[发明专利]一种基于近似系数与深度学习的伽马能谱分析方法

权利要求书

1.一种基于近似系数与深度学习的伽马能谱分析方法，其特征在于，包括以下步骤：

步骤1：采用蒙特卡洛方法对伽马探测器进行建模并模拟感兴趣核素能谱，得到模拟能谱；

步骤2：使用伽马探测器测量实际的能谱，并采用平滑算法对测量的能谱进行平滑处理，对平滑处理后的能谱按照时间比例本底扣除，得到净计数谱；

按照时间比例本底扣除的计算公式如下所示：

y₃＝y₁-y₂*t₁/t₂

其中，y₁、y₂、y₃、t₁和t₂分别为核素能谱、天然本底谱、净计数谱、核素谱测量时间和本底谱测量时间；

步骤3：采用小波分解方法提取步骤1中模拟能谱的近似系数，对模拟能谱的近似系数进行归一化处理，采用小波分解方法提取步骤2中净计数谱的近似系数，对净计数谱的近似系数进行归一化处理；

步骤4：将步骤3中归一化处理后的模拟能谱的近似系数作为深度学习网络的训练样本从而建立深度学习模型，将归一化后的净计数谱的近似系数作为深度学习模型的输入向量从而预测步骤2中的伽马探测器实测的能谱中核素的组成。

2.根据权利要求1所述的基于近似系数与深度学习的伽马能谱分析方法，其特征在于：所述蒙特卡洛方法采用蒙特卡洛程序，所述蒙特卡洛程序采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的一种或几种。

3.根据权利要求1所述的基于近似系数与深度学习的伽马能谱分析方法，其特征在于：所述平滑算法采用重心法、高斯滤波法、最小二乘滤波法、小波平滑法、移动平均值法、粒子滤波法或卡尔曼滤波法中的一种或几种。

4.根据权利要求1所述的基于近似系数与深度学习的伽马能谱分析方法，其特征在于：所述小波分解方法采用的小波分解母函数为Daubechies、Coif lets、Symlets、Fejer-Korovkin filters、Discrete Meyer、Biorthogonal或Reverse Biorthogonal中的一种或几种。

5.根据权利要求4所述的基于近似系数与深度学习的伽马能谱分析方法，其特征在于：所述小波分解方法采用的小波分解级数为1、2、3、4或5中的一种或几种。

6.根据权利要求1所述的基于近似系数与深度学习的伽马能谱分析方法，其特征在于：所述步骤3中的对模拟能谱的近似系数进行归一化处理采用线性函数归一化或0均值标准化。

7.根据权利要求1所述的基于近似系数与深度学习的伽马能谱分析方法，其特征在于：所述的步骤4中的深度学习网络采用深度置信网络、深度神经网络、卷积神经网络、堆叠式自动编码器或卷积自动编码器中的一种或几种。

8.根据权利要求7所述的基于近似系数与深度学习的伽马能谱分析方法，其特征在于：所述的步骤4中的深度学习网络采用的深度学习框架为DeepLearnToolbox、Caffe、CNTK、TensorFlow、Theano、Torch、Keras、Lasagne、DSSTNE、MXNet、DeepLearning4J、ConvNetJS、Chainer或Scikit-Learn中的一种或多种。

9.根据权利要求8所述的基于近似系数与深度学习的伽马能谱分析方法，其特征在于：所述深度学习网络包括3层神经网络，3层神经网络分别为输入层、隐含层和输出层，所述隐含层的个数为1-50。