CN116432703B - 基于复合神经网络模型的脉冲高度估计方法、系统及终端 - Google Patents
基于复合神经网络模型的脉冲高度估计方法、系统及终端 Download PDFInfo
- Publication number
- CN116432703B CN116432703B CN202310690313.3A CN202310690313A CN116432703B CN 116432703 B CN116432703 B CN 116432703B CN 202310690313 A CN202310690313 A CN 202310690313A CN 116432703 B CN116432703 B CN 116432703B
- Authority
- CN
- China
- Prior art keywords
- pulse
- neural network
- model
- lstm
- network model
- 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
- 238000003062 neural network model Methods 0.000 title claims abstract description 72
- 239000002131 composite material Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 64
- 238000007493 shaping process Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims 2
- 238000005259 measurement Methods 0.000 abstract description 12
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000005855 radiation Effects 0.000 abstract description 6
- 238000013178 mathematical model Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000007787 long-term memory Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 11
- 239000000523 sample Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 239000000306 component Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004611 spectroscopical analysis Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000005549 size reduction Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004980 dosimetry Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000012256 powdered iron Substances 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于复合神经网络模型的脉冲高度估计方法、系统及终端，属于辐射测量领域，对阶跃脉冲数据进行数字化处理并添加噪声，整形后得到数字化的负指数脉冲序列，形成模拟脉冲数据集；构建UNet‑LSTM复合神经网络模型，通过所述模拟脉冲数据集对所述UNet‑LSTM复合神经网络模型进行训练；并输出与模拟脉冲数据对应的脉冲高度序列。本发明UNet‑LSTM复合神经网络模型将长短期记忆模型LSTM嵌入UNet结构，采用数学模型产生的模拟脉冲数据集对模型进行训练，使用相对误差指标对模型性能进行评估，克服了传统算法受到数学模型限制无法对整个样本提取特征的局限，在不忽略信噪比的情况下实现脉冲高度的准确估计。
Description
技术领域
本发明涉及辐射测量技术领域，尤其涉及基于复合神经网络模型的脉冲高度估计方法、系统及终端。
背景技术
在核辐射测量系统中，源（放射源）、样（被测样品）、探（探测器）是最核心的组成部分，其工作原理可简要概述为粒子与探测器相互作用产生的弱电流信号经前置放大电路放大，再经整形电路进行整形。辐射测量通常受到测量系统输出的畸变脉冲限制。脉冲的畸变被称为畸变事件，在核脉冲信号的读出过程中，探测器输出的畸变脉冲经过放大和整形，在数字化过程中得到了失真的脉冲高度，扭曲了测量得到的光谱。这种失真对于样品元素含量分析影响较大，目标元素特征峰感兴趣区域（ROI）中的净计数损失将会导致元素含量被低估。
作为光谱学领域以及辐射测量领域的研究热点，近几年国内外学者公布了很多关于脉冲畸变、脉冲堆积等问题的成果。从传统方法上来看，用于畸变脉冲最简单、高效的方法是脉冲剔除，已有学者详细陈述了关于畸变脉冲剔除的方法以及剔除的结果分析，脉冲剔除虽然能够有效解决畸变脉冲和堆积脉冲造成的谱失真，但也存在计数损失的缺陷。
