CN116819599B - 一种中子-伽马射线甄别方法、系统、设备及介质 - Google Patents
一种中子-伽马射线甄别方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116819599B CN116819599B CN202211674599.8A CN202211674599A CN116819599B CN 116819599 B CN116819599 B CN 116819599B CN 202211674599 A CN202211674599 A CN 202211674599A CN 116819599 B CN116819599 B CN 116819599B
- Authority
- CN
- China
- Prior art keywords
- neutron
- screening
- ignition
- neuron
- gamma ray
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000000694 effects Effects 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000008878 coupling Effects 0.000 claims abstract description 13
- 238000010168 coupling process Methods 0.000 claims abstract description 13
- 238000005859 coupling reaction Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000000630 rising effect Effects 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 47
- 238000005070 sampling Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000003321 amplification Effects 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 230000000946 synaptic effect Effects 0.000 claims description 7
- 238000010304 firing Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000000638 stimulation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 230000005251 gamma ray Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012850 discrimination method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011824 nuclear material Substances 0.000 description 1
- 238000005025 nuclear technology Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000002856 peripheral neuron Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Classifications
-
- 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
- Measurement Of Radiation (AREA)
Abstract
本发明提出了一种中子‑伽马射线甄别方法、系统、设备及介质,涉及中子探测技术领域。该方法包括:获取中子‑伽马射线的数字波形Sn;将数字波形Sn送入预置的脉冲耦合神经网络中进行点火,得到对应的点火映射图;基于点火映射图包括的数字波形Sn的上升沿、下降沿与余晖效应部分进行积分处理,并根据积分结果生成对应的得到甄别因子R;基于甄别因子R建立预设甄别机制获取中子‑伽马射线的甄别结果信息。其通过优化中子‑伽马射线的甄别方法,可以在提高甄别效果的同时减少甄别耗时。相应的,该系统包括数据获取模块、点火映射模块、因子生成模块和甄别模块。
Description
技术领域
本发明涉及中子探测技术领域,具体而言,涉及一种中子-伽马射线甄别方法、系统、设备及介质。
