CN117992846A - 一种采用神经网络处理器的粒子及事例类型甄别系统 - Google Patents

一种采用神经网络处理器的粒子及事例类型甄别系统 Download PDF

Info

Publication number
CN117992846A
CN117992846A CN202410143798.9A CN202410143798A CN117992846A CN 117992846 A CN117992846 A CN 117992846A CN 202410143798 A CN202410143798 A CN 202410143798A CN 117992846 A CN117992846 A CN 117992846A
Authority
CN
China
Prior art keywords
pulse signal
processing unit
neural network
type
particle
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
Application number
CN202410143798.9A
Other languages
English (en)
Inventor
曾国强
李勍
樊纯頔
顾民
杨剑
胡传皓
杨小峰
侯杨
严磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202410143798.9A priority Critical patent/CN117992846A/zh
Publication of CN117992846A publication Critical patent/CN117992846A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Radiation (AREA)

Abstract

本发明公开一种采用神经网络处理器的粒子及事例类型甄别系统，涉及辐射探测技术领域，核脉冲信号采集模块采集待甄别目标的射线能量，转化为核脉冲数字波形发送给CPU处理单元提取核脉冲信号数据；NPU处理单元基于核脉冲信号数据，利用部署在NPU处理单元中的第一甄别模型，确定待甄别目标的第一类型；第一类型为α粒子或β粒子；或基于核脉冲信号数据，利用部署在NPU处理单元中的第二甄别模型，确定待甄别目标的第二类型；第二类型为全能量沉积事例或部分能量沉积事例；或基于核脉冲信号数据，利用部署在NPU处理单元中的第三甄别模型，确定待甄别目标的第三类型；第三类型为中子或伽马射线。本发明实现了粒子及事例类型的在线甄别。

