基于遗传神经网络的γ能谱分析研究

发布时间：2024-03-29 22:14

　　γ能谱分析技术在核材料分析鉴定、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。 本文综述了放射性探测与固体探测器、γ能谱解谱方法和BP神经网络法，利用遗传算法对BP神经网络进行优化，对实测γ能谱进行分析研究。 取得了以下主要结论： 1)利用遗传算法优化了BP神经网络，获得了BP神经网络结构权值与阀值的最优解，提高了网络的自适应能力和泛化能力。利用MATLAB软件的神经网络工具箱，构建了遗传算法优化的BP神经网络结构，测得了最佳的网络参数：选用3层BP网络，隐含层节点数为73个，隐含层连接权值选为logsig或tansig，输出层连接权值选为logsig，训练函数选为trainrp。通过改进遗传算法的适应度函数、遗传算子，保留了种群中的优良个体，使网络的精度可达到10-3，训练步数可减小到40步。与未优化的BP网络进行相比，自适应遗传算法优化BP神经网络能大幅度提升网络的运行速度，且使网络避免落入局部极小，提高了网络的自适应能力和泛化能力。 2)利用自适应遗传算法优化的BP神经网络（AGA-BP神经网络）进行γ谱分析，采用全谱输入法，提高了结果的准确性...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
目次
图清单
表清单
1 文献综述
    1.1 放射性探测与固体探测器
        1.1.1 放射性核探测的意义
        1.1.2 放射性核探测器
    1.2 人工神经网络
        1.2.1 人工神经网络概述
        1.2.2 BP 神经网络
    1.3 γ能谱分析方法与研究现状
        1.3.1 γ能谱分析方法简介
        1.3.2 各种解谱算法比较
        1.3.3 γ能谱分析方法的研究现状
    1.4 研究思路和研究内容
        1.4.1 研究思路
        1.4.2 研究内容
2 遗传算法优化 BP 人工神经网络
    2.1 遗传算法
    2.2 遗传算法的改进
        2.2.1 简单遗传算法的局限性
        2.2.2 遗传算法的改进
    2.3 改进的遗传算法优化 BP 神经网络
        2.3.1 算法步骤及基于 MATLAB 的程序编码
        2.3.2 自适应遗传算法优化的 BP 网络主要参数设定
        2.3.3 自适应遗传算法优化 BP 神经网络实验验证
    2.4 本章小结
3 BP 人工神经网络法γ能谱核素识别
    3.1 实验数据测定
    3.2 γ谱预处理
        3.2.1 数据平滑处理
        3.2.2 峰位漂移矫正
        3.2.3 扣除本底
        3.2.4 γ能谱预处理前后对比
    3.3 核素定性识别
        3.3.1 全能峰不重叠的核素定性识别
        3.3.2 全能峰重叠的核素定性识别
        3.3.3 未经网络训练的核素识别
        3.3.4 探测距离对识别结果的影响
        3.3.5 仪器统计涨落对识别结果的影响
        3.3.6 有屏蔽物的核素识别
    3.4 AGA-BP 网络定量分析
    3.5 本章小结
4 结论与展望
    4.1 结论
    4.2 创新点
    4.3 展望
参考文献
作者简历



本文编号：3941381