本發(fā)明屬于伽馬能譜分析領(lǐng)域，具體涉及一種基于近似系數(shù)與深度學(xué)習(xí)的伽馬能譜分析方法。

背景技術(shù)：

伽馬能譜分析的精確性與可靠性在很大程度上取決于對(duì)重疊峰的處理，核素特征峰位作為伽馬能譜信息主要攜帶者，通常會(huì)存在相互重疊的情況。由于伽馬探測(cè)器能量分辨率的限制及天然本底輻射的干擾，從重疊峰嚴(yán)重的伽馬能譜中提取有效的信息變得十分困難。雖然傳統(tǒng)神經(jīng)網(wǎng)絡(luò)將全譜輸入可以解決這一難題，但由于其隱含層個(gè)數(shù)的限制，使其學(xué)習(xí)能力及預(yù)測(cè)能力較低，需要手動(dòng)進(jìn)行特征提取，以降低數(shù)據(jù)維度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是針對(duì)上述現(xiàn)有技術(shù)的不足提供一種基于近似系數(shù)與深度學(xué)習(xí)的伽馬能譜分析方法，本基于近似系數(shù)與深度學(xué)習(xí)的伽馬能譜分析方法通過提取模擬能譜的近似系數(shù)，采用模擬樣本訓(xùn)練深度學(xué)習(xí)并將其用于實(shí)測(cè)能譜核素組成預(yù)測(cè)，以達(dá)到快速、穩(wěn)定的能譜核素識(shí)別。

為實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明采取的技術(shù)方案為：

一種基于近似系數(shù)與深度學(xué)習(xí)的伽馬能譜分析方法，包括以下步驟：

步驟1：采用蒙特卡洛方法對(duì)伽馬探測(cè)器進(jìn)行建模并模擬感興趣核素能譜，得到模擬能譜；

步驟2：使用伽馬探測(cè)器測(cè)量實(shí)際的能譜，并采用平滑算法對(duì)測(cè)量的能譜進(jìn)行平滑處理，對(duì)平滑處理后的能譜按照時(shí)間比例本底扣除，得到凈計(jì)數(shù)譜。

步驟3：采用小波分解方法提取步驟1中模擬能譜的近似系數(shù)，對(duì)模擬能譜的近似系數(shù)進(jìn)行歸一化處理，采用小波分解方法提取步驟2中凈計(jì)數(shù)譜的近似系數(shù)，對(duì)凈計(jì)數(shù)譜的近似系數(shù)進(jìn)行歸一化處理。

步驟4：將步驟3中歸一化處理后的模擬能譜的近似系數(shù)作為深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練樣本從而建立深度學(xué)習(xí)模型，將歸一化后的凈計(jì)數(shù)譜的近似系數(shù)作為深度學(xué)習(xí)模型的輸入向量從而預(yù)測(cè)步驟2中的伽馬探測(cè)器實(shí)測(cè)的能譜中核素的組成。

作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述蒙特卡洛方法為蒙特卡洛程序，所述蒙特卡洛程序采用morse、mcnp、egs、geant4、fluka、supermc、phits或gadras中的一種或幾種。

作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述平滑算法采用重心法、高斯濾波法、最小二乘濾波法、小波平滑法、移動(dòng)平均值法、粒子濾波法或卡爾曼濾波法中的一種或幾種。

作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述小波分解方法采用的小波分解母函數(shù)為daubechies、coiflets、symlets、fejer-korovkinfilters、discretemeyer、biorthogonal或reversebiorthogonal中的一種或幾種。

作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述小波分解方法采用的小波分解級(jí)數(shù)為1、2、3、4或5中的一種或幾種。

作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述步驟3中的對(duì)模擬能譜的近似系數(shù)進(jìn)行歸一化處理采用線性函數(shù)歸一化或0均值標(biāo)準(zhǔn)化。

作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述的步驟4中的深度學(xué)習(xí)網(wǎng)絡(luò)采用深度置信網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、堆疊式自動(dòng)編碼器或卷積自動(dòng)編碼器中的一種或幾種。

作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述的步驟4中的深度學(xué)習(xí)網(wǎng)絡(luò)采用的深度學(xué)習(xí)框架為deeplearntoolbox、caffe、cntk、tensorflow、theano、torch、keras、lasagne、dsstne、mxnet、deeplearning4j、convnetjs、chainer或scikit-learn中的一種或多種。

