基于GAF-CNN的n_γ甄别方法研究.pdf
《基于GAF-CNN的n_γ甄别方法研究.pdf》由会员分享,可在线阅读,更多相关《基于GAF-CNN的n_γ甄别方法研究.pdf(10页珍藏版)》请在咨信网上搜索。
1、第58 卷第2 期2024年2 月原子能科学技术Atomic Energy Science and TechnologyVol.58,No.2Feb.2024基于GAF-CNN的n/甄别方法研究黄坤翔1-2,张江梅2 *,王嘉麒1-2,苏覃1(1.西南科技大学信息工程学院,四川绵阳6 2 10 0 0;2.西南科技大学核废物与环境安全国防重点学科实验室,四川绵阳6 2 10 0 0)摘要:中子探测是核能开发领域的重要技术,由于中子闪烁体探测器往往会对中子和射线同时响应,因此有效分辨中子和射线是实现高精度中子探测的先决条件。为进一步提升n/甄别性能,本文结合脉冲形状甄别(PSD)技术和格拉姆角场
2、(GAF)图像转换方法,将卷积神经网络(CNN)分类模型应用到n/甄别中。通过GAF将n/脉冲数据转化为二维图像,之后将其输入到CNN分类模型中达到样本辨别的目的。为验证 GAF-CNN 甄别的准确性,与传统 CNN 甄别法和电荷比较法进行了甄别效果对比。结果表明,GAF-CNN甄别法具有更低的辨别误差率和较短的处理时间,且n/甄别品质因子(FOM)有着数量级上的提升。同时其具备网络轻量化的特点,有助于实现CNNPSD算法的嵌人式部署,为研制高性能n/复合探测能谱仪提供了一种可行的PSD技术解决方案。关键词:n/甄别;脉冲形状甄别;格拉姆角场;卷积神经网络;电荷比较法中图分类号:TL812.1
3、doi:10.7538/yzk.2023.youxian.0398Study on n/Discrimination Method Based on GAF-CNNHUANG Kunxiang*2,ZHANG Jiangmei?*,WANG Jiaqi-2,SU Qin(l.College of Information Engineering,Southwest Universityof Science and Technology,Mianyang 621000,China;2.Laboratory of National Defense Key Discipline of Nuclear
4、Waste and Environmental Safety,Southwest University of Science and Technology,Mianyang 621000,China)Abstract:Neutron detection is an important technology in the field of nuclear energydevelopment and is involved in many research and application areas,such as particlephysics,material science,cosmic r
5、ay detection and even environmental monitoring,oilwell detection and nuclear medicine,etc.Since neutron scintillator detectors oftenrespond to both neutron and-ray,effective discrimination between neutron and-ray isa prerequisite for high-precision neutron detection.In order to further explore way t
6、oenhance the performance of n/discrimination,this paper combined the pulse shape dis-crimination(PSD)technique and the Gramian angular field(GAF)image transformationmethod,and applied the convolutional neural network(CNN)classification model to then/discrimination work.The 239 Pu-Be neutron source a
7、nd the Cs2 LiYCl:Ce3+(CLYC)文献标志码:A文章编号:10 0 0-6 931(2 0 2 4)0 2-0 46 1-10收稿日期:2 0 2 3-0 6-0 3;修回日期:2 0 2 3-0 8-16基金项目:国防科工局基础科研项目(JCKY2020404C004,JCK Y2 0 2 2 40 4C0 0 5);四川省自然科学基金(2 0 2 2 NSFSC0044)*通信作者:张江梅462detector were used to set up an experimental platform for the n/hybrid radiation field,an
8、d 20 000 original pulsed one-dimensional sequence samples were acquired through theTektronix model DPO4034 oscilloscope.In the experiment,the charge comparisonmethod was adopted to discriminate the original samples,and the discrimination resultscan be used to produce the labels of the dataset used i
