一种基于BP神经网络的γ能谱识别方法

根据神经网络可以进行模式分类的特点,利用BP神经网络识别γ能谱的技术进行了初步研究,对影响识别结果的因素进行了探讨.     

基于深度神经网络的放射性废物桶γ能谱解析方法

在核电厂放射性废物桶测量中,为了解决传统γ能谱解析方法存在的核素误识别和峰面积计算精度较差的问题,提出了基于深度神经网络的γ能谱解析方法.深度神经网络以γ能谱全谱数据作为分析对象,无需传统方法的谱线平滑、寻峰等工作.利用蒙特卡罗模拟得到的γ谱线作为神经网络的数据集,在秦山核电一期200 L钢桶的三种不同介质内置5种γ源...     

粒子群优化算法在神经网络识别γ能谱中的应用

在神经网络识别γ能谱的应用中,针对BP算法极易陷入局部极小、收敛速度慢的缺点,根据粒子群优化算法具有全局寻优的特点,本文将PSO与BP算法结合起来形成一种训练神经网络的新算法--混合PSO-BP算法.将该算法应用到γ能谱识别中,克服了BP算法极易陷入局部极小的缺点,并且训练好的网络具有很好的泛化能力,识别正确率为100%.实例表明,混合PSO-BP算法用于γ能谱识别是非常理想的、有效的.     

基于小波变换的γ能谱分析

为进行γ能谱分析，需要减少、抑制放射性计数的统计涨落。针对常用平滑滤波方法中存在的不足，使用小波变换的方法对复杂的γ能谱进行平滑滤波，获得了令人满意的效果。这更有助于精确找出全部的全能峰的峰位和计算全能峰的面积，使得γ能谱的分析更为精确。     

低水平放射性γ能谱数据平滑的非线性小波方法

设计了低水平放射性γ能谱数据平滑的非线性小波方法,与传统的多项式拟合移动平滑方法和傅立叶分析方法相比,本方法具有谱峰值损失小和消除统计涨落彻底的优点。     

基于图像小波包信息熵和遗传神经网络的气-液两相流流型识别

根据小波包变换能够将图像信号按不同尺度进行分解的特性,提出了基于图像小波包信息熵特征和遗传神经网络相结合的气-液两相流流型识别的新方法.该方法采用高速摄影系统获取水平管道内气-液两相流的流动图像,经过处理,对图像进行多分辨率分析,提取小波包变换系数的信息熵特征,用主成分分析法降低特征维数构成特征矢量,作为流型样本对遗传神经网络进行训练,实现了对流动图像的流型智能化识别.结果表明:图像小波包信息熵特征可以很好地反映各流型之间的差异;遗传神经网络结合遗传算法和BP算法各自优点,具有收敛速度快、不易陷入局部极小的特性,网络识别率为100%.     

一种基于BP神经网络的γ能谱识别方法

从军控现场核查过程中敏感信息保护的目的出发,对利用BP神经网络技术通过γ能谱识别核部件类型的方法进行了初步研究.实验时识别正确率达到98%以上,说明利用神经网络技术识别核部件是一种切实可行的方法.     

无源γ能谱法测定废包壳中残留铀方法研究

叙述了一种用于动力堆乏燃料后处理厂首端，测定浸取过的废包壳中残留铀的方法－无源γ能谱法。设计了一种点阵式源项可变模拟废包壳篮。按燃耗３３０００ ＭＷｄ／Ｔ（Ｕ），冷却时间３ａ，残留铀量为原始乏燃料０．２％的条件，对废包壳中存在的实际裂变产物γ放射性活度制作了一套模拟源项。在热室中定量测定了局部源项集中、存在格架碎块、以及基质平均密度变化４６．１％的多种情况下的γ射线脉冲高度谱。各种实验方案结果表明     

一种新的γ能谱型放射性检测仪

介绍了自行研制成功的既可用于建筑材料和环境空气放射性检测 ,又可以进行现场石材勘探、评价 ,还可用于核设施周围环境以及事故发生情况下γ剂量进行监测的放射性检测仪。该仪器以AT89C5 2单片机作为控制核心 ,选用φ5 0 mm× 5 0 mm Na I(Tl)闪烁计数器配 GDB4 4光电倍增管作为γ射线探测器 ,可连续进行 2 5 6点的全谱测量工作。     

一种γ能谱光滑效果评价方法

在γ能谱数据处理中需要对测量能谱进行光滑以降低统计涨落。实际应用中,针对不同的γ能谱,需要对各种能谱光滑算法的光滑效果进行科学的比较和评价,选择最佳的能谱光滑算法及最佳光滑参数。文章从γ能谱计数的统计涨落规律出发,提出了一种评价能谱光滑算法效果的方法,给出了评价参数,并计算了光滑效果的等效测量时间。根据实验测量的γ能谱数据,采用5点三次多项式拟合最小二乘法对不同光滑次数的光滑效果进行了对比,优选了光滑算法的光滑次数参数,并给出了等效测量时间,提高了谱数据处理的精度和准确度。     

一种自适应的γ射线能谱数据平滑方法

分别采用自适应小波方法和传统的多项式拟合移动平滑方法平滑γ射线能谱,在此基础上,计算^60Co刻度源1332keV峰的半高宽和^238U的活度。结果表明：采用自适应小波方法平滑后的计算结果优于传统方法的结果。     

