[发明专利]一种基于深度学习的梯形重叠核脉冲估计方法

说明书

本发明公开了一种基于深度学习的梯形重叠核脉冲估计方法，是对梯形成形后的重叠核脉冲进行估计。首先，将欲进行参数估计的原始梯形重叠核脉冲看成是由N个指数衰减核脉冲叠加后经过梯形数字成形后得到的。其次，制作含有多个样本的数据集，每个样本含有其对应梯形重叠核脉冲的采样值及成形前输入信号的参数和成形参数。然后，各个样本对应的梯形重叠核脉冲的采样值作为LSTM模型的输入数据，利用BPTT算法进行LSTM模型的训练。最后，用训练完成后的LSTM模型对欲进行参数估计的原始梯形重叠核脉冲进行参数提取。该方法大大降低了梯形重叠核脉冲的舍弃率，提高了放射性测量的准确度和可信度。

技术领域

本发明涉及一种基于深度学习的梯形重叠核脉冲估计方法。

背景技术

数字成形技术已成为核脉冲信号的一种重要成形方法，这有利于采用数字信号处理的方法进行核信号的识别，大大提高了核仪器的性能。在高速计数时，无论采用何种成形方法，相邻核脉冲的重叠是难以避免的；所以，数字成形后重叠核脉冲的参数估计仍然是一个难题。以梯形成形方法为例，由于指数核脉冲成形为梯形脉冲后，信号得以展宽便于幅值的提取，但是与指数核脉冲相比，梯形脉冲发生重叠的概率大得多。近年来，国内外在梯形核脉冲的成形、采集、识别及参数估计方面进行了较为深入的研究，但对于重叠较为严重的梯形核脉冲的参数提取却效果不佳。深度学习技术作为目前最为流行的智能科学技术之一。其内部隐含层包含了大量的非线性变换结构，通过逐层学习来获得特征的非线性表达。其自动学习数据的本质特征，避免了复杂的特征提取和数据重建过程，增强了拟合复杂模型的能力。目前将深度学习技术引入核脉冲参数提取的相关研究还处于初步探索阶段。因此，将这一新型技术引入该领域就变得十分迫切。因为核脉冲信号在经过离散化处理后具有时间序列的特征，而在众多深度学习模型中，一种具有循环结构的长短期记忆神经网络(Long Short-Term Memory，LSTM)模型在处理时间序列的相关问题中具有良好效果。所以，本发明专利针对由多个指数衰减脉冲经过梯形成形后的重叠信号，提出了基于深度学习LSTM模型的梯形重叠核脉冲的估计方法，用于估计梯形重叠核脉冲的参数。这对于成形算法的验证，以及后续核脉冲参数的获取等过程具有重要意义。

发明内容

本发明的目的在于公开一种基于深度学习的梯形重叠核脉冲估计方法，用于估计梯形重叠核脉冲的参数。该方法在一定程度上解决了相邻核脉冲因梯形成形后脉冲信号重叠而难以准确提取相关信息的技术难题，这对于提高放射性测量的精度具有较大意义。

本发明对梯形成形后的重叠核脉冲进行估计是通过以下具体步骤①～⑤实现的。

步骤①将放射性测量中所获得的欲进行参数估计的原始梯形重叠核脉冲看成是由N个指数衰减核脉冲叠加后经过梯形成形后得到的，这些核脉冲的个数N应根据欲进行参数估计的重叠核脉冲的具体情况而定。

步骤②制作含有多个样本的数据集，每个样本含梯形重叠核脉冲的采样值及该梯形重叠核脉冲成形前输入的指数衰减核脉冲叠加信号的参数，每个样本还含有梯形成形时的上升沿时间和平顶宽度时间；接着，将数据集按照一定比例划分为训练集(Train Set)、测试集(Test Set)、验证集(Validation Set)；其中，训练集用于LSTM模型的训练，测试集用于模型训练完成后检验模型的泛化能力，验证集用于检验训练完成的模型是否出现过拟合现象。

步骤③将步骤②划分出的训练集用于LSTM(Long Short-Term Memory，LSTM)模型的训练，训练集中各个样本对应的梯形重叠核脉冲作为LSTM的输入数据，通过前向传播计算，最后一层LSTM网络预测出脉冲参数集合θ′_i，前向传播结束。

步骤④选取损失函数计算步骤③得到的前向传播迭代提取到的预测脉冲参数集合与训练集中的实际脉冲参数集合的误差；接着，根据误差值，反向计算每个权重的梯度，应用基于梯度的优化算法更新权重，实现减少后续迭代中误差的目的；当误差小于设定的阈值时，训练结束。