9、n the GAF-CNN method and forthe final comparison of the discriminative performance of the various methods.Due tothe excellent performance of the CLYC detector,the discrimination effect of the chargecomparison method is good,which ensures that the labeling of the dataset can be pro-duced with high ac
10、curacy,and after the best performance of the charge comparisonmethod has been achieved through the optimization of the window,the gap between theupper limit of the performance of the traditional method and the neural network methodcan be clearly found.The GAF-CNN discrimination method transformed th
11、e n/pulsedata into a two-dimensional image through the GAF,after which the image was fed intothe CNN classification model for sample discrimination,which transformed the n/dis-crimination problem into a simple image binary classification problem.Since the nuclearpulse signal is a typical time series
12、,the use of GAF can retain the time domain featuresof the nuclear pulse in a more complete way,and the convolution operation of the CNNcan utilize the frequency domain features,so the GAF-CNN is a kind of discriminationmethod that can utilize the time-frequency features at the same time.In order to
13、verifythe accuracy of GAF-CNN discrimination,the discrimination effect was compared withthe traditional CNN discrimination method and the charge comparison method,wherethe traditional CNN discrimination method refers to the method of simply collapsing thepulsed one-dimensional sample sequences into
14、a two-dimensional matrix and inputting itto the CNN for sample identification.The results show that the GAF-CNN discrimina-tion method has a lower discrimination error rate and shorter processing time,and thefigure of merit(FOM)of n/discrimination has an order of magnitude improvement.Meanwhile,it h
15、as the characteristics of network lightweight,which helps to realize theembedded deployment of convolutional neural network PSD algorithm,and provides afeasible PSD technology solution for the development of high-performance n/compos-ite detection spectrometer.Key words:n/discrimination;pulse shape
16、discrimination;Gramian angular field;con-volutional neural network;charge comparison method中子探测在许多研究和应用领域均有涉及,如粒子物理学、材料科学、宇宙射线探测乃至环境监测、油井探测与核医学等 1-2 。由于中子与周围环境存在非弹性散射及慢中子的辐射俘获等作用 3,使得中子射线的产生通常伴随着大量不易被物理屏蔽的光子,而射线不仅对人体的危害程度大,同时也会与中子同时作用于闪烁体探测器,进而影响对中子射线的探测效果。因此,不论是对于辐射防护还是对于提高中子探测精度,研究在n/混合辐射场原子能科学技术第
17、58 卷中实现n/有效甄别均有着重大的意义。中子和射线依据其脉冲衰减时间不同,一般使用脉冲形状甄别(PSD)方法进行区分,其主要可以划分为时域分析法、频域分析法和机器学习法3大类。时域分析法中最为经典的甄别方法有电荷比较法 4、上升时间法 5、过零时间法 6 和脉冲梯度法 7 14种,虽然这些方法已能满足大部分工程需求,但对噪声十分敏感且只能提取单一的时域特征。频域分析法中常见的有频率梯度分析法 8 和小波分析法 91等,它们抗干扰第2 期能力强,但对硬件采样性能要求较高且也仅能提取频域特征。机器学习法是近年来新兴的方法,以聚类法 10 1 和人工神经网络法 11 为代表,其中后者是探索PSD
