[发明专利]能谱数据的核素种类的识别方法

说明书

本发明公开了一种能谱数据的核素种类的识别方法，包括：对能谱数据预处理，从而得到正太分布的能谱数据；在所述正太分布的能谱数据中提取能谱特征向量特征；将所述特征向量特征作为分类模型的输入向量特征建立决策树分类器进行分类预测；使用AdaBoost算法提升所述分类预测准确率。通过提取能谱特征向量特征，并依据提取的能谱特征向量特征建立决策树分类器进行分类预测，然后使用AdaBoost算法提升所述分类预测准确率。应用AdaBoost算法提升单轮决策树分类结果的误判率，从而大大提高对核素种类的分类准确率。

技术领域

本发明涉及核工业领域，具体地，涉及一种能谱数据的核素种类的识别方法。

背景技术

目前，解析能谱数据，对核素分类识别是人工智能在工业领域应用的研究热点，在核工业领域，核素鉴别具有实际应用意义。在多种的测量环境中，放射性核素经过γ能谱仪等核物理设备仪器进行鉴别，探测器接收发射的γ射线源生成能谱数据，能谱获取后通过特定的方法进行分析，目前传统的核探测解谱方法，通常采用全能峰法、逐次差引法等技术来进行核素分析解谱。

由于传统的γ能谱信息的解谱存在不能涵盖全部峰值，能谱的信息具有局部特征，或存在重叠峰值，从而可能导致能谱解析出来的核素种类出现错失、误判结果。另外，对于能谱随测量环境变化的动态改变，传统方法不具有强适应性，核素识别率会降低。

发明内容

本发明的目的在于，针对上述问题，提出一种能谱数据的核素种类的识别方法，以实现至少部分的解决现有技术中存在的问题。

为实现上述目的，本发明技术方案提供了

一种能谱数据的核素种类的识别方法，包括：

对原始能谱数据预处理，从而得到正太分布的能谱数据矩阵；

对所述正太分布的能谱数据矩阵进行降维处理，从而提取能谱特征向量特征；

将所述特征向量特征作为分类模型的输入向量特征建立决策树分类器对能谱数据的核素进行分类预测；

使用AdaBoost算法提升所述能谱数据的核素的分类预测准确率。

优选的，所述正太分布的能谱数据，具体为：

标准差为1，均值为零的标准正太分布的能谱数据。

优选的，所述对原始能谱数据预处理，从而得到正太分布的能谱数据，包括：

生成原始能谱数据样本；

对所述原始能谱数据样本矩阵化

对矩阵化后的所述能谱数据样本进行标准化；

对标准化后的能谱数据样本进行零均值化，从而得到正太分布的能谱数据矩阵。

优选的，所述生成原始能谱数据样本，具体为：

使用蒙特卡洛仿真方法来生成原始能谱数据样本。

优选的，对矩阵化后的所个能谱数据样本进行标准化采用的公式为：

其中，表示第i个能谱的第j道计数标准化后的取值，U_ij为第i个能谱的第j道计数，m和n表示常数。

优选的，所述对标准化后的能谱数据样本进行零均值化，所述零均值化公式为：

表示平均能谱，表示第i个能谱的第j道计数零均值化后的取值，U_ij为第i个能谱的第j道计数，m和n表示常数。

优选的，对所述正太分布的能谱数据矩阵进行降维处理，从而提取能谱特征向量特征，包括：