基于MLP模型的中子-伽马甄别方法

基于mlp模型的中子-伽马甄别方法
技术领域
1.本发明涉及混合辐射场脉冲数据技术领域，具体地讲，是涉及一种基于mlp模型的中子-伽马甄别方法。


背景技术：

2.自1932年被查德威克发现中子以来，中子探测技术有了长足的进步，近年来对中子探测的需求显著增加，使得中子探测技术在许多领域变得至关重要，例如放射性药物、核反应堆、国家安全、气象学、地质学、航天学。在中子探测实验中，中子辐射一般伴有伽马辐射，伽马射线主要由天然放射性、中子源自身、中子的非弹性散射、慢中子的辐射俘获等相互作用所产生。由于大多数的中子探测器对γ射线也有反应，γ射线的存在会对后续分析处理带来干扰。因此，开展中子/伽马甄别方法研究在中子探测中显得至关重要。
3.因为γ射线主要通过与探测器中电子的康普顿散射相互作用在探测器中沉积能量，而中子主要通过与探测器中氢原子核的弹性散射沉积大部分能量；由于快中子产生的散射质子具有高浓度的三重态，其通过延迟荧光衰变，而由γ射线产生的散射电子更有可能产生激发的单重态，通过快速荧光衰变，导致中子比γ射线具有高比例的慢速荧光成分：这种差异是中子和射线之间脉冲形状区分的基础。
4.近年来，随着人工智能的快速发展，许多研究者将机器学习或神经网络等方法与脉冲形状甄别相结合，取得了良好的甄别效果。e.doucet.(2018)提出无监督机器学习技术(k-means++算法)能够分离clyc闪烁体中的中子和伽马射线，并为电荷比较方法提出合理的窗口参数。fu et al.(2018)利用全连接神经网络和递归神经神经网络实现了中子伽马脉冲堆积重建，并在此基础上测试了基于神经网络的中子伽马甄别能力。gelfusa et al.(2020)将支持向量机和高斯混合模型应到到中子-伽马甄别中，并取得了较好的甄别效果。lufengliu(2022)提出kpca
–
gmm-ann组合算法的中子-伽马判别算法，能够处理高维数据，具有良好的泛化能力。
5.一般来说，由于人工智能方法对脉冲信号内部动态信息的获取能力较好，因此在甄别性能上往往优于时域和频域方法，但由于需要繁琐的矩阵计算和训练模型，智能方法通常耗时较长。随着psd技术的快速发展，对其精度的要求也随之提高，liu等人在2021年提出一种基于脉冲耦合神经网络的甄别方法，该方法对脉冲信号的动态信息特别敏感，能够与时域甄别方法在耗时相同的条件下，表现优异的甄别效果，充分的证明了脉冲耦合神经网络模型在中子-伽马甄别领域具有显著成效。然而，该方法也有一个明显的缺点，就是需要通过手动设置的参数数量过多，严重阻碍了算法的广泛应用；并且其对信号的处理效率较低，需要较长的时间来提取信号中的有用信息。


