专利名称：放射性测量中多重谱峰的分解方法
技术领域：
本发明涉及一种放射性测量中多重谱峰的分解方法。
背景技术：
在进行放射性能谱测量中，往往会出现全能峰的重叠现象，在有些低能量段全能峰的重叠特别严重。为了提取相关信息，进行重叠峰的分解非常必要，其分解的精度直接影响到对放射性核素的定量甚至定性分析。如，NaI (Tl)航空γ能谱仪对Y射线的能量分辨率不高，238U系列中的214Bi的0. 609MeV、232Th系列中208Tl的0. 583MeV特征γ射线与137Cs 的0. 662MeV、134Cs的0. 605MeV的γ射线谱峰会重叠在一起，从而导致137Cs和134Cs活度浓度计算得不准确，有时因剥谱过多，局部地段可出现137Cs的负值。曾有核技术工作者采用全谱滤波技术、高斯最小二乘拟合等方法对实验谱线进行了单峰或双峰的拟合；采用小波分析可靠有效的滤除干扰信号，提取出微弱信号。但是，这些方法对于重叠部分较多且重叠峰数较多的重叠峰而言，存在不能分解或者分解精度较差等缺点。
发明内容
本发明的目的在于公开一种放射性测量中多重谱峰的分解方法。该方法克服了目前重叠峰分解方法的不足。本发明是通过以下技术方案实现的，本发明的具体步骤如下①对放射性测量中所获得的欲进行重叠峰分解的能谱段进行本底扣除，并求得重叠峰的净峰面积以及重叠峰净峰面积对应的各道址净计数。这里的各道址净计数之和等于重叠峰净峰面积；②对①步得到的重叠峰净计数进行归一化，亦即，将重叠峰各道址的净计数分别除以①步所求的重叠峰净峰面积，得到面积等于1的能谱；将所求的面积等于1的归一化能谱作为概率密度函数，并采用离散直接抽样法产生服从该概率密度函数分布的随机数；③将②步的概率密度函数粗略地表示为多个高斯分布函数的线性和，即表示为高斯混合模型，这些高斯分布函数的个数M应根据欲分解的重叠峰谱段中全能峰的具体分布情况而定；各高斯分布函数的权值通常初始化为1/Μ，这里的权值是指各高斯分布函数在概率密度函数中所占的比重，亦即概率密度函数的线性和表达式中各高斯分布函数的系数；各高斯分布函数的方差可根据峰形或者探测器能量分辨率的粗略估计进行初始化；各高斯分布函数的均值根据欲分解的重叠峰谱段中全能峰的大致峰位进行初始化；在确切知道各峰位的情况下也可将各峰位固定下来，亦即在④步迭代运算时均值不作更新；④采用期望最大化法，即Expectation Maximization (简写为EM)，将②步产生的随机数进行迭代运算直到收敛，实现高斯混合模型的权值、方差以及均值的更新并得到最终值，即完成重叠峰的分解；若确切知道各峰位，则迭代运算时均值不作更新；这里的收敛，是指在进行迭代运算时与上次运算的参数(权值、方差以及均值)的差值极小。本发明的有益效果是将重叠峰看成特殊随机信号——具有放射性特性的特殊复杂随机信号——的概率密度分布，运用GMM(Gaussian mixture model)模型良好的函数逼近能力，并结合放射性测量中的统计特性，采用期望最大化(EM，ExpectationMaximization)迭代算法，对所有测量数据进行统计并分类，得到分属于各高斯分布函数的概率，这正与放射性测量的统计特性相吻合，这样进行的重叠峰分解保证了统计意义下的最优，保证了较小的统计误差。该方法可对由三个以上谱峰叠加的重叠峰进行分解。总之，只要根据实际情况合理设置GMM的初始值及高斯分布函数的个数，就可以保证迭代算法时收敛的准确性，就可以将该方法有效地应用于放射性核素的定量和定性分析。
图1为本发明方法的流程图。
具体实施例方式下面结合附图对本发明的实施例作详细说明本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。本实施例以NaI探测器所测的由2tl6Tl谱峰(583keV) ,214Bi谱峰(609keV)、137Cs谱峰(0. 662MeV)三峰构成的重叠峰为例，对其进行分解，并进行了相应实验以验证本发明的有效性。具体步骤如下①对放射性测量中所获得的由2tl6Tl谱峰(583keV) ,214Bi谱峰(609keV) ,137Cs谱峰 (0. 662MeV)三峰构成的重叠峰的能谱段(chl95_cM60)进行本底扣除，并求得重叠峰的净峰面积为四262，以及重叠峰净峰面积对应的各道址(chl95-cM60)净计数。这里的各道址 (chl95-ch260)净计数之和等于重叠峰净峰面积四沈2 ；②对①步得到的净峰面积为四沈2的重叠峰净计数进行归一化，亦即，将重叠峰各道址(chl95-ch260)的净计数分别除以①步所求的重叠峰净峰面积四沈2，得到面积等于1的能谱；将所求的面积等于1的归一化能谱作为概率密度函数，抽样产生服从该概率密度函数分布的随机数共计4877个，为了保证④步运算的精度，随机数的个数可以更多；采用的抽样方法为如下的离散直接抽样法首先，将概率密度函数表示为如下的离散型分布函数形式= Σ 巧(1)
