基于复合神经网络模型的脉冲高度估计方法、系统及终端

本发明涉及辐射测量，尤其涉及基于复合神经网络模型的脉冲高度估计方法、系统及终端。

背景技术：

1、在核辐射测量系统中，源（放射源）、样（被测样品）、探（探测器）是最核心的组成部分，其工作原理可简要概述为粒子与探测器相互作用产生的弱电流信号经前置放大电路放大，再经整形电路进行整形。辐射测量通常受到测量系统输出的畸变脉冲限制。脉冲的畸变被称为畸变事件，在核脉冲信号的读出过程中，探测器输出的畸变脉冲经过放大和整形，在数字化过程中得到了失真的脉冲高度，扭曲了测量得到的光谱。这种失真对于样品元素含量分析影响较大，目标元素特征峰感兴趣区域（roi）中的净计数损失将会导致元素含量被低估。

2、作为光谱学领域以及辐射测量领域的研究热点，近几年国内外学者公布了很多关于脉冲畸变、脉冲堆积等问题的成果。从传统方法上来看，用于畸变脉冲最简单、高效的方法是脉冲剔除，已有学者详细陈述了关于畸变脉冲剔除的方法以及剔除的结果分析，脉冲剔除虽然能够有效解决畸变脉冲和堆积脉冲造成的谱失真，但也存在计数损失的缺陷。

3、近年来，深度学习技术发展迅猛，也诞生了很多优秀的模型，例如transformer、unet、vnet、u2net等，这些模型也已经被广泛应用于辐射测量的各个领域，例如放射性治疗中的成像质量改进、人体内的辐射剂量测定、粒子类型甄别、伽马谱分析以及基于残差结构的脉冲信号分析。深度学习技术为辐射测量中的脉冲处理问题提供了多种思路，例如，脉冲高度估计最简单有效的方式是linear unfolding（线性展开），线性展开的处理方式能够最大限度的保留脉冲原始信息，同时也保留了噪声信息，因此该方式对各种类型的噪声都不具备免疫能力，针对测量环境以及测量系统本身导致的脉冲形状畸变给脉冲高度分析带来了挑战，为了避免这个问题，也有学者在非线性滤波器的设计中做出了尝试，但设计过程较为复杂。

技术实现思路

1、本发明的目的在于克服现有深度学习技术在脉冲高度估计中存在的不足，提供了基于复合神经网络模型的脉冲高度估计方法、系统及终端。

2、本发明的目的是通过以下技术方案来实现的：

3、在第一方面，主要提供一种基于复合神经网络模型的脉冲高度估计方法，所述方法包括以下步骤：

4、s1、对阶跃脉冲数据进行数字化处理并添加噪声，整形后得到数字化的负指数脉冲序列，形成模拟脉冲数据集；

5、s2、构建unet-lstm复合神经网络模型，通过所述模拟脉冲数据集对所述unet-lstm复合神经网络模型进行训练；

6、s3、将模拟脉冲数据输入训练好的unet-lstm复合神经网络模型中，模型输出与模拟脉冲数据对应的脉冲高度序列。

7、作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，所述对阶跃脉冲数据进行数字化处理，包括：

8、通过随机数发生器输出一个堆积上升的阶跃脉冲信号。

9、作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，生成0~1区间内服从均匀分布的随机数，将所述随机数作为阶跃脉冲信号的脉冲高度。

10、作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，所述添加噪声包括：

11、生成0~0.05区间内服从均匀分布的随机数，将所述随机数作为噪声信号的幅度，得到随机噪声；

12、将随机噪声添加到所述阶跃脉冲信号中。

13、作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，所述整形包括：

14、将添加了随机噪声的阶跃脉冲信号输入脉冲整形滤波器滤除直流成分，得到幅度在0~1之间的负指数脉冲序列。

15、作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，所述unet-lstm复合神经网络模型中unet采用编码器和解码器的对称结构，其中，在编码器部分通过卷积提取信号特征，通过最大池化进行下采样；编码器的输出作为lstm模型的输入，利用lstm隐藏层学习脉冲序列信息的抽象特征；解码器部分对lstm模型输出的信号依次进行上采样和卷积。

16、作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，所述编码器和解码器均包含8个3*3的卷积层；所述池化窗口大小为2*2，步长为2。

17、作为一优选项，一种基于复合神经网络模型的脉冲高度估计方法，所述步骤s1中生成不同畸变率的噪声脉冲序列，所述畸变率指的是在一个脉冲序列中宽度不完整的脉冲数量占该序列脉冲总数的比例。

18、在第二方面，提供一种基于复合神经网络模型的脉冲高度估计系统，所述系统包括：

19、模拟脉冲数据集制作模块，配置为对阶跃脉冲数据进行数字化处理并添加噪声，整形后得到数字化的负指数脉冲序列，形成模拟脉冲数据集；

20、复合神经网络模型构建模块，用于构建unet-lstm复合神经网络模型，通过所述模拟脉冲数据集对所述unet-lstm复合神经网络模型进行训练；

21、脉冲高度估计模块，配置为将模拟脉冲数据输入训练好的unet-lstm复合神经网络模型中，模型输出与模拟脉冲数据对应的脉冲高度序列。

22、在第三方面，提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行任意一项所述一种基于复合神经网络模型的脉冲高度估计方法中相关步骤。

23、需要进一步说明的是，上述各选项对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。

24、与现有技术相比，本发明有益效果是：

25、（1）本发明的unet-lstm复合神经网络模型将长短期记忆模型lstm嵌入unet结构，采用数学模型产生添加了噪声的模拟脉冲数据集对复合神经网络模型进行训练，利用unet模型与lstm模型深度融合学习畸变脉冲序列中脉冲高度特征，最终使得融合后的模型建立起输入脉冲序列与输出脉冲高度之间的联系，达到准确识别脉冲高度的目的，克服了传统算法受到数学模型限制无法对整个样本提取特征的局限，在不忽略信噪比的情况下实现脉冲高度的准确估计。（2）本发明unet-lstm复合神经网络模型中基于卷积运算的unet采用编码器和解码器的对称结构，在编码器部分通过卷积提取信号特征，通过最大池化进行下采样，达到减小模型大小的目的，在经过四轮卷积与池化操作后，将得到的输出作为lstm模型的输入，利用lstm隐藏层中众多的记忆单元不断学习脉冲序列信息的抽象特征，最终使得lstm建立输入脉冲序列及其输出脉冲高度之间的联系。lstm模型的输出作为unet模型解码器的输入，同样地，经历四轮上采样和卷积操作，其中上采样通过 2*2 转置卷积运算实现，达到增大模型大小的目的。在相同维度上的拼接操作(concatenate) 将全局特征和局部特征进行结合，目的是为了弥补下采样过程中减小数据规模丢失的特征信息。（3）在一个示例中，生成不同畸变率的噪声脉冲序列，通过unet-lstm复合神经网络模型对不同畸变率的噪声脉冲序列进行训练，增强模型对噪声的免疫能力，保证模型的预测性能。