CN115310472A - 基于核脉冲峰值序列的一维卷积神经网络核素识别方法 - Google Patents
基于核脉冲峰值序列的一维卷积神经网络核素识别方法 Download PDFInfo
- Publication number
- CN115310472A CN115310472A CN202110492704.5A CN202110492704A CN115310472A CN 115310472 A CN115310472 A CN 115310472A CN 202110492704 A CN202110492704 A CN 202110492704A CN 115310472 A CN115310472 A CN 115310472A
- Authority
- CN
- China
- Prior art keywords
- model
- source
- neural network
- data
- different
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了一种能够确保识别核素准确性、提高核素识别速度的基于核脉冲峰值序列数据的一维卷积神经网络核素识别方法。该基于核脉冲峰值序列数据的一维卷积神经网络核素识别方法首先通过探测器实际测量核脉冲信号,使用离散小波变换进行滤波,随后提取脉冲的幅值与幅值点对应的时间,组成序列数据;将获得的序列数据进行最大最小归一化操作,然后再划分数据集为训练集和测试集;使用TensorFlow搭建一维卷积神经网络,使用训练集训练神经网络模型,然后在使用测试集进行测试,优化模型参数。采用该基于核脉冲峰值序列数据的一维卷积神经网络核素识别方法能够快速、高精度实现核素识别。
Description
技术领域
本发明涉及核辐射信号测量及分析、核素识别,尤其是一种基于核脉冲峰值数据的一维 卷积神经网络核素识别方法。
背景技术
众所周知的:核素识别是放射性核素检测的重点内容,在涉及环境放射性测量、核应急、 放射性物质管控等领域应用中,“快速准确”是其必要指标。如今,核能科学快速发展,应用 于各行各业中,为更好应对突发的核事故,需要研究更快速准确的核素识别方法。传统的γ 能谱分析方法的整个过程为:探测器探测到核信号的脉冲数据,将脉冲数据通过多道能谱仪 获取原始γ能谱数据,经本底扣除、光滑、寻峰等分析,在能量刻度的基础上,通过特征峰 位获取对应的特征能量,再与核素库匹配,获得该特征能量对应的核素种类。神经网络快速 发展应用于社会各行各业中,产生了许多神经网络方法对能谱信息进行分析从而实现核素识 别的方法,这些方法提升了核素识别的速度,但本质上与传统核素识别相似,都使用了核素 能谱数据。
由于探测器性能、背景噪声等因素的影响,核素识别的准确性会受γ能谱分析中各个环 节数据分析的影响。传统的能谱识别方法过程复杂且比较耗时,无法满足快速核素识别的要 求。现有的神经网络进行核素识别的方法没有突破能谱数据的局限,在识别速度上受到限制。
发明内容
本发明所要解决的技术问题是提供一种能够识别核素的准确性、提高核素识别的速度的 基于核脉冲峰值序列数据的一维卷积神经网络的核素识别方法。
本发明解决其技术问题所采用的技术方案是:基于核脉冲峰值序列的一维卷积神经网络 核素识别方法,包括以下步骤:
S1、使用γ辐射探测器测量放射性物质获得原始核脉冲数据;
S2、将原始核脉冲数据输入训练好的一维卷积神经网络核素识别模型,输出识别结果; 所述一维卷积神经网络核素识别模型的建立步骤如下:
S21、根据实际探测情况,测量单源、混合源、不同距离、不同角度、不同移动速度的测 量实验;即包括单源不同探源距不同测量时间实验,混合源不同距离实验,不同角度实验, 移动源实验;测量每种条件下每个测量点的放射源的核脉冲信号;
S22、采用离散小波变换的方法过滤脉冲噪声;
S23、提取每个测量点t时间内探测器的核脉冲峰值与对应的峰值点的时刻,获得N个脉 冲峰值的序列数据;即每个测量点获得一连串的核脉冲,设为N个,对每个核脉冲提取峰值, 得到含有N个脉冲峰值的序列数据;
S24、将S23中获得的N个序列数据中的脉冲峰值按照每T个数据划分,划分出N/T个特征数据集,数据集的形状为:[N/T,T];
S25、将得到的所有测量点的数据组合成一个序列数据集合:M;
S26、采取最大最小标准化(Min-Max Normalization)法归一化数据,如下式所示:
其中:xmax为数据集M的最大值;xmin为数据集M的最小值;xi为数据集M的样本点;
S27、将数据集M按照6:4的比例划分为训练集x_train与测试集x_test;