Description

一种采用神经网络处理器的粒子及事例类型甄别系统
技术领域
本发明涉及辐射探测技术领域，特别是涉及一种采用神经网络处理器的粒子及事例类型甄别系统。
背景技术
在核物理研究以及辐射探测中，对核反应的粒子及事例类型甄别具有重要的意义。比如在中子探测实验中对中子和伽马射线进行甄别，在液闪谱仪中对α、β粒子进行甄别，在无中微子双贝塔衰变实验中对信号事例对应的单点事例和本底事例对应的多点事例进行甄别，在伽马射线探测中对全能峰区间的全能量沉积事例和康普顿坪区的部分能量沉积事例进行甄别等。为此有必要研制一种可针对不同的应用场合的高性能、通用型，能对粒子以及事例类型在线甄别的方法。
发明内容
本发明的目的是提供一种采用神经网络处理器的粒子及事例类型甄别系统，实现了粒子及事例类型的在线甄别。
为实现上述目的，本发明提供了如下方案：
一种采用神经网络处理器的粒子及事例类型甄别系统，包括：核脉冲信号采集模块和SOC处理器，所述SOC处理器部署有CPU处理单元和NPU处理单元；所述核脉冲信号采集模块、所述CPU处理单元与NPU处理单元依次连接；
所述核脉冲信号采集模块用于采集待甄别目标的射线能量，并将所述射线能量转化为核脉冲数字波形，并将所述核脉冲数字波形发送给所述CPU处理单元；
所述CPU处理单元用于从所述核脉冲数字波形中提取核脉冲信号数据；
所述NPU处理单元用于：
基于所述核脉冲信号数据，利用部署在所述NPU处理单元中的第一甄别模型，确定待甄别目标的第一类型；所述第一甄别模型是利用多个核脉冲信号数据和对应的第一类型对神经网络进行训练得到的，所述第一类型为α粒子或β粒子，神经网络为卷积神经网络或全连接神经网络；
或基于所述核脉冲信号数据，利用部署在所述NPU处理单元中的第二甄别模型，确定待甄别目标的第二类型；所述第二甄别模型是利用多个核脉冲信号数据和对应的第二类型对神经网络进行训练得到的，所述第二类型为全能量沉积事例或部分能量沉积事例；
或基于所述核脉冲信号数据，利用部署在所述NPU处理单元中的第三甄别模型，确定待甄别目标的第三类型；所述第三甄别模型是利用多个核脉冲信号数据和对应的第三类型对神经网络进行训练得到的，所述第三类型为中子或伽马射线。
可选地，所述核脉冲信号采集模块，包括：依次连接的辐射探测器、输入缓冲电路、低噪声信号放大电路、单端转差分电路和高速ADC电路；所述高速ADC电路与所述SOC处理器连接；
所述辐射探测器用于采集待甄别目标的射线能量，并将所述射线能量转换为原始电压脉冲信号；
所述输入缓冲电路用于对所述原始电压脉冲信号进行放大，得到一次放大后的电压脉冲信号；
所述低噪声信号放大电路用于对一次放大后的电压脉冲信号进行进一步放大和降噪；得到二次放大后的电压脉冲信号；
所述单端转差分电路用于将二次放大后的电压脉冲信号转换为差分信号；
所述高速ADC电路用于将所述差分信号进行模数转换，得到所述核脉冲数字波形。
可选地，所述甄别系统还包括：存储模块；所述存储模块与所述CPU处理单元连接；
所述存储模块用于存储所述CPU处理单元提取出的核脉冲信号数据；
所述CPU处理单元还用于当所述NPU处理单元空闲时，从所述存储模块中读取核脉冲信号数据，并将所述核脉冲信号数据发送给所述NPU处理单元进行甄别。
可选地，所述NPU处理单元中还部署有人工神经网自编码器；所述人工神经网自编码器分别与所述CPU处理单元、所述第一甄别模型、所述第二甄别模型和所述第三甄别模型连接；
所述人工神经网自编码器用于对所述核脉冲信号数据进行滤波降噪，并将滤波降噪后的核脉冲信号数据发送至所述第一甄别模型、所述第二甄别模型或所述第三甄别模型进行甄别。
可选地，所述SOC处理器，还部署有粒子事例数据包；所述粒子事例数据包与所述CPU处理单元连接；
所述CPU处理单元还用于将所述NPU处理单元输出的甄别结果发送给所述粒子事例数据包进行暂存；所述甄别结果为第一类型、第二类型或第三类型。
可选地，所述甄别系统，还包括：上位机；所述上位机与所述粒子事例数据包连接。
可选地，所述上位机通过USB3.0与所述粒子事例数据包连接。
可选地，所述上位机依次通过路由器和以太网接口与所述粒子事例数据包连接。
