基于阶梯梯度法的中子-伽马甄别方法

1.本发明涉及辐射混合场脉冲信号处理技术领域，具体地讲，是涉及一种基于阶梯梯度法的中子-伽马甄别方法。


背景技术：

2.自1932年chadwick发现中子以来，中子探测技术在许多领域得到了长足的发展。如核反应堆、气象学、国防、航天、生物学和放射性药物等。由于中子与周围环境存在非弹性散射及慢中子的辐射俘获等相互作用，伽马射线总是与中子相伴存在，而且对中子灵敏的探测器对伽马射线也很灵敏，使得中子和伽马射线难以区分。探测器在探测中子的同时也探测伽马信号，使得计算单位时间内的中子特别困难。为了克服这一难题，许多学者试图通过辐射探测器对中子和伽马射线的不同灵敏程度特性来区分它们，可以通过两种粒子的脉冲形状间的差异来体现，从而诞生了脉冲形状甄别技术(psd)。目前，该技术已被广泛用于各种科学领域，以满足中子探测的要求。psd技术最重要的是甄别算法，通过算法可以实现对获取到的每个信号进行信息获取，并通过计算甄别因子实现中子-伽马甄别。
3.在过去的几十年中出现了许多甄别方法，如最常用的电荷比较法、基于频域的频率梯度法、分形频谱法和可以快速甄别的过零比较法等。在2021年，刘浩然等人首次提出将脉冲耦合神经网络方法应用于中子-伽马甄别中，并获得了显著的甄别效果，该方法的甄别效果明显优于传统的电荷比较法和过零比较法。他们将脉冲耦合神经网络的突出甄别效果归因于其动态信息提取能力。脉冲耦合神经网络作为一种基于生物神经学研究的神经元网络，最初被设想为模仿生物神经元皮层的工作方式，以获得处理图片或视频内部动态的信息。在生物视觉系统中，当外部光源刺激视网膜中的光感受器细胞时，这些细胞产生电信号(尖峰)并将这些尖峰传递到与其相邻的视神经。这些电信号将刺激皮层中的神经元，导致细胞组件之间的进一步尖峰产生和传递。生物神经学研究证实，细胞组件之间的这种尖峰行为可以识别光感受器细胞接收的原始刺激所包含的信息，并使大脑理解图像或视频的特征、细节和其他信息。根据这种工作方式，脉冲耦合神经网络同样可以提取图像的动态信息。自1994年由johnson等人提出以来，它已被广泛应用于图像处理领域。例如，图象识别、图像阴影去除和图像特征提取等。
4.虽然刘浩然等人已经证明了这种基于脉冲耦合神经网络方法的甄别效果，但高计算复杂度限制了其快速甄别应用。这种计算难度来自两个部分：脉冲耦合神经网络的高迭代次数和点火映射图的积分过程。因此，如何优化现有方法以减轻计算压力及获得更好的细节信息提取性能和噪声处理能力是本领域技术人员需要进一步研究解决的问题。


技术实现要素：

5.针对上述现有技术中的上述问题，本发明提供一种基于阶梯梯度法的中子-伽马甄别方法，通过提出准连续脉冲发放皮层模型来生成阶梯梯度计算过程所需的点火映射图并以阶梯梯度法的梯度计算取代以往脉冲耦合神经网络方法的积分过程，减轻甄别方法的
计算压力，从而实现更好的细节信息提取性能和噪声处理能力，具有更少的点火和人工调参需求。
6.为了实现上述目的，本发明采用的技术方案如下：
7.一种基于阶梯梯度法的中子-伽马甄别方法，包括以下步骤：
8.s10、获取辐射混合场脉冲信号进行滤波处理，获得中子-伽马脉冲信号；
9.s20、将滤波处理后的中子-伽马脉冲信号导入准连续脉冲发放皮层模型中，提取出包含动态信息的点火映射图，其中每一个中子-伽马脉冲信号对应一个点火映射图，且与原始中子-伽马脉冲信号具有相同的矢量，所述准连续脉冲发放皮层模型由将连续结构引入脉冲发放皮层模型并针对一维信号数据构建；
