | 激光诱导击穿光谱的小波阈值降噪的阈值校正方法 |
CN108490477A (zh) * | 2018-03-14 | 2018-09-04 | 中国人民解放军火箭军工程大学 | 一种基于改进质心算法的n-γ脉冲甄别方法及系统 |
CN110207689A (zh) * | 2019-05-30 | 2019-09-06 | 西安电子科技大学 | 一种基于小波熵的脉冲星信号去噪及辨识方法 |
-
2020
- 2020-08-25 CN CN202010876162.7A patent/CN112101141A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104345049A (zh) * | 2013-08-09 | 2015-02-11 | 中国科学院沈阳自动化研究所 | 激光诱导击穿光谱的小波阈值降噪的阈值校正方法 |
CN108490477A (zh) * | 2018-03-14 | 2018-09-04 | 中国人民解放军火箭军工程大学 | 一种基于改进质心算法的n-γ脉冲甄别方法及系统 |
CN110207689A (zh) * | 2019-05-30 | 2019-09-06 | 西安电子科技大学 | 一种基于小波熵的脉冲星信号去噪及辨识方法 |
Non-Patent Citations (1)
Title |
---|
王宋 等: "基于数字化测量的频域n-γ甄别算法研究", 核电子学与探测技术 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347966A (zh) * | 2020-12-31 | 2021-02-09 | 网络通信与安全紫金山实验室 | 一种设备物理指纹的提取方法、装置、电子设备和存储介质 |
CN112347966B (zh) * | 2020-12-31 | 2024-05-17 | 网络通信与安全紫金山实验室 | 一种设备物理指纹的提取方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Partial discharge signal denoising based on singular value decomposition and empirical wavelet transform | |
US20060157655A1 (en) | System and method for detecting hazardous materials | |
CN108983279B (zh) | 一种基于碘化钠探测器的低本底解谱方法 | |
CN112505742B (zh) | 基于下降沿积分的数字n-γ甄别方法 | |
Yang et al. | Digital discrimination of neutron and γ ray using an organic scintillation detector based on wavelet transform modulus maximum | |
CN112101141A (zh) | 频域n-γ的识别方法及装置 | |
Kay | Model-based probability density function estimation | |
Salmane et al. | A method for the automated detection of solar radio bursts in dynamic spectra | |
EP3637150A1 (en) | Gamma-ray spectrum classification | |
Liu et al. | Discrimination of neutron and gamma ray using the ladder gradient method and analysis of filter adaptability | |
Zhang et al. | The combined application of principal component analysis and decision tree in nuclear pulse shape discrimination | |
CN110618463B (zh) | 一种核磁共振数据反演方法、装置、存储介质及设备 | |
Xiaohui et al. | Analysis of three digital n/γ discrimination algorithms for liquid scintillation neutron spectrometry | |
Limin et al. | Low probability of intercept radar signal recognition based on the improved AlexNet model | |
CN111897851A (zh) | 异常数据的确定方法、装置、电子设备及可读存储介质 | |
CN111008356B (zh) | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 | |
CN111562423B (zh) | 一种地铁杂散电流对埋地管线影响范围计算方法及装置 | |
Chandhran et al. | Neutron and gamma ray discrimination for CLYC using normalized cross correlation analysis | |
Uthayakumar et al. | Generalized fractal dimensions in the recognition of noise free images | |
Puliyadi Kubendran et al. | Detection and classification of power quality events using wavelet energy difference and support vector machine | |
Wang et al. | Pulsar signal denoising method based on empirical mode decomposition and independent component analysis | |
CN111273337A (zh) | 一种基于蒙特卡罗脉冲插值方法的核能谱处理方法 | |
He et al. | Denoising Method of Nuclear Signal Based on Sparse Representation | |
Zhou et al. | A nuclide recognition method for nuclear robot system | |
Liu et al. | Automatic Detection of Type III Solar Radio Burst |
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 |