基于特征变换与神经网络的快速核素识别方法与流程

本发明涉及一种核素识别方法，特别是一种基于特征变换与神经网络的快速核素识别方法。

背景技术：

较短时间内，无论是大尺寸还是高探测效率晶体，均不能形成可以清晰分辨的核素特征峰，从而基于寻峰理论的核素识别算法不能胜任快速核素识别任务。随着计算机运算速度的飞速增长以及神经网络的发展，使人们考虑将全谱作为特征向量并输入到神经网络，从而进行核素识别。但是，全谱输入存在数据冗余度大、输入层个数大、训练时间长、对计算机性能要求高等缺点。

技术实现要素：

本发明所要解决的技术问题是提供一种基于特征变换与神经网络的快速核素识别方法，它提取能谱原始特征中所蕴含的具有明显核素特征进行分析，达到了能谱数据降维、提取出能谱数据主成分的目的。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于特征变换与神经网络的快速核素识别方法，其特征在于包含以下步骤：

步骤一：通过伽马探测仪测量天然本底谱和放射性核素谱；

步骤二：采用滤波算法对天然本底谱进行平滑处理得到标准本底谱；采用滤波算法对放射性核素谱进行平滑处理得到标准放射性核素谱；

步骤三：将标准放射性核素谱减去标准本底谱，得到净计数谱；

步骤四：对净计数谱进行特征变换，按顺序提取一定数量的变换系数作为能谱特征向量并将其归一化；

步骤五：将归一化的特征向量输入到神经网络进行核素识别。

进一步地，所述步骤二中滤波算法采用重心法、高斯滤波法、最小二乘滤波法、小波平滑法、移动平均值法中的一种或几种。

进一步地，所述步骤四中特征变换采用离散余弦变换、离散正弦变换、离散傅里叶变换、离散沃尔什-哈达玛变换、奇异值变换、哈尔变换、radon变换、小波变换中的一种或几种。

进一步地，所述步骤四中归一化采用线性函数归一化或0均值标准化。

进一步地，所述步骤五中特征向量维度范围为1-256。

进一步地，所述步骤五中神经网络包含输入层神经元、隐含层神经元和输出层神经元，输入层神经元、隐含层神经元和输出层神经元的数量分别为m、k、n，其中，m为步骤四中提取的能谱特征向量的数量，k由经验公式k＝log2m计算得到，n为测试的核素种类数量。

进一步地，所述隐含层神经元和输出层神经元的转移函数为tansig。

本发明与现有技术相比，具有以下优点和效果：

1、提取能谱原始特征中所蕴含的具有明显核素特征进行分析，达到了能谱数据降维、提取出能谱数据主成分的目的；

2、本发明具有核素识别不受测量时间、探测距离和核素活度的影响、响应速度快(4s-10s)、天然本底辐射及噪声干扰小等优点，可用于便携式辐射检测仪的快速核素识别。

附图说明

图1是本发明的基于特征变换与神经网络的快速核素识别方法的流程图。

图2是本发明的神经网络结构图。

图3是本发明的实验环境图。

图4是不同距离的样本的核素探测率(％)结果。

图5是编号为nucl-5的⁶⁰co在距探测器60cm处和测量10s的能谱。

图6是特征提取稳定性分析的样本的特征向量图。

具体实施方式

下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

如图所示，本发明的一种基于特征变换与神经网络的快速核素识别方法，其特征在于包含以下步骤：

步骤一：通过伽马探测仪测量天然本底谱和放射性核素谱；

步骤二：采用滤波算法对天然本底谱进行平滑处理得到标准本底谱；采用滤波算法对放射性核素谱进行平滑处理得到标准放射性核素谱；由于实测能谱均包含了噪声的作用，特别地，天然本底能谱存在着较强的统计涨落性，因此采用滤波技术对实测能谱进行平滑处理，这一步骤不仅可以有效的去除噪声的影响，而且还可以正确的评估本底辐射水平，以达到高效天然本底扣除。滤波算法采用重心法、高斯滤波法、最小二乘滤波法、小波平滑法、移动平均值法中的一种或几种。