S28、采用Python编程,使用TensorFlow框架搭建一维卷积神经网络模型,记为Model;
S29、使用训练集数据x_train训练Model;
确定一维卷积神经网络中各层的参数;卷积核在整个训练过程中保持一致,最后在全连 接层中逐步确定每个神经元的权重以及偏差,得到一维卷积神经网络模型;
S210、使用测试集测试模型识别精度,并使用混淆矩阵评估测试效果;
对于类别c精确度Pc如下式所示:
其中,TPc为类别c的真正例,FPc为类别c的假正例;
混淆矩阵如下表所示,表中,TPc(True Positive)为类别c的真正例;FNc(FalseNegative) 为类别c的假负例;FPc(False Positive)为类别c的假正例;TNc(TrueNegative)为类别c的 真负例;
类别c的混淆矩阵表
S211、保存模型参数,返回步骤S28调整模型参数,再次训练新模型,循环10次或10次以上步骤S28-S210,挑选识别效果最好的模型作为最终应用于识别核素的模型,保存模型;
S212、加载模型,对核素进行识别;
模型训练好之后,将模型参数进行保存之后进行核素识别,直接将数据送入模型中,即 得到输出结果。
具体的,所述单源不同探源距不同测量时间实验包括以下内容:
利用137Cs、60Co、133Ba、152Eu、155Eu标准源,设计放射源离探测器端面不同距离的实验,拟从10cm到1m的距离,每隔10cm一个测量点,再开展每个点位上不同测量时间的 实验;
所述混合源不同距离实验是指:由单源组合成混合源进行不同距离实验;
所述不同角度实验是指:在离探测器表面不同垂直距离的地方,再进行不同角度的单源 和混合源实验;
所述移动源实验是指:针对不同的移动速度,以及不同的移动路径,开展移动源的测量 实验,所述移动源为单源或者混合源。
进一步的,在步骤S211中保存模型参数,返回步骤S28调整模型参数,再次训练新模型, 循环10至50次步骤S28-S210。
具体的,在步骤S22中,离散小波变换过滤脉冲噪声;依次包括以下步骤:
a、选择小波和小波分解层次,计算原始信号到第n层的小波分解;选择分解层数为3层, 即低频系数和高频系数均分解为3层;
b:对每层高频系数选择一个阈值,对高频系数进行修正;修正函数形式如下:
thr=max(xj) (2)
式中,thr为阈值;k为经验系数,0≤k≤1,当k=0相当于硬阈值函数,当k=l时相当于 软阈值函数,取k=0.5;xjt和ηjt分别为修正前后第j层的第t个高频系数;sign为符号函数;
c、根据第n层的低频系数和从第1层到第n层的经过修正的高频系数进行信号的小波重 建。
本发明的有益效果是:本发明所述的基于核脉冲峰值序列数据的一维卷积神经网络的核 素识别方法,通过建立一维卷积神经网络模型,并且通过实验数据对其进行训练,得到最终 的识别核素的模型,因此,在应用过程中,能够提高核素识别精度与识别速度,脱离对于放 射性核素能谱数据的依赖,不需要进行寻峰以及能谱光滑等复杂费时过程,使用峰值序列数 据提前一步识别出核素。
附图说明
图1是本发明实施例中基于核脉冲序列数据的一维卷积神经网络核素识别方法的流程 图;
图2为本发明实施例中是实际测试结果混淆矩阵;
图3为本发明实施例中不同距离实验示意图;
图4为本发明实施例中不同角度探测示意图;
图5为本发明实施例中移动源实验示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
结合附图1至5所示,本发明所述的基于核脉冲序列的一维卷积神经网络的核素识别方 法,包括以下步骤:
S1、使用γ辐射探测器测量放射性物质获得原始核脉冲数据;
S2、将原始核脉冲数据输入训练好的一维卷积神经网络核素识别模型,输出识别结果。
其中,一维卷积神经网络核素识别模型的建立过程如下:
S21、根据实际探测情况,测量单源、混合源、不同距离、不同角度、不同移动速度的测 量实验,具体设计如下:
单源不同探源距不同测量时间实验;
利用137Cs、60Co、133Ba、152Eu、155Eu等标准源,设计放射源离探测器端面不同距离的实验,初步拟从10cm到1m的距离,每隔10cm一个测量点,如图3所示。再开展每个点 位上不同测量时间的实验。
混合源不同距离实验;
由单源组合成混合源开展不同距离实验,如137Cs+60Co、137Cs+60Co+133Ba、 137Cs+60Co+133Ba+152Eu、137Cs+60Co+133Ba+152Eu+155Eu等。
在离探测器表面不同垂直距离的地方,再进行不同角度(如间隔15°)的单源和混合源实 验,如图4所示;