近年来，深度学习技术发展迅猛，也诞生了很多优秀的模型，例如Transformer、UNet、VNet、U2Net等，这些模型也已经被广泛应用于辐射测量的各个领域，例如放射性治疗中的成像质量改进、人体内的辐射剂量测定、粒子类型甄别、伽马谱分析以及基于残差结构的脉冲信号分析。深度学习技术为辐射测量中的脉冲处理问题提供了多种思路，例如，脉冲高度估计最简单有效的方式是Linear unfolding（线性展开），线性展开的处理方式能够最大限度的保留脉冲原始信息，同时也保留了噪声信息，因此该方式对各种类型的噪声都不具备免疫能力，针对测量环境以及测量系统本身导致的脉冲形状畸变给脉冲高度分析带来了挑战，为了避免这个问题，也有学者在非线性滤波器的设计中做出了尝试，但设计过程较为复杂。
发明内容
本发明的目的在于克服现有深度学习技术在脉冲高度估计中存在的不足，提供了基于复合神经网络模型的脉冲高度估计方法、系统及终端。
本发明的目的是通过以下技术方案来实现的：
在第一方面，主要提供一种基于复合神经网络模型的脉冲高度估计方法，所述方法包括以下步骤：
S1、对阶跃脉冲数据进行数字化处理并添加噪声，整形后得到数字化的负指数脉冲序列，形成模拟脉冲数据集；
S2、构建UNet-LSTM复合神经网络模型，通过所述模拟脉冲数据集对所述UNet-LSTM复合神经网络模型进行训练；
S3、将模拟脉冲数据输入训练好的UNet-LSTM复合神经网络模型中，模型输出与模拟脉冲数据对应的脉冲高度序列。
作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，所述对阶跃脉冲数据进行数字化处理，包括：
通过随机数发生器输出一个堆积上升的阶跃脉冲信号。
作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，生成0~1区间内服从均匀分布的随机数，将所述随机数作为阶跃脉冲信号的脉冲高度。
作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，所述添加噪声包括：
生成0~0.05区间内服从均匀分布的随机数，将所述随机数作为噪声信号的幅度，得到随机噪声；
将随机噪声添加到所述阶跃脉冲信号中。
作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，所述整形包括：
将添加了随机噪声的阶跃脉冲信号输入脉冲整形滤波器滤除直流成分，得到幅度在0~1之间的负指数脉冲序列。
作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，所述UNet-LSTM复合神经网络模型中UNet采用编码器和解码器的对称结构，其中，在编码器部分通过卷积提取信号特征，通过最大池化进行下采样；编码器的输出作为LSTM模型的输入，利用LSTM隐藏层学习脉冲序列信息的抽象特征；解码器部分对LSTM模型输出的信号依次进行上采样和卷积。
作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，所述编码器和解码器均包含8个3*3的卷积层；所述池化窗口大小为2*2，步长为2。
作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，所述步骤S1中生成不同畸变率的噪声脉冲序列，所述畸变率指的是在一个脉冲序列中宽度不完整的脉冲数量占该序列脉冲总数的比例。
在第二方面，提供一种基于复合神经网络模型的脉冲高度估计系统，所述系统包括：
模拟脉冲数据集制作模块，配置为对阶跃脉冲数据进行数字化处理并添加噪声，整形后得到数字化的负指数脉冲序列，形成模拟脉冲数据集；
复合神经网络模型构建模块，用于构建UNet-LSTM复合神经网络模型，通过所述模拟脉冲数据集对所述UNet-LSTM复合神经网络模型进行训练；
脉冲高度估计模块，配置为将模拟脉冲数据输入训练好的UNet-LSTM复合神经网络模型中，模型输出与模拟脉冲数据对应的脉冲高度序列。
在第三方面，提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行任意一项所述一种基于复合神经网络模型的脉冲高度估计方法中相关步骤。
需要进一步说明的是，上述各选项对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。
与现有技术相比，本发明有益效果是：
（1）本发明的UNet-LSTM复合神经网络模型将长短期记忆模型LSTM嵌入UNet结构，采用数学模型产生添加了噪声的模拟脉冲数据集对复合神经网络模型进行训练，利用UNet模型与LSTM模型深度融合学习畸变脉冲序列中脉冲高度特征，最终使得融合后的模型建立起输入脉冲序列与输出脉冲高度之间的联系，达到准确识别脉冲高度的目的，克服了传统算法受到数学模型限制无法对整个样本提取特征的局限，在不忽略信噪比的情况下实现脉冲高度的准确估计。（2）本发明UNet-LSTM复合神经网络模型中基于卷积运算的UNet采用编码器和解码器的对称结构，在编码器部分通过卷积提取信号特征，通过最大池化进行下采样，达到减小模型大小的目的，在经过四轮卷积与池化操作后，将得到的输出作为LSTM模型的输入，利用LSTM隐藏层中众多的记忆单元不断学习脉冲序列信息的抽象特征，最终使得LSTM建立输入脉冲序列及其输出脉冲高度之间的联系。LSTM模型的输出作为UNet模型解码器的输入，同样地，经历四轮上采样和卷积操作，其中上采样通过 2*2 转置卷积运算实现，达到增大模型大小的目的。在相同维度上的拼接操作(Concatenate) 将全局特征和局部特征进行结合，目的是为了弥补下采样过程中减小数据规模丢失的特征信息。（3）在一个示例中，生成不同畸变率的噪声脉冲序列，通过UNet-LSTM复合神经网络模型对不同畸变率的噪声脉冲序列进行训练，增强模型对噪声的免疫能力，保证模型的预测性能。