作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述深度學(xué)習(xí)網(wǎng)絡(luò)包括3層神經(jīng)網(wǎng)絡(luò)，3層神經(jīng)網(wǎng)絡(luò)分別為輸入層、隱含層和輸出層，所述隱含層的個(gè)數(shù)為1-50。

本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)和效果：

(1)本發(fā)明采用小波分解技術(shù)提取模擬能譜的近似系數(shù)和凈計(jì)數(shù)譜的近似系數(shù)，在保留原始能譜形狀的條件下，有效的減少了噪聲的干擾及信號(hào)維度；

(2)本發(fā)明采用模擬能譜的近似系數(shù)進(jìn)行訓(xùn)練深度學(xué)習(xí)，克服了實(shí)驗(yàn)室放射源數(shù)量不足的難題，可用于多種(≥9)核素的穩(wěn)定識(shí)別；

(3)本發(fā)明具有不受探測(cè)時(shí)間、探測(cè)距離和核素個(gè)數(shù)的影響，識(shí)別速度快(≥1s)、探測(cè)率高等優(yōu)點(diǎn)，可用于門式輻射監(jiān)測(cè)器、核素識(shí)別儀以及其他輻射監(jiān)測(cè)設(shè)備；

(4)本發(fā)明通過使用伽馬探測(cè)器測(cè)量實(shí)際的能譜，并采用平滑算法對(duì)測(cè)量的能譜進(jìn)行平滑處理，對(duì)平滑處理后的能譜按照時(shí)間比例本底扣除，得到凈計(jì)數(shù)譜，通過模擬能譜的近似系數(shù)作為深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練樣本從而預(yù)測(cè)伽馬探測(cè)器實(shí)測(cè)的能譜中核素的組成，克服了由于伽馬探測(cè)器能量分辨率的限制及天然本底輻射的干擾，直接從重疊峰嚴(yán)重的伽馬能譜中提取有效的信息變得十分困難的問題。

(5)本發(fā)明采取的深度學(xué)習(xí)網(wǎng)絡(luò)，例如深度置信網(wǎng)絡(luò)可以對(duì)訓(xùn)練樣本進(jìn)行無監(jiān)督的學(xué)習(xí)，即能自動(dòng)學(xué)習(xí)數(shù)據(jù)中的高階相關(guān)性，可完成一個(gè)自動(dòng)能譜數(shù)據(jù)特征提取的過程，而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)依賴于手動(dòng)特征提取，特征向量的維度等參數(shù)需要被確定，這個(gè)過程對(duì)工作人員專業(yè)知識(shí)要求較高，缺乏智能化。

附圖說明

圖1是本發(fā)明的流程框圖。

圖2是本發(fā)明的實(shí)驗(yàn)環(huán)境圖。

圖3是實(shí)施例中不同時(shí)間下²³⁸pu通道輸出值隨樣本編號(hào)變化圖。

圖4是實(shí)施例中不同時(shí)間下⁶⁰co通道輸出值隨樣本編號(hào)變化圖。

圖5是實(shí)施例中不同時(shí)間下¹³⁷cs通道輸出值隨樣本編號(hào)變化圖。

圖6是實(shí)施例中不同核素(²³⁸pu、⁶⁰co和¹³⁷cs)的探測(cè)率(％)隨距離的變化。

圖7是實(shí)施例中²³⁸pu、⁶⁰co和¹³⁷cs在arid處所對(duì)應(yīng)的能譜。

圖8是實(shí)施例中運(yùn)動(dòng)放射源樣本在不同時(shí)間下各核素通道輸出值。

圖9是實(shí)施例中運(yùn)動(dòng)放射源樣本各核素在識(shí)別時(shí)間點(diǎn)處對(duì)應(yīng)的能譜。

具體實(shí)施方式

下面根據(jù)圖1至9對(duì)本發(fā)明的具體實(shí)施方式作出進(jìn)一步說明，以下實(shí)施例是對(duì)本發(fā)明的解釋而本發(fā)明并不局限于以下實(shí)施例。

