WO2026010065A1 - 인공신경망을 이용한 개별 핵종의 방사능 변환 방법 - Google Patents

인공신경망을 이용한 개별 핵종의 방사능 변환 방법

Info

Publication number
WO2026010065A1
WO2026010065A1 PCT/KR2025/003240 KR2025003240W WO2026010065A1 WO 2026010065 A1 WO2026010065 A1 WO 2026010065A1 KR 2025003240 W KR2025003240 W KR 2025003240W WO 2026010065 A1 WO2026010065 A1 WO 2026010065A1
Authority
WO
WIPO (PCT)
Prior art keywords
radioactivity
nuclide
neural network
artificial neural
converting
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
PCT/KR2025/003240
Other languages
English (en)
French (fr)
Inventor
조문형
김형진
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.)
Korea Hydro and Nuclear Power Co Ltd
Original Assignee
Korea Hydro and Nuclear Power Co Ltd
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 Korea Hydro and Nuclear Power Co Ltd filed Critical Korea Hydro and Nuclear Power Co Ltd
Publication of WO2026010065A1 publication Critical patent/WO2026010065A1/ko
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01T1/16—Measuring radiation intensity
    • G01T1/167—Measuring radioactive content of objects, e.g. contamination
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • This paper relates to a method for converting the radioactivity of individual nuclides using an artificial neural network.
  • An artificial neural network is one of the artificial intelligence technologies modeled after the structure of human neurons and is composed of an input layer, a hidden layer, and an output layer.
  • the hidden layer consists of multiple layers, it is called deep learning.
  • An artificial neural network is a network structure composed of interconnected neurons or nodes. Training data entered through the input layer is processed through the hidden layer, and the final result is output through the output layer.
  • the output layer uses various output functions, such as sigmoid and softmax.
  • the sigmoid function is used for binary classification, where one of two options is selected, and the softmax function is used for multi-class classification, where one of three or more options is selected.
  • the softmax function normalizes the input values to values between 0 and 1, and has the characteristic that the sum of the outputs is always 1.
  • the softmax function is used in the output layer because it is created as an algorithm that predicts the abundance ratio of various nuclides.
  • the output layer data obtained by the softmax function is the radioactivity ratio of individual nuclides included in the radioactive nuclide, even if the amount of radioactivity in the sample to be analyzed is large, the amount of radioactivity of individual nuclides cannot be known.
  • the output layer is a softmax function
  • the radioactivity ratios of each individual nuclide, 0.2, 0.3, and 0.5 are output equally for each individual nuclide, A, B, and C, or D, E, and F, so the amount of radioactivity of each nuclide cannot be known.
  • One embodiment is to provide a method for converting the radioactivity of individual nuclides using an artificial neural network, which converts the radioactivity ratio of individual nuclides into the radioactivity amount of individual nuclides when analyzing radioactive nuclides using an artificial neural network.
  • One aspect provides a method for converting the radioactivity of individual nuclides using an artificial neural network, including the steps of analyzing a spectrum of a radioactive nuclide using an artificial neural network, outputting an output layer of the artificial neural network as a radioactivity ratio of individual nuclides, and converting the radioactivity ratio of individual nuclides into the radioactivity of individual nuclides.
  • the step of converting the radioactivity ratio of the above individual nuclides into the radioactivity of the individual nuclides can be calculated using the following mathematical formula 1.
  • a j is the radioactivity of the jth nuclide
  • n is the total net count rate
  • r i is the radioactivity ratio of the ith nuclide
  • r j is the radioactivity ratio of the jth nuclide
  • ⁇ i is the efficiency of the ith nuclide
  • y j is the gamma-ray emission rate of the jth nuclide.
  • the step of outputting the output layer of the above artificial neural network as the radioactivity ratio of each nuclide can use a softmax function in the output layer.
  • a c is the radioactivity of the certified material
  • n i is the net count rate of the ith nuclide
  • y i is the gamma-ray emission rate of the ith nuclide.