附图说明
图1为本发明实施例示出的一种基于复合神经网络模型的脉冲高度估计方法的流程图；
图2为本发明实施例示出的模拟脉冲生成示意图；
图3为本发明实施例示出的理想的阶跃脉冲序列示意图；
图4为本发明实施例示出的数字化后的噪声幅度示意图；
图5为本发明实施例示出的叠加了白噪声的畸变脉冲序列示意图；
图6为本发明实施例示出整形滤波后的脉冲序列示意图；
图7为本发明实施例示出UNet-LSTM复合神经网络模型结构示意图；
图8为本发明实施例示出UNet-LSTM模型训练过程中的损失值变化图；
图9为本发明实施例示出模拟脉冲序列图；
图10为本发明实施例示出梯形成形结果；
图11为本发明实施例示出脉冲高度估计对照图。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
参照图1，在一示例性实施例中，提供一种基于复合神经网络模型的脉冲高度估计方法，所述方法包括以下步骤：
S1、对阶跃脉冲数据进行数字化处理并添加噪声，整形后得到数字化的负指数脉冲序列，形成模拟脉冲数据集；
S2、构建UNet-LSTM复合神经网络模型，通过所述模拟脉冲数据集对所述UNet-LSTM复合神经网络模型进行训练；
S3、将模拟脉冲数据输入训练好的UNet-LSTM复合神经网络模型中，模型输出与模拟脉冲数据对应的脉冲高度序列。
具体地，本发明利用UNet模型与LSTM模型深度融合学习畸变脉冲序列（添加了噪声的脉冲序列）中脉冲高度特征，最终使得融合后的模型建立起输入脉冲序列与输出脉冲高度之间的联系，达到准确识别脉冲高度的目的，克服了传统算法受到数学模型限制无法对整个样本提取特征的局限，在不忽略信噪比的情况下实现脉冲高度的准确估计。
进一步地，给出模拟脉冲数据集的制作过程，其中，所述对阶跃脉冲数据进行数字化处理，包括：
通过随机数发生器输出一个堆积上升的阶跃脉冲信号。
具体地，如图2所示，采用随机数发生器生成0~1区间内服从均匀分布的随机数，这些随机数将作为堆积上升的阶跃脉冲的脉冲高度，一个理想的阶跃脉冲序列如图3所示。同样地，用如图2所示的随机数发生器生成0~0.05区间内服从均匀分布的随机数，这些随机数将作为噪声信号的幅度，如图4所示。为了模拟真实的脉冲信号，随机噪声被添加到生成的阶跃脉冲信号中，叠加了白噪声的畸变脉冲序列如图5所示，信噪比为20。
进一步地，将添加了随机噪声的阶跃脉冲信号输入脉冲整形滤波器滤除直流成分，得到幅度在0~1之间的负指数脉冲序列。具体地，为了得到理想的成形效果，阶跃脉冲需要有一定的保持时间，当采样频率为50 MHz，采样点数为128点时，每个阶跃脉冲的宽度至少要达到6.4μs。但实际测量中测量系统输出的阶跃脉冲常常会包括一些宽度不够的脉冲，如图5的最后一个脉冲所示，本发明把这种脉冲宽度不足6.4μs的脉冲定义为畸变脉冲。噪声脉冲经CR整形滤除直流成分并整形成为负指数脉冲，那些宽度不够的脉冲畸变在CR整形后将会以负指数脉冲的拖尾被截断的形式呈现，如图6的最后一个脉冲所示。
进一步地，卷积神经网络（CNN）是目前最流行的深度学习方法之一，它与全卷积网络（FCN）最大的区别在于，CNN每一层的神经元都只专注于信号的某一个部分，分析一个特定的特征，并不会与下一层的所有神经元相连接，相比于FCN而言节省了资源和训练时间。由于卷积运算可以抑制噪声信号的随机性，有效地识别脉冲特征，因此我们采用了基于卷积运算的UNet。
具体地，参照图7，本发明的UNet-LSTM复合神经网络模型将UNet模型与LSTM模型深度融合，该网络包括左侧提取信号特征的编码器以及右侧进行特征融合的解码器，不管是编码器还是解码器都包含8个3*3的卷积层，不同之处在于编码器在卷积层之后使用最大池化运算进行下采样，池化大小为2*2，步长为2，而解码器则是先通过2*2转置卷积运算对输入信号进行上采样，减少特征通道数，然后再进行卷积运算。
进一步地，UNet采用编码器和解码器的对称结构，在编码器部分通过卷积提取信号特征，通过最大池化进行下采样，达到减小模型大小的目的，在经过四轮卷积与池化操作后，将得到的输出作为LSTM模型的输入，利用LSTM隐藏层中众多的记忆单元不断学习脉冲序列信息的抽象特征，最终使得LSTM建立输入脉冲序列及其输出脉冲高度之间的联系。LSTM模型的输出作为UNet模型解码器的输入，同样地，经历四轮上采样和卷积操作，其中上采样通过 2*2 转置卷积运算实现，达到增大模型大小的目的。在相同维度上的拼接操作(Concatenate) 将全局特征和局部特征进行结合，目的是为了弥补下采样过程中减小数据规模丢失的特征信息。
本发明借用叠加了噪声的指数脉冲序列作为数据集，首先通过UNet模型中的编码器部分完成卷积与下采样，提取脉冲序列的关键特征，降低数据规模；然后，将编码器提取到的关键特征输入LSTM，通过不断迭代训练建立起脉冲序列和输出脉冲高度之间的关系，实现脉冲高度的准确预测；最后，将LSTM模型输出的信息作为解码器的输入，通过上采用和卷积进行数据恢复，最终输出一个与输入相对应的脉冲高度序列。达到准确识别脉冲高度的目的。该发明将不同的神经网络模型进行融合，优化了畸变脉冲高度识别的准确率，这对于硅漂移探测器的输出波形分析及其光谱学分析都具有重要意义。
