论文部分内容阅读
γ能谱是能谱仪探测γ射线所得到的直观结果,获取被测γ射线能量与强度主要通过γ能谱分析,而传统能谱分析方法中存在的自适应性差,精度低等缺陷。本文通过分析γ能谱分析方法发展现状、γ射线的探测原理、γ能谱的特征和支持向量机(SVM)的基础理论,提出将最小二乘支持向量机(LS-SVM)应用于γ能谱平滑与寻峰,旨在研究出一种具有强自适应性与泛化能力且精度高的能谱分析方法,实验内容与结论如下:(1)以γ能谱全谱数据作为训练集,并根据γ能谱数据的分布特征,选择RBF核函数建立LS-SVM全谱回归模型。使用留一验证法对惩罚因子与RBF核函数参数进行寻优。降低了模型的复杂度,并确保模型学习的准确性。使用LS-SVM全谱回归模型对γ能谱进行平滑处理,处理结果表明LS-SVM全谱回归拟合平滑法能够有效消除噪声,且峰形未发生畸变,60Co能谱平滑结果的D(V)值为0.1105,平均峰偏为0.28个道址。(2)针对LS-SVM全谱回归拟合平滑法在航空γ能谱平滑上无法消除噪声的问题,提出基于能窗分布的复合式LS-SVM分段回归拟合法,该方法将航空γ能谱按道址(1~34),(34~114),(114~256)分为三能段,将三段分别进行回归拟合处理,并结合加权叠加法,平滑分段处的数据断层,平滑结果表明改进后的LS-SVM分段回归拟合平滑法能够能够消除航空γ能谱上的噪声,峰形拟合较好,克服了LS-SVM全谱回归拟合平滑法在航空γ能谱应用上的缺点,平滑结果的D(V)值为0.0652。(3)使用能谱一阶导数确定所有可能存在峰的道址,提取这些道址对应的峰特征数据,并依据传统寻峰方法的峰判定条件对特征数据进行变换。分析新的特征数据分布,筛选出可作为峰判定条件的参数,经过归一化处理后作为训练集建立LS-S VM峰存在判定分类模型,测试结果表明基于LS-SVM分类机的峰判定方法能够准确寻出峰位,出现假峰概率为1.2%,漏峰概率为0。实验表明,LS-SVM算法在γ能谱平滑与寻峰上取得较好的结果,且具有强自适应性与泛化能力等优点。