步骤三：将标准放射性核素谱减去标准本底谱，得到净计数谱；

步骤四：对净计数谱进行特征变换，按顺序提取一定数量的变换系数作为能谱特征向量并将其归一化；通过对净计数谱进行特征变换得到变换系数，按顺序选取一定数量的变换系数作为伽马能谱特征向量。虽然特征向量的维度远小于原始能谱的维度，但是提取出来的特征向量可以表示原始能谱所蕴含的95％左右的信息。通过该步骤不但减少了能谱维度，而且保留了原始能谱的主要信息；提取出来的特征向量随能谱强度的不同而不同，尽管它们的核素组成是一样的。采用归一化方法对特征向量进行归一化，可以消除由能谱强度的差异而导致的特征向量强度的差异，从而可以使神经网络可以识别不同测量时间、核素活度和探测距离的伽马能谱核素组成。特征变换采用离散余弦变换、离散正弦变换、离散傅里叶变换、离散沃尔什-哈达玛变换、奇异值变换、哈尔变换、radon变换、小波变换中的一种或几种。归一化采用线性函数归一化或0均值标准化。

步骤五：将归一化的特征向量输入到神经网络进行核素识别。神经网络通常由输入层、隐含层和输出层组成。每一层都包含了由具体问题所决定的神经元个数，上一层的神经元i和下一层的神经元j通过权重值wij相连接。每一个神经元接收并求和来自上一层的权重信号，随即，使用激励函数对权重信号进行处理。这就是神经网络内信号传递的过程。神经网络初始化时，所有的权重值都是通过相关算法随机确定的，这将导致目标输出和实际输出存在差异。相关学习算法基于这种差异，调节权重值。一旦均方差的大小达到可以接受的水平，结束训练。根据具体问题，搭建合适的神经网络，挑选训练样本用于神经网络的训练，在神经网络训练好之后，将其用于未知核素组成的伽马能谱核素识别。训练样本包含了各种核素组成可能出现的情况，神经网络可以学习并记忆各种核素组成的模式特征，从而可以对未知核素组成的伽马能谱进行核素识别。特征向量维度范围为1-256。神经网络包含输入层神经元、隐含层神经元和输出层神经元，输入层神经元、隐含层神经元和输出层神经元的数量分别为m、k、n，其中，m为步骤四中提取的能谱特征向量的数量，k由经验公式k＝log2m计算得到，n为测试的核素种类数量。隐含层神经元和输出层神经元的转移函数为tansig。

下面通过具体实施例来对本发明进一步说明。

通过使用伽马探测器测量天然本底谱和放射性核素谱。采用的滤波技术是小波平滑法，其小波函数是sym8，分解级数为5，将其用于天然本底谱和放射性核素谱降噪处理，该方法能有效的去除本底辐射和噪声的干扰。然后将平滑后的核素谱减去平滑后的本底谱，从而得到净计数谱。以达到有效的去除噪声和本底辐射的影响。

本发明采用的平滑算法为小波分解，其源函数waveletdecompositon，输入data为能谱数据，输出backvalue为平滑后的能谱数据，编译平台为matlab，源码为：

function[backvalue]＝waveletdecompositon(data)