可选地，所述存储模块为DDR存储器或SDRAM存储器。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种采用神经网络处理器的粒子及事例类型甄别系统，包括：核脉冲信号采集模块和SOC处理器，SOC处理器部署有CPU处理单元和NPU处理单元；核脉冲信号采集模块、CPU处理单元与NPU处理单元依次连接；核脉冲信号采集模块用于采集待甄别目标的射线能量，并将射线能量转化为核脉冲数字波形，并将核脉冲数字波形发送给CPU处理单元；CPU处理单元用于从核脉冲数字波形中提取核脉冲信号数据；NPU处理单元用于：基于核脉冲信号数据，利用部署在NPU处理单元中的第一甄别模型，确定待甄别目标的第一类型；第一类型为α粒子或β粒子；或基于核脉冲信号数据，利用部署在NPU处理单元中的第二甄别模型，确定待甄别目标的第二类型；第二类型为全能量沉积事例或部分能量沉积事例；或基于核脉冲信号数据，利用部署在NPU处理单元中的第三甄别模型，确定待甄别目标的第三类型；其中，第一甄别模型、第二甄别模型和第三甄别模型均是基于神经网络得到的。本发明通过采用神经网络处理器的粒子及事例类型甄别系统实现了粒子及事例类型的在线甄别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明实施例提供的采用神经网络处理器的粒子及事例类型甄别系统结构示意图；
图2为α粒子和β粒子甄别示意图；
图3为全能量沉积事例和部分能量沉积事例甄别示意图；
图4为中子和伽马射线甄别示意图；
图5为卷积神经网络结构示意图；
图6为全/部分能量沉积事例在能谱中所对应的道址区间示意图；
图7为电荷比较法区分中子核伽马射线时的脉冲宽度-归一化脉冲幅度示意图；
图8为电荷比较法区分中子核伽马射线时的总电荷-计数示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明的目的是提供一种采用神经网络处理器的粒子及事例类型甄别系统，旨在实现粒子及事例类型的在线甄别。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的采用神经网络处理器的粒子及事例类型甄别系统结构示意图。如图1所示，本实施例中的采用神经网络处理器的粒子及事例类型甄别系统，包括：核脉冲信号采集模块和SOC处理器，SOC处理器部署有CPU处理单元和NPU处理单元；核脉冲信号采集模块、CPU处理单元与NPU处理单元依次连接。
核脉冲信号采集模块用于采集待甄别目标的射线能量，并将射线能量转化为核脉冲数字波形，并将核脉冲数字波形发送给CPU处理单元。
CPU处理单元用于从核脉冲数字波形中提取核脉冲信号数据。
NPU处理单元用于：
基于核脉冲信号数据，利用部署在NPU处理单元中的第一甄别模型(对应图2中的人工神经网络模型)，确定待甄别目标的第一类型；第一甄别模型是利用多个核脉冲信号数据和对应的第一类型对神经网络进行训练得到的，第一类型为α粒子或β粒子，所述神经网络为卷积神经网络或全连接神经网络。
或基于核脉冲信号数据，利用部署在NPU处理单元中的第二甄别模型(对应图3中的人工神经网络模型)，确定待甄别目标的第二类型；第二甄别模型是利用多个核脉冲信号数据和对应的第二类型对神经网络进行训练得到的，第二类型为全能量沉积事例或部分能量沉积事例。
或基于核脉冲信号数据，利用部署在NPU处理单元中的第三甄别模型(对应图4中的人工神经网络模型)，确定待甄别目标的第三类型；第三甄别模型是利用多个核脉冲信号数据和对应的第三类型对神经网络进行训练得到的，第三类型为中子或伽马射线。
具体的，图1的人工神经网络模型(事例甄别)对应第一甄别模型、第二甄别模型和第三甄别模型。
作为一种可选的实施方式，核脉冲信号采集模块，包括：依次连接的辐射探测器、输入缓冲电路、低噪声信号放大电路、单端转差分电路和高速ADC电路；高速ADC电路与SOC处理器连接。
辐射探测器用于采集待甄别目标的射线能量，并将射线能量转换为原始电压脉冲信号。
具体的，射线与辐射探测器相互作用将能量沉积在辐射探测器中，辐射探测器用于将辐射射线的能量转化为原始电压脉冲信号，以便通过后端的电子学电路对脉冲信号进行处理，从而提取出有效信息。
输入缓冲电路用于对原始电压脉冲信号进行放大，得到一次放大后的电压脉冲信号。
具体的，辐射探测中，输入缓冲电路的作用是将辐射探测器输出的原始电压脉冲信号放大并匹配到后续电路的输入阻抗，以便进一步处理和分析。辐射探测器通常会产生一些微弱的电信号作为辐射的响应。这些电信号可能非常小，需要经过放大才能进行后续处理。输入缓冲电路通过增加信号的幅度，提高信噪比，以便在后续电路中可靠地进行信号处理。另外，输入缓冲电路还能够提供合适的输入阻抗，使得辐射探测器与后续电路之间的连接更加稳定。它能够降低辐射探测器与后续电路间的传输失真，并减少对辐射探测器的负载影响。