10.s30、根据中子-伽马的点火映射图计算出阶梯梯度值r，阶梯梯度被定义为点火映射图中峰值点与峰值点后第m个众数点之间连线的斜率，其中m是与中子-伽马脉冲形状特性相关的经验参数；
11.s40、将阶梯梯度值r作为甄别因子对中子-伽马脉冲数据进行甄别。
12.具体地，所述准连续脉冲发放皮层模型表示为：
[0013][0014]
θi(t+δt)＝g
δt
θi(t)+hyi(t+δt)
[0015][0016]
式中，ui表示位于中子-伽马脉冲信号第i个采样点处的神经元的膜电位；δt是决定准连续脉冲发放皮层模型的时间连续特性的参数，其取值范围在0和1之间，δt越接近0，表示准连续脉冲发放皮层模型越接近连续时间系统；f
△
t
是ui的衰减系数；si是神经元接收到的外部刺激，即每一个中子-伽马脉冲信号；w
ij
是突触权重矩阵，控制位于中子-伽马脉冲信号第i个采样点处的中央神经元与其位于中子-伽马脉冲信号第j个采样点处的周围神经元之间的连接；yi和yj是分别位于中子-伽马脉冲信号第i个采样点处和中子-伽马脉冲信号第j个采样点处的神经元脉冲输出；θi是动态阈值；g
δt
是θi的衰减系数；h是yi的衰减系数。
[0017]
具体地，所述阶梯梯度值的计算公式为：
[0018][0019]
式中，(xa，ya)和(xb，yb)分别是点火映射图中峰值点所处位置和峰值点后第m个众数所处位置的坐标值。
[0020]
与现有技术相比，本发明具有以下有益效果：
[0021]
本发明通过提出准连续脉冲发放皮层模型来生成阶梯梯度计算过程所需的点火映射图，并由此计算获得阶梯梯度值，将其作为甄别因子进行中子-伽马甄别，相比现有的脉冲耦合神经网络，本发明可以实现更好的细节信息提取性能和噪声处理能力，具有更少的点火和人工调参次数，性能更优。
[0022]
本发明提出的准连续脉冲发放皮层模型在常规的脉冲发放皮层模型scm基础上改进，首先利用了scm提取辐射脉冲信号中包含的动态信息，不仅考虑了脉冲信号每个点处的脉冲幅值大小，更考虑到了脉冲信号的衰减趋势，从整体、动态的角度有效囊括了中子伽马信号之间处于下降沿和余晖效应位置处的差异，使得这两类辐射脉冲信号之间的差异，从而达到高效甄别两类粒子的目的；其次，准连续脉冲发放皮层模型qc-scm还采用了准连续迭代，不同于传统scm的离散迭代，实现了待处理信号中更精细信息的采集，进一步增强了抗噪性能，使得该qc-scm模型在较少的迭代次数下就能够达到与传统scm相近的效果，提升了数据处理效率，同时抗噪能力的增强又使得待处理信号中由辐射探测系统中电流电压随机涨落带来的噪声得到了进一步抑制，让最终获得的点火映射图更加稳定，尤其是在100-200ns之间的波动得到消除。
[0023]
正是由于qc-scm获得了稳定的点火映射图，本发明进一步采用阶梯梯度法lg可以直接在此基础上来计算甄别因子，能够有效提取出中子伽马脉冲点火映射图中下降沿和余晖效应部分中的信息，从而实现有效的甄别。相比之下，若是在传统scm产出的点火映射图上采用阶梯梯度发来计算甄别因子，甄别结果会尤其糟糕，这是因为scm产出的点火映射图在下降沿至余晖效应的区间内有着明显的波动，阶梯梯度对这种噪声导致的波动尤其敏感，直接导致甄别效果很差，因而传统scm甄别只能采用积分的方式来采集中子伽马脉冲点火映射图中的信息来计算甄别因子并进行甄别。并且本发明方法与积分计算甄别因子相比，采用阶梯梯度法的计算量明显下降。此外，本发明采用的qc-scm对脉冲信号的处理效率高于scm，阶梯梯度法在生成点火映射图过程中的计算负担也得到了减轻，因此本发明方法表现出与传统中子伽马甄别方法同量级时间消耗的条件下，在甄别效果(强抗噪、高fom值)上远优于传统方法。
