LS-SVM在γ能谱分析中的应用研究

摘要

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。

目录

声明

第一章引言

1.1γ能谱分析的意义

1.2γ能谱分析中存在的困难

1.3γ能谱分析方法研究现状

1.4论文的主要研究内容

1.5论文组织结构

第二章γ能谱探测原理概述

2.1γ射线与物质的相互作用

2.2γ能谱仪探测原理

2.3γ能谱特征

2.4本章小结

第三章支持向量机基础理论

3.1统计学习理论

3.2线性支持向量分类机

3.3线性支持向量回归机

3.4核函数与非线性支持向量机

3.5最小二乘支持向量机

3.6本章小结

第四章LS-SVM在γ能谱平滑中的应用

4.1多项式最小二乘移动平滑法

4.2 LS-SVM回归拟合降噪

4.3 LS-SVM分段回归拟合法在航空γ能谱上的应用

4.4本章小结

第五章LS-SVM在γ能谱定性分析中的应用

5.1传统寻峰方法介绍

5.2基于LS-SVM分类机的峰存在判别方法

5.3本章小结

第6章结论

6.1结论

6.2研究存在问题与下一步工作展望

致谢

参考文献