[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

说明书

本发明公开了一种能够确保识别核素准确性、提高核素识别速度的基于核脉冲峰值序列数据的一维卷积神经网络核素识别方法。该基于核脉冲峰值序列数据的一维卷积神经网络核素识别方法首先通过探测器实际测量核脉冲信号，使用离散小波变换进行滤波，随后提取脉冲的幅值与幅值点对应的时间，组成序列数据；将获得的序列数据进行最大最小归一化操作，然后再划分数据集为训练集和测试集；使用TensorFlow搭建一维卷积神经网络，使用训练集训练神经网络模型，然后在使用测试集进行测试，优化模型参数。采用该基于核脉冲峰值序列数据的一维卷积神经网络核素识别方法能够快速、高精度实现核素识别。

技术领域

本发明涉及核辐射信号测量及分析、核素识别，尤其是一种基于核脉冲峰值数据的一维 卷积神经网络核素识别方法。

背景技术

众所周知的：核素识别是放射性核素检测的重点内容，在涉及环境放射性测量、核应急、 放射性物质管控等领域应用中，“快速准确”是其必要指标。如今，核能科学快速发展，应用 于各行各业中，为更好应对突发的核事故，需要研究更快速准确的核素识别方法。传统的γ 能谱分析方法的整个过程为：探测器探测到核信号的脉冲数据，将脉冲数据通过多道能谱仪 获取原始γ能谱数据，经本底扣除、光滑、寻峰等分析，在能量刻度的基础上，通过特征峰 位获取对应的特征能量，再与核素库匹配，获得该特征能量对应的核素种类。神经网络快速 发展应用于社会各行各业中，产生了许多神经网络方法对能谱信息进行分析从而实现核素识 别的方法，这些方法提升了核素识别的速度，但本质上与传统核素识别相似，都使用了核素 能谱数据。

由于探测器性能、背景噪声等因素的影响，核素识别的准确性会受γ能谱分析中各个环 节数据分析的影响。传统的能谱识别方法过程复杂且比较耗时，无法满足快速核素识别的要 求。现有的神经网络进行核素识别的方法没有突破能谱数据的局限，在识别速度上受到限制。

发明内容

本发明所要解决的技术问题是提供一种能够识别核素的准确性、提高核素识别的速度的 基于核脉冲峰值序列数据的一维卷积神经网络的核素识别方法。

本发明解决其技术问题所采用的技术方案是：基于核脉冲峰值序列的一维卷积神经网络 核素识别方法，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个脉 冲峰值的序列数据；即每个测量点获得一连串的核脉冲，设为N个，对每个核脉冲提取峰值， 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；