移动源实验;
针对不同的移动速度,以及不同的移动路径,开展移动源的测量实验,同样分为单源和 混合源情况,实验示意图如图5所示。
基于上述实验获取训练神经网络模型所需要的基础数据,即冲检测源的脉冲峰值序列数 据。
S22、采用离散小波变换的方法过滤脉冲噪声;
具体的,a、选择小波和小波分解层次,计算原始信号到第n层的小波分解。本项目采用 广泛应用于信号处理中的Coiflet(coifN)小波系;大量实验表明,分解层数越多,去除的高频信 息越多,但低频部分包含的真实信息也就相应减少,在去噪后的谱上就表现出谱峰被压低的 现象,因此选择分解层数为3层,即低频系数和高频系数均分解为3层。
b、对每层高频系数选择一个阈值,对高频系数进行修正。修正函数形式如下:
thr=max(xj) (2)
式中,thr为阈值;k为经验系数,0≤k≤1,当k=0相当于硬阈值函数,当k=l时相当于 软阈值函数,本发明取k=0.5;xjt和ηjt分别为修正前后第j层的第t个高频系数;sign为符 号函数。
c、根据第n层的低频系数和从第1层到第n层的经过修正的高频系数进行信号的小波重 建。
S23、提取每个测量点t时间内探测器的核脉冲峰值与对应的峰值点的时刻,获得N个序 列数据;
S24、将S23中获得的N个序列数据中的脉冲峰值按照每T个数据划分,划分出N/T个特征数据集,数据集的形状为:[N/T,T]。
S25、将得到的所有测量点的数据组合成一个序列数据集合:M;
S26、采取最大最小标准化(Min-Max Normalization)法归一化数据,如式(4)所示:
其中:xmax为数据集M的最大值;xmin为数据集M的最小值;xi为数据集M的样本点;
S27、将数据集M按照6:4的比例划分为训练集x_train与测试集x_test;
S28、采用Python编程,使用TensorFlow框架搭建一维卷积神经网络模型,记为Model; Model的参数如表1所示。本方法使用的卷积神经网络一共10层,包含卷积层池化层以及全 连接层。
表1一维卷积神经网络的各层参数
S29、使用训练集数据x_train训练Model;
训练过程中,确定一维卷积神经网络中各层的参数。卷积核在整个训练过程中保持一致, 最后在全连接层中逐步确定每个神经元的权重以及偏差,得到一维卷积神经网络模型。
S210、使用测试集测试模型识别精度,并使用混淆矩阵评估测试效果。
对于类别c精确度Pc如式(5)所示。混淆矩阵如表2所示,表2中,TPc(TruePositive) 为类别c的真正例;FNc(False Negative)为类别c的假负例;FPc(FalsePositive)为类别c 的假正例;TNc(True Negative)为类别c的真负例。
其中、TPc为类别c的真正例,FPc为类别c的假正例。
表2类别c的混淆矩阵
S211、保存模型参数,返回步骤S19调整模型参数,再次训练新模型,循环10次步骤S28-S210,挑选识别效果最好的模型作为最终应用于识别核素的模型,保存模型。
S212、加载模型,对核素进行识别。模型训练好之后,将模型参数进行保存,之后进行 核素识别的时候直接将数据送入模型中,就可以很快得到输出结果。
实施例1
采用本发明所述的基于核脉冲序列的一维卷积神经网络的核素识别方法加载训练好的模 型对137Cs,60Co,155Eu-22Na,137Cs-60Co进行测试,测试结果的混淆矩阵如图3所示;对每 一个核素的测试精度如表3所示。
表3模型对各核素的测试精度
测试核素 | <sup>137</sup>Cs | <sup>60</sup>Co | <sup>155</sup>Eu-<sup>22</sup>Na | <sup>137</sup>Cs-<sup>60</sup>Co |
精度 | 100% | 99.99% | 99.98% | 99.76% |
Claims (4)
1.基于核脉冲峰值序列的一维卷积神经网络核素识别方法,其特征在于,包括以下步骤:
S1、使用γ辐射探测器测量放射性物质获得原始核脉冲数据;
S2、将原始核脉冲数据输入训练好的一维卷积神经网络核素识别模型,输出识别结果;所述一维卷积神经网络核素识别模型的建立步骤如下:
S21、根据实际探测情况,测量单源、混合源、不同距离、不同角度、不同移动速度的测量实验;即包括单源不同探源距不同测量时间实验,混合源不同距离实验,不同角度实验,移动源实验;测量每种条件下每个测量点的放射源的核脉冲信号;
S22、采用离散小波变换的方法过滤脉冲噪声;