背景技术
半个多世纪以来,随着核技术快速发展。在反应堆功率、堆外放射性、核退役、辐照室、中子测井、硼中子俘获治疗以及核材料运输等众多领域都需要采用中子探测技术。但在实际中子测量应用中,由于中子与周围环境存在非弹性散射及慢中子的俘获等相互作用,伽马射线总是与中子相伴存在。而探测器一般对中子和伽马射线同时灵敏,且中子和伽马射线都相对容易探测但较难区分,因此中子和伽马射线的甄别尤为重要。
近年来,科研工作者在中子伽马甄别算法领域进行了许多研究。这些现有的甄别方法大致可分为三类:频域甄别法,时域甄别法以及智能甄别法。其中,频域与智能甄别法需要进行大量的矩阵运算,消耗时间较长,很难用于实时甄别;而时域甄别法虽然运算较快,但是甄别效果又相对较差。因此,急需一种既有出色的甄别效果,又耗时较短的中子-伽马射线甄别方法用以解决现有技术中存在的这些困惑。
发明内容
本发明的目的在于提供一种中子-伽马射线甄别方法、系统、设备及介质,其能够在提高甄别效果的同时减少甄别耗时。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种中子-伽马射线甄别方法,包括以下步骤:
步骤S101:获取中子-伽马射线的数字波形Sn;步骤S102:将数字波形Sn送入预置的脉冲耦合神经网络中进行点火,得到对应的点火映射图;步骤S103:基于点火映射图包括的数字波形Sn的上升沿、下降沿与余晖效应部分进行积分处理,并根据积分结果生成对应的得到甄别因子R;步骤S104:基于甄别因子R建立预设甄别机制获取中子-伽马射线的甄别结果信息。
在本发明的一些实施例中,上述步骤S101和步骤S102之间还包括:将数字波形Sn依次进行剔除失真信号、幅值归一化处理和滤波处理。
在本发明的一些实施例中,上述步骤S102包括:
对脉冲耦合神经网络进行对应的参数配置,得到对应的PCNN模型;利用PCNN模型对每一个数字波形Sn的每一个采样点进行点火,并将每一采样点的每次迭代的点火情况进行累计,得到每一个数字波形Sn的点火映射图。
在本发明的一些实施例中,上述点火映射图中的每一个采样点的点火次数的选取贡献包括对应采样点的幅值和数字波形Sn的动态信息。
在本发明的一些实施例中,上述步骤S104具体包括:
基于甄别因子R绘制对应的统计直方图;对绘制的统计直方图进行高斯拟合,得到两个高斯峰,并得到对应的拟合参数d、S1和S2,其中,d为两高斯峰之间的距离,S1和S2分别为两高斯峰的半高斯峰的宽度;基于公式进行计算得到对应的FOM值。
在本发明的一些实施例中,上述脉冲耦合神经网络的数学表达式包括:
Uij[n]=Fij[n]{1+βLij[n]}}
其中,(i,j)为内部活动神经元的位置坐标,n为神经元的迭代次数,Sij为外部刺激,Fij和Lij分别为反馈输入和连接输入,αF和αL分别为反馈输入和连接输入的衰减系数,Uij为神经元内部活动,由Fij和Lij共同决定,β为链接系数,用于调节神经元内部活动强度,Mijkl和Wijkl分别为反馈输入突触权重矩阵和链接输入突触权重矩阵,用于调节邻接神经元对中心神经元的刺激强度,θij为神经元的动态阈值,αθ为神经元动态阈值的衰减系数,Vθ为神经元动态阈值的增幅系数,VF和VL分别为神经元反馈输入和连接输入的放大系数,Yij为脉冲序列。
在本发明的一些实施例中,上述脉冲耦合神经网络对应的参数设置包括:W=M=[0.1409,0,0.1409]、n=180、αF=0.32、αL=0.356、αθ=0.08、VF=0.0005、VL=0.0005、Vθ=15、β=0.4。
第二方面,本申请实施例提供一种中子-伽马射线甄别系统,其包括:
数据获取模块,用于获取中子-伽马射线的数字波形Sn;点火映射模块,用于将数字波形Sn送入预置的脉冲耦合神经网络中进行点火,得到对应的点火映射图;因子生成模块,用于基于点火映射图包括的数字波形Sn的上升沿、下降沿与余晖效应部分进行积分处理,并根据积分结果生成对应的得到甄别因子R;甄别模块,用于基于甄别因子R建立预设甄别机制获取中子-伽马射线的甄别结果信息。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当上述一个或多个程序被上述处理器执行时,实现如上述第一方面中任一项上述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项上述的方法。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
