基于深度学习模型的伽马能谱解析方法

为提高伽马能谱解析精度,建立专用深度学习模型,含12个残差卷积模块、51个神经网络层、超10⁷个参数;独特设计模型输出,使其直接预测核素出射谱,突破对预设核素库的依赖。选择自建全身计数器测量人体放射性作为实验场景,基于蒙特卡罗模拟构造了数据集,测试实验表明,深度学习模型核素识别率93.3%、活度计算平均误差8.6%,相较峰分析法的62.3%、28.3%,能谱重建法的78.2%、18.7%,浅层ANN模型的81.3%、14.8%,优势明显。实测实验进一步验证了上述结论。所建立方法借助深度学习的多层次特征提取能力与高数值稳定性,实现了全谱信息与伽马射线能量、数量间的复杂映射,具备高准确性、通用性,未来可为多种应用提供技术基础。