[发明专利]神经网络自适应卡尔曼滤波的核事故源项反演方法

权利要求书

1.一种神经网络自适应卡尔曼滤波的核事故源项反演方法，其特征在于包括以下步骤：

1）根据非稳态拉格朗日烟团模型系统及高斯多烟团大气扩散模型，确定核事故时监测点数量、位置、分布信息，确定影响核事故源项反演关键参数；核事故源项释放率作为自适应卡尔曼滤波模块目标信号，为该模块输出信号；核事故源项释放率及自适应卡尔曼滤波模块观测矩阵数据作为神经网络模块目标信号；

2）确定神经网络模块结构，根据需求对历史数据进行数据处理，随机选择训练数据及测试数据，改变隐含层数、训练次数对训练数据进行训练，选择并确定神经网络最佳结构；

3）构建神经网络自适应卡尔曼滤波源项反演模块，选用反向预测自适应算法；

4）根据模型中训练数据结构对实时天气状况数据、实时监测值，进行预处理，获得反演数据；

5）用实时数据对基于神经网络自适应卡尔曼滤波的核事故源项反演模型进行实时跟踪反演计算。

2.根据权利要求1所述的基于神经网络自适应卡尔曼滤波核事故源项反演的方法，其特征在于：神经网络模块输入参数为时间、风速、风向、稳定度、监测距离、温度、监测数据，输出参数为释放率、卡尔曼滤波观测矩阵数据，自适应卡尔曼滤波模块输入参数为监测数据、观测矩阵，输出参数为反演释放率。

3.根据权利要求1所述的基于神经网络自适应卡尔曼滤波核事故源项反演的方法，其特征在于：在步骤2）中，所述隐含层数为56层，训练次数为50万次。

4.根据权利要求1所述的基于神经网络自适应卡尔曼滤波核事故源项反演的方法，其特征在于：在步骤3）中，所述的反向预测自适应算法为，卡尔曼滤波每次迭代前增加神经网络测试步骤，每次迭代中增加计算滤波新息、滤波新息协方差、归一化新息平方步骤，并根据本时刻状态对前时刻状态进行反向预测，计算反向预测归一化新息平方，将反向预测归一化新息平方与归一化新息平方做比，与评估阈值进行比较，若大于评估阈值，对新息协方差进行调整，重新计算，反之输出数据并进入下一时间节点。

5.根据权利要求1所述的一种基于神经网络自适应卡尔曼滤波核事故源项反演的方法，其特征在于：在步骤3）中，评估阈值为10⁶。