18、极致性能的重要技术手段,目前应用在n/甄别的主流网络有BPNN和卷积神经网络(CNN)两种。宋海声等 12 利用电荷比较法与频率梯度分析法选取学习样本,通过BP神经网络对样本进行训练后完成n/甄别工作。Griffiths 等 13 开展了使用一维 CNN架构进行PSD方法研究,结果表明比传统方法效果更好。Lu等 14 设计了一种基于二维矩阵格式输入的CNNPSD方法,其甄别性能优于电荷比较法和使用一维格式的CNN方法。然而,目前几乎没有一种人工神经网络甄别法本身具备同时保留核脉冲时域和频域特征的能力。本文受文献15启发并参考格拉姆角场(GAF)在其他信号识别领域 16 中对时间序列二维化的应用
19、,提出一种基于GAF-CNN的n/甄别方法,既能有效保留核脉冲的时域特征,也能通过CNN将频域特征利用起来。1实验平台搭建与数据获取数据采集实验平台系统结构如图1所示,使用2 39 Pu-Be作为中子源为探测器提供n/混合辐射场;探测器是由北京玻璃研究院生产的尺寸为 1.4 cm X 2.6 cm 的 Cs2 LiYCls:Ce3+(CLYC)闪烁体晶体和日本滨松公司生产的R2076光电倍增管(PMT)组成,高压偏置电源为光电倍增管提供一1kV的增益电源;使用型号为泰克DPO4034的数字示波器以2 GS/s的采样率对辐射脉冲波形进行采集,通过USB总线传输到计算机进行脉冲数据样本的存储;采集
20、获取了n/总计2 0 0 0 0 个脉冲样本,每个脉冲样本均为10 0 0 0 X1的一维序列。黄坤翔等:基于GAF-CNN的n/甄别方法研究4632村格拉姆角场和CNN分类器原理2.1木格拉姆角场格拉姆角场 17 是将一维时间序列转化成二维图像的方法,该方法将原本定义在典型笛卡尔坐标系下的时间序列在极坐标系下重新进行表示。通过GAF图像转换过程,可将时间序列的本质特征完整的转化到图像当中,由于n/脉冲样本是典型的时间序列,因此考虑使用GAF来最大程度地保留n/甄别所需的脉冲时域特征,具体转化过程如下。对于一个给定的一维核脉冲样本数据向量D=di,d 2,,d.),其由n个按时间顺序测量的实测
21、值组成,使用式(1)将该样本数据归一化到 一1,1 区间:a.=(d.-max(D)+(dl二 min(D)max(D)一min(D)式中:d;为原一维核脉冲样本数据的第i个实测值;d,为归一化后核脉冲数据的第i个元素值。通过式(2)将d,编码为余弦角,并将时间戳t编码为半径r,以进行极坐标表示:(=arccos(a)-1a,1,d;E D=ttiEN式中:D为归一化后的核脉冲数据向量;t;为数据序列第i个元素所对应的时间戳;N为时间戳的最大范围。经过式(2)表示后的极坐标编码具有唯一性和时间相关性这两个重要的性质,因此它可以在 0,元角度范围内随着时间戳变化映射为一个随角度变化弯曲的唯一极坐
22、标曲线,且该曲线相对于笛卡尔坐标系下的原始脉冲序列保留了数据间绝对的时间关系。使用Gram矩阵G来量化编码后数据间的特征相关性,其定义为:(1)(2)CLYC晶体中子源光电倍增管图1数据采集实验平台系统结构Fig.1System structureof data acquisition experiment platform高压偏置电源USB数字示波器计算机G=:(Xn,Xi)为消除原始时间序列中高斯噪声对编码后图像质量的影响,需将Gram矩阵中的内积改写为带有惩罚项的形式:=xy一V1-xV1-y。在完成原核脉冲数据到极:(3)464坐标系的映射后,通过Gram矩阵结合所有极坐标数据点之间的
23、和角余弦,能获取不同时间点所测量数据间的时间相关性。因此GAF定义为:cos(di+d)cos(p2+d)G=:cos(d,+d)D.D-VI-D?.VI-D?式中:(i=1,,n)为第i个极坐标点的编码夹角;n为核脉冲数据的长度;I为长度为n的单位行向量。GAF保持高时间依赖性和时间相关性,其对角线随时间增加而自左上角到右下角递进,同时保留了一维核脉冲序列的值与基于时间的位置信息,为神经网络模型学习到高层次脉冲形状特征提供了基础。以一个中子脉冲样本为例,图2 为核脉冲的 GAF转化过程。0.50元0.75元,1.00元1.25元1.0F孔0.50.0F-0.5F-1.0日J020406080
24、100采样点图2 核脉冲的GAF转化过程Fig.2Conversion process of nuclear pulse to GAF2.2CNN分类器典型的CNN分类器由卷积层、池化层、全连接层及逻辑激活输出层等部分组成 18 。卷积层通过一组可学习参数的滤波器在输人数据上进行滑动卷积操作,这些滤波器也被称为卷积核,它可将如图像等输入数据转换为多个特征映射,从而实现不同局部特征的提取过程,卷积一般计算过程如式(5)所示。y=(22am:w+6)i=1j=1原子能科学技术第58 卷式中:y为输出的特征映射;o为非线性激活函数;ci-r.j-为第i一r行第j一c列的输入数据,其中r和c表示卷积核
25、的中心位置,具体取决于卷积核的大小与卷积的步长,通常为奇数;cos(di+,)Wi.,为卷积核第i行第j列的权重,为可学习的cos(2+,)参数;b为偏置项;n为输人数据的维度。一:cos(,+中,)0.25元0.00元820.40.60.81.50元1池化层是一种下采样操作,通常与卷积层成对使用,它可以减小卷积层输出的大量特征图的空间维度,同时保留重要的特征信息。池(4)化层常用的是最大池化和平均池化两种方式,前者选择窗口内的最大值作为输出,后者选择窗口内的平均值作为输出,基于n/核脉冲由于信号微弱从而易受耦合噪声扰动的特点,本文采用最大池化操作如式(6)所示。yi.j,k=max(aipi
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 GAF CNN n_ 甄别 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。