基于深度卷积神经网络的核素能谱特征提取及识别研究

摘要

放射性核素能谱识别技术在放射性材料运输安全检查检测、核废物分拣以及核救援应急探测等领域中有着广泛地应用。传统核素识别方法通常分为数据处理、特征提取及分类识别三个步骤，受环境本底噪声和探测器能量分辨率的影响，复杂噪声环境下短时测量的能谱质量较差，识别难度较大。因此研究复杂背景噪声下核素识别理论与技术有着重要的理论价值和现实意义。本文聚焦于基于深度卷积神经网络的能谱特征提取与核素识别方法研究，利用深度神经网络自主提取二维核素能谱矩阵特征，用以表征核素能谱，达到提高识别精度的目的。本文的主要研究内容包括以下几个方面：　　1）研究基于深度卷积神经网络的能谱特征提取方法。通过对一维能谱信号进行空间映射，获取二维能谱图像（二维矩阵），并构建多层卷积神经网络核素识别模型，自适应、隐式地提取能谱数据深层抽象表征。构建基于不同维度深度卷积神经网络的能谱特征提取模型，对一维波形能谱和二维能谱图像进行特征提取、分类识别，并和传统的特征提取方法进行识别对比实验，结果表明了本文所提出的基于卷积神经网络的核素能谱特征提取方法的有效性。　　2）研究卷积神经网络方法在核素识别中的应用。通过搭建深度神经网络模型，利用已经获取的核素特征向量进行模型参数训练，形成线上训练与线下识别结合的核素分类模型。为了验证所提方法的有效性，在Geant4模拟数据和真实放射源实测数据上分别进行了实验，实验结果表明了所提方法的可行性和有效性。　　3）研究基于多特征融合和多分类器融合的深度卷积神经网络核素识别系统。针对多组深度卷积神经网络模型，分别从特征提取层和分类决策层进行信息集成，构建核素识别集成系统。多组实测实验结果表明，与其他传统分类算法和单一卷积网络识别方法相比，该类集成识别系统在测试样本集的识别效果最优。　　本文总体研究了基于深度卷积神经网络的核素能谱特征提取及识别方法，实验结果表明，所提出的方法可以有效提高核素识别正确率。

目录

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