技术实现要素：

6.针对上述现有技术中的上述问题，本发明提供一种实现简单、计算高效的基于mlp模型的中子-伽马甄别方法，利用mlp模型及adam优化器提取导入的中子-伽马脉冲信号的
特征信息，获得服从相似分布的特征向量来作为甄别因子计算fom值，实现对中子伽马脉冲数据的甄别。
7.为了实现上述目的，本发明采用的技术方案如下：
8.一种基于mlp模型的中子-伽马甄别方法，包括以下步骤：
9.s10、获取混合辐射场的中子-伽马脉冲数据，进行滤波处理得到中子-伽马脉冲信号；
10.s20、基于中子-伽马脉冲信号建立mlp模型，该mlp模型的输入配置为单个脉冲对应500维向量，输入样本以指定标签分别标记中子和伽马射线，该mlp模型分为四层，每一层后面都接一个sigmoid激活函数，输入向量在第一层被拉伸到5120维，在第二层被压缩到1024维，在第三层被再次压缩到512维，在第四层末端有两个概率值作为代表分类结果的输出，分别对应中子和伽马射线；
11.s30、将滤波处理后的中子-伽马脉冲信号导入所述mlp模型中，采用adam优化器基于训练数据迭代更新网络权重，调整不同的学习率，对频繁变化的参数和稀疏参数采用不同的步长进行更新，得到服从相似分布的特征向量r，根据特征向量r得到中子和伽马射线的概率值，通过中子和伽马射线的概率值对中子-伽马脉冲信号进行二分类；
12.s40、将二分类的结果作为甄别因子对中子-伽马脉冲数据进行甄别。
13.具体地，所述步骤s20中输入样本将中子的标签设定为0，伽马射线的标签设定为1。
14.具体地，所述mlp模型的第n层配置参数为权值wn、输入xn、偏差bn，这一层的输出表示为：
15.y＝f(z
n-1
)＝f(wn×
xn+bn)
ꢀꢀ……
(1)
16.使用adam优化器后，权值和偏差随着损失函数的梯度每次迭代而更新，表示为：
[0017][0018][0019]
上式中，表示第n层权重矩阵第i行j列的权重，表示第n层第i个偏置，表示对损失函数求关于偏置的偏导，l(w,b)表示损失函数，ψ为学习率，表示神经网络在一段时间内的信息积累速度；
[0020]
损失函数对于每一个隐藏层梯度被定义为：
[0021][0022]
上式中，s
n+1
表示第n+1层的节点数，表示第n层神经元的输出，表示第n+1层神经元的输出，进而：
[0023][0024][0025]
上式中，xn表示第n层神经元的输出，表示第n+1层中第j个神经元的偏置，f'表示对激活函数进行求导；
[0026]
因此在式(2)和式(3)中：
[0027][0028][0029]
上式中，表示第n+1层到其自身第i个节点的梯度，用于对第n层的权值和偏差进行更新修正。
[0030]
具体地，所述步骤s10中进行滤波处理采用椭圆滤波器、移动平均滤波器或小波滤波器。
[0031]
与现有技术相比，本发明具有以下有益效果：
[0032]
本发明巧妙地采用人工神经网络中的mlp模型进行中子-伽马甄别，并且不需要对原始脉冲数据进行归一化处理，简化的数据处理过程，直接将滤波处理后的中子-伽马脉冲信号导入mlp模型中，采用adam优化器基于训练数据迭代更新网络权重，更好地提取特征信息，得到服从相似分布的特征向量，将特征向量作为甄别因子计算fom值，根据特征向量得到中子和伽马射线的概率值，并由此对中子-伽马脉冲信号进行二分类，通过二分类结果对中子伽马脉冲数据进行甄别，有效地提高了中子-伽马甄别能力，相比传统的电荷比较法进行中子-伽马甄别明显提高了性能。
附图说明
[0033]
图1为本发明-实施例的流程示意图。
[0034]
图2为本发明-实施例的mlp模型的结构示意图。
[0035]
图3为本发明-实施例中的中子-伽马原始脉冲波形图。
[0036]
图4为本发明-实施例中的中子-伽马甄别效果图。
[0037]
图5为本发明-实施例中的中子-伽马甄别fom图。
[0038]
图6为本发明-实施例中采用电荷比较法的甄别效果图。
[0039]
图7为本发明-实施例中采用电荷比较法的甄别fom图。
具体实施方式
[0040]
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
[0041]
实施例
[0042]
如图1至图5所示，该基于mlp模型的中子-伽马甄别方法，包括以下步骤：
[0043]
s10、获取混合辐射场的中子-伽马脉冲数据，进行滤波处理得到中子-伽马脉冲信号；此处滤波处理可以采用椭圆滤波器、移动平均滤波器或小波滤波器；
[0044]