參見圖1，一種基于近似系數(shù)與深度學(xué)習(xí)的伽馬能譜分析方法，包括以下步驟：

步驟1：采用蒙特卡洛方法對(duì)伽馬探測(cè)器進(jìn)行建模并模擬感興趣核素能譜，得到模擬能譜。

具體的，通過蒙特卡洛程序?qū)ο鄳?yīng)伽馬探測(cè)器進(jìn)行建模及感興趣核素能譜進(jìn)行模擬，相當(dāng)于虛擬一個(gè)探測(cè)器，然后在這個(gè)虛擬環(huán)境中，放置一些放射源，來獲得能譜。蒙特卡洛方法又叫隨機(jī)抽樣法或統(tǒng)計(jì)實(shí)驗(yàn)法，屬于計(jì)算數(shù)學(xué)的一個(gè)分支，它能夠真實(shí)地模擬實(shí)際物理過程，解決問題與實(shí)際非常符合。蒙特卡洛程序是基于蒙特卡洛方法的用于計(jì)算三維復(fù)雜幾何結(jié)構(gòu)中的中子、光子、電子或耦合中子/光子/電子輸運(yùn)問題的通用軟件包，基于實(shí)際探測(cè)器尺寸、材料組成等參數(shù)可以使用蒙特卡洛程序?qū)ζ淠Ｐ徒?，并確定其對(duì)中子、光子和電子的響應(yīng)。使用蒙特卡洛程序模擬感興趣核素能譜，可以克服實(shí)驗(yàn)室放射性核素?cái)?shù)量不夠的難題，可以更容易獲得各核素的成譜規(guī)律，進(jìn)而獲得大規(guī)模樣本數(shù)據(jù)，可以使深度學(xué)習(xí)具有更強(qiáng)的學(xué)習(xí)及預(yù)測(cè)能力。所述蒙特卡洛程序采用morse、mcnp、egs、geant4、fluka、supermc、phits或gadras中的一種或幾種。

步驟2：使用伽馬探測(cè)器測(cè)量實(shí)際的能譜，并采用平滑算法對(duì)測(cè)量的能譜進(jìn)行平滑處理，對(duì)平滑處理后的能譜按照時(shí)間比例本底扣除，得到凈計(jì)數(shù)譜。

具體的，通過使用伽馬探測(cè)器測(cè)量實(shí)際的能譜并進(jìn)行平滑及按時(shí)間比例本底扣除。在本底扣除之前，先對(duì)本底譜或放射性核素譜進(jìn)行平滑處理，一方面可以去除能譜中包含的噪聲作用，另一方面可以抑制天然本底輻射的漲落性，可以更好的評(píng)估天然本底輻射，以達(dá)到較好的本底扣除效果。平滑算法采用重心法、高斯濾波法、最小二乘濾波法、小波平滑法、移動(dòng)平均值法、粒子濾波法、卡爾曼濾波法中的一種或幾種。

步驟3：采用小波分解方法提取步驟1中模擬能譜的近似系數(shù)，對(duì)模擬能譜的近似系數(shù)進(jìn)行歸一化處理，采用小波分解方法提取步驟2中凈計(jì)數(shù)譜的近似系數(shù)，對(duì)凈計(jì)數(shù)譜的近似系數(shù)進(jìn)行歸一化處理。

具體的，采用小波分解技術(shù)提取能譜的近似系數(shù)并將其歸一化，對(duì)于多數(shù)信號(hào)，低頻部分是最重要的，它是信號(hào)的標(biāo)識(shí)，與之相反的即噪聲。小波分析中，將它們成為近似部分和細(xì)節(jié)部分。采用一階小波變換可以將信號(hào)分解為近似部分和細(xì)節(jié)部分，這個(gè)過程可以迭代，即繼續(xù)采用一階小波變換將近似信號(hào)進(jìn)行分解，迭代次數(shù)即為分解級(jí)數(shù)。將得到的近似系數(shù)進(jìn)行歸一化，可以消除由探測(cè)時(shí)間、核素活度、探測(cè)距離、核素個(gè)數(shù)等因素的不同而造成能譜強(qiáng)度的不同這一效應(yīng)，顯著的提高了深度學(xué)習(xí)的學(xué)習(xí)能力及預(yù)測(cè)能力。所述小波分解方法采用的小波分解母函數(shù)為daubechies、coiflets、symlets、fejer-korovkinfilters、discretemeyer、biorthogonal或reversebiorthogonal中的一種或幾種。小波分解級(jí)數(shù)為1、2、3、4或5中的一種或幾種。歸一化處理采用線性函數(shù)歸一化或0均值標(biāo)準(zhǔn)化。

