[发明专利]一种放射性核素识别模型构建方法及装置

权利要求书

1.一种放射性核素识别模型构建方法，其特征在于，所述方法包括：

利用伽马探测器采集环境介质的本底谱及放射性核素能谱；

采用奇异谱分析所述本底谱以及所述放射性核素能谱进行降噪处理，并把降噪后所述放射性核素能谱减去所述本底谱，得到放射性核素的净计数能谱；

采用蒙特卡洛模拟方法对所述伽马探测器及所述环境介质建模模拟放射性核素能谱，得到模拟能谱；

对所述净计数能谱以及所述模拟能谱进行归一化处理得到归一化净计数能谱数据以及归一化模拟能谱数据；

将所述归一化模拟能谱数据作为深度学习网络的训练样本建立深度学习核素识别模型；将所述归一化净计数能谱数据作为预测样本验证所述深度学习核素识别模型的核素识别能力。

2.根据权利要求1所述的放射性核素识别模型构建方法，其特征在于，所述环境介质包括固体介质、液体介质中的任意一种。

3.根据权利要求2所述的放射性核素识别模型构建方法，其特征在于，所述固体介质包括土壤、煤中的任意一种，所述液体介质包括水。

4.根据权利要求1所述的放射性核素识别模型构建方法，其特征在于，所述采用奇异谱分析所述本底谱以及所述放射性核素能谱进行降噪处理，包括：

轨迹矩阵嵌入，假设x₁,x₂,…,x_N为一维能谱数据，对该一维数据变换为L×K的轨迹矩阵，具体的变化过程为：

式中，N为能谱最大道址数，L为嵌入维数，N、L以及K满足如下关系：1LN,K＝N―L+1；

轨迹矩阵奇异值分解，对所述轨迹矩阵X按下式完成奇异值的求解：

式中，j代表第j个奇异值；d代表矩阵X非零奇异值总个数，d满足d≤min(L,K)；σ₁，σ₂,…,σ_d代表的是矩阵X所有奇异值，其按降序排列；μ_j,v_j代表的是矩阵X的特征向量，其中μ_j代表第j个奇异值的左奇异特征向量，v_j代表第j个奇异值的右奇异特征向量；

奇异值分组，将d个奇异值σ₁，σ₂,…,σ_d划分为两组，前r(rd)个较大奇异值为一组，其对应能谱成分，剩余的奇异值划分为一组，其对应的是噪声成分；

利用前r个奇异值及其对应的左右奇异特征矩阵求解光滑后的轨迹矩阵即：

式中，j代表第j个奇异值；r代表选取的奇异值数；σ₁，σ₂,…,σ_r代表的是矩阵X的前r个奇异值，其按降序排列；μ_j,v_j代表的是矩阵X的特征向量，其中μ_j代表第j个奇异值的左奇异特征向量，v_j代表第j个奇异值的右奇异特征向量；

对角平均化，把矩阵Y转化为经过光滑后的能谱，转换过程如下式所示：

式中，y_i,j代表矩阵Y的元素，x_er(m)代表的是光滑后的能谱一维数据x_re中的第m个元素。

5.根据权利要求1所述的放射性核素识别模型构建方法，其特征在于，所述蒙特卡洛模拟方法包括MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的任意一种或几种。

6.根据权利要求1所述的放射性核素识别模型构建方法，其特征在于，所述对所述净计数能谱以及所述模拟能谱归一化处理包括采用线性函数归一化处理或者采用0均值标准化进行归一化处理。

7.根据权利要求1所述的放射性核素识别模型构建方法，其特征在于，所述深度学习网络包括径向基函数神经网络、深度神经网络、卷积神经网络、递归神经网络、长短时间记忆网络、深度置信网络、卷积自动编码器中的任意一种或几种。