附图说明
[0024]
图1为本发明-实施例的流程示意图。
[0025]
图2为本发明-实施例中阶梯梯度法的结构示意图。
[0026]
图3为本发明-实施例中的中子-伽马脉冲信号与其点火映射图，图3a为中子和伽马射线的脉冲信号图，图3b为基于脉冲耦合神经网络方法生成的点火映射图，图3c为基于准连续脉冲发放皮层模型生成的点火映射图。
[0027]
图4为本发明-实施例中5种对比的中子-伽马甄别方法的散点效果图，其中图4a为过零法的散点效果图，图4b为电荷比较法的散点效果图，图4c为频率阶梯分析法的散点效果图，图4d为脉冲耦合神经网络的散点效果图，图4e为阶梯梯度法的散点效果图。
[0028]
图5为本发明-实施例中5种对比的中子-伽马甄别方法的甄别因子曲线图。
[0029]
图6为考虑最适应滤波的5种方法的散点效果图，其中图6a为过零法，图6b为电荷比较法，图6c为频率阶梯分析法，图6d为脉冲耦合神经网络，图6e为阶梯梯度法。
[0030]
图7为考虑最适应滤波的5种方法的甄别因子曲线图。
具体实施方式
[0031]
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
[0032]
实施例
[0033]
如图1所示，该基于阶梯梯度法的中子-伽马甄别方法，包括以下步骤：
[0034]
s10、针对辐射混合场脉冲信号进行滤波处理，以减少噪声对甄别效果的干扰，获得中子-伽马脉冲信号；
[0035]
s20、将滤波处理后的中子-伽马脉冲信号导入准连续脉冲发放皮层模型中，提取出包含动态信息的点火映射图，其中每一个中子-伽马脉冲信号对应一个点火映射图，且与原始中子-伽马脉冲信号具有相同的矢量，所述准连续脉冲发放皮层模型由将连续结构引入脉冲发放皮层模型并针对一维信号数据构建；
[0036]
s30、根据中子-伽马的点火映射图，采用阶梯梯度法计算每个点火映射图中的阶梯梯度值r，阶梯梯度被定义为点火映射图中峰值点与峰值点后第m个众数点之间连线的斜率，其中m是与中子-伽马脉冲形状特性相关的经验参数；
[0037]
s40、根据最终的计算结果将最终的阶梯梯度值作为甄别因子来对中子-伽马脉冲数据进行甄别。
[0038]
其中所述阶梯梯度值的计算公式为：
[0039][0040]
式中，(xa，ya)和(xb，yb)分别是点火映射图中峰值点所处位置和峰值点后第m个众数所处位置的坐标值，该两点之间的斜率即为阶梯梯度值，如图2所示。以往的脉冲耦合神经网络甄别方法，通过计算中子-伽马脉冲信号的下降沿与延迟荧光部分的积分过程来计算甄别因子。基于阶梯梯度法的甄别因子计算相对简单，然而，基于阶梯梯度法的计算简单又带来噪声灵敏度差和信息提取性能低的缺点。由于噪声对两个点坐标的影响明显大于点火映射图集成的影响，而点火映射图集成的信息要远大于两点斜率的信息。因此，针对阶梯梯度法，需要获取一个优化的模型，来实现更好的抗噪性能和更强的提取信息能力。
[0041]
