基于人工神经网络的核材料γ能谱指纹识别

论文摘要

随着核能应用及核技术的发展,潜在的核危险随之增加,这一问题已经引起全球公众的广泛关注。辐射测量技术在核安全保障中起着重要的作用。例如,在涉及核弹头不可逆销毁过程的核裁军核查中,辐射指纹可用来标识和鉴别裁减下来的核弹头。又如,辐射测量技术亦可应用于核材料及核设施的安全监测,等等。因此,研究γ辐射指纹识别技术具有重要的实际意义。每种放射性核素都有自己唯一的γ能谱,而不同放射性核素的γ能谱的特征各不相同。因此,可以把γ能谱定义核材料的“γ能谱指纹”。γ能谱指纹可利用γ能谱仪采集,并通过相关的数值分析技术进行分析。常规的γ能谱分析方法是以全能峰为研究对象,通过确定其峰位及峰面积实现对核材料的定性和定量分析。随着核技术及其应用的发展,产生了基于蒙特卡罗模拟技术的解谱方法,并得到了广泛的应用。随着核裁军中核武器核查的需要,自20世纪90年代起,俄美等国又研究开发了区分判别核武器类型的模板测量技术。本文从γ射线探测基本原理及γ能谱形成机制入手,介绍了核材料γ能谱“指纹”的概念。根据人工智能中的模式识别思想,给出了基于BP和径向基(radial basis function, RBF)人工神经网络的核材料类型识别和个体识别技术,并对两种网络进行了比较。同时,对探测距离、测量系统统计涨落等因素对识别结果的影响进行了研究和探讨。研究结果表明,BP神经网络具有一定的类型识别能力,而RBF神经网络则同时具有较强的类型识别能力和个体识别能力,而且还具有较高的识别速度。基于人工神经网络的核材料识别技术可应用于核安全保障领域。

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 放射性核素能谱“指纹”
• 1.2 γ能谱指纹识别的历史背景及意义
• 第2章 γ射线的产生及探测原理
• 2.1 γ射线的产生及其性质
• 2.2 γ射线与物质的相互作用
• 2.2.1 光电效应
• 2.2.2 康普顿效应
• 2.2.3 电子对效应
• 2.3 γ能谱仪简介
• 2.3.1 工作原理
• 2.3.2 γ能谱形成机制
• 第三章 γ能谱指纹识别方法
• 3.1 γ能谱特征γ射线全能峰分析
• 3.1.1 γ能谱定性分析
• 3.1.2 γ能谱定量分析
• 3.2 基于蒙特卡罗模拟技术的γ能谱分析
• 3.3 基于模板测量技术的γ能谱指纹识别
• 第四章 神经网络γ能谱指纹识别
• 4.1 神经网络的发展及其特点
• 4.2 常用神经网络介绍
• 4.3 神经网络γ射线能谱指纹的识别机理
• 4.4 RBF 和BP 神经网络工作原理介绍
• 4.4.1 RBF 神经网络
• 4.4.2 BP 神经网络
• 4.5 γ能谱预处理
• 4.5.1 原始数据的平滑处理
• 4.5.2 峰位漂移校正
• 4.5.3 扣除本底
• 4.6 谱数据特征提取
• 4.6.1 小波变换简介
• 4.6.2 利用小波变换特征提取
• 4.7 基于 RBF 神经网络的核材料γ能谱指纹识别
• 4.7.1 类型识别
• 4.7.1.1 识别原理
• 4.7.1.2 识别结果及其分析
• 4.7.2 个体识别
• 4.7.2.1 个体识别结果及其分析
• 4.7.2.2 系统统计涨落对识别结果的影响
• 4.7.2.3 探测距离对识别结果的影响
• 4.7.2.4 封装材料厚度不同的个体识别
• 4.8 基于 BP 神经网络的核材料γ能谱指纹识别
• 4.8.1 识别原理
• 4.8.2 识别结果及其分析
• 4.9 BP 和RBF 神经网络识别结果比较
• 第五章 结束语
• 参考文献
• 致谢