进一步地，使用模拟脉冲数据集训练模型，在该数据集的200个时间序列、512000个样本中，其中120个序列，307200个样本作为训练集，其余80个序列中，一半作为验证集，一半作为测试集。
在UNet-LSTM模型的训练过程中，输入信号是叠加了白噪声的畸变脉冲，而输出信号则是被展开的脉冲高度集合。使用Adam优化器对模型进行了50个epoch的训练。学习率作为模型训练的重要超参数之一被定义在1×10−5~1×10−3区间内。为了评估模型输出和期望输出之间的差异，均方差（MSE）被用作损失函数并将反馈给网络来更新权重，实现减少后续迭代误差的目的。模型输出值脉冲高度集与预期的输出值的误差则可以通过损失函数来计算。对于有N个样本的训练集，损失函数的计算式如下式所示：
图8显示了该模型在50个epoch上的损失值曲线变化，大体上来看随着训练周期的增加，训练集与验证集上的损失值都呈现出降低的趋势，验证集在后期虽有一定的震荡但很快又趋于稳定，该模型并未出现过拟合现象，也无须添加drop out层。
为了验证模型的性能，取模拟产生的数据集中200个脉冲序列中任意一个序列进行分析，经脉冲整形滤波器后的脉冲序列如图9所示，其中P1-P20代表脉冲，P1、 P2、 P4、P5、P8、P10、P12、 P13、P15、P16、P17和P20为全宽模拟脉冲，剩余脉冲为畸变脉冲，对该序列进行数字梯形成形，其结果如图10所示，输入UNet-LSTM模型后得到的输出脉冲高度结果如图11所示。从图9中可以发现，由于系统设定的脉冲高度范围是0~1，阈值为0.03，当脉冲高度大于1时会因为饱和而被削顶，如图中的P7所示。但即使在信号饱和的情况下，UNet-LSTM模型依然能够准确输出脉冲高度。
为了量化UNet-LSTM模型对脉冲高度的预测效果，用表示脉冲高度估计的绝对误差，/>表示相对误差，/>表示真实脉冲高度，/>表示神经网络模型UNet-LSTM预测得到的脉冲高度，从而得出UNet-LSTM模型对畸变脉冲高度估计的绝对误差和相对误差的计算公式分别如下式所示：
。
图9所示的脉冲序列包含20个脉冲，其中产生了畸变的脉冲8个，畸变率为40%。对图9所示的20个脉冲采用传统的梯形成形算法以及本发明的神经网络模型分别进行脉冲高度分析，结果如表1所示。
表1神经网络模型对畸变脉冲高度的估计值与真实值的对比（畸变率为40%）
一个完整的负指数脉冲包含128个采样点，当采样频率为20MHz时，采样周期为50ns，因此一个完整的脉冲宽度为6.4μs。发生畸变的脉冲包括P3(包含20个采样点)、P6(包含30个采样点)、P7(包含40个采样点)、P9(包含50个采样点)、P11(包含60个采样点)、P14(包含80个采样点)、P18(包含100个采样点)、P19(包含120个采样点)，对该脉冲序列进行梯形成形，梯形成形的上升时间包含30个采样点，持续时间为1.5μs，平顶宽度为3.4μs。
在前期研究成果中已经得出传统的成形算法要求负指数脉冲宽度至少大于三角成形或者梯形成形的上升时间，否则得到的成形结果就会产生较大的误差，因此本发明在采用梯形成形时选择了较小的上升时间来尽可能地避免成形误差产生。从表1中梯形成形对脉冲高度的计算结果可以看出，8个畸变脉冲中仅P3的脉冲宽度小于梯形成形的上升时间，其梯形成形结果相对误差高达21.33%，而其它畸变脉冲的相对误差都能够控制在10%以内，最终梯形成形算法对该序列脉冲高度估计的平均相对误差为5.1%。采用UNet-LSTM模型对输入脉冲序列进行展开并进行脉冲高度估计，可以看出估计结果并未受到脉冲畸变的影响，平均相对误差约为2.09%。
在另一示例性实施例中，提供一种基于复合神经网络模型的脉冲高度估计方法，所述步骤S1中生成不同畸变率的噪声脉冲序列，所述畸变率指的是在一个脉冲序列中宽度不完整的脉冲数量占该序列脉冲总数的比例。具体地，为了评估脉冲畸变程度对本文所提议的神经网络模型的影响，在数据集的制作中，生成畸变程度不同（下文以畸变率来表示）的噪声脉冲序列200个，每个序列包含20个脉冲，而每个脉冲由128个采样点组成，因此在模拟数据集中200个时间序列生成了512000个样本，其中畸变率20%、40%、60%、80%的脉冲序列各占比25%。畸变率计算如式（1）所示：
其中是单个脉冲序列中畸变脉冲的数量，/>是脉冲的总数。
具体地，为了在实际应用中对所提出的神经网络模型进行验证，在规定的实验条件下，截取相同样品不同畸变率的脉冲序列以及不同样品相同畸变率的脉冲序列调用神经网络模型进行脉冲高度估计，其实验平台的配置如下：
（1）KYW2000A型X光管，带有Ag target的X射线管被用来辐照样品，X射线管的电流被设定为8μA，电压保持在35 kV；
（2）FAST SDD探测器（123 eV FWHM Resolution @ 5.9 keV）；
（3）粉末铁矿样品、粉末岩石样品；
（4）数字系统采用ADC9235，工作在20Msps，分辨率为12位。
为了保守地测试本文所提的神经网络模型，测试集截取的负指数脉冲输入信号比训练集和验证集中的输入信号噪声更大。探测器输出的阶跃脉冲信号经开关复位型前置放大器和脉冲整形滤波器电路输出负指数脉冲序列，经数字化后将获得的脉冲序列输入UNet-LSTM模型进行脉冲高度估计的离线处理。表2展示的8个脉冲序列是从实际测量得到的离线脉冲序列中截取的，从两种样品多次实验获得的离线脉冲中分别截取畸变率为20%、40%、60%、80%的实测脉冲序列进行模型预测结果分析，结果如表2所示。
表2神经网络模型对不同样品的脉冲高度估计效果对照表
。