本发明方法通过准连续脉冲发放皮层模型产生中子-伽马脉冲点火映射图。该准连续脉冲发放皮层模型是根据现有的脉冲耦合神经网络在图像处理领域发展而最新提出的。现有的脉冲耦合神经网络模型是一种非整数阶跃脉冲耦合神经网络模型，用来模拟生物神经元的连续结构，从而更好地识别图像内部的详细信息和较强的处理噪声能力，但是带来了计算负担较高的影响。因此发明人在此基础上提出准连续脉冲发放皮层模型，将连续结构引入到发放皮层模型中，从而简化和优化现有的脉冲耦合神经网络模型，进而实现对脉冲信号详细信息的处理能力和点火分辨率，同时也保持较低的计算负担。本发明中的准连续脉冲发放皮层模型的数学表达式为：
[0042][0043]
θi(t+δt)＝g
δt
θi(t)+hyi(t+δt)
[0044]
[0045]
式中，ui表示位于中子-伽马脉冲信号第i个采样点处的神经元的膜电位；δt是决定准连续脉冲发放皮层模型的时间连续特性的参数，其取值范围在0和1之间，δt越接近0，表示准连续脉冲发放皮层模型越接近连续时间系统；f
△
t
是ui的衰减系数；si是神经元接收到的外部刺激，即每一个中子-伽马脉冲信号；w
ij
是突触权重矩阵，控制位于中子-伽马脉冲信号第i个采样点处的中央神经元与其位于中子-伽马脉冲信号第j个采样点处的周围神经元之间的连接；yi和yj是分别位于中子-伽马脉冲信号第i个采样点处和中子-伽马脉冲信号第j个采样点处的神经元脉冲输出；θi是动态阈值；g
δt
是θi的衰减系数；h是yi的衰减系数。
[0046]
如图3所示为中子-伽马脉冲信号与其点火映射图。图3a为中子和伽马射线的脉冲信号图；图3b为基于脉冲耦合神经网络方法生成的点火映射图；图3c为基于准连续脉冲发放皮层模型生成的点火映射图。如图3a所示，中子和伽马射线的信号差异主要体现在脉冲下降沿(约90ns)至延迟荧光部分(约180ns)。如图3b所示，通过脉冲耦合神经网络方法成功获取并放大了这一差异性，这两部分的点火时间通常偏高。然而，基于脉冲耦合神经网络方法的点火图并不稳定，在100～200ns之间波动较大，这种波动主要由辐射探测系统引入的噪声引起的。虽然通过对下降沿和延迟荧光区间进行积分，可以补偿噪声引起的波动，但计算复杂度的增加是不可避免的。
[0047]
相比之下，如图3c所示，本发明采用的这种基于准连续脉冲发放皮层模型的点火图没有显示阶梯梯形的波动。这种稳定的阶梯梯形是由于准连续脉冲发放皮层模型的噪声处理能力优于脉冲耦合神经网络模型所致。因此，在该准连续脉冲发放皮层模型获得点火映射图的基础上，采用阶梯梯度法计算出阶梯梯度值作为甄别因子来评价中子-伽马甄别，其比积分计算更加方便。此外，由于准连续脉冲发放皮层模型具有更好的信息提取能力，可以实现与脉冲耦合神经网络相似的差异放大性能，并且迭代次数更少。准连续脉冲发放皮层模型的手动调参数量远少于脉冲耦合神经网络的参数数量。与脉冲耦合神经网络类似，准连续脉冲发放皮层模型在甄别之前不需要任何训练过程。
[0048]
关于步骤s10中滤波处理方法的介绍
[0049]
中子-伽马脉冲数据是一维时间序列信号，一维信号可以被认为是由白色高斯噪声叠加的有用信号，表示为：
[0050]
s(n)＝j(n)+ke(n)
[0051]
式中，n为时间，s为一维信号，j为有用信号，ke为高斯噪声。在实际应用中，采样信号是时间步长相等的离散时间信号。因此，可以用n维随机向量s(n)表示：
[0052][0053]
降噪过程是从原始信号s(n)中提取有用的信号j(n)。值得注意的是，传统的去噪方法与中子-伽马甄别降噪方法之间存在着显著的差异。在中子-伽马甄别领域中，只要放大中子和伽马射线之间的脉冲形状差异即可，即便是在降噪过程中有轻微的失真现象也是可以接受的。当然，在相同的甄别性能下，首先选择信号失真较小的滤波器。因此发明人通