本发明的实施例基于脉冲耦合神经网络将数字波形Sn进行点火处理,用以得到对应的点火映射图,从而后续可以在点火映射图的基础上进行相应的处理,用以甄别中子-伽马射线。其甄别效果相对于现有的电荷比较法、反向传播神经网络和分形谱方法,品质因数更高,甄别效果明显提升。并且,在利用脉冲耦合神经网络进行点火的时候,不像其他现有技术中的方法那样仅仅基于输入信号的固定向量的每一个点,它不仅考虑了点的振幅,还考虑了该位置之前和之后的点的振幅。换言之,脉冲耦合神经网络将输入信号作为一个整体进行分析和处理,这使其具有良好的抗噪效果和捕捉脉冲信号中的动态信息的能力。并且,在获取了更精准的甄别效果的同时,相较于在现有技术中的甄别效果相对较不错的反向传播神经网络和分形谱方法相比,其不仅甄别效果更高,而且耗时更短。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明一种中子-伽马射线甄别方法一实施例的流程图;
图2A为本发明一实施例中的数字波形Sn图;
图2B为本发明一实施例中的点火映射图;
图3为本发明一实施例中脉冲耦合神经网络甄别原理图;
图4为本发明一实施例中中子-伽马射线脉冲信号甄别散点图;
图5为本发明一实施例中PCNN甄别方法直方图的高斯拟合曲线及FOM计算原理;
图6为本发明一种中子-伽马射线甄别系统一实施例的结构框图;
图7为本发明实施例提供的一种电子设备的结构框图。
图标:1、数据获取模块;2、点火映射模块;3、因子生成模块;4、甄别模块;5、处理器;6、存储器;7、数据总线。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
中子探测技术在违禁品检测、环境辐射检测、军事及深空探测等领域应用广泛。由于中子与周围环境的非弹性散射、慢化中子的辐射俘获等原因,存在中子的场合,几乎均伴随着大量的γ射线本底,而中子探测器对γ射线是灵敏的,因此在探测中子时必须进行中子与γ射线(n/γ)的甄别,以排除γ射线的干扰。因此,对n/γ甄别方法进行研究,排除中子探测技术应用中的这一重大干扰因素,对中子探测技术的应用发展及星载中子探测仪器的开发均具有重要意义。
相应的,请参阅图1-5,本申请实施例提供了一种中子-伽马射线甄别方法,其能够在提高甄别效果的同时减少甄别耗时。该一种中子-伽马射线甄别方法包括以下步骤:
步骤S101:获取中子-伽马射线的数字波形Sn。
请参阅图2A,上述步骤中,通过获取中子-伽马射线的数字波形Sn,可以为后续中子-伽马射线的甄别提供原始脉冲波形信号,即提供相应的原始数据支撑。示例性地,可以用辐射探测器和脉冲采集卡对中子伽马混合相似脉冲信号进行自触发式的数字波形Sn的采样和储存,脉冲采集卡设定了固定触发阈值,当脉冲信号超过触发阈值,存储器会将脉冲信号前后预置数量(例如280)个采样点保存下来。
步骤S102:将数字波形Sn送入预置的中进行点火,得到对应的点火映射图。
请参阅图2A和图2B,上述步骤中,其原理是通过利用中子和伽马射线的脉冲信号是一维的,连接权重矩阵也是一维的向量,在脉冲信号上实现脉冲耦合神经网络后,可以得到点火映射,该映射是一个和原始信号(获取的数字波形Sn)具有相同纬度的矩阵。从而后续在步骤S103中对数字波形Sn的上升沿、下降沿与余晖效应部分进行汇总,可以用以建立相应的甄别机制获取中子-伽马射线的甄别结果信息。
示例性地,其中,所述脉冲耦合神经网络的数学表达式包括:
Uij[n]=Fij[n]{1+βLij[n]}}
其中,(i,j)为内部活动神经元的位置坐标,n为神经元的迭代次数,Sij为外部刺激,Fij和Lij分别为反馈输入和连接输入,αF和αL分别为反馈输入和连接输入的衰减系数,Uij为神经元内部活动,由Fij和Lij共同决定,β为链接系数,用于调节神经元内部活动强度,Mijkl和Wijkl分别为反馈输入突触权重矩阵和链接输入突触权重矩阵,用于调节邻接神经元对中心神经元的刺激强度,θij为神经元的动态阈值,αθ为神经元动态阈值的衰减系数,Vθ为神经元动态阈值的增幅系数,VF和VL分别为神经元反馈输入和连接输入的放大系数,Yij为脉冲序列。
其中的具体原理是,在神经元工作时,接受域Fij和Lij分别接收到外部的刺激信号和来自周围神经元的刺激信号,而后神经元分别将两个信号输入调制部分进行耦合,经过耦合可得到神经元内部活动Uij,当神经元内部Uij活动大于神经元动态阈值θij时,神经元被点火并输出脉冲序列Yij,此时神经元动态阈值θij将迅速增加Vθ,抑制神经元下一次点火,只有神经元继续接受一定强度刺激时,才有可能在下次迭代中被点火。简单来说,Uij、θij、Yij是紧密相连的,它们中的任何一个发生变化,都会影响到剩余两个参量。在多轮外部刺激后,Uij的增长速度趋于减慢,而θij的增长速度保持不变,这将导致θij最终将超过Uij,神经元被重置,这也说明了一个神经元无限制地接收同一强度的刺激被点火的次数不是无限的。将Uij>θij的次数记作点火次数,将原始信号输入PCNN模型,PCNN将输出与原始信号维度相同的矩阵,该矩阵元素的值就是原始信号对应位置上的点火次数,将该矩阵称为点火映射图。