8组脉冲序列中，样品类型不同、畸变程度不同都没有对神经网络模型的脉冲高度估计结果有任何影响，即便是在畸变程度高达80%的极端情况下，本文训练的神经网络模型依然获得了远远优于传统脉冲估计方法的性能，在两种样品、8组离线脉冲序列的幅度估计中得到的平均相对误差为2.36%。
模拟与实验结果表明，该模型能够准确地对发生了畸变的脉冲序列进行脉冲高度估计。本发明的神经网络模型并不仅仅是针对特定的探测器，在今后的研究中，将重点考虑将该模型应用于快速光谱学，通过准确预测脉冲高度来改善光谱学分析性能，这对于光谱精细化分析以及元素含量分析都是具有重大意义的。
在另一示例性实施例中，基于与实施例1相同的技术构思，提供一种基于复合神经网络模型的脉冲高度估计系统，所述系统包括：
模拟脉冲数据集制作模块，配置为对阶跃脉冲数据进行数字化处理并添加噪声，整形后得到数字化的负指数脉冲序列，形成模拟脉冲数据集；
复合神经网络模型构建模块，用于构建UNet-LSTM复合神经网络模型，通过所述模拟脉冲数据集对所述UNet-LSTM复合神经网络模型进行训练；
脉冲高度估计模块，配置为将模拟脉冲数据输入训练好的UNet-LSTM复合神经网络模型中，模型输出与模拟脉冲数据对应的脉冲高度序列。
在另一示例性实施例中，本发明提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行所述一种基于复合神经网络模型的脉冲高度估计方法的相关步骤。
处理器可以是单核或者多核中央处理单元或者特定的集成电路，或者配置成实施本发明的一个或者多个集成电路。
适合用于执行计算机程序的处理器包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备，仅举几例。
虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
以上具体实施方式是对本发明的详细说明，不能认定本发明的具体实施方式只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演和替代，都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于复合神经网络模型的脉冲高度估计方法，用于辐射测量，其特征在于，所述方法包括以下步骤：
S1、对阶跃脉冲数据进行数字化处理并添加噪声，得到包括宽度不够的畸变脉冲在内的脉冲序列，整形后得到数字化的负指数脉冲序列，形成模拟脉冲数据集，所述整形包括：
将宽度不够的畸变脉冲在整形后以负指数脉冲的拖尾被截断的形式呈现；
所述对阶跃脉冲数据进行数字化处理，包括：
通过随机数发生器输出一个堆积上升的阶跃脉冲信号；
所述步骤S1中生成不同畸变率的噪声脉冲序列，所述畸变率指的是在一个脉冲序列中畸变脉冲数量占该序列脉冲总数的比例；
S2、构建UNet-LSTM复合神经网络模型，通过所述模拟脉冲数据集对所述UNet-LSTM复合神经网络模型进行训练；所述UNet-LSTM复合神经网络模型中UNet采用编码器和解码器的对称结构，其中，在编码器部分通过卷积提取信号特征，通过最大池化进行下采样，减小模型大小；编码器经过四轮卷积与池化操作后的输出作为LSTM模型的输入，利用LSTM隐藏层学习脉冲序列信息的抽象特征；解码器部分对LSTM模型输出的信号依次进行转置卷积、上采样和卷积，增大模型大小，所述解码器部分通过与编码器部分在相同维度上的拼接操作 将全局特征和局部特征进行结合，弥补下采样过程中减小数据规模丢失的特征信息；
具体地，首先通过UNet模型中的编码器部分完成卷积与下采样，提取脉冲序列的关键特征，降低数据规模；然后，将编码器提取到的关键特征输入LSTM，通过不断迭代训练建立起脉冲序列和输出脉冲高度之间的关系，实现脉冲高度的准确预测；最后，将LSTM模型输出的信息作为解码器的输入，通过上采用和卷积进行数据恢复，最终输出一个与输入相对应的脉冲高度序列；
S3、将模拟脉冲数据输入训练好的UNet-LSTM复合神经网络模型中，模型输出与模拟脉冲数据对应的脉冲高度序列。
2.根据权利要求1所述的一种基于复合神经网络模型的脉冲高度估计方法，其特征在于，生成0~1区间内服从均匀分布的随机数，将所述随机数作为阶跃脉冲信号的脉冲高度。
3.根据权利要求1所述的一种基于复合神经网络模型的脉冲高度估计方法，其特征在于，所述添加噪声包括：
生成0~0.05区间内服从均匀分布的随机数，将所述随机数作为噪声信号的幅度，得到随机噪声；
将随机噪声添加到所述阶跃脉冲信号中。
4.根据权利要求3所述的一种基于复合神经网络模型的脉冲高度估计方法，其特征在于，所述整形包括：
将添加了随机噪声的阶跃脉冲信号输入脉冲整形滤波器滤除直流成分，得到幅度在0~1之间的负指数脉冲序列。
5.根据权利要求1所述的一种基于复合神经网络模型的脉冲高度估计方法，其特征在于，所述编码器和解码器均包含8个3*3的卷积层；所述池化大小为2*2，步长为2；转置卷积大小为2*2。
6.一种基于复合神经网络模型的脉冲高度估计系统，用于辐射测量，其特征在于，所述系统包括：
模拟脉冲数据集制作模块，配置为对阶跃脉冲数据进行数字化处理并添加噪声，得到包括宽度不够的畸变脉冲在内的脉冲序列，整形后得到数字化的负指数脉冲序列，形成模拟脉冲数据集，所述整形包括：
将宽度不够的畸变脉冲在整形后以负指数脉冲的拖尾被截断的形式呈现；
所述对阶跃脉冲数据进行数字化处理，包括：
通过随机数发生器输出一个堆积上升的阶跃脉冲信号；