过采用11种滤波方法结合17种滤波条件，确定出了适合阶梯梯度法的最佳滤波器为椭圆滤波器、移动平均滤波器或小波滤波器。这些滤波方法包含巴特沃兹滤波器、切比雪夫滤波器、椭圆滤波器、中值滤波器、移动平均滤波器、傅里叶滤波器、小波滤波器、维纳滤波器、最小均方自适应滤波器、形态学滤波器和窗口正弦滤波器等。
[0054]
本发明与常规的脉冲皮层模型对比的进一步说明，在图像、视频处理工作中，常规的脉冲皮层模型scm网络中的每个神经元都与周围的8个神经元紧密相连，由于scm中神经元的数量和位置是与待处理图像中的像素点一一对应的，所以scm对图像中每个像素点做处理时，就会考虑到该像素点周围8个像素点的灰度值带来的影响。而本发明在中子伽马甄别中，所适配的待处理信号为一维信号，qc-scm网络中的每个神经元与辐射脉冲信号的每一个采样点一一对应，因此每个神经元只需与其前一个和后一个神经元进行耦合，即qc-scm在处理脉冲信号每一个采样点处的幅值时，仅需考虑前一个采样点和后一个采样点的幅值所带来的影响，所需要处理的数据量大大缩减了。对于点火映射图的效果，主要是在qc-scm的工作过程中，会将待处理信号馈入网络中反复点火，在对神经元进行多次刺激后，qc-scm即可分析出每个采样点处所包含的动态信息的重要程度，得到点火映射图；在点火映射图中，辐射脉冲信号的信息得到了提取和概括，噪声一定程度上得到了抑制，从而使中子伽马脉冲之间的差异得到放大。
[0055]
对于中子-伽马甄别结果的评价，评价标准涉及品质因子、降噪信号相似性测量、耗时时间、甄别准确性。
[0056]
品质因子fom是用于评价中子和伽马射线的甄别效果的标准测量值。首先，fom的计算需要绘制甄别结果直方图，主要包含中子计数谱和伽马射线计数谱。然后，使用高斯拟合函数来拟合这两组数据，形成拟合曲线，该拟合曲线可以进一步用于计算这两个峰之间的距离s和两个峰的半高宽。最后，fom被定义为：
[0057][0058]
其中，s表示中子峰和伽马峰的间隔，fwhm
γ
表示伽马峰的半高全宽(即峰值高度一半处的全宽度)，fwhmn为中子峰的半高全宽。如果甄别性能好，s应该越大，fom值越大，甄别性能越好；值得指出的是，在基于塑料闪烁体的中子伽马甄别应用中，fom值若高于1.0，即可被视为有效甄别；fom值若高于1.6，则可认为甄别效果优异。
[0059]
降噪信号相似性测量。在图像降噪领域，有几种客观测量方法。利用这种特性，可以将其在一维条件下计算，应用在辐射脉冲信号的降噪中，实现对降噪性能的评估。
[0060]
峰值信噪比psnr能够评价去噪信号y(n)与原始信号s(n)之间的相似性，具体定义为：
[0061][0062]
其中，n为原始信号的长度；
[0063]
均方误差mse定义为：
[0064]
[0065]
均方根误差rmse可计算如下：
[0066][0067]
div可用于测量降噪性能，其定义为：
[0068][0069]
其中，σy和σs分别表示去噪信号和原始信号的方差。
[0070]
香农熵是信息论中的一个概念，可以表示信号中包含的平均信息。它可以估计为：
[0071]
se＝-∑ns2(n)log(s2(n))
[0072]
通过计算s(n)和y(n)的se，得到如下熵差ed：
[0073]
ed＝|se(s)-se(y)|
[0074]