示例性地,所述脉冲耦合神经网络对应的参数设置可以包括:W=M=[0.1409,0,0.1409]、n=180、αF=0.32、αL=0.356、αθ=0.08、VF=0.0005、VL=0.0005、Vθ=15、β=0.4。通过采用上述参数设置,可以用于提高甄选的效率和准确度。当然,这一套仅仅是示例性地给出了一套参数,实际使用的使用可以根据实际情况需要进行选择相应的参数,并不局限于此。
另外,考虑到采集的模拟信号在经过转换为数字信号时有可能引入高频噪声(中子伽马混合相似脉冲信号转换为数字波形Sn)、且脉冲信号的幅值存在差异,这些均会对后续的数据处理产生影响。因此在所述步骤S101和步骤S102之间还可以包括:
将数字波形Sn依次进行剔除失真信号、幅值归一化处理和滤波处理。
上述步骤中,首先在步骤S101中采集获取的数字波形Sn中可能有部分信号双峰、平峰和叠峰的现象。这些严重失真的信号无法用于甄别,从而相应的可以使用MATLAB对识别并剔除失真信号。然后在利用MATLAB对剔除错误信号的数字波形进行幅值归一化,得到归一化幅值的数字波形。接着再对进行幅值归一化后的数字波形进行滤波处理,滤波处理可根据具体的噪声情况,选择合适的滤波算法。通常选择的滤波算法可以有:傅里叶变换滤波法、移动平滑滤波法、中值滤波法、小波变换滤波法等。通过滤波处理得到待甄别的数字波形,本发明中该步骤可根据信号的含噪情况选择是否省略。需要说明的是,此处只是为了便于理解所以是用的基于MATLAB进行的相应处理,本发明并不对具体选择适用的工具进行限定,只要能达到相同或者相类似的技术效果即可。
另外,所述步骤S102包括:
对脉冲耦合神经网络进行对应的参数配置,得到对应的PCNN模型;
利用PCNN模型对每一个数字波形Sn的每一个采样点进行点火,并将每一采样点的每次迭代的点火情况进行累计,得到每一个数字波形Sn的点火映射图。
上述步骤中,对于脉冲耦合神经网络进行参数选择过程中,脉冲耦合神经网络优异的甄别效果会依赖一组合适的神经网络参数。因此,可以根据实际情况进行调整相应的参数配置,用于匹配相应的使用场所。当然,也可以参阅在前文中的示例性地举出的那一套参数配置方案。
其中,所述点火映射图中的每一个采样点的点火次数的选取贡献包括对应采样点的幅值和数字波形Sn的动态信息。也就是说,在脉冲耦合神经网络对输入信号进行识别处理的时候,可以将伽马射线的脉冲信号的每一个采样点的对应采样点的幅值和数字波形Sn的动态信息进行同时考虑,用以提高其识别效率和准确度。
步骤S103:基于点火映射图包括的数字波形Sn的上升沿、下降沿与余晖效应部分进行积分处理,并根据积分结果生成对应的得到甄别因子R。
上述步骤中,生成对应的得到甄别因子R时,可以直接将积分结果对应的积分值直接作为甄别因子R,从而便于简单快捷的获取到对应的甄别因子R。当然,也可以将获取的积分值简单的乘以一个比例系数,用以得到含比例系数的甄别因子R,从而可以通过调整比例系数的取值,用以对最终的结果进行一个简单校正处理。
步骤S104:基于甄别因子R建立预设甄别机制获取中子-伽马射线的甄别结果信息。
上述步骤中,在获取到甄别因子R后,则可以开始对甄别因子R进行统计分析,从而用以建立预设甄别机制获取中子-伽马射线的甄别结果信息。
示例性地,请参阅图5,所述步骤S104具体包括:
基于甄别因子R绘制对应的统计直方图;对绘制的统计直方图进行高斯拟合,得到两个高斯峰,并得到对应的拟合参数d、S1和S2,其中,d为两高斯峰之间的距离,S1和SX分别为两高斯峰的半高斯峰的宽度;基于公式进行计算得到对应的FOM值。
在上述步骤中,通过利用统计直方图以及对统计直方图进行高斯拟合的思路进行生成相应的品质因子FOM,从而用以根据品质因子FOM进行输出相应的甄选结果。可以在节省运算量的同时有效的利用甄别因子R包括的信息,进行生成准确有效的品质因子FOM,用以保证甄选的效率和准确度。
为了验证本发明中的基于PCNN的脉冲形状甄别方法的甄别效果,发明人做了以下实验,并得出相应的数据如下:
首先,使用一个241Am-Be中子源来产生n-γ相似脉冲信号,平均能量为4.5mV。辐射探测设备主要由两个部分组成:一个EJ299-33塑料闪烁体,以及一个具有500mV触发阈值、200MHz带宽和1GS/s采样率的数字示波器。通过上述设备将辐射信号取回并转换为数字信号,获得了9414个脉冲信号。
接着,为了降低噪声对后续甄别过程造成不利影响,先使用傅里叶变换滤波法降低脉冲信号中的噪声。再将脉冲信号输入到PCNN中进行点火以获得点火映射图,点火映射图如图2B所示。PCNN的参数设置为:对点火映射图中原信号峰前10个采样点到峰后120个采样点中间的部分进行积分,将其作为甄别因子R的值,如图3所示。
再接着,采用辐射探测领域内常用的三种中子伽马甄别方法对同样的经过傅里叶滤波的9414个脉冲信号进行甄别,包括BPNN,电荷比较法和分型频谱法,甄别效果如图4、图5和表1所示。