s20、基于中子-伽马脉冲信号建立mlp模型，该mlp模型的输入配置为单个脉冲对应500维向量，输入样本以指定标签分别标记中子和伽马射线，其中，中子的样本标签用“0”表示，伽马射线的样本标签用“1”表示；该mlp模型分为四层，每一层后面都接一个sigmoid激活函数，输入向量在第一层被拉伸到5120维，在第二层被压缩到1024维，在第三层被再次压缩到512维，在第四层末端有两个概率值作为代表分类结果的输出，分别对应中子和伽马射线；
[0045]
s30、将滤波处理后的中子-伽马脉冲信号导入所述mlp模型中，采用adam优化器基于训练数据迭代更新网络权重，调整不同的学习率，对频繁变化的参数和稀疏参数采用不同的步长进行更新，得到服从相似分布的特征向量r，根据特征向量r得到中子和伽马射线的概率值，通过中子和伽马射线的概率值对中子-伽马脉冲信号进行二分类；
[0046]
s40、将二分类的结果作为甄别因子对中子-伽马脉冲数据进行甄别。
[0047]
具体地，所述mlp模型的第n层配置参数为权值wn、输入xn、偏差bn，这一层的输出表示为：
[0048]
y＝f(z
n-1
)＝f(wn×
xn+bn)
ꢀꢀ……
(1)
[0049]
使用adam优化器后，权值和偏差随着损失函数的梯度每次迭代而更新，表示为：
[0050][0051][0052]
上式中，表示第n层权重矩阵第i行j列的权重，表示第n层第i个偏置，表示对损失函数求关于偏置的偏导，l(w,b)表示损失函数，ψ为学习率，表示神经网络在一段时间内的信息积累速度；
[0053]
损失函数对于每一个隐藏层梯度被定义为：
[0054][0055]
上式中，s
n+1
表示第n+1层的节点数，表示第n层神经元的输出，表示第n+1层神经元的输出，进而：
positive,tp)则代表将中子分类正确，假正类(false positive，fp)表示将伽马射线分类成中子，真负类(true negative,tn)表示将伽马分类正确，假负类(false negative，fn)表示中子分类成伽马射线。
[0072]
一般采用准确率(accuracy,acc)评估模型的分类性能，只需将对角线相加再除以总样本数即可计算出准确率，如式(9)所示：
[0073][0074]
然后通过实验分析结果。通常情况下，使用神经网络模型都需要对初始样本进行归一化处理，而中子-伽马脉冲数据归一化处理后，两者的脉冲波形幅值更加接近，降低了脉冲波形的差异特征。在实验中同时测试了归一化处理对mlp模型准确率的影响，将模拟获得的中子-伽马脉冲数据和归一化处理后的数据分别输入模型，其计算出的准确率如表3所示：
[0075]
表3归一化处理准确率对比
[0076][0077]
由表3可以看出，对脉冲数据进行归一化处理，会影响mlp模型的甄别性能，并进一步分析知晓到归一化处理不但降低了mlp模型的正确率，还对模型的损失函数产生了影响，使模型不稳定且收敛速度较慢，因此本发明方法的过程中不对获取的中子-伽马脉冲数据进行归一化处理。
[0078]
采用mlp模型对测试集的6000组脉冲数据进行甄别，其中，中子为3111组，伽马射线为2889组。分别计算出两种模型对中子和伽马射线的分类正确率，具体结果如表4所示：
[0079]
表4分类准确率对比
[0080][0081]
由表4可以看出，本发明采用的mlp模型可以对测试集中的中子和伽马射线进行有效分类，并且正确率均在98％以上。
[0082]
由于采用机器学习等智能新方法无法直接计算出fom值，而在神经网络中，对同一类别的输入，神经网络会得到服从相似分布的特征向量，这些向量具有相似的方差和均值，对这些向量进行求和再除以输入向量的维度就等价于求均值。而模型倒数第二层的输出具有输入数据的较强特征。因此，将mlp模型的网络倒数第二层的特征值的和作为psd值。再结合脉冲个数和psd值的区间直方图拟合高斯分布曲线，计算出fom值为4.0299，明显高于1.27(理论fom值)，表征本发明方法能够实现良好的中子和伽马射线的甄别，如图4和图5所示。
[0083]
本实施例还采用传统的电荷比较法同样对测试集的6000组脉冲数据进行甄别，该电荷比较法的甄别效果如图6和图7所示，其fom值为1.9294。可见本发明采用mlp模型计算
出的psd分布分层更为明显，且fom值明显大于电荷比较法，表明本发明的甄别方法对中子-伽马的甄别性能优于传统的电荷比较法。
[0084]
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。

