基于便携式NaI谱仪的核素识别算法
发布时间：2021-05-07 06:59
核素识别在核材料分析鉴定、核设施的安全性检测、环境放射性监测以及防止核恐怖主义发生等诸多方面有着重要的应用。核素识别的基本任务就是根据γ能谱中的特征峰或者利用能谱中的特征值确定核材料中放射性核素的种类,并通过相关解谱算法对核素进行定量分析。本文以便携式NaI伽玛能谱仪采集的仪器谱为研究对象,采用有效的γ能谱数据处理技术对谱线进行解析。论文取得的主要成果有:（1）使用MCNP5蒙特卡罗模拟软件,并依据实验确定高斯展宽系数,模拟了两种点状源（137Cs、60Co）在不同距离下的γ能谱响应。通过与实测数据对比验证了模拟计算数据的可靠性,为核素识别算法研究提供了依据,也使得在实验条件不足,不能对多种能量的射线进行实际测量时,可以采用蒙特卡罗方法实现对任何能量的能谱响应。（2）研究了基于Na I便携式γ谱仪的核素识别算法,其中包括能谱数据光滑去噪分析、峰位识别峰边界确定、基于特征峰匹配的核素定性识别、全能峰面积法和线性扣本底法进行定量分析。并利用133Ba、137Cs、60Co源在不同辐射背景下测量,通过扣除本底,定量分析出放射源的活度,得出了在不同辐射背景下Na I探测器对不同能量射线的探测限...
【文章来源】：成都理工大学四川省
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 引言
1.1 研究背景及意义
1.2 γ 能谱分析方法及研究现状
1.2.1 γ 能谱分析方法
1.2.2 γ 能谱分析方法及研究现状
1.3 基于神经网络方法的能谱处理技术与现状
1.4 主要研究内容及结果
本章小结
第2章 γ 能谱分析的基础理论
2.1 γ 射线与物质的相互作用
2.1.1 光电效应
2.1.2 康普顿效应
2.1.3 电子对效应
2.2 常用的 γ 射线探测器
2.3 Na I谱仪的结构及工作原理
2.4 γ 射线能谱
本章小结
第3章 蒙特卡罗模拟
3.1 高斯展宽系数的确定
3.2 MCNP模拟
3.2.1 探测器几何模型的建立
3.2.2 点源的模拟
3.3 模拟结果处理与分析
3.4 仪器谱与模拟谱的比较
本章小结
第4章 核素识别技术研究
4.1 谱数据平滑处理
4.2 寻峰及确定边界
4.3 本底扣除和峰面积的计算
4.4 核素识别及核素库的建立
4.4.1 能量刻度和效率刻度
4.4.2 基于特征峰核素识别
4.4.3 核素识别库的建立
4.5 实验结果分析
4.5.1 对天然放射性的解析
4.5.2 对低能 γ 能谱的解析
4.5.3 最小可探测活度的计算
本章小结
第5章 BP神经网络核素识别
5.1 BP网络原理及MATLAB实现
5.2 网络样本的选取
5.3 全谱识别法
5.3.1 测试网络的性能
5.3.2 测试结果
5.4 小波分析及特征提取
5.4.1 小波包变换的基本理论
5.4.2 γ 能谱特征提取的算法
5.5 特征向量识别法
5.5.1 特征向量的提取
5.5.2 神经网络测试和训练
本章小结
结论
致谢
参考文献
攻读学位期间取得学术成果
【参考文献】：
期刊论文
[1]基于虚拟仪器平台的X射线荧光分析的软件开发[J]. 潘文君,赖万昌,杨中建. 电子世界. 2014(13)
[2]神经网络算法解析便携式高纯锗γ谱[J]. 赵立林,杨亚新,郑勇明,刘成. 东华理工大学学报(自然科学版). 2013(S1)
[3]差值算法在γ能谱峰面积计算中的应用[J]. 高红,赖万昌,李思威,曹发明. 广东微量元素科学. 2013(12)