  • a method for converting the radioactivity of individual nuclides using an artificial neural network which converts the radioactivity ratio of individual nuclides into the radioactivity amount of individual nuclides during radionuclide analysis using an artificial neural network.
  • Figure 1 is a flowchart illustrating a method for converting the radioactivity of individual nuclides using an artificial neural network according to one embodiment.
  • One embodiment relates to a method for converting the radioactivity ratio of individual nuclides into the radioactivity of individual nuclides when analyzing the spectrum of radioactive nuclides using an artificial neural network and configuring the output layer with a softmax function.
  • the radioactivity of individual nuclides can be obtained by using the efficiency of individual nuclides obtained in advance, the gamma-ray emission rate of individual nuclides, and the radioactivity ratio of individual nuclides, which is the output value of the softmax function.
  • the artificial neural network can be implemented using various known computing devices, but is not limited thereto.
  • Figure 1 is a flowchart illustrating a method for converting the radioactivity of individual nuclides using an artificial neural network according to one embodiment.
  • the spectrum of a radioactive nuclide is analyzed using an artificial neural network, and the output layer of the artificial neural network outputs the radioactivity ratio of each nuclide (S100).
  • an artificial neural network can be used to analyze the spectrum of radionuclides for radionuclide analysis.
  • the softmax function can be used in the output layer, allowing the artificial neural network to output the radioactivity ratios of individual nuclides.
  • the softmax function can be expressed using Equation 1 below, but is not limited thereto. Various known mathematical expressions for softmax functions can also be used.
  • the total net count rate (n T ) is the count rate measured by a radioactive nuclide minus the background count rate, and when multiple nuclides are mixed, it can be expressed by the following mathematical formula 2.
  • n T is the total net count rate
  • a i is the radioactivity of the ith nuclide
  • ⁇ i is the efficiency of the ith nuclide
  • y i is the gamma-ray emission rate of the ith nuclide.
  • the efficiency ( ⁇ i ) of the ith nuclide can be calculated using the mathematical equation 3 below.
  • a c is the radioactivity of the certified material
  • n i is the net count rate of the ith nuclide
  • y i is the gamma-ray emission rate of the ith nuclide.
  • the softmax function value of the output layer of the artificial neural network is r i , which is the radioactivity ratio of the ith nuclide, which is the relative contribution of the radioactivity and emission rate of each nuclide to the entire spectrum, and can be expressed by the following mathematical equation 4.
  • r i is the radioactivity ratio of the ith nuclide
  • a i is the radioactivity of the ith nuclide
  • y i is the gamma-ray emission rate of the ith nuclide.
  • the radioactivity of each nuclide can be expressed as a relative ratio between the individual nuclides. For example, if the softmax output results of measuring N nuclides and analyzing them with an artificial neural network are r 1 , r 2 , ... , r N , and A 2 , ... , A N are A 1 , they can be expressed by the following mathematical equation 6.
  • Equation 8 the radioactivity of the jth nuclide
  • a j is the radioactivity of the jth nuclide
  • n is the total net count rate
  • r i is the radioactivity ratio of the ith nuclide
  • r j is the radioactivity ratio of the jth nuclide
  • ⁇ i is the efficiency of the ith nuclide
  • y j is the gamma-ray emission rate of the jth nuclide.
  • the output values of the softmax function which are the radioactivity ratios of individual nuclides, r 1 , r 2 , ... , r N , can be converted into the radioactivity values of individual nuclides.
  • the conversion of the radioactivity ratios of individual nuclides into the radioactivity of individual nuclides can be calculated using Equation 8.
  • the output layer is configured with a softmax function
  • the radioactivity ratio for each nuclide is output, and according to one embodiment, this value can be converted into the radioactivity of each nuclide.
  • a method for converting the radioactivity of individual nuclides using an artificial neural network which converts the radioactivity ratio of individual nuclides into the radioactivity amount of individual nuclides when analyzing radioactive nuclides using an artificial neural network.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Biophysics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of Radiation (AREA)