步驟4：將步驟3中歸一化處理后的模擬能譜的近似系數(shù)作為深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練樣本從而建立深度學(xué)習(xí)模型，將歸一化后的凈計(jì)數(shù)譜的近似系數(shù)作為深度學(xué)習(xí)模型的輸入向量從而預(yù)測(cè)步驟2中的伽馬探測(cè)器實(shí)測(cè)的能譜中核素的組成。

具體的，采用模擬能譜樣本訓(xùn)練深度學(xué)習(xí)并將它用于預(yù)測(cè)實(shí)測(cè)能譜樣本核素組成。深度學(xué)習(xí)又稱深度機(jī)器學(xué)習(xí)，是機(jī)器學(xué)習(xí)的一個(gè)分支，它集中于學(xué)習(xí)數(shù)據(jù)的深層結(jié)構(gòu)。多層的深度學(xué)習(xí)網(wǎng)絡(luò)可以更好的模擬人腦進(jìn)行分析學(xué)習(xí)及數(shù)據(jù)解釋。它已在計(jì)算機(jī)視覺、語音識(shí)別、自然語音處理等領(lǐng)域成功應(yīng)用。所述的步驟4中的深度學(xué)習(xí)網(wǎng)絡(luò)采用深度置信網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、堆疊式自動(dòng)編碼器或卷積自動(dòng)編碼器中的一種或幾種。所述的步驟4中的深度學(xué)習(xí)網(wǎng)絡(luò)采用的深度學(xué)習(xí)框架為deeplearntoolbox、caffe、cntk、tensorflow、theano、torch、keras、lasagne、dsstne、mxnet、deeplearning4j、convnetjs、chainer或scikit-learn中的一種或多種。所述深度學(xué)習(xí)網(wǎng)絡(luò)包括3層神經(jīng)網(wǎng)絡(luò)，3層神經(jīng)網(wǎng)絡(luò)分別為輸入層、隱含層和輸出層，所述隱含層的個(gè)數(shù)為1-50。

下面通過具體實(shí)例來對(duì)本發(fā)明進(jìn)一步說明：

通過蒙特卡洛程序?qū)ο鄳?yīng)伽馬探測(cè)器進(jìn)行建模及感興趣核素能譜進(jìn)行模擬。首先把具體參數(shù)設(shè)置好，模擬伽馬探測(cè)器，本實(shí)施例進(jìn)行模擬的是3’×3’nai(tl)探測(cè)器。本次模擬的放射性核素有⁵⁷co、⁷⁵se、⁶⁰co、¹³³ba、¹³⁷cs、¹⁹²ir、²⁴¹am,、¹⁵²eu和²³⁸pu。

通過使用伽馬探測(cè)器測(cè)量實(shí)際能譜并進(jìn)行平滑及按時(shí)間比例本底扣除。采用的平滑算法是七點(diǎn)高斯平滑算法，其計(jì)算公式如下式所示。其中y表示能譜數(shù)據(jù)，i表示道數(shù)。

y(i)＝0.2438*y(i)+0.2050*(y(i-1)+y(i+1))+0.1218*(y(i-2)+y(i+2))+0.0513*(y(i-3)+y(i+3))(1)。

本底扣除采用的是按時(shí)間比例進(jìn)行扣除，即實(shí)測(cè)核素能譜減去與之測(cè)量時(shí)間相當(dāng)?shù)奶烊槐镜鬃V。通過這一步驟，可有效的去除本底輻射的干擾。其計(jì)算公式如下式所示。其中y1、y2、y3、t1和t2分別為核素能譜、天然本底譜、凈計(jì)數(shù)譜、核素譜測(cè)量時(shí)間和本底譜測(cè)量時(shí)間。

y3＝y(tǒng)1-y2*t1/t2(2)。

采用小波分解技術(shù)提取模擬能譜和凈計(jì)數(shù)譜的近似系數(shù)并將其分別進(jìn)行歸一化。任何能譜數(shù)據(jù)都包含信號(hào)和噪聲兩部分，通常我們將信號(hào)稱為低頻部分，而將噪聲稱為高頻部分。在小波分析中，通常將低頻部分和高頻部分稱為近似部分與細(xì)節(jié)部分。能譜數(shù)據(jù)通過單階小波分解后，可分為近似部分和細(xì)節(jié)部分，這個(gè)過程相當(dāng)于將一個(gè)低通濾波器和一個(gè)高通濾波器分別作用于能譜數(shù)據(jù)。而且，該過程可以迭代進(jìn)行，即可繼續(xù)將一個(gè)低通濾波器和一個(gè)高通濾波器作用于一個(gè)已得到的近似部分，迭代次數(shù)稱為分解級(jí)數(shù)。

