基于核脉冲峰值序列二维卷积神经网络的核素识别方法

Abstract

基于能谱的核素识别方法受到数值统计局限性的影响，需花费较长时间得到统计结果，导致应用于低计数率的快速核素识别速度较慢、精度较差、泛化性不高。为提升核素识 别的速度和性能，本文提出一种基于核脉冲峰值序列二维卷积神经网络（Two-Dimensional Convolutional Neural Network，2D-CNN）的核素识别方法。实验使用NaI（Tl）探测器在不同探源距下采集低计数率的单一源、混合源以及环境本底的核脉冲序列并将其进行固定长度序列划分作为数据集，然后使用最大最小归一化和二维矩阵映射对数据集进行预处理，最后使用10阶分层交叉验证方法构建和优化2D-CNN模型，并将模型与BPNN+PCA（反馈神经网络+主成分分析，Back Propagation Neural Network + Principal Component Analysis）、SVM+PCA（支持向量机+主成分分析，Support Vector Machine + Principal Component Analysis）以及2D-CNN+能谱核素识别方法进行核素识别性能比较。实验结果表明，本文构建的2D-CNN能够有效提取探源距40 cm范围内固定长度的脉冲序列特征，核素识别水平优于其他核素识别方法并具有较好的泛化性能。该方法可用于低计数率的快速核素识别任务。

Keywords

• 核脉冲峰值序列
• 二维卷积神经网络
• K阶分层交叉验证
• 核素识别