声明
1 绪论
1.1 课题背景及研究的目的与意义
1.2 国内外研究现状
1.2.1 传统核素识别方法
1.2.2 新兴核素识别方法
1.2.3 深度学习方法
1.3 课题主要研究内容及创新点
1.3.1 论文研究内容
1.3.2 论文创新点
1.4 论文章节安排
2 卷积神经网络相关理论
2.1 深度神经网络
2.2 卷积神经网络介绍
2.2.1 卷积神经网络理论模型
2.2.2 模型基本结构
2.2.3 训练策略和优化算法
2.3 特征可视化和相关性计算
2.3.1 特征可视化
2.3.2 特征相关性计算
2.4 实验平台
2.4.1 实验学习平台
2.4.2 实验框架
2.5 本章小结
3 深度卷积神经网络在核素识别中的应用
3.1 核素能谱获取
(一)Geant4仿真核素能谱
(二)实测核素能谱的获取
(三)实验数据集
3.2 能谱逐段归一化
3.3 卷积神经网络核素识别模型
3.4 实验结果与分析
3.5 本章小结
4 基于不同维度DCNN的核素能谱特征提取
4.1 基于一维卷积神经网络的核素能谱特征提取
4.1.1 一维卷积神经网络特征提取
4.1.2 一维网络特征可视化
4.2 基于二维卷积神经网络的核素能谱特征提取
4.2.1 二维卷积神经网络特征提取
4.2.2 二维网络特征可视化
4.3 实验结果与分析
4.4 本章小结
5 多卷积神经网络集成的核素识别系统
5.1 集成学习
5.1.1 集成学习简介
5.1.2 核素能谱集成分类的优势
5.2 基于集成学习的深度卷积神经网络核素识别系统
5.2.1 特征级集成核素识别系统
5.2.2 分类器级集成核素识别系统
5.3 实验结果与分析
5.3.1 特征级数据集成识别
5.3.2 分类器级数据集成识别
5.3.3 兼顾多特征和多分类器集成的核素识别实验
5.4 本章小结
6 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读学位期间取得的研究成果
西南科技大学;