歸一化處理采用的線性歸一化，向量y(x＝0，…，n-1)(n為向量維度)的線性歸一化為：

y＝(amax-amin)*(y-ymin)/(ymax-ymin)+amin(3)；

其中，amax和amin分別為要?dú)w一化后的最大值和最小值，ymax和ymin分別為向量的最大值和最小值，y為向量中的任意一個(gè)。

采用模擬能譜的近似系數(shù)作為樣本訓(xùn)練深度學(xué)習(xí)并將它用于預(yù)測(cè)實(shí)測(cè)能譜樣本核素組成。

本施例采用的深度學(xué)習(xí)網(wǎng)絡(luò)為深度置信網(wǎng)絡(luò)，深度置信網(wǎng)絡(luò)可以對(duì)訓(xùn)練樣本進(jìn)行無監(jiān)督的學(xué)習(xí)，即能自動(dòng)學(xué)習(xí)數(shù)據(jù)中的高階相關(guān)性，可完成一個(gè)自動(dòng)能譜數(shù)據(jù)特征提取的過程，而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)依賴于手動(dòng)特征提取，特征向量的維度等參數(shù)需要被確定，這個(gè)過程對(duì)工作人員專業(yè)知識(shí)要求較高，缺乏智能化。本實(shí)施例采用的深度學(xué)習(xí)框架為deeplearntoolbox，搭建了3層神經(jīng)網(wǎng)絡(luò)，分別為輸入層、隱含層和輸出層，隱含層的個(gè)數(shù)由具體問題所確定，衡量標(biāo)準(zhǔn)是不出現(xiàn)過擬合或欠擬合現(xiàn)象。輸入層神經(jīng)元個(gè)數(shù)為128、隱含層神經(jīng)元個(gè)數(shù)為1024，輸出層神經(jīng)元個(gè)數(shù)為9的深度置信神經(jīng)網(wǎng)絡(luò)。9個(gè)輸出神經(jīng)元分別表示⁵⁷co,⁷⁵se,⁶⁰co,¹³³ba,¹³⁷cs,¹⁹²ir,²⁴¹am,¹⁵²eu,和²³⁸pu這9種核素存在與否，用數(shù)字表示為‘1’或‘0’?！?’表示該核素絕對(duì)存在，‘0’表示該核素絕對(duì)不存在，實(shí)際輸出大于等于0.9即認(rèn)為該核素存在。將模擬能譜的近似系數(shù)作為樣本訓(xùn)練的輸入，建立神經(jīng)網(wǎng)絡(luò)模型，將歸一化后的凈計(jì)數(shù)譜的近似系數(shù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入，輸出核素識(shí)別的結(jié)果。

下面通過具體的試驗(yàn)數(shù)據(jù)來對(duì)本發(fā)明的基于近似系數(shù)與深度學(xué)習(xí)的伽馬能譜分析方法進(jìn)行驗(yàn)證。

采用ortec公司生產(chǎn)的3’×3’nai(tl)探測(cè)器測(cè)量能譜數(shù)據(jù)。該探測(cè)器的能量范圍是30kev至3mev，能量分辨率為7.7％fwhm(662kev能量處)。表1是本發(fā)明所使用的放射性源，共3種核素，為描述方便,分別將它們標(biāo)記為nucl-1，nucl-2和nucl-3。

表1

用于本文試驗(yàn)的放射源

本發(fā)明采用探測(cè)率來評(píng)價(jià)核素識(shí)別算法的性能。如公式(4)所示，探測(cè)率表示的是正確識(shí)別的數(shù)據(jù)占總數(shù)據(jù)的比例。

其中，tp(truepositive)表示正確正響應(yīng)，tn(truenegative)表示正確負(fù)響應(yīng)，fp(falsepositive)表示錯(cuò)誤正響應(yīng)，fn(falsenegative)表示錯(cuò)誤負(fù)響應(yīng)。