表1本发明的甄别性能与常见方法对比结果
甄别方法 | 电荷比较法 | BPNN | 分型频谱法 | PCNN |
甄别时间 | 1.96s | 3.65s | 178.01s | 2.22s |
品质因子(FoM) | 1.351 | 0.989 | 1.028 | 1.750 |
其中,图4是用不同方法鉴别的相似脉冲信号散点图,交叉线以上的点鉴别为中子信号,交叉线以下的点鉴别为伽马射线信号。可以清楚地看到,采用本发明的PCNN方法的性能明显优于其他方法,中子点和伽马射线点之间有明显的差距。
图5是通过归一化甄别因子r的值的直方图进行高斯拟合获得的。从图5中可以看出:本发明的PCNN方法的拟合曲线表现出很好的甄别性能,即中子与伽马相似脉冲信号峰值之间的距离与半高宽和值之比达到1.750,n-γ各自脉冲计数峰更窄、更高。
如表1所示,本发明的方法甄别效果明显优于其他方法,与电荷比较法相比FOM值提高了29.50%,与BPNN相比提高了76.95%,与分形谱方法相比提高了70.23%。由于本发明的PCNN并不像其他方法那样基于输入信号的固定向量的每一个点,因此该方法具有很好的识别性能。事实上,本发明的PCNN不仅考虑了一个点的振幅,还考虑了这个位置前后点的振幅,也就是说,本发明的PCNN将输入信号作为一个整体进行分析和处理,具有良好的抗噪声效果和处理脉冲信号中包含的动态信息的能力。此外,该方法的识别时间也相对较快(2.22s),仅比电荷比较法(1.96s)消耗的时间稍多,明显优于BPNN法(3.65s)和分形谱法(178.01s),有应用于实时甄别的潜力。
实施例2
请参阅图6,本申请实施例提供了一种中子-伽马射线甄别系统,其包括:
数据获取模块1,用于获取中子-伽马射线的数字波形Sn;点火映射模块2,用于将数字波形Sn送入预置的脉冲耦合神经网络中进行点火,得到对应的点火映射图;因子生成模块3,用于基于点火映射图包括的数字波形Sn的上升沿、下降沿与余晖效应部分进行积分处理,并根据积分结果生成对应的得到甄别因子R;甄别模块4,用于基于甄别因子R建立预设甄别机制获取中子-伽马射线的甄别结果信息。
上述系统具体实现过程请参照实施例1中提供的一种中子-伽马射线甄别方法,在此不再赘述。
实施例3
请参阅图7,本申请实施例提供了一种电子设备,该电子设备包括至少一个处理器5、至少一个存储器6和数据总线7;其中:处理器5与存储器6通过数据总线7完成相互间的通信;存储器6存储有可被处理器5执行的程序指令,处理器5调用程序指令以执行一种中子-伽马射线甄别方法。例如实现:
获取中子-伽马射线的数字波形Sn;将数字波形Sn送入预置的脉冲耦合神经网络中进行点火,得到对应的点火映射图;基于点火映射图包括的数字波形Sn的上升沿、下降沿与余晖效应部分进行积分处理,并根据积分结果生成对应的得到甄别因子R;基于甄别因子R建立预设甄别机制获取中子-伽马射线的甄别结果信息。
其中,存储器6可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器5可以是一种集成电路芯片,具有信号处理能力。该处理器5可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图7所示的结构仅为示意,电子设备还可包括比图7中所示更多或者更少的组件,或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。
实施例4
本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器5执行时实现一种中子-伽马射线甄别方法。例如实现:
获取中子-伽马射线的数字波形Sn;将数字波形Sn送入预置的脉冲耦合神经网络中进行点火,得到对应的点火映射图;基于点火映射图包括的数字波形Sn的上升沿、下降沿与余晖效应部分进行积分处理,并根据积分结果生成对应的得到甄别因子R;基于甄别因子R建立预设甄别机制获取中子-伽马射线的甄别结果信息。
上述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种中子-伽马射线甄别方法,其特征在于,包括以下步骤:
步骤S101:获取中子-伽马射线的数字波形Sn;
步骤S102:将数字波形Sn送入预置的脉冲耦合神经网络中进行点火,得到对应的点火映射图;其中,所述脉冲耦合神经网络的数学表达式包括:
Uij[n]=Fij[n]{1+βLij[n]}、
其中,(i,j)为内部活动神经元的位置坐标,n为神经元的迭代次数,Sij为外部刺激,Lij和Lij分别为反馈输入和连接输入,αF和αL分别为反馈输入和连接输入的衰减系数,Uij为神经元内部活动,由Fij和Lij共同决定,β为链接系数,用于调节神经元内部活动强度,Mijkl和Wijkl分别为反馈输入突触权重矩阵和链接输入突触权重矩阵,用于调节邻接神经元对中心神经元的刺激强度,θij为神经元的动态阈值,αθ为神经元动态阈值的衰减系数,Vθ为神经元动态阈值的增幅系数,VF和VL分别为神经元反馈输入和连接输入的放大系数,Yij为脉冲序列;