所述模拟脉冲数据集制作模块还用于生成不同畸变率的噪声脉冲序列，所述畸变率指的是在一个脉冲序列中畸变脉冲数量占该序列脉冲总数的比例；
复合神经网络模型构建模块，构建UNet-LSTM复合神经网络模型，通过所述模拟脉冲数据集对所述UNet-LSTM复合神经网络模型进行训练；所述UNet-LSTM复合神经网络模型中UNet采用编码器和解码器的对称结构，其中，在编码器部分通过卷积提取信号特征，通过最大池化进行下采样，减小模型大小；编码器经过四轮卷积与池化操作后的输出作为LSTM模型的输入，利用LSTM隐藏层学习脉冲序列信息的抽象特征；解码器部分对LSTM模型输出的信号依次进行转置卷积、上采样和卷积，增大模型大小，所述解码器部分通过与编码器部分在相同维度上的拼接操作 将全局特征和局部特征进行结合，弥补下采样过程中减小数据规模丢失的特征信息；
具体地，首先通过UNet模型中的编码器部分完成卷积与下采样，提取脉冲序列的关键特征，降低数据规模；然后，将编码器提取到的关键特征输入LSTM，通过不断迭代训练建立起脉冲序列和输出脉冲高度之间的关系，实现脉冲高度的准确预测；最后，将LSTM模型输出的信息作为解码器的输入，通过上采用和卷积进行数据恢复，最终输出一个与输入相对应的脉冲高度序列；
脉冲高度估计模块，配置为将模拟脉冲数据输入训练好的UNet-LSTM复合神经网络模型中，模型输出与模拟脉冲数据对应的脉冲高度序列。
7.一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，其特征在于，处理器运行计算机指令时执行权利要求1-5中任意一项所述一种基于复合神经网络模型的脉冲高度估计方法中相关步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310690313.3A CN116432703B (zh) | 2023-06-12 | 2023-06-12 | 基于复合神经网络模型的脉冲高度估计方法、系统及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310690313.3A CN116432703B (zh) | 2023-06-12 | 2023-06-12 | 基于复合神经网络模型的脉冲高度估计方法、系统及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116432703A CN116432703A (zh) | 2023-07-14 |
| CN116432703B true CN116432703B (zh) | 2023-08-29 |
Family
ID=87085861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310690313.3A Active CN116432703B (zh) | 2023-06-12 | 2023-06-12 | 基于复合神经网络模型的脉冲高度估计方法、系统及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432703B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117310636B (zh) * | 2023-11-29 | 2024-02-06 | 成都工业学院 | 一种固定脉冲重复间隔测量方法、设备和介质 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102761270A (zh) * | 2012-07-28 | 2012-10-31 | 中国科学院近代物理研究所 | 一种用于产生励磁电流的扫描电源 |
| CN105955707A (zh) * | 2016-04-27 | 2016-09-21 | 太原理工大学 | 一种过采样高速实时光学真随机数发生器 |
| CN107783173A (zh) * | 2017-10-24 | 2018-03-09 | 东华理工大学 | 一种数字化核能谱测量系统中的脉冲矩形成形方法 |
| CN108629816A (zh) * | 2018-05-09 | 2018-10-09 | 复旦大学 | 基于深度学习进行薄层磁共振图像重建的方法 |
| CN110276441A (zh) * | 2019-05-20 | 2019-09-24 | 成都理工大学 | 一种基于深度学习的梯形重叠核脉冲估计方法 |
| CN110632572A (zh) * | 2019-09-30 | 2019-12-31 | 中国人民解放军战略支援部队信息工程大学 | 基于无意调相特性的雷达辐射源个体识别方法及装置 |
| CN111444790A (zh) * | 2020-03-13 | 2020-07-24 | 北京理工大学 | 一种对多功能雷达工作模式序列的脉冲级智能识别方法 |
| CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
| CN111948622A (zh) * | 2020-08-07 | 2020-11-17 | 哈尔滨工程大学 | 基于并联cnn-lstm的线性调频雷达信号toa估计算法 |
| CN112311103A (zh) * | 2019-07-26 | 2021-02-02 | 恩智浦有限公司 | 整流电路 |
| CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