技术特征：
1.一种基于mlp模型的中子-伽马甄别方法，其特征在于，包括以下步骤：s10、获取混合辐射场的中子-伽马脉冲数据，进行滤波处理得到中子-伽马脉冲信号；s20、基于中子-伽马脉冲信号建立mlp模型，该mlp模型的输入配置为单个脉冲对应500维向量，输入样本以指定标签分别标记中子和伽马射线，该mlp模型分为四层，每一层后面都接一个sigmoid激活函数，输入向量在第一层被拉伸到5120维，在第二层被压缩到1024维，在第三层被再次压缩到512维，在第四层末端有两个概率值作为代表分类结果的输出，分别对应中子和伽马射线；s30、将滤波处理后的中子-伽马脉冲信号导入所述mlp模型中，采用adam优化器基于训练数据迭代更新网络权重，调整不同的学习率，对频繁变化的参数和稀疏参数采用不同的步长进行更新，得到服从相似分布的特征向量r，根据特征向量r得到中子和伽马射线的概率值，通过中子和伽马射线的概率值对中子-伽马脉冲信号进行二分类；s40、将二分类的结果作为甄别因子对中子-伽马脉冲数据进行甄别。2.根据权利要求1所述的基于mlp模型的中子-伽马甄别方法，其特征在于，所述步骤s20中输入样本将中子的标签设定为0，伽马射线的标签设定为1。3.根据权利要求2所述的基于mlp模型的中子-伽马甄别方法，其特征在于，所述mlp模型的第n层配置参数为权值w
n
、输入x
n
、偏差b
n
，这一层的输出表示为：y＝f(z
n-1
)＝f(w
n
×
x
n
+b
n
)
……
(1)使用adam优化器后，权值和偏差随着损失函数的梯度每次迭代而更新，表示为：使用adam优化器后，权值和偏差随着损失函数的梯度每次迭代而更新，表示为：上式中，表示第n层权重矩阵第i行j列的权重，表示第n层第i个偏置，表示对损失函数求关于偏置的偏导，l(w,b)表示损失函数，ψ为学习率，表示神经网络在一段时间内的信息积累速度；损失函数对于每一个隐藏层梯度被定义为：上式中，s
n+1
表示第n+1层的节点数，表示第n层神经元的输出，表示第n+1层神经元的输出，进而：
上式中，x
n
表示第n层神经元的输出，表示第n+1层中第j个神经元的偏置，f'表示对激活函数进行求导；因此在式(2)和式(3)中：因此在式(2)和式(3)中：上式中，表示第n+1层到其自身第i个节点的梯度，用于对第n层的权值和偏差进行更新修正。4.根据权利要求1～3任一项所述的基于mlp模型的中子-伽马甄别方法，其特征在于，所述步骤s10中进行滤波处理采用椭圆滤波器、移动平均滤波器或小波滤波器。

技术总结
本发明公开了一种基于MLP模型的中子-伽马甄别方法，包括获取中子-伽马脉冲数据，并滤波处理得到中子-伽马脉冲信号；基于中子-伽马脉冲信号建立MLP模型，将滤波处理后的中子-伽马脉冲信号导入所述MLP模型中，采用Adam优化器基于训练数据迭代更新网络权重，对模型进行优化，得到服从相似分布的特征向量，根据特征向量得到中子和伽马射线的概率值，通过该概率值对中子和伽马射线进行二分类，最后将二分类结果作为甄别因子对中子-伽马数据进行甄别。本发明巧妙地采用MLP模型进行中子-伽马甄别，实现更好的细节信息提取性能，具有更少的人工调参需求，提高了甄别能力，且不需要对原始脉冲数据进行归一化处理，简化的数据处理过程。简化的数据处理过程。简化的数据处理过程。


技术研发人员：柳炳琦 唐羽锋 刘明哲 刘祥和 左卓 张弘 黄瑶
受保护的技术使用者：成都理工大学
技术研发日：2023.05.31
技术公布日：2023/9/20