[发明专利]基于特征变换与神经网络的快速核素识别方法

说明书

技术领域

本发明涉及一种核素识别方法，特别是一种基于特征变换与神经网络的快速核素识别方法。

背景技术

较短时间内，无论是大尺寸还是高探测效率晶体，均不能形成可以清晰分辨的核素特征峰，从而基于寻峰理论的核素识别算法不能胜任快速核素识别任务。随着计算机运算速度的飞速增长以及神经网络的发展，使人们考虑将全谱作为特征向量并输入到神经网络，从而进行核素识别。但是，全谱输入存在数据冗余度大、输入层个数大、训练时间长、对计算机性能要求高等缺点。

发明内容

本发明所要解决的技术问题是提供一种基于特征变换与神经网络的快速核素识别方法，它提取能谱原始特征中所蕴含的具有明显核素特征进行分析，达到了能谱数据降维、提取出能谱数据主成分的目的。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于特征变换与神经网络的快速核素识别方法，其特征在于包含以下步骤：

步骤一：通过伽马探测仪测量天然本底谱和放射性核素谱；

步骤二：采用滤波算法对天然本底谱进行平滑处理得到标准本底谱；采用滤波算法对放射性核素谱进行平滑处理得到标准放射性核素谱；

步骤三：将标准放射性核素谱减去标准本底谱，得到净计数谱；

步骤四：对净计数谱进行特征变换，按顺序提取一定数量的变换系数作为能谱特征向量并将其归一化；

步骤五：将归一化的特征向量输入到神经网络进行核素识别。

进一步地，所述步骤二中滤波算法采用重心法、高斯滤波法、最小二乘滤波法、小波平滑法、移动平均值法中的一种或几种。

进一步地，所述步骤四中特征变换采用离散余弦变换、离散正弦变换、离散傅里叶变换、离散沃尔什-哈达玛变换、奇异值变换、哈尔变换、radon变换、小波变换中的一种或几种。

进一步地，所述步骤四中归一化采用线性函数归一化或0均值标准化。

进一步地，所述步骤五中特征向量维度范围为1-256。

进一步地，所述步骤五中神经网络包含输入层神经元、隐含层神经元和输出层神经元，输入层神经元、隐含层神经元和输出层神经元的数量分别为m、k、n，其中，m为步骤四中提取的能谱特征向量的数量，k由经验公式k＝log₂m计算得到，n为测试的核素种类数量。

进一步地，所述隐含层神经元和输出层神经元的转移函数为tansig。

本发明与现有技术相比，具有以下优点和效果：

1、提取能谱原始特征中所蕴含的具有明显核素特征进行分析，达到了能谱数据降维、提取出能谱数据主成分的目的；

2、本发明具有核素识别不受测量时间、探测距离和核素活度的影响、响应速度快(4s-10s)、天然本底辐射及噪声干扰小等优点，可用于便携式辐射检测仪的快速核素识别。

附图说明

图1是本发明的基于特征变换与神经网络的快速核素识别方法的流程图。

图2是本发明的神经网络结构图。

图3是本发明的实验环境图。

图4是不同距离的样本的核素探测率(％)结果。

图5是编号为Nucl-5的⁶⁰Co在距探测器60cm处和测量10s的能谱。

图6是特征提取稳定性分析的样本的特征向量图。

具体实施方式

下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

如图所示，本发明的一种基于特征变换与神经网络的快速核素识别方法，其特征在于包含以下步骤：

步骤一：通过伽马探测仪测量天然本底谱和放射性核素谱；

步骤二：采用滤波算法对天然本底谱进行平滑处理得到标准本底谱；采用滤波算法对放射性核素谱进行平滑处理得到标准放射性核素谱；由于实测能谱均包含了噪声的作用，特别地，天然本底能谱存在着较强的统计涨落性，因此采用滤波技术对实测能谱进行平滑处理，这一步骤不仅可以有效的去除噪声的影响，而且还可以正确的评估本底辐射水平，以达到高效天然本底扣除。滤波算法采用重心法、高斯滤波法、最小二乘滤波法、小波平滑法、移动平均值法中的一种或几种。

步骤三：将标准放射性核素谱减去标准本底谱，得到净计数谱；