專利名稱：放射性測量中多重譜峰的分解方法
技術領域：
本發(fā)明涉及一種放射性測量中多重譜峰的分解方法。
背景技術：
在進行放射性能譜測量中，往往會出現(xiàn)全能峰的重疊現(xiàn)象，在有些低能量段全能峰的重疊特別嚴重。為了提取相關信息，進行重疊峰的分解非常必要，其分解的精度直接影響到對放射性核素的定量甚至定性分析。如，NaI (Tl)航空γ能譜儀對Y射線的能量分辨率不高，238U系列中的214Bi的0. 609MeV、232Th系列中208Tl的0. 583MeV特征γ射線與137Cs 的0. 662MeV、134Cs的0. 605MeV的γ射線譜峰會重疊在一起，從而導致137Cs和134Cs活度濃度計算得不準確，有時因剝譜過多，局部地段可出現(xiàn)137Cs的負值。曾有核技術工作者采用全譜濾波技術、高斯最小二乘擬合等方法對實驗譜線進行了單峰或雙峰的擬合；采用小波分析可靠有效的濾除干擾信號，提取出微弱信號。但是，這些方法對于重疊部分較多且重疊峰數(shù)較多的重疊峰而言，存在不能分解或者分解精度較差等缺點。

發(fā)明內(nèi)容
本發(fā)明的目的在于公開一種放射性測量中多重譜峰的分解方法。該方法克服了目前重疊峰分解方法的不足。本發(fā)明是通過以下技術方案實現(xiàn)的，本發(fā)明的具體步驟如下①對放射性測量中所獲得的欲進行重疊峰分解的能譜段進行本底扣除，并求得重疊峰的凈峰面積以及重疊峰凈峰面積對應的各道址凈計數(shù)。這里的各道址凈計數(shù)之和等于重疊峰凈峰面積；②對①步得到的重疊峰凈計數(shù)進行歸一化，亦即，將重疊峰各道址的凈計數(shù)分別除以①步所求的重疊峰凈峰面積，得到面積等于1的能譜；將所求的面積等于1的歸一化能譜作為概率密度函數(shù)，并采用離散直接抽樣法產(chǎn)生服從該概率密度函數(shù)分布的隨機數(shù)；③將②步的概率密度函數(shù)粗略地表示為多個高斯分布函數(shù)的線性和，即表示為高斯混合模型，這些高斯分布函數(shù)的個數(shù)M應根據(jù)欲分解的重疊峰譜段中全能峰的具體分布情況而定；各高斯分布函數(shù)的權值通常初始化為1/Μ，這里的權值是指各高斯分布函數(shù)在概率密度函數(shù)中所占的比重，亦即概率密度函數(shù)的線性和表達式中各高斯分布函數(shù)的系數(shù)；各高斯分布函數(shù)的方差可根據(jù)峰形或者探測器能量分辨率的粗略估計進行初始化；各高斯分布函數(shù)的均值根據(jù)欲分解的重疊峰譜段中全能峰的大致峰位進行初始化；在確切知道各峰位的情況下也可將各峰位固定下來，亦即在④步迭代運算時均值不作更新；④采用期望最大化法，即Expectation Maximization (簡寫為EM)，將②步產(chǎn)生的隨機數(shù)進行迭代運算直到收斂，實現(xiàn)高斯混合模型的權值、方差以及均值的更新并得到最終值，即完成重疊峰的分解；若確切知道各峰位，則迭代運算時均值不作更新；這里的收斂，是指在進行迭代運算時與上次運算的參數(shù)(權值、方差以及均值)的差值極小。本發(fā)明的有益效果是將重疊峰看成特殊隨機信號——具有放射性特性的特殊復雜隨機信號——的概率密度分布，運用GMM(Gaussian mixture model)模型良好的函數(shù)逼近能力，并結合放射性測量中的統(tǒng)計特性，采用期望最大化(EM，ExpectationMaximization)迭代算法，對所有測量數(shù)據(jù)進行統(tǒng)計并分類，得到分屬于各高斯分布函數(shù)的概率，這正與放射性測量的統(tǒng)計特性相吻合，這樣進行的重疊峰分解保證了統(tǒng)計意義下的最優(yōu)，保證了較小的統(tǒng)計誤差。該方法可對由三個以上譜峰疊加的重疊峰進行分解?？傊?，只要根據(jù)實際情況合理設置GMM的初始值及高斯分布函數(shù)的個數(shù)，就可以保證迭代算法時收斂的準確性，就可以將該方法有效地應用于放射性核素的定量和定性分析。


圖1為本發(fā)明方法的流程圖。
具體實施例方式下面結合附圖對本發(fā)明的實施例作詳細說明本實施例在以本發(fā)明技術方案為前提下進行實施，給出了詳細的實施方式和過程，但本發(fā)明的保護范圍不限于下述的實施例。本實施例以NaI探測器所測的由2tl6Tl譜峰(583keV) ,214Bi譜峰(609keV)、137Cs譜峰(0. 662MeV)三峰構成的重疊峰為例，對其進行分解，并進行了相應實驗以驗證本發(fā)明的有效性。具體步驟如下①對放射性測量中所獲得的由2tl6Tl譜峰(583keV) ,214Bi譜峰(609keV) ,137Cs譜峰 (0. 662MeV)三峰構成的重疊峰的能譜段(chl95_cM60)進行本底扣除，并求得重疊峰的凈峰面積為四262，以及重疊峰凈峰面積對應的各道址(chl95-cM60)凈計數(shù)。