利用小波滤波方法对γ能谱进行处理

最小二乘平滑滤波是目前用来对带有统计涨落的γ能谱进行处理的主要方法,这种方法可以很好地去除γ能谱中的统计涨落。它的缺点是有可能使γ能谱的形状发生畸变。本文应用小波滤波对复杂的γ能谱进行滤波处理。由于小波变换的多分辨率特性,使得滤波既做到了对能谱统计涨落的消除,又保持了γ能谱的形状。     

小波变换与傅立叶变换在γ能谱降噪处理中的比较研究

介绍了小波变换与傅立叶变换的基本原理,对γ能谱降噪引入了小波变换方法并将其与傅立叶变换方法做了比较,针对^60Co的γ能谱分别用小波变换方法和傅立叶变换方法进行了噪声消除。MATLAB语言仿真结果表明,基于小波变换的降噪方法与传统的傅里叶变换方法相比具有较高的精度,应用于γ能谱降噪是非常理想的。     

一种自适应维纳滤波器在γ能谱降噪中的应用

面向便携式γ能谱探测仪开发了一种基于自适应维纳滤波器的降噪算法,相较于五点三阶滤波和重心法为代表的传统γ能谱降噪算法,该算法采用局部估计的方差值作为局部细节的度量方式实现了降噪算法的自适应调节。经仿真信号与实测数据验证,基于自适应维纳滤波器的降噪算法相较于五点三阶滤波和重心法,在保留γ能谱特征信息的前提下具有运行速度快、降噪效果好且不失真的优势,在便携式γ能谱探测仪的能谱降噪处理中具有一定的应用潜力。     

γ能谱法测量分析废包壳中铀和钚含量技术研究

核电站运行产生的乏燃料,在进行水法后处理时,通过剪切、溶解、共去污、分离、纯化等工序提取其中的铀、钚及其他核素。乏燃料组件经剪切溶解后,溶解液进入后续化工工艺进行处理,燃料元件棒的包壳则保留在溶解器中,称为废包壳,其是水法后处理工艺高放废物的主要来源之一,因设施运行中核材料生产过程的衡算与控制要求,以及废物处理处置的技术需要,需分析其中的铀和钚的含量。本文建立了γ能谱法间接分析废包壳中铀钚含量的方法,采用分段扫描的方式对包壳桶进行分层测量,分析了每层废包壳中¹³⁷Cs的含量,再利用经燃耗模型计算所得的¹³⁷Cs与核材料含量的比值,间接获得了铀和钚含量。该方法充分利用了核材料裂变的物理规律,建立了典型裂变产物与铀和钚含量之间的关系,并通过分段测量分析获得基础数据后间接获得铀和钚的含量,在废包壳测量分析、乏燃料组件燃耗测量分析中均可应用,可为设施运行、核材料衡算、废物管理等提供技术支撑。     

基于概率神经网络的放射性核素快速识别方法研究

针对传统神经网络在核素识别中训练效果弱,易陷入局部极小、收敛速度慢等问题,提出了基于概率神经网络的核素识别方法,采用样本的先验概率和最优判定原则对新的样本进行分类。该方法利用能谱预处理过程获得的谱峰宽度、特征能量射线强度、峰面积等特征信息建立训练与测试样本,采用训练样本对概率神经网络模型进行训练,并进行了分类识别仿真实验。通过CZD探测器对3种核素不同组合的实测能谱进行测试,并与传统的神经网络算法进行对比表明:此方法具有较高的识别效率及准确率,可应用于安全监控、失控放射物探测等快速核素识别领域。     

基于FPGA的卷积神经网络核素识别硬件加速方法研究

核素识别是核探测领域研究的关键技术之一,传统基于能谱解谱算法的核素识别仪器,实时性差,功耗较高,限制了实际应用中的识别效率,为了加快对放射性核素定性分析,本文提出了一种基于FPGA的卷积神经网络核素识别硬件加速方法。提出了一种用于核素分类的轻量型一维卷积神经网络模型,再根据模型卷积层、池化层和全连接层的运算特点,利用并行流水线和加法树等硬件加速策略,将模型部署在Xilinx ZYNQ7020异构芯片中。实验结果表明,在FPGA中,测试集平均识别精度达到98.41%,单次识别耗时1.57 ms,与桌面端CPU相比,该硬件加速方法实现了64倍加速效果,功耗仅为2.115 W。在实际测试实验中,¹³⁷Cs单源识别精度为98%,¹³⁷Cs与⁶⁰Co混合源识别精度达到98.17%。该硬件加速方案满足低延时、低功耗等要求,适合于现场快速核素检测的场景,对便携式核素识别仪器开发具有重要的参考价值。     

天然γ—γ能谱测量的理论及其初步应用

从理论上对建立在全谱测量基础上的天然γ－γ能谱测量技术进行了较为详尽的分析。模型实验及野外现场试验表明，这一测量技术不仅可以测定Ｕ、Ｔｈ、Ｋ的含量，还可给出有关岩性参数。该方法使用方便、工作安全，是一种切实可行的地面放射性测量方法。     

基于模拟退火算法的γ能谱全谱定量分析

根据γ能谱仪系统的线性叠加性,提出一种基于全局优化算法一模拟退火算法的γ能谱全谱定量分析方法.通过引入谱漂移校正参数,实现了谱漂移的软件校正.对模拟γ能谱的分析误差小于2％.对标准环境样品中226Ra、232Th及40K的分析误差均小于10％.对方法的定量分析下限和能量分辨率进行了深入研究.结果表明,该方法具有较低的定...