| CN113158553A (zh) * | 2021-03-25 | 2021-07-23 | 湖南师范大学 | 一种基于cnn-lstm的大地电磁信号噪声压制方法及系统 |
| CN113375676A (zh) * | 2021-05-26 | 2021-09-10 | 南京航空航天大学 | 一种基于脉冲神经网络的探测器着陆点定位方法 |
| CN114245280A (zh) * | 2021-12-20 | 2022-03-25 | 清华大学深圳国际研究生院 | 一种基于神经网络的场景自适应助听器音频增强系统 |
| CN114566176A (zh) * | 2022-02-23 | 2022-05-31 | 苏州蛙声科技有限公司 | 基于深度神经网络的残余回声消除方法及系统 |
| CN114626296A (zh) * | 2022-03-09 | 2022-06-14 | 吉林大学 | 基于一维残差注意力cnn的线缆电磁辐射响应预测方法 |
| CN114897004A (zh) * | 2022-04-15 | 2022-08-12 | 成都理工大学 | 一种基于深度学习Transformer模型的梯形堆积核脉冲识别方法 |
| WO2023026598A1 (ja) * | 2021-08-24 | 2023-03-02 | 株式会社リガク | Ｘ線分析装置及び波高値予測プログラム |
| CN116068520A (zh) * | 2023-03-07 | 2023-05-05 | 北京理工大学 | 一种基于Transformer的认知雷达联合调制识别与参数估计方法 |
| CN116138794A (zh) * | 2023-01-19 | 2023-05-23 | 中国科学技术大学 | 基于脉冲神经网络的低训练负担肌电模式识别方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3798684A1 (de) * | 2019-09-26 | 2021-03-31 | Siemens Healthcare GmbH | Datenkorrektur in der röntgenbildgebung |
| DE102020208000A1 (de) * | 2020-06-29 | 2021-12-30 | Siemens Healthcare Gmbh | Photonenzählender Röntgendetektor, medizinisches Bildgebungsgerät und Verfahren zur Erzeugung eines Röntgenbilddatensatzes |
-
2023
- 2023-06-12 CN CN202310690313.3A patent/CN116432703B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102761270A (zh) * | 2012-07-28 | 2012-10-31 | 中国科学院近代物理研究所 | 一种用于产生励磁电流的扫描电源 |
| CN105955707A (zh) * | 2016-04-27 | 2016-09-21 | 太原理工大学 | 一种过采样高速实时光学真随机数发生器 |
| CN107783173A (zh) * | 2017-10-24 | 2018-03-09 | 东华理工大学 | 一种数字化核能谱测量系统中的脉冲矩形成形方法 |
| CN108629816A (zh) * | 2018-05-09 | 2018-10-09 | 复旦大学 | 基于深度学习进行薄层磁共振图像重建的方法 |
| CN110276441A (zh) * | 2019-05-20 | 2019-09-24 | 成都理工大学 | 一种基于深度学习的梯形重叠核脉冲估计方法 |
| CN112311103A (zh) * | 2019-07-26 | 2021-02-02 | 恩智浦有限公司 | 整流电路 |
| CN110632572A (zh) * | 2019-09-30 | 2019-12-31 | 中国人民解放军战略支援部队信息工程大学 | 基于无意调相特性的雷达辐射源个体识别方法及装置 |
| CN111444790A (zh) * | 2020-03-13 | 2020-07-24 | 北京理工大学 | 一种对多功能雷达工作模式序列的脉冲级智能识别方法 |
| CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
| CN111948622A (zh) * | 2020-08-07 | 2020-11-17 | 哈尔滨工程大学 | 基于并联cnn-lstm的线性调频雷达信号toa估计算法 |
| CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
| CN113158553A (zh) * | 2021-03-25 | 2021-07-23 | 湖南师范大学 | 一种基于cnn-lstm的大地电磁信号噪声压制方法及系统 |
| CN113375676A (zh) * | 2021-05-26 | 2021-09-10 | 南京航空航天大学 | 一种基于脉冲神经网络的探测器着陆点定位方法 |
| WO2023026598A1 (ja) * | 2021-08-24 | 2023-03-02 | 株式会社リガク | Ｘ線分析装置及び波高値予測プログラム |
