[发明专利]放射性测量中多重谱峰的分解方法

权利要求书

1.放射性测量中多重谱峰的分解方法，其特征在于，具体步骤如下：

①对放射性测量中所获得的能谱进行本底扣除，得到欲分解谱段重叠峰的净计数；

②对得到的重叠峰净计数进行归一化，将归一化后的数据作为概率密度函数，并产生服从该概率密度函数分布的随机数；

③建立该概率密度函数的初始高斯混合模型；

④采用期望最大化法将产生的随机数进行迭代运算直到收敛，实现高斯混合模型各参数的更新并得到最终值，即完成重叠峰的分解。

2.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述①中本底扣除，是指求取欲分解谱段重叠峰的净面积。

3.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述①中重叠峰的净计数，是指权利要求2中本底扣除后重叠峰各道址的计数。

4.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述②中对得到的重叠峰净计数进行归一化，是指将权利要求3中求得的重叠峰各道址的净计数分别除以权利要求2中求取的净面积，得到面积等于1的能谱。

5.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述②中产生服从该概率密度函数的随机数，是指将权利要求4中所求的能谱当作概率密度函数，并采用离散直接抽样法产生服从该概率密度函数分布的随机数；

6.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述③中建立该概率密度函数的初始高斯混合模型，是指将权利要求5中所求的概率密度函数看成多个高斯分布函数的线性和，并对这些高斯分布函数的权值、方差以及均值进行初始化。这里的高斯混合模型是指Gaussian mixture model，简写为GMM。

7.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述④中迭代运算，是指将权利要求5中产生的随机数采用期望最大化法进行计算，对权利要求6中各高斯分布函数的权值、方差以及均值进行更新。这里的期望最大化法，是指Expectation Maximization，简写为EM。

8.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述④中收敛，是指在进行权利要求7中的迭代运算时与上次运算的参数(权值、方差以及均值)的差值极小。