Abstract

인공신경망을 이용한 개별 핵종의 방사능 변환 방법(METHOD FOR CONVERTING RADIOACTIVITY OF EACH NUCLIDE USING ARTIFICIAL NEURAL NETWORK)은 방사성 핵종의 스펙트럼을 인공신경망을 이용하여 분석하고 상기 인공신경망의 출력층을 개별 핵종의 방사능 비율로 출력하는 단계, 및 상기 개별 핵종의 방사능 비율을 개별 핵종의 방사능으로 변환하는 단계를 포함한다.

Description

인공신경망을 이용한 개별 핵종의 방사능 변환 방법
본 기재는 인공신경망을 이용한 개별 핵종의 방사능 변환 방법에 관한 것이다.
　인공신경망은 인간의 뉴런 구조를 본떠 만든 인공지능 기술 중 하나로 입력층(Input layer), 은닉층(Hidden layer), 출력층(Output layer)로 구성되어 있으며, 이 중 은닉층(Hidden layer)이 복수의 층들이 되면 딥 러닝이라고 부른다.
인공신경망은 여러 뉴런 또는 노드들이 서로 연결되어 있는 네트워크 구조이다. 입력층을 통해 입력된 학습데이터는 은닉층을 지나면서 처리가 이루어지며 출력층을 통해 최종 결과가 출력된다. 출력층은 sigmoid, softmax 등 다양한 출력함수를 사용한다.
sigmoid 함수는 2개의 선택지 중 하나를 고르는 이진 분류에 활용되며 softmax 함수는 세 개 이상 선택지 중 하나를 고르는 다중 클래스 분류에 사용된다.
softmax 함수는 입력 받은 값을 0과 1사이의 값으로 정규화하며, 출력의 총합이 항상 1이 되는 특성을 가지고 있다.
방사성 핵종 분석에 인공신경망을 이용할 경우, 여러 가지 핵종의 존재 비율을 예측하는 알고리즘으로 만들어지므로, 출력층에 softmax 함수를 이용한다.
그러나, softmax 함수에 의해 얻어진 출력층 데이터는 방사성 핵종에 포함된 개별 핵종의 방사능 비율이므로 분석 대상 시료의 방사능 양이 많더라도 개별 핵종의 방사능 양을 알 수 없다.
일례로, A(20 Bq), B(30 Bq), C(50 Bq)의 세가지 개별 핵종이 혼합된 일 시료와 D(40 Bq), E(60 Bq), F(100 Bq) 세가지 개별 핵종이 혼합된 다른 시료를 인공신경망을 이용하여 분석할 경우, 출력층이 softmax 함수이면 A, B, C 각각 또는 D, E, F 각각의 개별 핵종에 대해 동일하게 0.2, 0.3, 0.5 각각의 개별 핵종의 방사능 비율을 출력하게 되므로 개별 핵종의 방사능 양을 알 수 없다.
일 실시예는, 인공신경망을 이용한 방사성 핵종 분석 시 개별 핵종의 방사능 비율을 개별 핵종의 방사능 양으로 변환하는 인공신경망을 이용한 개별 핵종의 방사능 변환 방법을 제공하고자 한다.
일 측면은 방사성 핵종의 스펙트럼을 인공신경망을 이용하여 분석하고 상기 인공신경망의 출력층을 개별 핵종의 방사능 비율로 출력하는 단계, 및 상기 개별 핵종의 방사능 비율을 개별 핵종의 방사능으로 변환하는 단계를 포함하는 인공신경망을 이용한 개별 핵종의 방사능 변환 방법을 제공한다.
상기 개별 핵종의 방사능 비율을 개별 핵종의 방사능으로 변환하는 단계는 아래의 수학식1을 이용하여 계산할 수 있다.
[수학식1]
여기서, Aj는 j번째 핵종의 방사능이고, n은 총 순계수율이고, ri는 i번째 핵종의 방사능 비율이고, rj는 j번째 핵종의 방사능 비율이고, εi는 i번째 핵종의 효율이고, yj는 j번째 핵종의 감마선 방출률이다.
상기 인공신경망의 출력층을 개별 핵종의 방사능 비율로 출력하는 단계는 상기 출력층에 softmax 함수를 이용할 수 있다.
상기 수학식1에서 상기 εi는 아래의 수학식2를 이용하여 계산할 수 있다.
[수학식2]
여기서, Ac는 인증 물질의 방사능이며, ni는 i번째 핵종의 순계수율이며, yi는 i번째 핵종의 감마선 방출률이다.
일 실시예에 따르면, 인공신경망을 이용한 방사성 핵종 분석 시 개별 핵종의 방사능 비율을 개별 핵종의 방사능 양으로 변환하는 인공신경망을 이용한 개별 핵종의 방사능 변환 방법이 제공된다.
도 1은 일 실시예에 따른 인공신경망을 이용한 개별 핵종의 방사능 변환 방법을 나타낸 순서도이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하, 도 1을 참조하여 일 실시예에 따른 인공신경망을 이용한 개별 핵종의 방사능 변환 방법을 설명한다.
