Elman神经网络在中子解谱中的应用

发布时间：2021-10-09 14:16

　　人工神经网络由于其优良的自我调节能力及学习能力,已经被广泛地应用在各领域的非线性分析中.在中国锦屏极深地下实验室（CJPL）中的低本底液闪中子探测器一直在记录着中子的本底数据,探测器输出的能谱实际上是核反冲能谱,与输入能谱可一一对应,并随着输入能谱的改变而发生改变;因此可以将探测器输出信号输入到训练过的神经网络中判断输入能谱.本论文采用的神经网络为Elman神经网络,训练神经网络采用的数据为Geant4模拟所得.将实验获取的核反冲能谱输入到训练过的神经网路进行反解,最后Elman网络反解出的Am-Be中子源能谱与真实谱误差在0.1%～11.8%,反解出的²⁵²Cf中子源能谱与真实谱误差在0.1%～8.9%. 

【文章来源】：四川大学学报(自然科学版). 2020,57(03)北大核心CSCD

【文章页数】：4 页

【部分图文】：

Elman神经网络结构图

由于在实验中无法得到训练用的大量能谱数据, 而Geant4软件可以通过内置程序包设置不同探测条件下所得到的不同放射源能谱与探测器输出能谱[7], 并与之一一对应. 因此本文选择用Geant4模拟所得的能谱输入到Matlab的神经网络的工具箱中进行训练, 神经网络结构如上节所示.训练神经网络的关键在于训练样本的正确性, 如果样本中的数据有错误或者模拟所得的数据不能真实反映中子能谱, 则相当于把“错”当成“对”教给了神经网络学习, 这样训练出的神经网络并非所需. 本文所用的中子探测器(图2)已在锦屏地下实验室长期采集数据, 数据处理以及模拟工作都已发展成熟, 可保证样本数据的正确性.

Matlab中的神经网络工具包可以对大量数据进行快速处理, 正符合我们对训练神经网络的大量样本数据批处理的需求, 并且输出的结果可以直接与原始数据进行对比, 可及时得知数据的正确性, 具体操作步骤如图3.图4 252Cf 中子源作为输入时Geant4模拟与实验所得核反冲能谱的对比

【参考文献】：
期刊论文
[1]基于改进Elman神经网络的交通标志信息量度量[J]. 骆晨,刘澜,李新,褚鹏宇.  交通运输工程与信息学报. 2018(03)
[2]三种解谱算法求解中子能谱的解谱效果比较[J]. 李建伟,李德源,刘建忠,王学新,王勇,张凯,杜旭红,宋嘉涛,杨明明.  核电子学与探测技术. 2017(02)
[3]基于广义最小二乘法原理的中子能谱解谱程序开发及验证[J]. 陈晓亮,赵守智.  原子能科学技术. 2015(12)
[4]新的三层BP神经网络算法在解谱分析中的应用[J]. 郦文忠,谢涛,曹利国.  科学技术与工程. 2009(04)



本文编号：3426551