当mse、rmse和div的值接近于0，psnr的值更可观时，降噪信号与原始信号更相似，表明滤波效果更好，信号失真更小。当ed的值较小时，过滤过程中损坏的信息较少，使得滤波结果更好。
[0075]
关于耗时时间，本发明中针对9414个中子-伽马脉冲信号，分别采用阶梯梯度法和其他甄别方法进行了测量，并计算了每种方法的耗时时间。同时，也计算了针对每种甄别方法进行滤波的耗时时间。测量滤波器处理所有信号所花费的时间。耗时时间充分反映了中子-伽马甄别方法和滤波方法的计算复杂度，说明了它们的现实可行性。
[0076]
关于甄别准确率，当中子-伽马脉冲信号被滤波器平滑处理后，会在一定程度上影响到中子-伽马甄别的性能。我们记录了每种滤波器滤波的中子和伽马射线粒子数的结果。同时，由于傅里叶滤波器广泛应用于脉冲形状甄别领域，因此本发明中采用傅里叶滤波处理后的信号甄别结果作为标准参考。将其他滤波器处理后甄别错误的脉冲信号数记录为错误率。错误率定义为：
[0077][0078]
其中，误差值和错误率越小，表明结果越好。
[0079]
以下通过实验验证甄别结果及对比：
[0080]
实验设备及参数设置为：选取241am-be中子源作为放射源，其可以产生中子的平均能量为4.5mev。本实验采用ej299-33塑料闪烁体作为探测器，加载高性能数字示波器实现离线中子-伽马甄别实验。数字滤波器的型号为tps2000b，其采样率为1gs/s，分别率为10位，带宽为200mhz。设置触发阈值为500mv，其相当于1.6mevee的能量。脉冲采集到持续时间点位在160ns，采集到的脉冲信号信息符合香浓采样定律的标准。当采集获取到混合场的中子-伽马脉冲信号后，开展的甄别算法和滤波过程均在windows 11上使用amd 5900x cpu进行离线处理。采用阶梯梯度甄别方的主要参数为：lg的参数为：δt＝0.5、w
ij
＝[0.44,0,0.44]、f
△
t
＝0.38、g
δt
＝0.8、h＝8.45。
[0081]
以下采用4种甄别方法与阶梯梯度法lg进行对比，主要包括过零比较法zc、电荷比较法cc、频率梯度分析法fga、脉冲耦合神经网络pcnn。在后续实验中，上述甄别方法的可调参数都已经过优化，以达到每种方法本身的最佳甄别效果。
[0082]
如图4所示为采用上述5种甄别方法实现中子-伽马甄别的散点效果图，图4a为过
零比较法zc，图4b为电荷比较法cc，图4c为频率梯度分析法fga，图4d为脉冲耦合神经网络pcnn，图4e为阶梯梯度法lg；在每个散点图中，若散点图中的两个集群各自呈现方差较小的高斯分布，集群之间的间隙较大，且离散在集群之间和集群两侧的点数目较少，则甄别效果优异。可以看出：
[0083]
过零比较法zc的甄别效果，在忽略了对脉冲延迟荧光对该方法的影响的情况下，虽然微分和积分过程有助于该方法降低噪声干扰，但是考虑到不完整的脉冲形状差异仍然会对甄别效果造成不好的影响。虽然其散点图的高斯分布优于下降沿百分比斜率法，但是仍然有大量脉冲信号位于两峰之间，导致甄别结果不好。
[0084]