S23、提取每个测量点t时间内探测器的核脉冲峰值与对应的峰值点的时刻,获得N个峰值的序列数据;即每个测量点获得一连串的核脉冲,设为N个,对每个核脉冲提取,得到含有N个脉冲峰值的序列数据;
S24、将S23中获得的N个序列数据中的脉冲峰值按照每T个数据划分,划分出N/T个特征数据集,数据集的形状为:[N/T,T];
S25、将得到的所有测量点的数据组合成一个序列数据集合:M;
S26、采取最大最小标准化(Min-Max Normalization)法归一化数据,如下式所示:
其中:xmax为数据集M的最大值;xmin为数据集M的最小值;xi为数据集M的样本点;
S27、将数据集M按照6:4的比例划分为训练集x_train与测试集x_test;
S28、采用Python编程,使用TensorFlow框架搭建一维卷积神经网络模型,记为Model;
S29、使用训练集数据x_train训练Model;
确定一维卷积神经网络中各层的参数;卷积核在整个训练过程中保持一致,最后在全连接层中逐步确定每个神经元的权重以及偏差,得到一维卷积神经网络模型;
S210、使用测试集测试模型识别精度,并使用混淆矩阵评估测试效果;
对于类别c精确度Pc如下式所示:
其中、TPc为类别c的真正例,FPc为类别c的假正例;
混淆矩阵如下表所示,表中,TPc(True Positive)为类别c的真正例;FNc(FalseNegative)为类别c的假负例;FPc(False Positive)为类别c的假正例;TNc(True Negative)为类别c的真负例;
类别c的混淆矩阵表
S211、保存模型参数,返回步骤S28调整模型参数,再次训练新模型,循环10次或10次以上步骤S28-S210,挑选识别效果最好的模型作为最终应用于识别核素的模型,保存模型;
S212、加载模型,对核素进行识别;
模型训练好之后,将模型参数进行保存之后进行核素识别,直接将数据送入模型中,即得到输出结果。
2.如权利要求1所述的基于核脉冲峰值序列的一维卷积神经网络核素识别方法,其特征在于:
所述单源不同探源距不同测量时间实验包括以下内容:
利用137Cs、60Co、133Ba、152Eu、155Eu标准源,设计放射源离探测器端面不同距离的实验,拟从10cm到1m的距离,每隔10cm一个测量点,再开展每个点位上不同测量时间的实验;
所述混合源不同距离实验是指:由单源组合成混合源进行不同距离实验;
所述不同角度实验是指:在离探测器表面不同垂直距离的地方,再进行不同角度的单源和混合源实验;
所述移动源实验是指:针对不同的移动速度,以及不同的移动路径,开展移动源的测量实验,所述移动源为单源或者混合源。
3.如权利要求2所述的基于核脉冲峰值序列的一维卷积神经网络核素识别方法,其特征在于:在步骤S211中保存模型参数,返回步骤S28调整模型参数,再次训练新模型,循环10至50次步骤S28-S210。
4.如权利要求3所述的基于核脉冲峰值序列的一维卷积神经网络核素识别方法,其特征在于:在步骤S22中,离散小波变换过滤脉冲噪声;依次包括以下步骤:
a、选择小波和小波分解层次,计算原始信号到第n层的小波分解;选择分解层数为3层,即低频系数和高频系数均分解为3层;
b:对每层高频系数选择一个阈值,对高频系数进行修正;修正函数形式如下:
thr=max(xj) (2)
式中,thr为阈值;k为经验系数,0≤k≤1,当k=0相当于硬阈值函数,当k=l时相当于软阈值函数,取k=0.5;xjt和ηjt分别为修正前后第j层的第t个高频系数;sign为符号函数;
c、根据第n层的低频系数和从第1层到第n层的经过修正的高频系数进行信号的小波重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110492704.5A CN115310472A (zh) | 2021-05-07 | 2021-05-07 | 基于核脉冲峰值序列的一维卷积神经网络核素识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110492704.5A CN115310472A (zh) | 2021-05-07 | 2021-05-07 | 基于核脉冲峰值序列的一维卷积神经网络核素识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310472A true CN115310472A (zh) | 2022-11-08 |
Family