低噪声信号放大电路用于对一次放大后的电压脉冲信号进行进一步放大和降噪；得到二次放大后的电压脉冲信号。
具体的，低噪声信号放大电路的作用是将接收到的微弱辐射信号(即一次放大后的电压脉冲信号)进行放大，同时尽量减少额外的电路噪声。辐射探测器通常接收到的辐射信号非常微弱，因此需要经过放大才能被后续电路进行有效的处理和分析。低噪声信号放大电路能够在放大信号的同时，最小化引入的额外噪声。这样可以保证被放大的信号尽可能地保持原始的信号质量，同时提供足够的信噪比，使后续处理更加可靠。
单端转差分电路用于将二次放大后的电压脉冲信号转换为差分信号。
具体的，单端转差分电路的作用是将单端信号(即二次放大后的电压脉冲信号)转换为差分信号。这种转换电路在辐射探测系统中具有重要的作用。辐射探测器通常输出的是一个单端信号，它对应着放射源的特征。然而，单端信号容易受到例如电源噪声、电磁干扰等等外界干扰的影响，这些干扰可能会降低信号的质量和可靠性，影响从单个信号中提取出有用信息并识别探测到的辐射事件的准确性。通过单端转差分电路将单端信号转换为差分信号，可以抑制共模噪声和干扰，从而提高系统的抗干扰能力，提高信号的信噪比和可靠性。除此之外，辐射探测器可能会面临高动态范围的辐射信号，单端转差分电路还可以增加动态范围，通过转换为差分信号可以扩大动态范围并减少信号失真，从而更好地捕捉和分析辐射事件。
高速ADC电路用于将差分信号进行模数转换，得到核脉冲数字波形。
具体的，高速ADC电路对脉冲信号进行模数转换，将模拟信号转换为数字信号，输入给SOC处理器进行运算和分析。为了在SOC处理器的运算分析中获得更加准确的分析结果，ADC的采样率和分辨率应该尽可能的高以获得足够的采样点数和采样精度。
作为一种可选的实施方式，甄别系统还包括：存储模块；存储模块与CPU处理单元连接。
存储模块用于存储CPU处理单元提取出的核脉冲信号数据。
CPU处理单元还用于当NPU处理单元空闲时，从存储模块中读取核脉冲信号数据，并将核脉冲信号数据发送给NPU处理单元进行甄别。
作为一种可选的实施方式，NPU处理单元中还部署有人工神经网自编码器；人工神经网自编码器分别与CPU处理单元、第一甄别模型、第二甄别模型和第三甄别模型连接。
人工神经网自编码器用于对核脉冲信号数据进行滤波降噪，并将滤波降噪后的核脉冲信号数据发送至第一甄别模型、第二甄别模型或第三甄别模型进行甄别。
具体的，人工神经网络自编码器是一种无监督神经网络模型，训练过程中，在输入层输入叠加了各种噪声的核脉冲波形数据，经过隐藏层的运算之后，输出层输出一串新的波形数据，将新输出的波形数据与未叠加噪声的理想波形进行比对，若差异较大则重新修正隐藏层的权重参数再进行一轮的训练，直到输入层的输入的叠加了噪声的波形数据经过模型的运算后输出的波形数据与未叠加噪声的理想波形数据接近时停止训练，此时，训练好的神经网络自编码器具有在保留原始核脉冲信号特征的前提下能够对叠加在信号上的噪声进行抑制的能力，将此模型部署在NPU处理单元中，即可利用NPU处理单元对神经网络模型高效的计算能力实现对核脉冲信号进行滤波降噪的功能。
作为一种可选的实施方式，SOC处理器，还部署有粒子事例数据包；粒子事例数据包与CPU处理单元连接。
CPU处理单元还用于将NPU处理单元输出的甄别结果发送给粒子事例数据包进行暂存；甄别结果为第一类型、第二类型或第三类型。
SOC处理器：SOC处理器中的ARM架构CPU处理单元主要对数据传输和程序运行进行控制，而NPU处理单元主要是在其中部署了人工神经网络模型用于更加复杂的数据运算和推理。在SoC处理器中同样配置了粒子事例数据包FIFO、USB3.0和以太网通信模块。CPU处理单元起到对数据传输、数据处理和程序运行的控制作用，在NPU处理单元中部署了两个人工神经网络模型，即用于降噪滤波的神经网络自编码器和用于甄别事例类型的神经网络模型。高速ADC电路转换得到的数字核脉冲信号通过并行通信的方式传输给SOC处理器后，CPU处理单元对数字核脉冲信号进行处理，提取出固定长度的单个核脉冲信号数据，然后缓存到DDR或者SDRAM中，当NPU处理单元处于空闲状态时，在CPU处理单元的控制下，从DDR或者SDRAM中读取缓存的数字核脉冲信号并传输到NPU处理单元的神经网络模型输入结构体变量中，数字核脉冲信号经过神经网络自编码器运算后，抑制了信号中的噪声，提升了信噪比，同时保留了脉冲波形的原始特征，之后信号被传输到下一级人工神经网络模型用于甄别事例类型。事例类型甄别的结果被保存在神经网络模型输出结构体变量中，并在CPU处理单元的控制下被保存在粒子事例数据包FIFO中，FIFO中的数据再经过USB3.0或者以太网通信方式被传输到PC端的上位机中。