步骤S103:基于点火映射图包括的数字波形Sn的上升沿、下降沿与余晖效应部分进行积分处理,并根据积分结果生成对应的得到甄别因子R;
步骤S104:基于甄别因子R建立预设甄别机制获取中子-伽马射线的甄别结果信息。
2.如权利要求1所述的一种中子-伽马射线甄别方法,其特征在于,所述步骤S101和步骤S102之间还包括:
将数字波形Sn依次进行剔除失真信号、幅值归一化处理和滤波处理。
3.如权利要求1所述的一种中子-伽马射线甄别方法,其特征在于,所述步骤S102包括:
对脉冲耦合神经网络进行对应的参数配置,得到对应的PCNN模型;
利用PCNN模型对每一个数字波形Sn的每一个采样点进行点火,并将每一采样点的每次迭代的点火情况进行累计,得到每一个数字波形Sn的点火映射图。
4.如权利要求3所述的一种中子-伽马射线甄别方法,其特征在于,所述点火映射图中的每一个采样点的点火次数的选取贡献包括对应采样点的幅值和数字波形Sn的动态信息。
5.如权利要求1所述的一种中子-伽马射线甄别方法,其特征在于,所述步骤S104具体包括:
基于甄别因子R绘制对应的统计直方图;
对绘制的统计直方图进行高斯拟合,得到两个高斯峰,并得到对应的拟合参数d、S1和S2,其中,d为两高斯峰之间的距离,S1和S2分别为两高斯峰的半高斯峰的宽度;
基于公式进行计算得到对应的FOM值。
6.如权利要求1所述的一种中子-伽马射线甄别方法,其特征在于,所述脉冲耦合神经网络对应的参数设置包括:W=M=[0.1409,0,0.1409]、n=180、αF=0.32、αL=0.356、αL=0.08、VF=0.0005、VL=0.0005、Vθ=15、β=0.4。
7.一种中子-伽马射线甄别系统,其特征在于,包括:
数据获取模块,用于获取中子-伽马射线的数字波形Sn;
点火映射模块,用于将数字波形Sn送入预置的脉冲耦合神经网络中进行点火,得到对应的点火映射图;其中,所述脉冲耦合神经网络的数学表达式包括:
Uij[n]=Fij[n]{1+βLij[n]}、
其中,(i,j)为内部活动神经元的位置坐标,n为神经元的迭代次数,Sij为外部刺激,Fij和Lij分别为反馈输入和连接输入,αF和αL分别为反馈输入和连接输入的衰减系数,Uij为神经元内部活动,由Fij和Lij共同决定,β为链接系数,用于调节神经元内部活动强度,Mijkl和Wijkl分别为反馈输入突触权重矩阵和链接输入突触权重矩阵,用于调节邻接神经元对中心神经元的刺激强度,θij为神经元的动态阈值,αθ为神经元动态阈值的衰减系数,Vθ为神经元动态阈值的增幅系数,VF和VL分别为神经元反馈输入和连接输入的放大系数,Yij为脉冲序列;
因子生成模块,用于基于点火映射图包括的数字波形Sn的上升沿、下降沿与余晖效应部分进行积分处理,并根据积分结果生成对应的得到甄别因子R;
甄别模块,用于基于甄别因子R建立预设甄别机制获取中子-伽马射线的甄别结果信息。
8.一种电子设备,其特征在于,包括至少一个处理器、至少一个存储器和数据总线;其中:所述处理器与所述存储器通过所述数据总线完成相互间的通信;所述存储器存储有被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行如权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211674599.8A CN116819599B (zh) | 2022-12-26 | 2022-12-26 | 一种中子-伽马射线甄别方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211674599.8A CN116819599B (zh) | 2022-12-26 | 2022-12-26 | 一种中子-伽马射线甄别方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116819599A CN116819599A (zh) | 2023-09-29 |
CN116819599B true CN116819599B (zh) | 2024-01-23 |
Family