同時(shí)，根據(jù)探測(cè)率與距離的關(guān)系，計(jì)算了單個(gè)核素精確核素識(shí)別距離(arid)。arid表示在探測(cè)率大于98.3％的條件下，可以精確核素識(shí)別的距離。

深度學(xué)習(xí)訓(xùn)練樣本的采集：

采用蒙特卡洛程序mcnp模擬了⁵⁷co,⁷⁵se,⁶⁰co,¹³³ba,¹³⁷cs,¹⁹²ir,²⁴¹am,¹⁵²eu,和²³⁸pu這9種核素的伽馬能譜，并通過電腦合成了它們的混合能譜，共511個(gè)模擬能譜，采用小波分解技術(shù)提取模擬能譜的近似系數(shù)并將其歸一化，再將它們?nèi)孔鳛樯疃葘W(xué)習(xí)訓(xùn)練樣本，建立深度學(xué)習(xí)模型。

本實(shí)驗(yàn)的樣本采集：

(1)不同時(shí)間的樣本的采集。圖2為實(shí)驗(yàn)環(huán)境圖。在伽馬探測(cè)器的正前方a處測(cè)量了nucl-1、nucl-2和nucl-3的能譜，重復(fù)測(cè)量10次，測(cè)量時(shí)間分別為1s、2s、3s、4s和5s。一共測(cè)量了150個(gè)能譜，全部作為實(shí)驗(yàn)測(cè)試樣本。

(2)不同核素個(gè)數(shù)的樣本的采集。在探測(cè)器的正前方a處測(cè)量了nucl-1、nucl-2、nucl-3、nucl-1+nucl-2、nucl-1+nucl-3、nucl-2+nucl-3和nucl-1+nucl-2+nucl-3的能譜，重復(fù)測(cè)量10次，測(cè)量時(shí)間為5s，一共測(cè)量了70個(gè)能譜，全部作為實(shí)驗(yàn)測(cè)試樣本。

(3)不同距離的樣本的采集。在a至o共15個(gè)點(diǎn)，間隔為10cm，測(cè)量了nucl-1、nucl-2和nucl-3的能譜，重復(fù)測(cè)量10次，測(cè)量時(shí)間為10s，一共測(cè)量了450個(gè)能譜，全部作為實(shí)驗(yàn)測(cè)試樣本。

(4)運(yùn)動(dòng)放射源的樣本的采集。假設(shè)人從o點(diǎn)出發(fā)，沿直線步行到a點(diǎn)，同時(shí)身上攜帶²³⁸pu、⁶⁰co和¹³⁷cs。整個(gè)過程約耗時(shí)3s，速度約等于0.5m/s。通過設(shè)定取樣間隔0.1s，由于計(jì)時(shí)的誤差，共獲得26個(gè)能譜，全部作為實(shí)驗(yàn)測(cè)試樣本。

將上述實(shí)驗(yàn)測(cè)試樣本分別進(jìn)行平滑及按時(shí)間比例本底扣除，具體按照公式(1)和(2)計(jì)算，再采用小波分解技術(shù)提取實(shí)測(cè)的能譜(凈計(jì)數(shù)譜)的近似系數(shù)并將其歸一化；再將歸一化后的能譜的近似系數(shù)作為深度學(xué)習(xí)模型的輸入向量進(jìn)入輸入層。

實(shí)驗(yàn)結(jié)果：

圖3是不同時(shí)間下輸出層²³⁸pu通道輸出值隨樣本編號(hào)變化圖(只有²³⁸pu存在于環(huán)境中)。從圖中可以看出，在不同時(shí)間下，²³⁸pu的識(shí)別概率均高于閾值，即表示²³⁸pu被識(shí)別出來。而且，⁶⁰co和¹³⁷cs的識(shí)別概率遠(yuǎn)低于閾值，即表示在整個(gè)過程中，未出現(xiàn)誤識(shí)別，進(jìn)而可以體現(xiàn)出，本發(fā)明提出的方法是一種特別穩(wěn)定的核素識(shí)別方法。

