[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

说明书

技术领域

本发明属于神经网络及核查技术领域，涉及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。

背景技术

核查技术领域中的NMIS/NWIS(核材料/核武器识别)系统，即核查系统，其 宗旨在于测量核材料的特性参数，以推断其用途，它的一项重要功能即是检测核 材料的浓度(众所周知，核材料的浓缩度是识别其属民用级或武器级的依据，也 是判断其核工业水平的标志之一)。从获取核材料辐射信号的途径而言，核查的 技术路线可被分为被动式和主动式两种。针对U(铀)材料辐射能量较低的特点， 需采用主动式测量方法，即通过外加激励源注入能量引起核材料的链式裂变辐射 中子、射线来取得需要的信息，又称源驱动式。

源驱动式核查系统测量原理如图1所示。首先，第1通道中的源²⁵²Cf，为驱 动中子源，它“激发”了反应堆(核材料)，并使之产生若干中子和γ射线，其 可以通过第2、第3通道探测到这些裂变中子。²⁵²Cf为核系统的自发裂变中子源， 每自发裂变一次，放射出约4个中子和6个γ光子。²⁵²Cf源产生中子和γ射线后， 在反应堆(核材料)内产生一系列的裂变中子，所以堆裂变材料在本系统中起“受 激辐射”的作用(也称链式反应)。核材料即是源驱动式核查系统的测量对象。 第1、第2、第3通道探测到的裂变中子和γ射线被NMIS的多个探测通道接收， 得到多通道的脉冲中子信号。

通过源驱动方法获得的脉冲中子信号，经NMIS系统相关运算后，其信号自 相关函数时间序列上的计数值对被测²³⁵U材料的浓度存在敏感性，随核材料浓度 升高而增大。但如何利用核信号自相关函数识别核材料浓度，国内外只见报道了 一种相关函数积分值与浓度关系曲线法，而且效果并不理想。经分析，对浓度识 别精度的主要影响因素有：一、相关函数的相关计数值具有时变性，只参考其积 分值会损失其信息量。二、不同测量时间段相关计数对浓度的敏感度存在差异， 对浓度敏感度较大的相关计数主要体现在典型时间区间内，一概积分也会影响辨 识精度。三、由于统计涨落的存在，对判断结果会产生可观的影响，使识别浓度 发生显著漂移；虽然积分在一定程度上能减弱其影响，但因受测量时间长度 (block长度或截取时间段长度)限制，以及涨落的非线性随机性，其效果远非最 佳。

因此，设计一种能够更有效利用核信号相关函数含有的信息，达到较高识别 精度的核材料浓度识别方法，就成为了本发明所关注的问题。

发明内容

本发明需要解决的问题是如何有效提高对中子脉冲信号自相关函数的信息 利用率，克服现有方法简单采用积分方式导致识别精度不高的缺点。考虑到中子 脉冲信号的特点和性质，本发明的目的是提供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，通过建立新型的神经网络模型对做了相应预处 理的信号自相关函数进行分析，以识别被测核材料的浓度。该方法对信息量的利 用充分，网络结构合理高效，识别模式智能化，使基于脉冲中子信号自相关函数 的²³⁵U浓度识别达到了更高的精度。

为了达到以上目的，本发明采用如下技术方案是这样的，即一种基于并联型 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(流程图见图2)：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(如图3)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