ID=88126376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211674599.8A Active CN116819599B (zh) | 2022-12-26 | 2022-12-26 | 一种中子-伽马射线甄别方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116819599B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011145651A1 (ja) * | 2010-05-18 | 2011-11-24 | 株式会社トクヤマ | 中性子線検出器、中性子線検出用シンチレーターおよび中性子線とγ線とを弁別する方法 |
WO2015128905A1 (ja) * | 2014-02-28 | 2015-09-03 | 株式会社ANSeeN | 波形弁別装置、波形弁別方法及び波形弁別プログラム |
CN111221030A (zh) * | 2019-12-03 | 2020-06-02 | 北京卫星环境工程研究所 | 基于物理集成的中子伽马探测器及中子伽马在线甄别方法 |
CN111796320A (zh) * | 2020-07-07 | 2020-10-20 | 南华大学 | 一种基于1阶矩的数字中子伽马射线甄别方法 |
CN112505742A (zh) * | 2020-11-07 | 2021-03-16 | 成都理工大学工程技术学院 | 基于下降沿积分的数字n-γ甄别方法 |
CN114509801A (zh) * | 2022-02-17 | 2022-05-17 | 中国科学院上海应用物理研究所 | 一种钆基材料的中子/伽马甄别系统及方法 |
CN115079244A (zh) * | 2022-06-30 | 2022-09-20 | 成都理工大学工程技术学院 | 一种基于下降沿幅值百分点斜率的数字n/γ甄别方法 |
CN115392324A (zh) * | 2022-07-29 | 2022-11-25 | 成都大学 | 基于阶梯梯度法的中子-伽马甄别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6973106B2 (ja) * | 2018-01-19 | 2021-11-24 | 富士通株式会社 | 学習プログラム、学習方法および学習装置 |
-
2022
- 2022-12-26 CN CN202211674599.8A patent/CN116819599B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011145651A1 (ja) * | 2010-05-18 | 2011-11-24 | 株式会社トクヤマ | 中性子線検出器、中性子線検出用シンチレーターおよび中性子線とγ線とを弁別する方法 |
WO2015128905A1 (ja) * | 2014-02-28 | 2015-09-03 | 株式会社ANSeeN | 波形弁別装置、波形弁別方法及び波形弁別プログラム |
CN111221030A (zh) * | 2019-12-03 | 2020-06-02 | 北京卫星环境工程研究所 | 基于物理集成的中子伽马探测器及中子伽马在线甄别方法 |
CN111796320A (zh) * | 2020-07-07 | 2020-10-20 | 南华大学 | 一种基于1阶矩的数字中子伽马射线甄别方法 |
CN112505742A (zh) * | 2020-11-07 | 2021-03-16 | 成都理工大学工程技术学院 | 基于下降沿积分的数字n-γ甄别方法 |
CN114509801A (zh) * | 2022-02-17 | 2022-05-17 | 中国科学院上海应用物理研究所 | 一种钆基材料的中子/伽马甄别系统及方法 |
CN115079244A (zh) * | 2022-06-30 | 2022-09-20 | 成都理工大学工程技术学院 | 一种基于下降沿幅值百分点斜率的数字n/γ甄别方法 |
CN115392324A (zh) * | 2022-07-29 | 2022-11-25 | 成都大学 | 基于阶梯梯度法的中子-伽马甄别方法 |
Non-Patent Citations (4)
Title |
---|
n-γ核信号的matlab仿真及其数字波形甄别方法研究;曹真伟;颜拥军;付德顺;王庆震;易凌帆;;核科学与工程(第02期);全文 * |
核脉冲波形甄别方法研究;黄广伟;周春芝;肖无云;樊海军;陈晔;;核电子学与探测技术(第08期);全文 * |
董安勇 ; 杜庆治 ; 苏斌 ; 赵文博 ; 于闻 ; .基于卷积神经网络的红外与可见光图像融合.红外技术.2020,(第07期),全文. * |
薛寺中 ; 周爱平 ; 梁久祯 ; .基于小波变换的自适应脉冲耦合神经网络图像融合.计算机应用.2010,(第12期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116819599A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011493B (zh) | 基于多核宽度学习脑电情绪分类方法、装置、介质及设备 | |
CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
US11816767B1 (en) | Method and system for reconstructing magnetic particle distribution model based on time-frequency spectrum enhancement | |
Nieto et al. | Studying deep convolutional neural networks with hexagonal lattices for imaging atmospheric Cherenkov telescope event reconstruction | |
Kong et al. | Fusion technique for multi-focus images based on NSCT–ISCM | |
Liu et al. | Discrimination of neutrons and gamma rays in plastic scintillator based on pulse-coupled neural network | |
CN116819599B (zh) | 一种中子-伽马射线甄别方法、系统、设备及介质 | |
Liu et al. | A multidimensional feature-driven ensemble model for accurate classification of complex power quality disturbance | |
Liu et al. | Discrimination of neutron and gamma ray using the ladder gradient method and analysis of filter adaptability | |
CN113114408A (zh) | 一种生成式欺骗干扰信号生成评估方法及装置 | |
CN111553111B (zh) | 一种基于mcnp的数字仿核信号发生器 | |
CN109829408B (zh) | 基于卷积神经网络的智能闪电识别装置 | |
CN115392324A (zh) | 基于阶梯梯度法的中子-伽马甄别方法 | |
CN109541687B (zh) | 一种熵约束数据驱动正规框架地震数据规则化方法 | |
CN116405233A (zh) | 一种基于改进vaegan与深度神经网络的网络入侵检测方法 | |
Glombitza et al. | Application of graph networks to background rejection in Imaging Air Cherenkov Telescopes | |
CN115640501A (zh) | 基于多尺度特征融合的磁粒子成像时频域信号滤波方法 | |
CN111008356B (zh) | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 | |
CN113447987A (zh) | 一种确定地层流体饱和度的方法、装置及设备 | |
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 | |
CN108665422B (zh) | 傅里叶域内逆向感知的单帧红外非均匀性检测方法 | |
CN117033980A (zh) | 一种粒子相似性波形甄别方法、系统、设备及介质 | |
Chen et al. | Edge Detection and Deep Learning Based SETI Signal Classification Method | |
Shcherban et al. | A search method for unknown high-frequency oscillators in noisy signals based on the continuous wavelet transform | |
Chinnathambi et al. | Despeckling of ultrasound images using directionally decimated wavelet packets with adaptive clustering |
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 |