[4]手持式快速核素检测仪的研制[J]. 杨强,赖万昌,花永涛,葛良全,王广西. 核技术. 2011(10)
[5]降低NaI（Tl）γ谱仪探测限的技术探讨[J]. 郭晓彬,屈国普,刘志英,王红艳,王烈铭. 南华大学学报(自然科学版). 2011(01)
[6]基于BP神经网络算法的手写数字识别技术研究[J]. 徐野,刘铁强. 沈阳理工大学学报. 2010(05)
[7]基于小波去噪的微弱信号提取[J]. 刘正平,冯召勇,杨卫平. 制造业自动化. 2010(08)
[8]基于特征函数的NaIγ能谱高斯峰面积计算[J]. 顾民,葛良全. 核技术. 2009(11)
[9]便携式γ谱仪中的核素识别算法[J]. 陈亮,魏义祥,屈建石. 清华大学学报(自然科学版). 2009(05)
[10]自然伽马能谱解谱方法研究[J]. 李传伟,廖琪梅,李安宗,慕德俊. 核电子学与探测技术. 2008(04)
博士论文
[1]基于过程神经网络的时序数据挖掘研究[D]. 葛利.哈尔滨工程大学 2012
[2]γ能谱谱数据分解方法研究[D]. 刘永刚.中国地质大学（北京） 2011
[3]核素识别算法及数字化能谱采集系统研究[D]. 陈亮.清华大学 2009
[4]碲锌镉探测器性能分析及其γ谱解析方法研究[D]. 艾宪芸.清华大学 2005
硕士论文
[1]HPGeγ谱谱分析有关方法的研究[D]. 王仕木.成都理工大学 2014
[2]NaI（T1）γ能谱低能端本底扣除方法研究及软件设计[D]. 郑秀红.成都理工大学 2014
[3]基于ACP的商业智能系统研究[D]. 李鉴通.华南理工大学 2013
[4]基于遗传神经网络的γ能谱分析研究[D]. 钱晋.中国计量学院 2013
[5]基于LaBr3探测器的γ能谱技术研究[D]. 周良平.成都理工大学 2012
[6]基于小波的图像阈值去噪方法[D]. 吴美璇.重庆大学 2012
[7]基于ARM11的便携式伽玛能谱仪应用软件开发[D]. 何大志.成都理工大学 2011
[8]一种基于LaBr3（Ce）探测器的便携式核素识别仪的研究[D]. 曹必华.成都理工大学 2011
[9]基于RBF神经网络的γ能谱分析[D]. 张占南.辽宁师范大学 2011
[10]航空伽玛探测器能谱响应规律研究[D]. 孙雪.成都理工大学 2010
本文编号：3172957
【文章来源】：成都理工大学四川省
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 引言
1.1 研究背景及意义
1.2 γ 能谱分析方法及研究现状
1.2.1 γ 能谱分析方法
1.2.2 γ 能谱分析方法及研究现状
1.3 基于神经网络方法的能谱处理技术与现状
1.4 主要研究内容及结果
本章小结
第2章 γ 能谱分析的基础理论
2.1 γ 射线与物质的相互作用
2.1.1 光电效应
2.1.2 康普顿效应
2.1.3 电子对效应
2.2 常用的 γ 射线探测器
2.3 Na I谱仪的结构及工作原理
2.4 γ 射线能谱
本章小结
第3章 蒙特卡罗模拟
3.1 高斯展宽系数的确定
3.2 MCNP模拟
3.2.1 探测器几何模型的建立
3.2.2 点源的模拟
3.3 模拟结果处理与分析
3.4 仪器谱与模拟谱的比较
本章小结
第4章 核素识别技术研究
4.1 谱数据平滑处理
4.2 寻峰及确定边界
4.3 本底扣除和峰面积的计算
4.4 核素识别及核素库的建立
4.4.1 能量刻度和效率刻度
4.4.2 基于特征峰核素识别
4.4.3 核素识别库的建立