作为一种可选的实施方式，甄别系统，还包括：上位机；上位机与粒子事例数据包连接。
作为一种可选的实施方式，上位机通过USB3.0与粒子事例数据包连接。
作为一种可选的实施方式，上位机依次通过路由器和以太网接口与粒子事例数据包连接。
作为一种可选的实施方式，存储模块为DDR存储器或SDRAM存储器。
具体的，DDR和SDRAM都是一种同步的动态随机存取存储器，用于存储程序和数据，提供计算机的运行和数据处理能力。在本发明中，存储模块主要用于缓存CPU处理单元从高速ADC传输的原始波形数据中提取出的固定长度的数字核脉冲信号数据。缓存的目的在于解决当放射源强度较大导致计数率过高时，NPU处理单元在处理某一个核脉冲信号所产生的死时间内，同一相近的时刻产生另外一个核脉冲信号无法被NPU及时处理导致的核脉冲信号丢失以及通过率降低的问题。
具体的，在图1所示的系统中，辐射探测器测量得到待甄别目标的射线能量，并将射线能量转换为原始电压脉冲信号，原始电压脉冲信号经过模拟前端电路处理后经过高速ADC转换为数字信号传入SOC处理器，SOC处理器中的CPU处理单元对原始波形数据进行核脉冲信号数据提取，并缓存在DDR或者SDRAM存储器中，当嵌入式神经网络处理器(NPU)处理单元的工作状态处于空闲时，CPU处理单元控制从DDR/SDRAM中读取核脉冲信号数据传输给NPU处理单元，通过部署在NPU中的人工神经网络自编码器进行滤波降噪以及通过训练好的人工神经网络模型进行粒子及事例甄别，最后将甄别的事例类型结果回传给CPU处理单元，CPU处理单元将甄别的事例类型数据以粒子事例数据包的形式缓冲到FIFO中，然后通过USB3.0或者千兆网接口将粒子甄别数据包传输给上位机进行进一步分析。NPU中用于甄别粒子及事例类型的人工神经网络模型可根据应用场合的需要进行更改，因而基于该硬件架构的核脉冲信号处理器具有很强的功能拓展性和通用性。
该系统中，由于神经网络模型要根据核脉冲信号的离散数据进行事例甄别，需要采集核脉冲信号尽可能多的采样点以充分获取核脉冲信号的形状特征，因而需要采用高速高精度模数转换器(ADC)。
不同类型的粒子及事例与辐射探测器相互作用的物理过程不同，相互作用的物理过程上的差异反映在核脉冲信号的形状上，因而可以通过核脉冲信号的形状特征反推出与探测器相互作用的粒子及事例类型。本发明介绍了三种应用在核物理领域的基于人工神经网络技术的粒子及事例甄别的方法，将采用本发明中的模型部署在NPU硬件平台上，可实现对粒子及事例类型的在线甄别。本发明的应用范围包括但不限于以下介绍的三种情况，对于其他涉及粒子及事例类型甄别的应用中，在获取波形数据和标注好标签值后，同样可以通过本发明实现粒子及事例类型的在线甄别。为了训练得到本发明中的各甄别模型，涉及到的技术内容如下：
1、构建人工神经网络模型。
人工神经网络技术可以更加精细的学习核脉冲信号上的形状特征，将其应用在对粒子及事例类型甄别的应用中可以大大提高甄别的准确率。核脉冲信号的离散数据可看作序列数据，因而本发明设计了如图5所示的神经网络(ANN)作为甄别粒子及事例类型的网络模型。神经网络可以对核脉冲信号数据所对应的序列数据进行卷积等运算，在训练过程中学习核脉冲信号的波形特征，训练好的网络模型可以用于甄别核脉冲信号所对应的粒子及事例类型。
卷积层是为了提取核脉冲信号波形上的特征；批归一化是为了对核脉冲波形数据进行归一化，使波形数据处于同一个量级上，消除脉冲波形幅值差异对模型甄别带来的影响；ReLU激活函数用于增加神经网络各层之间的非线性关系，同时可以使神经网络的激活具有稀疏性，且可以解决梯度消失问题，加速神经网络的训练；随机失活是将隐藏层的部分权重或输出随机归零，降低节点间的相互依赖性，从而实现神经网络的正则化，防止过拟合，同时可减小参与计算的网络参数，降低模型容量；全连接层用于对前面隐藏层的计算结果进行整合，实现最后的分类任务；softmax激活函数用于将网络的输出转化为概率分布，得到每个类的预测概率。