n＝length(data)；

wname＝'sym8'；

lev＝5；

y＝data'；

[c,l]＝wavedec(y,lev,wname)；

a5＝appcoef(c,l,wname,lev)；

d5＝detcoef(c,l,5)；

d4＝detcoef(c,l,4)；

d3＝detcoef(c,l,3)；

d2＝detcoef(c,l,2)；

d1＝detcoef(c,l,1)；

cd＝[d1,d2,d3,d4,d5]；

sigma＝median(abs(cd))/0.6745；

thr1＝(sigma*sqrt(2*(log10(n))))/(log10(2))；

cd1＝wthresh(d1,'s',thr1)；

thr2＝(sigma*sqrt(2*(log10(n))))/(log10(3))；

cd2＝wthresh(d2,'s',thr2)；

thr3＝(sigma*sqrt(2*(log10(n))))/(log10(4))；

cd3＝wthresh(d3,'s',thr3)；

thr4＝(sigma*sqrt(2*(log10(n))))/(log10(5))；

cd4＝wthresh(d4,'s',thr4)；

thr5＝(sigma*sqrt(2*(log10(n))))/(log10(6))；

cd5＝wthresh(d5,'s',thr5)；

cd＝[a5,cd5,cd4,cd3,cd2,cd1]；

c＝cd；

backvalue＝waverec(c,l,wname)；

backvalue((backvalue<＝0.1))＝0；

backvalue＝backvalue'；

end

通过对净计数能谱做离散余弦变换得到变换系数，按顺序提取128个变换系数作为伽马能谱特征向量。通过特征变换提取的128维特征向量可以表示95％左右的原始能谱所蕴含的信息，但维度是原始能谱维度的八分之一，达到了显著的能谱降维，减少了神经网络的训练时间。提取出的特征向量采用线性归一化方法将范围归至[-1,1]，这一步骤可以使核素组成相同但强度不同的伽马能谱具有接近吻合的特征向量，从而可以使本文所提出的方法可以识别不同测量时间、核素活度和探测距离的能谱核素成分。

能谱为y(x＝0，…，n-1)(n为能谱维度)的离散余弦变换为：

特征向量z(x＝0，…，m-1)(m为特征向量维度)的线性归一化为：

z＝(tmax-tmin)*(z-zmin)/(zmax-zmin)+tmin

其中，tmax和tmin分别为要归一化后的最大值和最小值，zmax和zmin分别为特征向量的最大值和最小值，z为特征向量中的任意一个。

搭建了输入层神经元个数为128、隐含层神经元个数为8、输出层神经元个数为4的bp神经网络，其中隐含层和输出层转移函数均为tansig。由于提取了128个伽马能谱特征，因此将神经网络输入层神经元个数设为128。根据经验公式k＝log2m(注：m为输入层神经元个数；k为隐含层神经元个数)，将隐含层神经元个数设为8。本发明采用²³⁸pu、¹³¹i、⁶⁰co、¹³⁷cs共4种核素验证算法的性能，故输出层神经元个数为4，分别代表各核素的存在与否，用数字表示为‘1’或‘0’。‘1’表示该核素绝对存在，‘0’表示该核素绝对不存在，实际输出大于等于0.9即认为该核素存在。通过选取适量数据作为训练样本用于神经网络的训练，只要核素活度满足最小可探测活度要求，训练好的神经网络可以识别不同测量时间、核素活度和探测距离的能谱核素组成，针对本发明所设定的实验条件下，在不同测量时间、核素活度和探测距离下，探测率均可达到100％。

离散余弦变换提取出的伽马能谱的特征向量具有较强的稳定性，只要满足核素的最小可探测活度要求，提取出的特征向量不随时间、活度和距离的变化而改变，而是仍然呈现出基本吻合的趋势，如同核素“id”一样，神经网络只要学习了该核素的模式特征，便可在不同的环境下，将该核素识别出来。核素识别算法在真实场合环境下，其性能并没有下降，完全能胜任真实场合环境下的快速核素识别。对于活度为1μci左右的⁶⁰co、¹³⁷cs和¹³¹i，在它们距探测器10cm位置处，探测时间不多于4s，本发明提出的算法便可将它们正确识别出来，而且误识别率为0，是一种响应速度快的核素识别算法。

下面通过具体的试验数据来对本发明的基于特征变换与神经网络的快速核素识别方法进行验证。

采用ortec公司生产的3”×3”nai(tl)探测器测量能谱数据。该探测器的能量范围是30kev至3mev，能量分辨率为7.7％fwhm(662kev能量处)。表1是用于实验的放射性核素，共4种核素类型8种活度。为描述方便,分别将它们标记为nucl-1，nucl-2，nucl-3，nucl-4，nucl-5，nucl-6,，nucl-7和nucl-8。

表1

用于本文核素识别的放射源(单位：微居)

本发明采用探测率来评价核素识别算法的性能。如公式(2)所示，探测率表示的是正确识别的数据占总数据的比例。

其中，tp(truepositive)表示正确正响应，tn(truenegative)表示正确负响应，fp(falsepositive)表示错误正响应，fn(falsenegative)表示错误负响应。

