[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

说明书

本发明公开了一种基于近似系数与深度学习的伽马能谱分析方法，包括以下步骤：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；使用伽马探测器测量能谱，对能谱进行平滑处理和按照时间比例本底扣除，得到净计数谱；采用小波分解方法提取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；将模拟能谱的近似系数作为深度学习网络的训练样本从而预测伽马探测器实测的能谱中核素的组成。本发明通过提取模拟能谱的近似系数，采用模拟样本训练深度学习并将其用于实测能谱核素组成预测，以达到快速、稳定的能谱核素识别。

技术领域

本发明属于伽马能谱分析领域，具体涉及一种基于近似系数与深度学习的伽马能谱分析方法。

背景技术

伽马能谱分析的精确性与可靠性在很大程度上取决于对重叠峰的处理，核素特征峰位作为伽马能谱信息主要携带者，通常会存在相互重叠的情况。由于伽马探测器能量分辨率的限制及天然本底辐射的干扰，从重叠峰严重的伽马能谱中提取有效的信息变得十分困难。虽然传统神经网络将全谱输入可以解决这一难题，但由于其隐含层个数的限制，使其学习能力及预测能力较低，需要手动进行特征提取，以降低数据维度。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足提供一种基于近似系数与深度学习的伽马能谱分析方法，本基于近似系数与深度学习的伽马能谱分析方法通过提取模拟能谱的近似系数，采用模拟样本训练深度学习并将其用于实测能谱核素组成预测，以达到快速、稳定的能谱核素识别。

为实现上述技术目的，本发明采取的技术方案为：

一种基于近似系数与深度学习的伽马能谱分析方法，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。

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。

作为本发明进一步改进的技术方案，所述蒙特卡洛方法为蒙特卡洛程序，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。

作为本发明进一步改进的技术方案，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。

作为本发明进一步改进的技术方案，所述小波分解方法采用的小波分解母函数为Daubechies、Coiflets、Symlets、Fejer-Korovkin filters、Discrete Meyer、Biorthogonal或Reverse Biorthogonal中的一种或几种。

作为本发明进一步改进的技术方案，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。

作为本发明进一步改进的技术方案，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。

作为本发明进一步改进的技术方案，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。