[发明专利]一种基于线性叠加模型的能谱解析方法

说明书

本发明公开了一种基于线性叠加模型的能谱解析方法。针对多元素且存在导致能谱畸变的不稳定因素的复杂能谱解析问题，结合能谱形成过程的特性，提出一种线性叠加模型(Linear Superposition)，将自然选择引入算法中，采用随机惯性权重的改进型粒子群算法进行参数寻优。每一个粒子对应一个LIN‑SUP模型，并计算每一个LIN‑SUP模型的适应度值，经过粒子群的初始化、粒子优劣的评估以及粒子“飞行”速度和位置的迭代更新等过程，搜索到具有“最优适应度值”的LIN‑SUP模型，即全局最优LIN‑SUP模型。结果表明，该方法具有更快的收敛速度和更高的搜索精度，可广泛用于各种能谱的解析。

技术领域

本发明涉及一种基于线性叠加模型的能谱解析方法。

背景技术

在进行放射性测量中，由于放射源存在多元素、探测器能量分辨率偏低及能谱不稳定(如漂移)等原因，导致能谱变得复杂：如谱的形状变得怪异、相邻谱峰出现重叠，这给能谱的解析(如成分的定性和定量分析)带来不便。曾经有研究者采用高斯混合模型迭代算法，遗传算法，曲线拟合方法及小波变换和神经网络相结合的方法，对重叠谱进行了拟合。但目前对于多元素且存在导致能谱畸变的不稳定因素的复杂情况，还少有能谱解析的报道。

本发明针对上述多元素且存在导致能谱畸变的不稳定因素的复杂能谱解析问题，结合能谱形成过程的特性，提出一种线性叠加模型(Linear Superposition)，将自然选择引入算法中，采用随机惯性权重的改进型粒子群算法进行参数寻优。结果表明，该方法具有更快的收敛速度和更高的搜索精度，可广泛用于各种能谱的解析。

发明内容

本发明的目的在于公开一种基于线性叠加模型的能谱解析方法。针对多元素且存在导致能谱畸变的不稳定因素的复杂能谱的解析问题，具有更快的收敛速度和更高的搜索精度，弥补了目前能谱解析方法的不足。是通过以下①～③步实现的。

①对所解析的能谱进行归一化，得到面积为1的能谱。

②将归一化后的能谱用一种线性叠加模型(Linear Superposition)来表征，本文将该“线性叠加模型”命名为LIN-SUP模型。

③采用粒子群算法的群体搜索技术，每一个粒子对应一个LIN-SUP模型，并计算每一个LIN-SUP模型的适应度值；算法经过粒子群的初始化、粒子优劣的评估以及粒子“飞行”速度和位置的迭代更新等过程，搜索到具有“最优适应度值”的LIN-SUP模型，即全局最优LIN-SUP模型。

通过以上①～③步求得全局最优位置，该位置所对应的LIN-SUP模型参数就是所解析能谱的解。

本发明的有益效果是：

针对多元素且存在导致能谱畸变的不稳定因素的复杂能谱解析问题，结合能谱形成过程的特性，提出一种线性叠加模型(简称LIN-SUP模型)。采用随机惯性权重的粒子群搜索技术，将自然选择引入算法中，每一个粒子对应一个LIN-SUP模型，并计算每一个LIN-SUP模型的适应度值，经过粒子群的初始化、粒子优劣的评估以及粒子“飞行”速度和位置的迭代更新等过程，搜索到具有“最优适应度值”的LIN-SUP模型，即全局最优LIN-SUP模型，实现对复杂能谱的解析。结果表明，该方法具有更快的收敛速度和更高的搜索精度，可广泛用于各种能谱的解析。

附图说明

图1为本发明方法的流程图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

本实施例假设放射性测量中所获得的多元素复杂能谱为F₀(x)，其中x为道址，采用本方法对能谱进行解析按如下具体步骤①～③。