论文部分内容阅读
随着核技术的发展和广泛应用,γ能谱分析技术在环境放射性研究、核物理研究、地质勘探等方面发挥着巨大的作用,这对国家安全、社会稳定有重大意义。γ能谱分析技术主要是根据分析γ能谱数据识别来核素种类,分析核素放射性活度。核技术从特殊领域应用到如今在医疗、工业、交通等领域的广泛应用,使更加高效准确地进行核素识别成为必要需求。其中NaI探测器凭借自身的低价格和高探测效率等优点,成为目前最广泛应用的探测器。但是,该类型的探测器能量分辨率低、对弱峰识别能力较差,并且难以区分特征峰相近的核素造成的能谱叠加情况。针对传统核素识别方法对NaI探测器生成的复杂γ能谱分析结果准确率低的问题,本文提出了一种适用于核素识别的人工神经元网络(Artificial Neural Network,ANN)方法。人工神经元网络是一种模仿生物神经元网络的结构和功能的数学模型,由人工神经元互相连接组成,能够通过已知数据进行学习和总结归纳,广泛应用于经济、信息、医学、自动化等各大领域,具有很大的发展潜力和应用市场。而卷积神经网络(Convolutional Neural Network,CNN)是一种广泛使用的深层人工神经网络形式,其局部连接、池化操作以及权值共享等特性可以有效降低网络的复杂度,减少模型参数的数目,使模型对平移、缩放和扭曲具有一定程度的不变性,具有较强的适应性,且易于训练和优化(卢宏涛等,2016)。卷积神经网络在信号和信息处理任务中的性能优于标准全连接神经网络,并改善了传统的浅层神经网络学习能力低以及梯度消失等问题。本文主要内容为,使用蒙特卡罗模拟软件MCNP5模拟NaI探测器对9种点状源(137Cs,241Am,60Co等)在四种不同情况下的γ能谱响应:不同点源数量(本文设定为13个数量)、不同点源组合、不同距离、不同粒子数。对模拟结果γ能谱进行分析,研究γ射线放射规律,比较分析简单谱和复杂谱,为探测γ射线和核素识别算法研究提供依据。并基于MPI进行MCNP5程序并行计算,有效提高程序计算效率,缩短计算时间。引入卷积神经网络进行γ能谱分析中的核素识别,将蒙特卡洛模拟结果的三组γ能谱数据分别分割为训练集和测试集,然后基于python前端的Keras深度学习库构建一维卷积神经网络,该神经网络由一系列卷积层(包含池化)和全连接层构成,卷积层用作特征提取,全连接层作为分类器,其中最后一层在执行多分类任务时激活函数使用softmax函数,执行多标签任务时使用sigmoid型函数,并采用dropout降低过拟合的风险。对输入数据进行归一化处理,将标签转化为独热码,然后输入网络进行GPU加速训练,大幅减少训练时间,有效缩短模型超参数调试周期。研究结果表明,对γ能谱进行分析,针对13个点源的不同情况进行识别率分析,识别率为100%,比较分析不同平滑程度γ能谱的核素识别率,结果表明对于更粗糙的γ能谱识别率为98.9%;探究卷积神经网络对多种情况的泛化性能,结果表明卷积神经网络泛化性能较好。