电荷比较法cc、频率梯度分析法fga和脉冲耦合神经网络pcnn这三种甄别方法的甄别性能远优于过零比较法，主要表现在散点图的高斯分布图明显分开，其主要原因是这三种方法均考虑了脉冲延迟荧光所包含的信息，并利用积分实现了抗噪性能。其中，电荷比较法积分了中子-伽马脉冲信号的幅值，频率梯度分析法采用脉冲信号傅里叶变换形式的第一个分量，对应整个脉冲信号的平均幅值，脉冲耦合神经网络模型集成了点火映射图和点火时间。然而，本发明基于阶梯梯度的甄别方法无需积分过程即可实现与这三种方法相似的甄别效果，在甄别过程中，噪声的影响采用准连续脉冲发放皮层模型进行预处理，因此无需积分过程即可获取甄别因子。相反，阶梯梯度法在计算复杂度上有这明显的优势；更值得注意的是，在此处各类甄别方法的初步对比中，为了控制实验变量，尽量在同等条件下对比，过零比较法zc、电荷比较法cc、频率梯度分析法fga、脉冲耦合神经网络pcnn这四种甄别方法都使用了傅里叶滤波器对脉冲进行了滤波预处理，通过傅里叶滤波器对脉冲信号的预处理，降低了原始脉冲信号中噪声对效果的影响，是提高了该四种甄别方法的效果，而本发明的阶梯梯度法是直接采用的原始脉冲信号作为基础数据，原因在于傅里叶滤波器的预降噪性能并不能给抗噪性能已经十分优秀的lg方法带来帮助，反而在滤波过程中破坏了辐射脉冲信号中的部分有效信息、降低了lg方法的效果。也就是说本发明方法即使直接处理原始脉冲信号，所实现的甄别效果也达到了常规甄别方法的水平，并明显超过普通的甄别方法效果。
[0085]
如表1所示，针对上述五种甄别方法进行了客观的评价。通过如图5所示的甄别因子曲线图可以计算出各方法的fom值。其中，过零比较法的甄别效果最差，fom值约为1；电荷比较法和频率梯度分析法甄别结果相当；阶梯梯度法的甄别fom值为1.54，略低于脉冲耦合神经网络模型的fom值1.75。同时，针对每种甄别方法的耗时时间定义为：对实验数据9414个脉冲信号进行计算cpu处理时间，且不包括滤波过程的耗时时间。与脉冲耦合神经网络模型法相比，阶梯梯度法减少了约37％的耗时时间，接近其他传统甄别方法的水平。实验结果验证了阶梯梯度法的效率和鲁棒性。它可以实现比传统方法更好的性能，而无需通过滤波器进行预处理，并且比脉冲耦合神经网络消耗更少的时间。该方法的计算复杂度使其可以在集成辐射检测系统上实现，进而实现实时甄别。
[0086]
表1甄别结果与耗时时间(针对9414个脉冲进行cpu处理)
[0087]
标准/方法zcccfgapcnnlgfom(a.u.)1.091.381.471.751.54时间消耗(秒)1.351.301.312.781.76
[0088]
前述在控制实验变量的基础上进行的初步对比已经体现出本发明lg方法的优势，
根据现有的一些研究，每一种甄别方法在与不同的滤波方法耦合时会呈现出一定差异性的甄别效果，正如前述实验提到的傅里叶滤波器对常规甄别方法有增益作用，对本发明的阶梯梯度法反而存在一定的负面影响。也就是说，每一种甄别方法应该存在对应自身最适应的滤波方法，使其最终发挥出最佳的甄别效果。因此发明人在考虑上述各类甄别方法对比的基础上进一步实验了为其选择最适应的滤波方法后的效果，其他条件与前述实验一致。
[0089]
如图6所示为前述5种甄别方法在考虑最适应滤波的情况下实现中子-伽马甄别的散点效果图，图6a为过零比较法zc，采用中值滤波器，图6b为电荷比较法cc，采用移动平均滤波器，图6c为频率梯度分析法fga，采用傅里叶滤波器，图6d为脉冲耦合神经网络pcnn，采用椭圆滤波器，图6e为阶梯梯度法lg，采用椭圆滤波器。如图7所示为前述5种甄别方法在考虑最适应滤波的情况下的甄别因子曲线图，由此计算各fom值如下表2所示。可以看出：
[0090]
在考虑最适应滤波的情况下，各方法的甄别效果均有提升，本发明的阶梯梯度法的提升最为明显，达到了与pcnn的同等水平，且耗时明显比pcnn更短，甄别效果更是远超其他三种传统甄别方法。