2、数据集的制备。
(a)α、β粒子。
实现α、β粒子甄别的方法基于一个物理机理：α粒子是重带电粒子，因为其重量较大，与物质的相互作用过程相对较慢，通常会在较长的时间内损失能量，且其能量沉积位置更加集中。β粒子是一个轻质带电粒子，相比于α粒子，其能量沉积位置较为分散，能量损失的持续时间相对较短。因而α、β粒子与探测器相互作用产生的核脉冲信号幅度、持续时间和形状均有一定的差异。分别用α、β粒子轰击探测器，获取核脉冲信号数据并根据入射粒子或射线的类型进行标记，完成数据集的制备。
(b)全/部分能量沉积事例。
实现全能量沉积事例和部分能量沉积事例甄别方法基于一个物理机理：全能量沉积事例将伽马射线能量全部沉积在探测器内，其产生的脉冲幅值所对应的能量在能谱中的全能峰区间，而部分能量沉积事例只将伽马射线的部分能量沉积在探测器内，其产生的脉冲幅值所对应的能量在能谱中的康普顿坪区间，在制作数据集的过程中，根据核脉冲信号幅值是在全能峰区间还是康普顿坪区来判断该核脉冲信号所对应的事例类型，然后对该组波形数据打标签，如图6所示。脉冲的波形数据和标签值组成了用于甄别全/部分能量沉积事例的人工神经网络模型的数据集。
(C)中子与伽马射线。
γ射线与闪烁体物质发生作用后，会产生光子，形成快速的光闪烁信号。而中子的相互作用过程相对复杂，可能会产生次级粒子，如质子、α粒子等，而这些次级粒子通过与闪烁体作用产生的能量释放暗化过程比γ射线的光闪烁过程要慢得多。因此，中子的闪烁光信号比γ射线的信号持续时间更长。γ射线在闪烁体中的作用主要是通过电离效应产生电离电荷，而中子的相互作用引起的信号主要是闪烁过程产生的光信号。因此，中子的信号形状更接近于长持续时间的衰减信号，而γ射线的信号形状通常是尖峰状的脉冲信号。可以通过比较信号的持续时间、信号的形状、信号的上升时间等特征来进行判断和甄别。在制作数据集的过程中，先使用电荷比较法甄别出中子和伽马射线，如图7和图8所示，根据甄别结果对核脉冲信号标记标签，核脉冲信号的波形数据和标签值组成了用于甄别中子伽马的人工神经网络模型的数据集。
3、训练人工神经网络模型。
将数据集划分为训练集、验证集和测试集用于训练神经网络模型，模型训练采用SGDM深度学习优化器，每次随机抽样的小批量数据数量为1024，最大迭代轮数为20，初始学习率为0.001，每轮训练完成后，将训练模型的数据集进行打乱，防止训练过程中的模型抖动和过拟合，提升模型的质量和预测表现。人工神经网络模型在训练过程中不断优化自身的权重等参数，当模型根据输入的核脉冲信号数据，经过隐藏层是运算后，在输出层输出的粒子及事例类型推理结果的准确率达到预先设置的准确率或者在很长的一段训练时间内准确率无法再提升时停止训练。此时向训练好的神经网络模型的输入层输入核脉冲信号数据，模型的输出层输出每种粒子及事例类型的概率值，概率值最大的分类即为模型的预测结果，从而实现对粒子及事例类型的甄别。
4.模型部署与在线分析。
模型部署就是将训练好的人工神经网络模型通过专用的工具链经过模型优化、模型转化和模型量化转化为NPU可识别和加载的模型文件格式，在ARM架构的CPU运行程序时，加载模型文件对NPU处理引擎进行配置，配置完成后，NPU处理引擎在进行数据运算时，按照之前训练好的神经网络模型的结构和算子对实时输入的核脉冲信号数据进行运算和分析，从而推理出每种粒子及事例类型分类情况下的概率值，取推理出的概率值最大的那一类分类类型为预测结果，从而实现对粒子及事例类型的实时分析。核脉冲信号处理器实时采集脉冲波形数据并通过NPU进行分析，输出每种事例类型的概率值，根据概率值最大的编号找到其对应的事例类型，整个过程的示意图如图2-图4所示。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的系统及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种采用神经网络处理器的粒子及事例类型甄别系统，其特征在于，所述甄别系统包括：核脉冲信号采集模块和SOC处理器，所述SOC处理器部署有CPU处理单元和NPU处理单元；所述核脉冲信号采集模块、所述CPU处理单元与NPU处理单元依次连接；
所述核脉冲信号采集模块用于采集待甄别目标的射线能量，并将所述射线能量转化为核脉冲数字波形，并将所述核脉冲数字波形发送给所述CPU处理单元；
