[发明专利]基于核脉冲峰值序列的一维卷积神经网络核素识别方法

权利要求书

1.基于核脉冲峰值序列的一维卷积神经网络核素识别方法，其特征在于，包括以下步骤：

S1、使用γ辐射探测器测量放射性物质获得原始核脉冲数据；

S2、将原始核脉冲数据输入训练好的一维卷积神经网络核素识别模型，输出识别结果；所述一维卷积神经网络核素识别模型的建立步骤如下：

S21、根据实际探测情况，测量单源、混合源、不同距离、不同角度、不同移动速度的测量实验；即包括单源不同探源距不同测量时间实验，混合源不同距离实验，不同角度实验，移动源实验；测量每种条件下每个测量点的放射源的核脉冲信号；

S22、采用离散小波变换的方法过滤脉冲噪声；

S23、提取每个测量点t时间内探测器的核脉冲峰值与对应的峰值点的时刻，获得N个峰值的序列数据；即每个测量点获得一连串的核脉冲，设为N个，对每个核脉冲提取，得到含有N个脉冲峰值的序列数据；

S24、将S23中获得的N个序列数据中的脉冲峰值按照每T个数据划分，划分出N/T个特征数据集，数据集的形状为：[N/T,T]；

S25、将得到的所有测量点的数据组合成一个序列数据集合：M；

S26、采取最大最小标准化(Min-Max Normalization)法归一化数据，如下式所示：

其中：x_max为数据集M的最大值；x_min为数据集M的最小值；x_i为数据集M的样本点；

S27、将数据集M按照6:4的比例划分为训练集x_train与测试集x_test；

S28、采用Python编程，使用TensorFlow框架搭建一维卷积神经网络模型，记为Model；

S29、使用训练集数据x_train训练Model；

确定一维卷积神经网络中各层的参数；卷积核在整个训练过程中保持一致，最后在全连接层中逐步确定每个神经元的权重以及偏差，得到一维卷积神经网络模型；

S210、使用测试集测试模型识别精度，并使用混淆矩阵评估测试效果；

对于类别c精确度P_c如下式所示：

其中、TP_c为类别c的真正例，FP_c为类别c的假正例；

混淆矩阵如下表所示，表中，TP_c(True Positive)为类别c的真正例；FN_c(FalseNegative)为类别c的假负例；FP_c(False Positive)为类别c的假正例；TN_c(True Negative)为类别c的真负例；

类别c的混淆矩阵表

S211、保存模型参数，返回步骤S28调整模型参数，再次训练新模型，循环10次或10次以上步骤S28-S210，挑选识别效果最好的模型作为最终应用于识别核素的模型，保存模型；

S212、加载模型，对核素进行识别；

模型训练好之后，将模型参数进行保存之后进行核素识别，直接将数据送入模型中，即得到输出结果。

2.如权利要求1所述的基于核脉冲峰值序列的一维卷积神经网络核素识别方法，其特征在于：

所述单源不同探源距不同测量时间实验包括以下内容：

利用¹³⁷Cs、⁶⁰Co、¹³³Ba、¹⁵²Eu、¹⁵⁵Eu标准源，设计放射源离探测器端面不同距离的实验，拟从10cm到1m的距离，每隔10cm一个测量点，再开展每个点位上不同测量时间的实验；

所述混合源不同距离实验是指：由单源组合成混合源进行不同距离实验；

所述不同角度实验是指：在离探测器表面不同垂直距离的地方，再进行不同角度的单源和混合源实验；

所述移动源实验是指：针对不同的移动速度，以及不同的移动路径，开展移动源的测量实验，所述移动源为单源或者混合源。

3.如权利要求2所述的基于核脉冲峰值序列的一维卷积神经网络核素识别方法，其特征在于：在步骤S211中保存模型参数，返回步骤S28调整模型参数，再次训练新模型，循环10至50次步骤S28-S210。

4.如权利要求3所述的基于核脉冲峰值序列的一维卷积神经网络核素识别方法，其特征在于：在步骤S22中，离散小波变换过滤脉冲噪声；依次包括以下步骤：

a、选择小波和小波分解层次，计算原始信号到第n层的小波分解；选择分解层数为3层，即低频系数和高频系数均分解为3层；

b：对每层高频系数选择一个阈值，对高频系数进行修正；修正函数形式如下：

thr＝max(x_j) (2)

式中，thr为阈值；k为经验系数，0≤k≤1，当k＝0相当于硬阈值函数，当k＝l时相当于软阈值函数，取k＝0.5；x_jt和η_jt分别为修正前后第j层的第t个高频系数；sign为符号函数；

c、根据第n层的低频系数和从第1层到第n层的经过修正的高频系数进行信号的小波重建。