4.5 实验结果分析
4.5.1 对天然放射性的解析
4.5.2 对低能 γ 能谱的解析
4.5.3 最小可探测活度的计算
本章小结
第5章 BP神经网络核素识别
5.1 BP网络原理及MATLAB实现
5.2 网络样本的选取
5.3 全谱识别法
5.3.1 测试网络的性能
5.3.2 测试结果
5.4 小波分析及特征提取
5.4.1 小波包变换的基本理论
5.4.2 γ 能谱特征提取的算法
5.5 特征向量识别法
5.5.1 特征向量的提取
5.5.2 神经网络测试和训练
本章小结
结论
致谢
参考文献
攻读学位期间取得学术成果
【参考文献】：
期刊论文
[1]基于虚拟仪器平台的X射线荧光分析的软件开发[J]. 潘文君,赖万昌,杨中建. 电子世界. 2014(13)
[2]神经网络算法解析便携式高纯锗γ谱[J]. 赵立林,杨亚新,郑勇明,刘成. 东华理工大学学报(自然科学版). 2013(S1)
[3]差值算法在γ能谱峰面积计算中的应用[J]. 高红,赖万昌,李思威,曹发明. 广东微量元素科学. 2013(12)
[4]手持式快速核素检测仪的研制[J]. 杨强,赖万昌,花永涛,葛良全,王广西. 核技术. 2011(10)
[5]降低NaI（Tl）γ谱仪探测限的技术探讨[J]. 郭晓彬,屈国普,刘志英,王红艳,王烈铭. 南华大学学报(自然科学版). 2011(01)
[6]基于BP神经网络算法的手写数字识别技术研究[J]. 徐野,刘铁强. 沈阳理工大学学报. 2010(05)
[7]基于小波去噪的微弱信号提取[J]. 刘正平,冯召勇,杨卫平. 制造业自动化. 2010(08)
[8]基于特征函数的NaIγ能谱高斯峰面积计算[J]. 顾民,葛良全. 核技术. 2009(11)
[9]便携式γ谱仪中的核素识别算法[J]. 陈亮,魏义祥,屈建石. 清华大学学报(自然科学版). 2009(05)
[10]自然伽马能谱解谱方法研究[J]. 李传伟,廖琪梅,李安宗,慕德俊. 核电子学与探测技术. 2008(04)
博士论文
[1]基于过程神经网络的时序数据挖掘研究[D]. 葛利.哈尔滨工程大学 2012
[2]γ能谱谱数据分解方法研究[D]. 刘永刚.中国地质大学（北京） 2011
[3]核素识别算法及数字化能谱采集系统研究[D]. 陈亮.清华大学 2009
[4]碲锌镉探测器性能分析及其γ谱解析方法研究[D]. 艾宪芸.清华大学 2005
硕士论文
[1]HPGeγ谱谱分析有关方法的研究[D]. 王仕木.成都理工大学 2014
[2]NaI（T1）γ能谱低能端本底扣除方法研究及软件设计[D]. 郑秀红.成都理工大学 2014
[3]基于ACP的商业智能系统研究[D]. 李鉴通.华南理工大学 2013
[4]基于遗传神经网络的γ能谱分析研究[D]. 钱晋.中国计量学院 2013
[5]基于LaBr3探测器的γ能谱技术研究[D]. 周良平.成都理工大学 2012
[6]基于小波的图像阈值去噪方法[D]. 吴美璇.重庆大学 2012
[7]基于ARM11的便携式伽玛能谱仪应用软件开发[D]. 何大志.成都理工大学 2011
[8]一种基于LaBr3（Ce）探测器的便携式核素识别仪的研究[D]. 曹必华.成都理工大学 2011
[9]基于RBF神经网络的γ能谱分析[D]. 张占南.辽宁师范大学 2011
[10]航空伽玛探测器能谱响应规律研究[D]. 孙雪.成都理工大学 2010
本文编号：3172957
本文链接：https://www.wllwen.com/projectlw/hkxlw/3172957.html