| CN114245280A (zh) * | 2021-12-20 | 2022-03-25 | 清华大学深圳国际研究生院 | 一种基于神经网络的场景自适应助听器音频增强系统 |
| CN114566176A (zh) * | 2022-02-23 | 2022-05-31 | 苏州蛙声科技有限公司 | 基于深度神经网络的残余回声消除方法及系统 |
| CN114626296A (zh) * | 2022-03-09 | 2022-06-14 | 吉林大学 | 基于一维残差注意力cnn的线缆电磁辐射响应预测方法 |
| CN114897004A (zh) * | 2022-04-15 | 2022-08-12 | 成都理工大学 | 一种基于深度学习Transformer模型的梯形堆积核脉冲识别方法 |
| CN116138794A (zh) * | 2023-01-19 | 2023-05-23 | 中国科学技术大学 | 基于脉冲神经网络的低训练负担肌电模式识别方法及系统 |
| CN116068520A (zh) * | 2023-03-07 | 2023-05-05 | 北京理工大学 | 一种基于Transformer的认知雷达联合调制识别与参数估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| Estimation of trapezoidal-shaped overlapping nuclear pulse parameters based on a deep learning CNN-LSTM model;Xing-Ke MA 等;《Journal of synchrotron radiation》;第28卷;910-918 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116432703A (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
| 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 | |
| CN107229787B (zh) | 一种基于近似系数与深度学习的伽马能谱分析方法 | |
| CN105824817A (zh) | 一种闪烁脉冲的数字化方法 | |
| CN110276441B (zh) | 一种基于深度学习的梯形重叠核脉冲估计方法 | |
| CN110674604A (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
| CN109271707B (zh) | 对核能谱线进行仿真的模拟能谱曲线仿真方法 | |
| CN109884891B (zh) | 一种高精度智能仿核信号发生系统及其工作方法 | |
| CN102930495B (zh) | 一种基于隐写测评的隐写分析方法 | |
| CN109904878B (zh) | 一种多风电场发电时序模拟场景构建方法 | |
| US11686863B2 (en) | Neural network-based corrector for photon counting detectors | |
| CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN107205686A (zh) | 去除在磁共振成像的重影伪影的方法及为此的磁共振装置 | |
| CN111600584A (zh) | 一种核脉冲信号处理方法及系统 | |
| CN114647814A (zh) | 一种基于预测模型的核信号校正方法 | |
| CN115099488A (zh) | 基于cnn-agu的空气质量指数预测方法及装置 | |
| CN117590142A (zh) | 基于深度学习的开关柜故障诊断方法及系统 | |
| CN111413725B (zh) | 一种利用虚拟仪器技术实现γ-γ数字符合测量的系统及方法 | |
| CN115063410B (zh) | 一种基于无锚点目标检测的钢管计数方法 | |
| Kafaee et al. | Pile-up correction by genetic algorithm and artificial neural network | |
| CN115936196A (zh) | 基于时序卷积网络的月降水模型预测方法 | |
| WO2021075345A1 (ja) | 信号処理方法、学習モデル生成方法、信号処理装置、放射線検出装置及びコンピュータプログラム | |
| US20200355836A1 (en) | Holistic digital gamma-ray spectroscopy methods and instrumentation for high-throughput high-resolution applications | |
| CN111008356A (zh) | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 | |
| CN113052255A (zh) | 一种电抗器智能检测和定位的方法 |
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 |