基于长短时记忆神经网络的能谱核素识别方法

发布时间：2021-05-21 03:10

　　针对新兴的能谱核素识别方法在混合放射性核素的噪声环境中存在识别速度慢、准确率较低等问题,提出了基于长短时记忆神经网络（LSTM）的能谱核素识别方法。实验使用溴化镧（LaBr3）晶体探测器,分别对环境中60Co、137Cs放射性源分组测量得到能谱数据集,首先使用数据平滑方法和归一化方法进行数据预处理,然后将能谱数据按时间序列分组以获得可用的输入序列数组,最后训练LSTM模型得到预测结果。通过基于BP神经网络和卷积神经网络（CNN）的两个能谱识别模型进行对比,得到在测试集中平均识别率分别为83.45%和86.21%,而LSTM能谱识别模型平均识别率为93.04%,实验结果表明,该能谱模型在核素识别效果中表现较好,可用于快速的能谱核素识别设备上。 

【文章来源】：强激光与粒子束. 2020,32(10)北大核心CSCD

【文章页数】：8 页

【参考文献】：
期刊论文
[1]卷积神经网络在复杂核素识别中的应用[J]. 胡浩行,张江梅,王坤朋,冯兴华.  传感器与微系统. 2019(10)
[2]基于LSTM网络的驾驶意图识别及车辆轨迹预测[J]. 季学武,费聪,何祥坤,刘玉龙,刘亚辉.  中国公路学报. 2019(06)
[3]基于稀疏表示的核素能谱特征提取及核素识别[J]. 张江梅,季海波,冯兴华,王坤朋.  强激光与粒子束. 2018(04)
[4]基于LSTM网络的序列标注中文分词法[J]. 任智慧,徐浩煜,封松林,周晗,施俊.  计算机应用研究. 2017(05)
[5]LM算法求解大残差非线性最小二乘问题研究[J]. 祝强,李少康,徐臻.  中国测试. 2016(03)
[6]基于序贯贝叶斯方法的核素识别算法研究[J]. 问斯莹,王百荣,肖刚,沈春霞.  核电子学与探测技术. 2016(02)
[7]基于极性转移和LSTM递归网络的情感分析[J]. 梁军,柴玉梅,原慧斌,高明磊,昝红英.  中文信息学报. 2015(05)
[8]多尺度变步长最小均方自适应算法在光纤陀螺数据处理中的应用[J]. 高伟伟,王广龙,陈建辉,高凤岐,高爽.  强激光与粒子束. 2014(07)
[9]基于模糊逻辑的γ能谱核素识别[J]. 王一鸣,魏义祥.  清华大学学报(自然科学版). 2012(12)



本文编号：3198932