所述CPU处理单元用于从所述核脉冲数字波形中提取核脉冲信号数据；
所述NPU处理单元用于：
基于所述核脉冲信号数据，利用部署在所述NPU处理单元中的第一甄别模型，确定待甄别目标的第一类型；所述第一甄别模型是利用多个核脉冲信号数据和对应的第一类型对神经网络进行训练得到的，所述第一类型为α粒子或β粒子，所述神经网络为卷积神经网络或全连接神经网络；
或基于所述核脉冲信号数据，利用部署在所述NPU处理单元中的第二甄别模型，确定待甄别目标的第二类型；所述第二甄别模型是利用多个核脉冲信号数据和对应的第二类型对神经网络进行训练得到的，所述第二类型为全能量沉积事例或部分能量沉积事例；
或基于所述核脉冲信号数据，利用部署在所述NPU处理单元中的第三甄别模型，确定待甄别目标的第三类型；所述第三甄别模型是利用多个核脉冲信号数据和对应的第三类型对神经网络进行训练得到的，所述第三类型为中子或伽马射线。
2.根据权利要求1所述的采用神经网络处理器的粒子及事例类型甄别系统，其特征在于，所述核脉冲信号采集模块，包括：依次连接的辐射探测器、输入缓冲电路、低噪声信号放大电路、单端转差分电路和高速ADC电路；所述高速ADC电路与所述SOC处理器连接；
所述辐射探测器用于采集待甄别目标的射线能量，并将所述射线能量转换为原始电压脉冲信号；
所述输入缓冲电路用于对所述原始电压脉冲信号进行放大，得到一次放大后的电压脉冲信号；
所述低噪声信号放大电路用于对一次放大后的电压脉冲信号进行进一步放大和降噪；得到二次放大后的电压脉冲信号；
所述单端转差分电路用于将二次放大后的电压脉冲信号转换为差分信号；
所述高速ADC电路用于将所述差分信号进行模数转换，得到所述核脉冲数字波形。
3.根据权利要求1所述的采用神经网络处理器的粒子及事例类型甄别系统，其特征在于，所述甄别系统还包括：存储模块；所述存储模块与所述CPU处理单元连接；
所述存储模块用于存储所述CPU处理单元提取出的核脉冲信号数据；
所述CPU处理单元还用于当所述NPU处理单元空闲时，从所述存储模块中读取核脉冲信号数据，并将所述核脉冲信号数据发送给所述NPU处理单元进行甄别。
4.根据权利要求1所述的采用神经网络处理器的粒子及事例类型甄别系统，其特征在于，所述NPU处理单元中还部署有人工神经网自编码器；所述人工神经网自编码器分别与所述CPU处理单元、所述第一甄别模型、所述第二甄别模型和所述第三甄别模型连接；
所述人工神经网自编码器用于对所述核脉冲信号数据进行滤波降噪，并将滤波降噪后的核脉冲信号数据发送至所述第一甄别模型、所述第二甄别模型或所述第三甄别模型进行甄别。
5.根据权利要求1所述的采用神经网络处理器的粒子及事例类型甄别系统，其特征在于，所述SOC处理器，还部署有粒子事例数据包；所述粒子事例数据包与所述CPU处理单元连接；
所述CPU处理单元还用于将所述NPU处理单元输出的甄别结果发送给所述粒子事例数据包进行暂存；所述甄别结果为第一类型、第二类型或第三类型。
6.根据权利要求5所述的采用神经网络处理器的粒子及事例类型甄别系统，其特征在于，所述甄别系统，还包括：上位机；所述上位机与所述粒子事例数据包连接。
7.根据权利要求6所述的采用神经网络处理器的粒子及事例类型甄别系统，其特征在于，所述上位机通过USB3.0与所述粒子事例数据包连接。
8.根据权利要求6所述的采用神经网络处理器的粒子及事例类型甄别系统，其特征在于，所述上位机依次通过路由器和以太网接口与所述粒子事例数据包连接。
9.根据权利要求3所述的采用神经网络处理器的粒子及事例类型甄别系统，其特征在于，所述存储模块为DDR存储器或SDRAM存储器。
CN202410143798.9A 2024-01-31 2024-01-31 一种采用神经网络处理器的粒子及事例类型甄别系统 Pending CN117992846A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410143798.9A CN117992846A (zh) 2024-01-31 2024-01-31 一种采用神经网络处理器的粒子及事例类型甄别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410143798.9A CN117992846A (zh) 2024-01-31 2024-01-31 一种采用神经网络处理器的粒子及事例类型甄别系统