ID=83853585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110492704.5A Pending CN115310472A (zh) | 2021-05-07 | 2021-05-07 | 基于核脉冲峰值序列的一维卷积神经网络核素识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310472A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115856987A (zh) * | 2023-02-28 | 2023-03-28 | 西南科技大学 | 一种复杂环境下的核脉冲信号与噪声信号甄别方法 |
-
2021
- 2021-05-07 CN CN202110492704.5A patent/CN115310472A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115856987A (zh) * | 2023-02-28 | 2023-03-28 | 西南科技大学 | 一种复杂环境下的核脉冲信号与噪声信号甄别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107229787B (zh) | 一种基于近似系数与深度学习的伽马能谱分析方法 | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN109063741A (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 | |
CN101632011A (zh) | 用于光谱分析的高级模式识别系统 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN105069309A (zh) | 一种识别水文时间序列非线性趋势的方法 | |
CN107390259A (zh) | 一种基于svd和svm的核素识别方法 | |
CN114925615A (zh) | 一种放射性泄漏源定位方法和系统 | |
CN114237046A (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
CN107632010B (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
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 | |
CN115034254A (zh) | 基于hht频带能量特征和卷积神经网络的核素识别方法 | |
CN112232343B (zh) | 一种粮食霉变粒识别神经网络和识别方法 | |
CN113536894A (zh) | 缺陷检测方法、缺陷检测装置和计算机可读存储介质 | |
US20080205731A1 (en) | Noise Model Selection for Emission Tomography | |
Shaochuan | Bayesian multiple changepoint detection for stochastic models in continuous time | |
CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 | |
CN103455986A (zh) | 基于分数阶微分梯度的随机噪声点检测算法 | |
CN111191502A (zh) | 基于钻柱振动信号的粘滑和跳钻异常工况识别方法 | |
CN113818867B (zh) | 一种构建伪毛管压力曲线方法、系统、介质、设备及应用 | |
CN113095364B (zh) | 利用卷积神经网络的高铁地震事件提取方法、介质及设备 | |
CN111008356B (zh) | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 | |
CN107590824B (zh) | 基于三维图像处理技术的岩石颗粒识别及位移跟踪方法 | |
Bakery et al. | A new double truncated generalized gamma model with some applications | |
JP2016186489A (ja) | 分光分析の方法および関連装置 |
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 |