專利名稱：一種放射性能譜識別方法
技術領域：
本發明涉及一種放射性能譜識別方法。
背景技術：
在進行放射性的能譜測量中，常常要根據探測器采集到的大量隨機數據，分析這些隨機信號由什么放射源產生。一般的放射性能譜解析方法是對所測的能譜在進行了平滑濾波、扣除本底、尋峰、計算凈峰面積等分析后，根據能量、峰形和效率刻度的結果，由峰位所對應的能量識別出放射源含有哪些放射性核素，進而由凈峰面積計算出這些放射性核素的活度。在某些應用場合，由于核信息保護的原因，不需要得到核素活度的精確結果，只需識別所測對象為何種核材料。為此，曾有研究者采用能譜信息作為神經網絡的訓練樣本，并用訓練后的神經網絡對這些核材料進行識別。這些方法存在難以訓練、或者不易收斂、或者收斂到局部極小等缺點，導致能譜的識別不能進行或者識別準確率降低，故需要找出一種既能快速訓練又能避免不能收斂或局部收斂的方法，使能譜的識別能順利進行且能保證更高的識別準確率。
發明內容
本發明的目的在于公開一種放射性能譜識別方法。該方法克服了現有能譜識別方法的不足，具有訓練速度快、收斂準確、識別準確率高等特點，是一種進行放射性能譜識別的有效方法。本發明是通過以下技術方案實現的，本發明的具體步驟如下①對放射性測量中已測得的能譜進行訓練，按如下A E步驟A根據需要按放射源類別對已測得的多個能譜進行分類，B采用小波方法或多項式方法對能譜進行平滑濾波，C求取能譜的GMM模型(Gaussian mixture model)，并將GMM模型中各高斯函數的權值作為降維后的數據，D將降維后的能譜數據進行小波包分解，并將各子頻帶信號的能量進行歸一化處理，提取歸一化數據作為特征向量。E將特征向量作為樣本，采用期望最大化法(Expectation Maximization，簡寫為 EM)對這些樣本進行迭代運算，得到各類特征向量的GMM模型；②將待識別能譜進行決策分類，按如下A E步驟A采用小波方法或多項式方法對待識別能譜進行平滑濾波，B求取待識別能譜的GMM模型(Gaussian mixture model)，并將GMM模型中各高斯函數的權值作為降維后的數據，C將降維后的待識別能譜數據進行小波包分解，并將各子頻帶信號的能量進行歸一化處理，提取歸一化數據作為特征向量，D將待識別能譜的特征向量作為多維隨機數，并計算其分屬于各類GMM模型的類條件概率密度，E最后按貝葉斯決策分類。本發明的有益效果是本發明在訓練階段先采用小波方法或多項式方法對能譜進行平滑濾波，以消除干擾信號；接著用GMM模型對能譜作降維處理，以保證能譜的統計特性在低維空間仍具有原始能譜信號的絕大部分信息；然后，在多頻帶信號空間提取歸一化特征向量并作為樣本，保證了采用低維樣本代表能譜特征的唯一性，同時也保證了樣本與測量時間的無關性；最后， 采用期望最大化法對這些樣本進行迭代運算，得到各類特征向量的GMM模型，這樣既保證了準確收斂又可通過合理調整GMM模型的高斯函數個數以滿足各種不同場合下識別的需要。另外，本發明在識別時，采用貝葉斯決策分類，保證了識別準確率在統計意義下的最優。 總之，本發明是一種既能快速訓練又能避免不能收斂或局部收斂的方法，使能譜的識別能順利進行且能保證更高的識別準確率。
圖1為本發明方法的流程圖；
具體實施例方式為使發明的目的、技術方案及優點更加清楚明白，以下參照附圖并舉實施例，對本發明作進一步詳細說明。由于核信息保護的原因，不需要得到核素活度精確結果，只需識別所測對象為何種核材料，針對這一情況，本發明提供了一種放射性能譜識別方法。圖1顯示了本發明所述識別方法的流程。本發明的流程如圖1所示，具體包括如下的訓練步驟①和識別步驟②①對放射性測量中已測得的能譜進行訓練，按如下A E步驟A根據需要按放射源類別——如，標準源或樣品的種類及批次等——對已測得的多個能譜進行分類，能譜為在不同測量距離、不同測量時間及其它不同外界條件下所測得；B采用小波方法或多項式方法對能譜進行平滑濾波；C求取能譜的GMM模型(Gaussian mixture model)，即表示為多個高斯分布函數的線性和Ρ{χ,θ) = ^α Ρι{χ·Α)(1)式(1)中M為高斯分布密度函數的個數，應由能譜的形狀、光滑程度、道址數N等而定；a1; . . .，％是各高斯分布密度函數的權重，即各高斯分布函數在概率密度函數中所占