일 실시예는 인공신경망을 이용하여 방사성 핵종의 스펙트럼을 분석할 때 출력층을 softmax 함수로 구성할 경우, 개별 핵종의 방사능 비율이 출력되는데, 이 값을 개별 핵종의 방사능으로 환산하는 방법에 관한 것일 수 있다. 사전에 구한 개별 핵종의 효율, 개별 핵종의 감마선 방출률, softmax 함수의 출력값인 개별 핵종의 방사능 비율을 이용하면 개별 핵종의 방사능을 구할 수 있다. 인공신경망은 공지된 다양한 컴퓨팅 장치에 의해 구현될 수 있으나, 이에 한정되지 않는다.
도 1은 일 실시예에 따른 인공신경망을 이용한 개별 핵종의 방사능 변환 방법을 나타낸 순서도이다.
도 1을 참조하면, 우선, 방사성 핵종의 스펙트럼을 인공신경망을 이용하여 분석하고 상기 인공신경망의 출력층을 개별 핵종의 방사능 비율로 출력한다(S100).
일례로, 방사성 핵종 분석에 인공신경망을 이용하여 방사성 핵종의 스펙트럼을 분석하고, 출력층에 softmax 함수를 이용하여 인공신경만의 출력층을 개별 핵종의 방사능 비율로 출력할 수 있다. softmax 함수는 아래의 수학식1을 이용할 수 있으나, 이에 한정되지 않고 공지된 다양한 softmax 함수에 관한 수학식을 이용할 수 있다.
[수학식1]
다음, 개별 핵종의 방사능 비율을 개별 핵종의 방사능으로 변환한다(S200).
일례로, 총 순계수율(nT)은 방사성 핵종에 의해 측정된 계수율에서 백그라운드 계수율을 빼준 값으로서, 여러 개의 핵종이 혼합되어 있을 경우 아래의 수학식2로 표현할 수 있다.
[수학식2]
여기서, nT는 총 순계수율이고, Ai는 i번째 핵종의 방사능이고, εi는 i번째 핵종의 효율이고, yi는 i번째 핵종의 감마선 방출률이다.
i번째 핵종의 효율(εi)은 아래의 수학식3을 이용하여 계산할 수 있다.
[수학식3]
여기서, Ac는 인증 물질의 방사능이며, ni는 i번째 핵종의 순계수율이며, yi는 i번째 핵종의 감마선 방출률이다.
상술한 수학식3은 청구범위에 기재된 수학식2와 대응될 수 있으나, 이에 한정되지 않는다.
인공신경망의 출력층의 softmax 함수값은 전체 스펙트럼에서 차지하는 핵종별 방사능과 방출률의 상대 기여량인 i번째 핵종의 방사능 비율인 ri이며, 아래의 수학식4로 표현할 수 있다.
[수학식4]
ri는 i번째 핵종의 방사능 비율이고, Ai는 i번째 핵종의 방사능이고, yi는 i번째 핵종의 감마선 방출률이다.
i번째 핵종과 j번째 핵종의 상대 기여량 비율은 아래의 수학식5로 표현할 수 있다.
[수학식5]
따라서, 다수의 핵종에 대한 스펙트럼을 측정했더라도, 개별 핵종의 방사능을 개별 핵종간 상대 비율로 표현할 수 있다. 일례로, N개의 핵종을 측정하여 인공신경망으로 분석한 softmax 출력결과가 각각 r1, r2, …, rN이라 하고 A2, …, AN을 A1으로 하여 아래의 수학식6으로 표현할 수 있다.
[수학식6]
수학식6의 A2, …, AN을 상술한 수학식2에 대입한 후 A1에 대해 정리하면 아래의 수학식7로 표현할 수 있다.
[수학식7]
이와 동일하게, A1, A3, …, AN을 수학식2에 대입한 후 j번째 핵종의 방사능인 Aj에 대해 정리하면 아래의 수학식8이 산출된다.
[수학식8]
여기서, Aj는 j번째 핵종의 방사능이고, n은 총 순계수율이고, ri는 i번째 핵종의 방사능 비율이고, rj는 j번째 핵종의 방사능 비율이고, εi는 i번째 핵종의 효율이고, yj는 j번째 핵종의 감마선 방출률이다.
상술한 수학식8은 청구범위에 기재된 수학식1과 대응될 수 있으나, 이에 한정되지 않는다.
이상과 같이, 수학식8을 이용하면 softmax 함수의 출력값인 개별 핵종의 방사능 비율인 r1, r2, …, rN을 개별 핵종의 방사능 값으로 변환할 수 있다. 개별 핵종의 방사능 비율을 개별 핵종의 방사능으로 변환하는 것은 수학식8을 이용하여 계산할 수 있다.
일례로, 인공신경망을 이용하여 방사성 핵종의 스펙트럼을 분석할 때, 출력층을 softmax 함수로 구성할 경우, 핵종별 방사능 비율이 출력 되는데 일 실시예에 의하면 이 값을 개별 핵종의 방사능으로 변환할 수 있다.
인공신경망을 이용한 방사성 핵종 분석 시 개별 핵종의 방사능 비율을 개별 핵종의 방사능 양으로 변환하는 인공신경망을 이용한 개별 핵종의 방사능 변환 방법이 제공된다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (4)