Xj <χ其中Xi为离散型分布函数的离散点，即能谱的道址序号(Chl95-Ch260) 为相
00
应的概率，Σ乃=1。按式⑵抽样产生随机数X共计4877个，即求得服从F(X)分布的随机
7=1
数，其中ε为服从
均勻分布的随机数
权利要求
1.放射性测量中多重谱峰的分解方法，其特征在于，具体步骤如下①对放射性测量中所获得的能谱进行本底扣除，得到欲分解谱段重叠峰的净计数；②对得到的重叠峰净计数进行归一化，将归一化后的数据作为概率密度函数，并产生服从该概率密度函数分布的随机数；③建立该概率密度函数的初始高斯混合模型；④采用期望最大化法将产生的随机数进行迭代运算直到收敛，实现高斯混合模型各参数的更新并得到最终值，即完成重叠峰的分解。
2.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述①中本底扣除，是指求取欲分解谱段重叠峰的净面积。
3.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述①中重叠峰的净计数，是指权利要求2中本底扣除后重叠峰各道址的计数。
4.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述②中对得到的重叠峰净计数进行归一化，是指将权利要求3中求得的重叠峰各道址的净计数分别除以权利要求2中求取的净面积，得到面积等于1的能谱。
5.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述②中产生服从该概率密度函数的随机数，是指将权利要求4中所求的能谱当作概率密度函数，并采用离散直接抽样法产生服从该概率密度函数分布的随机数；
6.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述③中建立该概率密度函数的初始高斯混合模型，是指将权利要求5中所求的概率密度函数看成多个高斯分布函数的线性和，并对这些高斯分布函数的权值、方差以及均值进行初始化。这里的高斯混合模型是指Gaussian mixture model，简写为GMM。
7.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述④中迭代运算，是指将权利要求5中产生的随机数采用期望最大化法进行计算，对权利要求6中各高斯分布函数的权值、方差以及均值进行更新。这里的期望最大化法，是指Expectation Maximization,简写为 EM0
8.根据权利要求1所述的放射性测量中多重谱峰的分解方法，其特征是，所述④中收敛，是指在进行权利要求7中的迭代运算时与上次运算的参数(权值、方差以及均值)的差值极小。
全文摘要
本发明公开了一种放射性测量中多重谱峰的分解方法。首先对放射性测量中所获得的能谱进行本底扣除，得到欲分解谱段重叠峰的净计数；其次，对得到的重叠峰净计数进行归一化，将归一化后的数据作为概率密度函数，并产生服从该概率密度函数分布的随机数；然后，建立该概率密度函数的初始高斯混合模型；最后，采用期望最大化法将产生的随机数进行迭代运算直到收敛，实现高斯混合模型各参数的更新并得到最终值，即完成重叠峰的分解。本发明分解精度高，是进行放射性核素定量和定性分析的一种有效方法。
文档编号G01T1/36GK102298153SQ201010206280
公开日2011年12月28日 申请日期2010年6月23日 优先权日2010年6月23日
发明者丁卫撑, 刘念聪, 刘易, 周伟, 方方, 王敏, 王超, 阎萍, 黄洪全, 龚迪琛 申请人:成都理工大学