Publications (1)

Publication Number Publication Date
CN117992846A true CN117992846A (zh) 2024-05-07

Family

ID=90886875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410143798.9A Pending CN117992846A (zh) 2024-01-31 2024-01-31 一种采用神经网络处理器的粒子及事例类型甄别系统

Country Status (1)

Country Link
CN (1) CN117992846A (zh)

Similar Documents

Publication Publication Date Title
Marrone et al. Pulse shape analysis of liquid scintillators for neutron studies
CN110308476A (zh) 一种粒子辐射探测方法及探测装置
CN202216921U (zh) 一种数字化正电子湮没寿命谱仪装置
JP2007524104A (ja) 分光測定診断用電子回路及び付属の計数チェーン
CN118427693B (zh) 基于循环神经网络的核素谱全谱识别方法、系统及介质
Cai et al. Fast pulse sampling module for real-time neutron–gamma discrimination
CN117992846A (zh) 一种采用神经网络处理器的粒子及事例类型甄别系统
Jung et al. Pulse shape discrimination using a convolutional neural network for organic liquid scintillator signals
US20220091282A1 (en) Apparatus and process for optimizing radiation detection counting times using machine learning
Su et al. Target Detection in Single-Photon Lidar Using CNN Based on Point Cloud Method
CN109085638A (zh) 一种基于带通滤波的粒子实时甄别系统及构建和甄别方法
CN110716226B (zh) 一种用于剔除无效事例的反符合电路及方法
Zhao et al. n/γ discrimination for CLYC detector using a one-dimensional Convolutional Neural Network
CN111273337B (zh) 一种基于蒙特卡罗脉冲插值方法的核能谱处理方法
CN110781906B (zh) 一种基于半监督支持向量机的n-γ甄别方法
CN117993440A (zh) 一种基于神经网络的粒子能量沉积位置甄别系统及方法
Huang et al. Event-based Signal Processing for Radioisotope Identification
Ivanova et al. Pulse-signal digitizer for high-temperature plasma diagnostic systems
Murray CMOS Radioactive Isotope Identification with Multichannel Analyzer and Embedded Neural Network
Pollastrone et al. A clustering algorithm for scintillator signals applied to neutron and gamma patterns identification
CN117970407A (zh) 一种采用神经网络处理器架构的数字核脉冲信号处理器
Yang et al. Design of a Weak Photocurrent Signal Processing Circuit based on SIPM Detector
Ivanov et al. The Front-End Electronics for the Tracking System of the ALICE Muon Spectrometer
CN118746849A (zh) 信号处理方法、电子设备、存储介质及程序产品
Melo et al. A cosmic rays based method to detect and correct pmt gain variations for the ν-angra veto system

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