卷积神经网络在复杂核素识别中的应用

论文摘要

针对传统核素识别方法对高本底、低探测率的复杂伽马能谱存在特征提取困难、建模复杂以及识别率低等问题,提出了一种使用卷积神经网络(CNN)进行核素识别的方法。利用CNN可自适应、隐式地提取图像特征并进行分类学习的特点,搭建多层卷积神经网络的核素识别模型,通过网络模型特征提取层和分类器的训练,获取深层次的核素特征描述,实现多核素识别。基于蒙特卡洛分析软件Geant4仿真数据进行了对比分析实验,结果表明:本文提出的方法其时间复杂度为O(n~2),所提方法避免了复杂的显式特征提取过程,能够对IAEA规定的部分常见单一及混合核素实时地多核素识别。

论文目录

• 0 引 言
• 1 CNN模型描述
• 2 基于CNN的核素识别算法
•   2.1 核素识别流程
•   2.2 核素数据预处理
•   2.3 核素识别CNN框架搭建
• 3 结果与分析
•   3.1 无噪声仿真数据实验
•   3.2 含噪仿真数据实验
• 4 结 论

文章来源

类型: 期刊论文

作者: 胡浩行,张江梅,王坤朋,冯兴华

关键词: 伽马能谱,核素识别,卷积神经网络,深层特征,自适应提取

来源: 传感器与微系统 2019年10期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 核科学技术,自动化技术

单位: 西南科技大学信息工程学院,西南科技大学核废物与环境安全国防重点学科实验室

基金: 国家自然科学基金资助项目(61501385),国防科工局核能开发项目(18ZG6103),四川省应用基础资助项目(18YYJC1688,2016JY0242)

分类号: TP183;TL81

DOI: 10.13873/j.1000-9787(2019)10-0154-03

页码: 154-156+160

总页数: 4

文件大小: 2731K

下载量: 165