  1. 방사성 핵종의 스펙트럼을 인공신경망을 이용하여 분석하고 상기 인공신경망의 출력층을 개별 핵종의 방사능 비율로 출력하는 단계; 및
    상기 개별 핵종의 방사능 비율을 개별 핵종의 방사능으로 변환하는 단계
    를 포함하는 인공신경망을 이용한 개별 핵종의 방사능 변환 방법.
  2. 제1항에서,
    상기 개별 핵종의 방사능 비율을 개별 핵종의 방사능으로 변환하는 단계는 아래의 수학식1을 이용하여 계산하는 인공신경망을 이용한 개별 핵종의 방사능 변환 방법.
    [수학식1]
    여기서, Aj는 j번째 핵종의 방사능이고, n은 총 순계수율이고, ri는 i번째 핵종의 방사능 비율이고, rj는 j번째 핵종의 방사능 비율이고, εi는 i번째 핵종의 효율이고, yj는 j번째 핵종의 감마선 방출률이다.
  3. 제2항에서,
    상기 인공신경망의 출력층을 개별 핵종의 방사능 비율로 출력하는 단계는 상기 출력층에 softmax 함수를 이용하는 인공신경망을 이용한 개별 핵종의 방사능 변환 방법.
  4. 제2항에서,
    상기 수학식1에서 상기 εi는 아래의 수학식2를 이용하여 계산하는 인공신경망을 이용한 개별 핵종의 방사능 변환 방법.
    [수학식2]
    여기서, Ac는 인증 물질의 방사능이며, ni는 i번째 핵종의 순계수율이며, yi는 i번째 핵종의 감마선 방출률이다.
PCT/KR2025/003240 2024-07-05 2025-03-12 인공신경망을 이용한 개별 핵종의 방사능 변환 방법 Pending WO2026010065A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2024-0089123 2024-07-05
KR1020240089123A KR20260006952A (ko) 2024-07-05 2024-07-05 인공신경망을 이용한 개별 핵종의 방사능 변환 방법

Publications (1)

Publication Number Publication Date
WO2026010065A1 true WO2026010065A1 (ko) 2026-01-08

Family

ID=98318651

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2025/003240 Pending WO2026010065A1 (ko) 2024-07-05 2025-03-12 인공신경망을 이용한 개별 핵종의 방사능 변환 방법