[0091]
关于数据的进一步解释，对于甄别方法本身及滤波过程本身，同一类型方法的耗时一般是一致的，但由于每次实验测试的过程都独立的，考虑到实验设备本身的外部因素影响，在统计结果上会有少许波动，这是可以接受的。
[0092]
表2最适应滤波情况下的甄别结果与耗时时间
[0093]
标准/方法zcccfgapcnnlgfom(a.u.)1.151.611.472.192.20时间消耗(秒,不含滤波)1.251.311.452.891.71时间消耗(秒,含滤波)1.491.331.844.112.94
[0094]
由上述可知，脉冲耦合神经网络pcnn和本发明的阶梯梯度法lg均是中子-伽马甄别性能优异的方法，发明人进一步研究分析二者在考虑滤波器适应性情况下的效果对比，通过四个方面来评估二者的性能，即前述评价标准：(a)甄别能力(这在中子-伽马甄别应用中至关重要)；(b)去噪声信号相似性(测量失真)，(c)时间(指每个滤波器对9414脉冲信号的总cpu处理时间)；(d)甄别精度(使用最常用的甄别方法和滤波方法，这里采用傅里叶滤波器为参考的电荷比较法，将其甄别结果与其他滤波器的结果进行比较)。值得注意的是，甄别能力没有依据，因为本研究中使用的中子-伽马脉冲信号是实际测量的信号。尽管带有傅里叶滤波器的电荷比较法已被证明是鲁棒的，但其判别结果仍然不能与基本事实相提并论。因此，当甄别误差率低于2％时，可以认为是成功的甄别。
[0095]
根据各类不同滤波器的实验结果，如下表3和表4所示，分别给出了适合pcnn和lg的三种最佳滤波器，需要指出的是其中的时间time仅是进行滤波处理的耗时。
[0096]
基于pcnn的甄别方法的三种最佳滤波性能分别为小波滤波器、椭圆滤波器和中值滤波器。其中，小波滤波器滤波之后呈现的甄别fom值最高(为2.5915)，明显优于其他两种滤波方法，主要优点为脉冲信号失真小、甄别误差小，缺点在于耗时时间过长；椭圆滤波器进行滤波之后呈现的甄别fom值其次(为2.1942)，主要优点为甄别误差小、滤波时间短，主要缺点是针对不同的中子源和探测器测量时需要对其参数进行复位调参，限制了其应用范围；中值滤波器滤波后呈现的甄别fom值效果更次(为2.1811)，其主要优点是滤波时间很短，主要缺点是信号失真比较严重。
[0097]
表3脉冲耦合神经网络模型的滤波性能
[0098][0099]
本发明基于阶梯梯度法lg的甄别方法的三种最佳滤波性能分别是椭圆滤波器、移动平均滤波器和小波滤波器。其中，椭圆滤波器滤波之后呈现最佳的甄别性能(fom值为2.1942)，主要优点为脉冲信号的失真小、甄别时间快，主要缺点是需要人为手动调参；移动平均滤波器滤波之后呈现的甄别效果次之(fom为1.6637)，主要优点为耗时时间最短；小波滤波器滤波后具有最佳的甄别性能和降噪性能，其主要的缺点是计算复杂度高、耗时长。
[0100]
表4阶梯梯度法的滤波性能
[0101][0102]
由上述分析可知，当本发明方法采用最适滤波器时，其fom值可以达到1.66-2.19的水平，大幅超过传统甄别方法，远高于作为优秀甄别标准的1.6fom值；与pcnn采用最佳滤波时fom值处于2.18-2.59的水平相比，本发明方法也能够达到同一水平(2.19)，并且耗时更短，实现了高fom低耗时的最终效果。
[0103]
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。