這里的各道址 (chl95-ch260)凈計數(shù)之和等于重疊峰凈峰面積四沈2 ；②對①步得到的凈峰面積為四沈2的重疊峰凈計數(shù)進行歸一化，亦即，將重疊峰各道址(chl95-ch260)的凈計數(shù)分別除以①步所求的重疊峰凈峰面積四沈2，得到面積等于1的能譜；將所求的面積等于1的歸一化能譜作為概率密度函數(shù)，抽樣產(chǎn)生服從該概率密度函數(shù)分布的隨機數(shù)共計4877個，為了保證④步運算的精度，隨機數(shù)的個數(shù)可以更多；采用的抽樣方法為如下的離散直接抽樣法首先，將概率密度函數(shù)表示為如下的離散型分布函數(shù)形式= Σ 巧(1)
Xj <χ其中Xi為離散型分布函數(shù)的離散點，即能譜的道址序號(Chl95-Ch260) 為相
00
應的概率，Σ乃=1。按式⑵抽樣產(chǎn)生隨機數(shù)X共計4877個，即求得服從F(X)分布的隨機
7=1
數(shù)，其中ε為服從
均勻分布的隨機數(shù)
權利要求
1.放射性測量中多重譜峰的分解方法，其特征在于，具體步驟如下①對放射性測量中所獲得的能譜進行本底扣除，得到欲分解譜段重疊峰的凈計數(shù)；②對得到的重疊峰凈計數(shù)進行歸一化，將歸一化后的數(shù)據(jù)作為概率密度函數(shù)，并產(chǎn)生服從該概率密度函數(shù)分布的隨機數(shù)；③建立該概率密度函數(shù)的初始高斯混合模型；④采用期望最大化法將產(chǎn)生的隨機數(shù)進行迭代運算直到收斂，實現(xiàn)高斯混合模型各參數(shù)的更新并得到最終值，即完成重疊峰的分解。
2.根據(jù)權利要求1所述的放射性測量中多重譜峰的分解方法，其特征是，所述①中本底扣除，是指求取欲分解譜段重疊峰的凈面積。
3.根據(jù)權利要求1所述的放射性測量中多重譜峰的分解方法，其特征是，所述①中重疊峰的凈計數(shù)，是指權利要求2中本底扣除后重疊峰各道址的計數(shù)。
4.根據(jù)權利要求1所述的放射性測量中多重譜峰的分解方法，其特征是，所述②中對得到的重疊峰凈計數(shù)進行歸一化，是指將權利要求3中求得的重疊峰各道址的凈計數(shù)分別除以權利要求2中求取的凈面積，得到面積等于1的能譜。
5.根據(jù)權利要求1所述的放射性測量中多重譜峰的分解方法，其特征是，所述②中產(chǎn)生服從該概率密度函數(shù)的隨機數(shù)，是指將權利要求4中所求的能譜當作概率密度函數(shù)，并采用離散直接抽樣法產(chǎn)生服從該概率密度函數(shù)分布的隨機數(shù)；
6.根據(jù)權利要求1所述的放射性測量中多重譜峰的分解方法，其特征是，所述③中建立該概率密度函數(shù)的初始高斯混合模型，是指將權利要求5中所求的概率密度函數(shù)看成多個高斯分布函數(shù)的線性和，并對這些高斯分布函數(shù)的權值、方差以及均值進行初始化。這里的高斯混合模型是指Gaussian mixture model，簡寫為GMM。
7.根據(jù)權利要求1所述的放射性測量中多重譜峰的分解方法，其特征是，所述④中迭代運算，是指將權利要求5中產(chǎn)生的隨機數(shù)采用期望最大化法進行計算，對權利要求6中各高斯分布函數(shù)的權值、方差以及均值進行更新。這里的期望最大化法，是指Expectation Maximization,簡寫為 EM0
8.根據(jù)權利要求1所述的放射性測量中多重譜峰的分解方法，其特征是，所述④中收斂，是指在進行權利要求7中的迭代運算時與上次運算的參數(shù)(權值、方差以及均值)的差值極小。
全文摘要
本發(fā)明公開了一種放射性測量中多重譜峰的分解方法。首先對放射性測量中所獲得的能譜進行本底扣除，得到欲分解譜段重疊峰的凈計數(shù)；其次，對得到的重疊峰凈計數(shù)進行歸一化，將歸一化后的數(shù)據(jù)作為概率密度函數(shù)，并產(chǎn)生服從該概率密度函數(shù)分布的隨機數(shù)；然后，建立該概率密度函數(shù)的初始高斯混合模型；最后，采用期望最大化法將產(chǎn)生的隨機數(shù)進行迭代運算直到收斂，實現(xiàn)高斯混合模型各參數(shù)的更新并得到最終值，即完成重疊峰的分解。本發(fā)明分解精度高，是進行放射性核素定量和定性分析的一種有效方法。
文檔編號G01T1/36GK102298153SQ201010206280
公開日2011年12月28日 申請日期2010年6月23日 優(yōu)先權日2010年6月23日
發(fā)明者丁衛(wèi)撐, 劉念聰, 劉易, 周偉, 方方, 王敏, 王超, 閻萍, 黃洪全, 龔迪琛 申請人:成都理工大學