Country Status (2)

Country Link
KR (1) KR20260006952A (ko)
WO (1) WO2026010065A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014106103A (ja) * 2012-11-27 2014-06-09 Toshiba Corp 放射能スクリーニング装置および放射能スクリーニング方法
KR20220145945A (ko) * 2021-04-20 2022-10-31 (주)네오시스코리아 방사성 핵종 분별 장치 및 방법
JP2023030440A (ja) * 2021-08-23 2023-03-08 浜松ホトニクス株式会社 断層画像作成装置、断層画像作成方法およびｔｏｆ－ｐｅｔ装置
WO2023209352A1 (en) * 2022-04-25 2023-11-02 Kromek Limited System and method for identifying isotopes

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014106103A (ja) * 2012-11-27 2014-06-09 Toshiba Corp 放射能スクリーニング装置および放射能スクリーニング方法
KR20220145945A (ko) * 2021-04-20 2022-10-31 (주)네오시스코리아 방사성 핵종 분별 장치 및 방법
JP2023030440A (ja) * 2021-08-23 2023-03-08 浜松ホトニクス株式会社 断層画像作成装置、断層画像作成方法およびｔｏｆ－ｐｅｔ装置
WO2023209352A1 (en) * 2022-04-25 2023-11-02 Kromek Limited System and method for identifying isotopes

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KAMUDA M.; STINNETT J.; SULLIVAN C. J.: "Automated Isotope Identification Algorithm Using Artificial Neural Networks", IEEE TRANSACTIONS ON NUCLEAR SCIENCE, IEEE, USA, vol. 64, no. 7, 1 July 2017 (2017-07-01), USA, pages 1858 - 1864, XP011656319, ISSN: 0018-9499, DOI: 10.1109/TNS.2017.2693152 *

Also Published As

Publication number Publication date
KR20260006952A (ko) 2026-01-13

Similar Documents

Publication Publication Date Title
Kůrková et al. Functionally equivalent feedforward neural networks
Censor et al. A new approach to the emission computerized tomography problem: simultaneous calculation of attenuation and activity coefficients
WO2022163996A1 (ko) 자기주의 기반 심층 신경망 모델을 이용한 약물-표적 상호작용 예측 장치 및 그 방법
WO2022045531A1 (ko) 심층 신경망을 이용한 장면 그래프 생성 시스템
WO2022107910A1 (ko) 재학습 가능한 모바일 딥러닝 하드웨어 장치
Das et al. Restricted canonical correlations
WO2026010065A1 (ko) 인공신경망을 이용한 개별 핵종의 방사능 변환 방법
Wang et al. Dynamics and optimal control of a spatial diffusion HIV/AIDS model with antiretrovial therapy and pre‐exposure prophylaxis treatments
Greenlees Representing Tate cohomology of G-spaces
Krishnaiah Multiple comparison tests in multi-response experiments
Zhu et al. Mean-field modeling approach for understanding epidemic dynamics in interconnected networks
Tucker Computing in algebraic systems
WO2022092672A1 (ko) Ai 예측 모델을 이용한 예측 결과의 학습 데이터 추가 방법
Licht Local states
WO2022107951A1 (ko) 초경량 딥러닝 네트워크 학습 방법
Bando et al. Higgs Doublets as Pseudo-Nambu-Goldstone Bosons in Supersymmetric E 6 Unification
Sedelow et al. Recent Model-Based and Model-Related Studies of a Large Scale Lexical Resource [Roget’s Thesaurus]
Mayer et al. Towards the evolution of training data sets for artificial neural networks
Tsaih The softening learning procedure
Durgun et al. Roman domination on some graphs
Alexiuk et al. Multilayer perceptron discrimination of software quality in a biomedical data analysis system
Hyde Data processing electronics for an ultra-fast single-photon counting camera
Qiu et al. The Application of AHP in Electric Resource Evaluation.
Koya et al. Mathematical Modeling and Analysis of HIV/AIDS with Herbal Medicine and Antiretroviral Treatment
Ozawa A non-extendable bounded linear map between C*-algebras

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 25833381

Country of ref document: EP

Kind code of ref document: A1