同时，根据探测率与距离的关系，计算了单个核素精确核素识别距离(arid)。arid表示在探测率大于98.3％的条件下，可以精确核素识别的距离。

采集神经网络样本：

1)神经网络训练样本的采集。图3为实验环境图。在探测器的正下方10cm位置a处分别测量了nucl-1，nucl-3，nucl-5，nucl-7，nucl-1+nucl-5，nucl-1+nucl-7，nucl-5+nucl-7和nucl-1+nucl-5+nucl-7的能谱，重复测量10次，每次测量10s，一共测得了80个能谱。取其中的48个能谱作为训练样本，剩下的32个能谱作为测试样本。

2)不同时间的样本的采集。在a处测量了nucl-1，nucl-3，nucl-5，nucl-7的能谱，重复测量10次，测量时间分别为4s、6s和8s。一共测量了4×10×3＝120个能谱，全部作为测试样本。

3)不同活度的样本的采集。在a处测量了nucl-1+nucl-2，nucl-3，nucl-5+nucl-6，nucl-7+nucl-8的能谱，重复测量10次，测量时间为4s、6s、8s和10s。一共测量了4×4×10＝160个能谱，全部作为测试样本。

4)不同距离的样本的采集。在b至i共8个点，间隔为20cm，测量了nucl-1，nucl-3，nucl-5和nucl-7的能谱，重复测量10次，测量时间为10s，一共4×10×8＝320个能谱，全部作为测试样本。

5)用于特征向量提取稳定性分析的样本的选取。这里出于简化验证程序目的，只分析具有代表性的核素⁶⁰co能谱的特征向量。选取在a点分别测量4s和10s和在b点测量10s编号为nucl-5的⁶⁰co的能谱，和a点测量10s编号为nucl-5+nucl-6的⁶⁰co的能谱，共4个能谱。

6)真实场合核素识别样本的采集。假设编号分别为nucl-1、nucl-5和nucl-7的²³⁸pu、⁶⁰co和¹³⁷cs3种核素同时沿着直线从i点出发，最终到达a点，运动速度为0.1m/s，采取累积测量的方式，每个点测量2s，共测得8个能谱，能谱测量时间范围为2s到16s，间隔2s。

实验结果：

同时为了突出本发明的优势，增加了和目前现有的k-l变换特征提取方法对比试验。所有的实验结果都是在相同实验条件下得到的。1.表2是神经网络训练结果。可以发现神经网络已训练充分。

表2

神经网络训练结果。

2.表3是不同时间的样本的核素探测率(％)结果。可以看出本发

明提出的核素识别算法不受时间影响。

表3

不同时间的样本的核素探测率结果。

3.表4是另一种活度下的不同时间的样本的核素探测率(％)结果。

可以看出本发明提出的核素识别算法不受活度影响，并进一步验证不受时间的影响。

表4

另一种活度下的不同时间的样本的核素探测率(％)结果

4.图4是不同距离的样本的核素探测率(％)结果。图4中，(a)238pu探测率结果。(b)131i探测率结果。(c)60co探测率结果。(d)137cs探测率结果。可以看出本发明提出的核素识别算法不受距离影响(在满足核素最小可探测活度要求条件下)。

5.图5是编号为nucl-5的⁶⁰co在距探测器60cm处测量10s的能谱。可以发现本发明提出的核素识别算法在核素特征伽马峰还未出现的时，便以100％的探测率将其识别出来。换句话说，本发明提出的方法在信噪比较低的情况下，仍然对核素具有较高的识别率。

6.图6是特征提取稳定性分析的样本的特征向量图。可以发现本发明提取的伽马能谱的特征向量不随测量时间、核素活度和距离的影响。提取出的伽马能谱的特征向量就如同核素的‘id’一样，具有较强的稳定性。

7.表5是真实场合核素识别样本的响应结果。从表中可以看出，从位置h至c，只有核素⁶⁰co被识别出来；在位置b处，²³⁸pu和⁶⁰co同时被识别出来；在位置a处²³⁸pu、⁶⁰co和¹³⁷cs同时被识别出来；从位置h至c的过程中，¹³¹i识别状态一直是‘n’，即在这个过程中，未出现误识别。可以得出结论，本发明提出的核素识别算法能胜任真实场合下的核素识别。

表5

真实场合核素识别样本的响应结果

其中，n:negative，表示该核素不存在，p：positive，表示该核素存在。

本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代，只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。