[发明专利]一种基于并联型遗传Elman神经网络的源驱动式235U浓度识别方法

权利要求书

1.一种基于并联型遗传Elman神经网络的源驱动式²³⁵U浓度识别方法，方法 包括建立神经网络模型、训练步骤和识别步骤，其中

1)、建立神经网络模型

神经网络模型结构分为三层：数据分配层、子网层、综合决策层；其中：

①、数据分配层将较长的自相关函数时间序列进行分配，使输入向量维数降低， 为保证不致损失信息量，采用循环随机多点抽样法对样本数据进行分配；

②、子网层由一系列以并联形式存在的Elman神经网络组成，每单个Elman 网络称为一个子网，并且每一个子网训练过程均先采用遗传算法对权值和阈值进行 优化；子网层的作用是对分配好的数据进行训练及识别，并各自给出识别结果；

③、综合决策层通过综合处置所有子网的识别结果，给出最终结论；其决策方 式因数据分配层的分配方式而定，由于数据分配层采用循环随机多点抽样法，使子 网层中每个子网权重相同，则综合决策层只需对所有子网的识别浓度求均值即可；

2)、训练神经网络

①、按照核查实施要求把待测核材料浓度分为G级，其中G≥2，对G个浓度 级别的标准核材料进行测量，每一浓度核材料测量S次，并确定某一探测通道信号 为使用信号，以获取G×S组标准参照信号集对前述神经网络进行训练；

②、对通过源驱动式核查系统获取的标准核材料的脉冲中子信号，计算其自相 关函数，并作提取典型时间区间的处理；采用的脉冲中子信号自相关函数无偏估计 的计算公式为：

ACx(τ)=1M-τΣk=0M-1-τXkXk+τ]]>

其中，设X_k为某通道探测器获取的中子脉冲信号的离散形式，M为数据块长 度，由离散点数表示，由于采样间隔为1ns，则点间距为1ns；τ为时延，提取计 算得到的自相关函数的典型时间区间为其20～100ns之间，共80个时延点的对应 相关计数值；

③、将G×S组处理好的标准核材料脉冲中子信号自相关函数时间序列输入本 前述神经网络模型，前述神经网络的数据分配层将把每一组处理好的脉冲中子信号 自相关函数时间序列都拆分为多组短序列，并对应分配给子网层中的多个子网，使 单个神经网络的输入向量维数降低；

④、将分配好的数据及其对应的浓度值输入子网层中的各个子神经网络进行训 练；对于每一子网而言，其训练输入为G×S组短序列及其各自对应的浓度；由此 可得到一组训练好的子网，并由它们构成并联型识别网络；

3)识别步骤

①、实测待核查核材料，通过源驱动式核查系统获取的被测核材料的脉冲中子 信号，计算其自相关函数，并作提取典型时间区间的处理，具体方法同步骤2)②；

②、将处理好的待测核材料脉冲中子信号自相关函数时间序列输入前述神经网 络模型的数据分配层进行分配；

③、将分配好的数据分别输入子网层中的训练好的各个子神经网络进行识别， 并各自给出识别结果，再将结果输入综合决策层；

④、综合决策层通过对多个子网的识别结果作综合处置，得出对待测235U浓度 的最终识别结果。

2.根据权利要求1所述的基于并联型遗传Elman神经网络的源驱动式235U浓 度识别方法，其特征在于：所述的循环随机多点抽样法为：由数据分配层随机抽取 预处理后的中子脉冲信号自相关函数时间序列M个时间点中的N个组成一个子时间 序列，对应子网层中一个Elman子网的输入层；将随机抽样循环进行M/N次，对应 子网层中的M/N个子网，形成一组并联网络；对每个子网而言，一旦数据分配层确 定了其输入层所对应的N个时间点，则在将来的训练或测试过程中，其对任何一组 样本抽取的均是其位于这N个时间点上的自相关函数计数值。