圖4是不同時(shí)間下輸出層⁶⁰co通道輸出值隨樣本編號(hào)變化圖(只有⁶⁰co存在于環(huán)境中)。從圖中可以看出，在不同時(shí)間下，⁶⁰co的識(shí)別概率均高于閾值，即表示⁶⁰co被識(shí)別出來。而且，²³⁸pu和¹³⁷cs的識(shí)別概率均低于閾值，即表示在整個(gè)過程中，未出現(xiàn)誤識(shí)別，進(jìn)而可以體現(xiàn)出，本發(fā)明提出的方法是一種特別穩(wěn)定的核素識(shí)別方法。

圖5是不同時(shí)間下輸出層¹³⁷cs通道輸出值隨樣本編號(hào)變化圖(只有¹³⁷cs存在于環(huán)境中)。從圖中可以看出，在不同時(shí)間下¹³⁷cs的識(shí)別概率均高于閾值，即表示¹³⁷cs被識(shí)別出來。而且，²³⁸pu和⁶⁰co的識(shí)別概率均低于閾值，即表示在整個(gè)過程中，未出現(xiàn)誤識(shí)別，進(jìn)而可以體現(xiàn)出，本發(fā)明提出的方法是一種特別穩(wěn)定的核素識(shí)別方法。

下面表2是不同核素個(gè)數(shù)下各核素(²³⁸pu、⁶⁰co和¹³⁷cs)的探測(cè)率(％)。從表中可以看出，本發(fā)明提出的核素識(shí)別算法不受核素個(gè)數(shù)的影響，在不同核素個(gè)數(shù)的情況，仍然對(duì)單個(gè)核素探測(cè)率高達(dá)100％，是一種性能較佳的核素識(shí)別算法。

表2

不同核素個(gè)數(shù)下，各核素(²³⁸pu、⁶⁰co和¹³⁷cs)的探測(cè)率(％)。

圖6是不同核素(²³⁸pu、⁶⁰co和¹³⁷cs)的探測(cè)率(％)隨距離的變化。從圖中可以看出，對(duì)于活度分別為8.89×10³、1.59和1.42μci的²³⁸pu、⁶⁰co和¹³⁷cs的arid分別為60cm、100cm和120cm。也就是說，在滿足最小可探測(cè)活度要求的前提下，本發(fā)明提出的核素識(shí)別算法不受距離的影響。

圖7是²³⁸pu、⁶⁰co和¹³⁷cs在arid處所對(duì)應(yīng)的能譜。從圖中可以發(fā)現(xiàn)，三幅圖的能譜總計(jì)數(shù)較少，觀測(cè)不到各核素的特征峰，但本發(fā)明提出的核素識(shí)別方法可以以100％的探測(cè)率將其識(shí)別出來，說明本發(fā)明提出的方法區(qū)別于傳統(tǒng)核素識(shí)別方法，即基于尋峰的核素識(shí)別算法，利用全譜形狀進(jìn)行核素識(shí)別，在識(shí)別時(shí)間上少于傳統(tǒng)核素識(shí)別算法。

圖8是運(yùn)動(dòng)放射源樣本在不同時(shí)間下各核素通道輸出值。從圖中可以看出，本發(fā)明提出的核素識(shí)別算法：在0.72s時(shí)，識(shí)別出了⁶⁰co；在1.18s時(shí)，識(shí)別出了¹³⁷cs；在3.04s時(shí)，識(shí)別出了²³⁸pu。實(shí)驗(yàn)結(jié)果表明，本發(fā)明提出的方法可以充分利用全譜信息，以較快的速度識(shí)別出環(huán)境中存在的放射性核素，在現(xiàn)實(shí)中有較大的應(yīng)用意義。

圖9是運(yùn)動(dòng)放射源樣本各核素在識(shí)別時(shí)間點(diǎn)處對(duì)應(yīng)的能譜。特別地，從圖9.a和圖9.b可以看出，本發(fā)明提出的核素識(shí)別方法可以在能譜計(jì)數(shù)非常少的情況下，對(duì)能譜中可能存在的核素模式進(jìn)行匹配并識(shí)別，以較短的時(shí)間便完成了核素識(shí)別任務(wù)，是一種性能較好的核素識(shí)別方法。

本說明書中所描述的以上內(nèi)容僅僅是對(duì)本發(fā)明所作的舉例說明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種修改或補(bǔ)充或采用類似的方式替代，只要不偏離本發(fā)明說明書的內(nèi)容或者超越本權(quán)利要求書所定義的范圍，均應(yīng)屬于本發(fā)明的保護(hù)范圍。