[发明专利]一种基于深度学习的梯形重叠核脉冲估计方法

摘要

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。

主权项

1.一种基于深度学习的梯形重叠核脉冲估计方法，其特征在于，对梯形成形后的梯形重叠核脉冲进行参数估计是通过以下方法实现的：①将欲进行参数估计的原始梯形重叠核脉冲V_o(mT_S)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，按如下方法实现：N个指数衰减核脉冲的叠加信号V_e(kT_S)表示为将V_e(kT_S)作为如下梯形成形算法的输入信号而实现输出信号V_o(mT_s)：公式(1)和(2)中，u(.)表示阶跃函数，k＝1,2,3,…,K，K为V_e(kT_S)的离散点数，τ为指数脉冲的衰减时间常数，T_S为采样周期，A_i和T_i分别表示第i个指数衰减核脉冲的幅值及发生时间，n_a＝t_a/T_s，n_b＝(t_a+D)/T_s，n_c＝t_c/T_s，t_a为梯形脉冲的上升沿时间，D为梯形脉冲的平顶宽度时间，整个梯形成形时间t_c＝2t_a+D，m＝1,2,3,…,K+2+n_c；②制作含有n个样本的数据集，数据集的矩阵表示形式如下：表达式(3)中每一行代表一个样本的数据；每个样本的前K+2+n_c个数据为该样本对应的梯形重叠核脉冲的采样值，设该梯形重叠核脉冲按①的成形方法进行成形，成形前的输入信号V_e(kT_S)的参数为A_i(i＝1,2,...,N)、T_i(i＝1,2,...,N)和τ，并设梯形成形时的上升沿时间为t_a及平顶宽度时间为D，将这些参数构成该样本的参数集合θ，即θ＝[A₁,A₂,...,A_N,T₁,T₂,...,T_N,τ,t_a,D]；第i个样本对应的梯形重叠核脉冲V_o(mT_S)的采样值为[V_o(T_S)]_i,[V_o(2T_S)]_i,[V_o(3T_S)]_i,…,[V_o((K+2+n_c)T_S)]_i；第i个样本的参数集合为θ_i；并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)；③将训练集用于LSTM(Long Short‑Term Memory，LSTM)模型的训练；在训练LSTM时的前向传播过程中，训练集中的各个样本对应的梯形重叠核脉冲V_o(mT_S)的K+2+n_c个采样值作为LSTM模型的输入数据；在LSTM前向传播过程中的遗忘门、输入门、记忆单元状态、输出门按如下A、B、C、D环节实现：A、遗忘门结构的计算按如下公式进行：其中，h_m‑1为前一个记忆单元的隐藏状态信息，分别为第i个样本中第m个采样值[V_o(mT_s)]_i在遗忘门结构中的输入权重、循环权重；为第i个样本在遗忘门结构中的偏置；σ为门函数，由sigmoid函数构成，利用该函数可以输出一个在0到1之间的数值以决定状态信息的取舍，其公式为：B、输入门结构的计算按如下公式进行：其中，和分别为第i个样本中的第m个采样值[V_o(mT_s)]_i在输入门结构中的输入权重和循环权重，为第i个样本在输入门结构中的偏置；C、记忆单元状态的更新按如下方法实现：其中，C_m表示当前时刻的记忆单元状态值，f_m表示遗忘门的输出值，C_m‑1表示前一时刻的记忆单元状态值，g_m表示输入门的输出值，表示候选向量，和分别为第i个样本中的第m个采样值[V_o(mT_s)]_i在记忆单元状态更新结构中的输入权重和循环权重，为第i个样本在记忆单元状态更新结构中的偏置；D、输出门的计算按如下方法进行：h_m＝o_m·tanh(C_m)     (11)其中，和分别为第i个样本中的第m个采样值[V_o(mT_s)]_i在输出门结构中的输入权重和循环权重，为第i个样本在输出门结构中的偏置；以此类推，直到最后一层LSTM网络预测出脉冲参数集合θ′_i，前向传播结束；④基于BPTT(Back Propagation Through Time，BPTT)算法进行梯形重叠核脉冲反向传播训练。对于有q个样本的训练集，将参数集合θ_i的均方误差(MSE)值作为损失函数的函数值Loss_MSE，即损失函数的计算式为：利用BPTT(Back Propagation Through Time)算法将Loss_MSE与损失函数的梯度一起反馈给网络来更新权重，实现对梯形重叠核脉冲的反向传播训练；当预测的脉冲参数集合θ′_i与数据集中的实际脉冲参数集合θ_i的平均绝对误差小于事先设定的阈值时，训练结束；此时，将测试集中的数据输入模型中，以检验该脉冲参数识别模型的泛化能力；⑤当一个具有识别脉冲参数集合θ能力的LSTM模型训练完成后，将训练完成的模型结构、权重、训练配置及优化器状态等重要信息保存为HDF5(Hierarchical Data Format 5，HDF5)文件；然后将步骤①中欲进行参数估计的原始梯形重叠核脉冲的采样值作为LSTM模型的输入，进而由LSTM模型的输出得到所需提取的脉冲参数集合θ；通过以上步骤①～⑤完成梯形重叠核脉冲的估计。