[发明专利]一种新型核素识别方法

权利要求书

1.一种新型核素识别方法，其特征在于，包括如下步骤：

S1、获取目标放射源的γ能谱数据；

S2、对所述γ能谱数据进行预处理：

S3、对预处理后的γ能谱数据分别进行峰位识别与神经网络识别，得到峰位识别候选结果与神经网络识别候选结果，以及峰位识别候选结果与神经网络识别候选结果对应的置信度，峰位识别与神经网络识别中分别采用峰位识别库与神经网络识别库进行识别，其中峰位识别库中的不同核素之间的特征峰能量差大于或等于特征峰能量差阈值，神经网络识别库中的不同核素之间的小于特征峰能量差阈值；

S4、基于峰位识别候选结果与神经网络识别候选结果对应的置信度确定最终置信度；

S5、若最终置信度大于预设置信度阈值，则将对应的候选结果作为最终结果。

2.如权利要求1所述的新型核素识别方法，其特征在于，步骤S2中，所述预处理包括数据平滑处理。

3.如权利要求2所述的新型核素识别方法，其特征在于，步骤S2中，基于下式对γ能谱数据进行平滑处理：

式中，表示平滑处理后γ能谱数据中第m道的计数；y_i表示γ能谱数据中第i道的计数，4≤i≤1021。

4.如权利要求3所述的新型核素识别方法，其特征在于，对预处理后的γ能谱数据进行峰位识别的过程包括：

S3011、从预处理后的γ能谱数据寻找局部极大点，并计算对应的峰高R_m；

当峰高R_m大于或等于寻峰阈值THR时，认为所述局部最高点为特征峰，所述局部极大点的对应的道址即为峰位；C_j表示冲击函数；

j表示变换窗口内的道址，K表示变换窗口，σ为高斯峰函数的标准偏差，σ＝FWHM/2.355，FWHM为利用谱仪系统的FWHM刻度公式求出的FWHM值，EXP[]表示指数运算；

S3012、将特征峰的峰位能量与峰位识别库中的样本峰位能量进行匹配，从而确定候选核素，并将候选核素作为峰位识别候选结果；

S3013、将特征峰与峰位识别库中的候选核素对应的样本特征峰进行匹配，计算所述特征峰的匹配度置信度；

式中，Conf_i表示峰位为i的特征峰对应的匹配度置信度，ΔE是特征峰与峰位识别库中的候选核素对应的样本特征峰的能量误差，ratio是发射该条特征峰的射线分支比，SumRatio为候选核素的所有样本特征峰的射线分支比之和，ETOL表示能量窗口；

S3014、计算峰位识别候选结果对应的置信度PConf

式中，SumNRatio为候选核素在能量窗口外的所有样本特征峰的射线分支比之和。

5.如权利要求4所述的新型核素识别方法，其特征在于，步骤S3012中：当峰位能量的与峰位识别库中对应的能量在一个能量窗口时，可以认为该峰位属于对应核素的一条特征峰。

6.如权利要求4或5所述的新型核素识别方法，其特征在于，基于特征峰的能量选择不同的能量窗口：

特征峰为0～200KeV时，能量窗口为6KeV；

特征峰为200～600KeV时，能量窗口为8KeV；

特征峰为600～1500KeV时，能量窗口为15KeV；

特征峰为1500～2200KeV时，能量窗口为18KeV；

特征峰为2200～3000KeV时，能量窗口为25KeV。

7.如权利要求3所述的新型核素识别方法，其特征在于，对预处理后的γ能谱数据分别进行神经网络识别时，采用最优线性联想记忆神经网络，将预处理后的γ能谱数据进行特征提取后将特征输入神经网络进行识别，采用KL正交变换作为特征提取，所述最优线性联想记忆神经网络的学习规则采用最小均方误差学习算法。

8.如权利要求1所述的新型核素识别方法，其特征在于，将峰位识别候选结果与神经网络识别候选结果对应的置信度中的最大值作为最终置信度。