M
的比重，且Σ & = 1 彡0，(i = 1，. . .，M)，由能譜數據和函數個數M而定；Pi (χ)是第i個 /=1
高斯分布密度函數，其均值Pi由高斯分布密度函數的個數M和道址數確定；Pi(x)的方差為Oi2; Qi是未知參數^和Qi2的向量表示，S卩祝二細，。2)，密度函數？&，Θ,)的形
權利要求
1.一種放射性能譜識別方法，其特征在于，具體步驟如下①對放射性測量中已測得的能譜進行訓練；②將待識別能譜進行決策分類。
2.根據權利要求1所述的一種放射性能譜識別方法，其特征是，所述①中對放射性測量中已測得的能譜進行訓練，包含如下步驟A對放射性測量中已測得的能譜進行濾波、降維和分類處理，B提取處理后能譜的特征向量，C將特征向量作為樣本，并通過訓練得到各類特征向量的GMM模型。
3.根據權利要求2所述的一種放射性能譜識別方法，其特征是，所述A中濾波是指采用小波方法或多項式方法對能譜進行平滑濾波；降維是指求取能譜的GMM模型(Gaussian mixture model)，并將GMM模型中各高斯函數的權值作為降維后的數據；分類是指按放射源進行分類。
4.根據權利要求2所述的一種放射性能譜識別方法，其特征是，所述B中提取特征向量，是指將權利要求3降維后的數據進行小波包分解，并將各子頻帶信號的能量進行歸一化處理，提取歸一化數據作為特征向量。
5.根據權利要求2所述的一種放射性能譜識別方法，其特征是，所述C中通過訓練得到各類特征向量的GMM模型，是指將權利要求4提取的特征向量作為多維隨機數，采用期望最大化法(Expectation Maximization，簡寫為EM)對這些隨機數進行迭代運算，得到各類特征向量的GMM模型。
6.根據權利要求1所述的一種放射性能譜識別方法，其特征是，所述②中將待識別能譜進行決策分類，包含如下步驟a采用小波方法或多項式方法對待識別能譜進行平滑濾波，并求取待識別能譜的特征向量，b按GMM模型求取特征向量的類條件概率密度，c然后按貝葉斯決策分類。
7.根據權利要求6所述的一種放射性能譜識別方法，其特征是，所述a中求取待識別能譜的特征向量，是指將待識別能譜按權利要求3降維后進行小波包分解，并將各子頻帶信號的能量進行歸一化處理，提取歸一化數據作為特征向量。
8.根據權利要求6所述的一種放射性能譜識別方法，其特征是，所述b中按GMM模型求取特征向量的類條件概率密度，是指將權利要求7提取的待識別能譜特征向量作為待分類的多維隨機數，并計算其分屬于各類GMM模型的類條件概率密度。
全文摘要
本發明公開了一種放射性能譜識別方法。對放射性測量中已測得的能譜進行濾波、降維和分類處理，提取其特征向量作為樣本，并通過訓練得到各類特征向量的GMM模型；求取待識別能譜的特征向量，并按GMM模型求取特征向量的類條件概率密度，然后決策分類，即完成能譜識別。本發明對能譜的識別準確率高，是進行放射性能譜識別的有效方法。
文檔編號G06F19/00GK102313897SQ201010212350
公開日2012年1月11日 申請日期2010年6月29日 優先權日2010年6月29日
發明者丁衛撐, 劉念聰, 劉易, 周偉, 方方, 王敏, 王超, 閻萍, 黃洪全, 龔迪琛 申請人:成都理工大學