[发明专利]一种基于逻辑回归二分类的核素快速识别方法

说明书

本发明公开了一种基于逻辑回归二分类的核素快速识别方法，通过收集来自两个放射源的多个核能谱数据作为源数据，并对放射源核能谱数据构建标签数据集，将源数据集进行预处理得到特征数据集，其次，将特征数据集归一化处理，并将特征数据、标签数据划均分为训练集与测试集，通过构建预测函数，根据设置的学习率、迭代次数、正则项系数等参数进行模型训练，进而采用梯度下降法求解参数θ，即得到预测函数模型；再者，通过损失函数进行算法衡量，不断优化模型，最终达到快速识别核素的效果。本发明通过训练模型，计算预测函数以及各种调试，最终做到减小误差，以提高核素快速识别的准确度。

技术领域

本发明涉及放射性安全检测、核素能谱识别技术领域，具体为一种基于逻辑回归二分类的核素快速识别方法。

背景技术

随着核技术的发展，其在各行各业越来越引起重视，放射性核素的应用也越来越广泛，不论是在工业、医疗、军事方面，还是在农业等方面它都扮演着举足轻重的角色。放射源的利用，对我国乃至全世界的经济、社会发展都具有重要意义，但是当放射源的使用不当或丢失，会导致一系列的问题，严重的甚至会威胁人们的生命。

然而核技术在为我们提供便利的同时，其也伴随着巨大灾难发生的可能性，现阶段，核辐射安全隐患是国内外科研学者共同关注的焦点问题。在实际工作中，对两种不同放射源的核素种类识别是根据射线能谱中的特征峰来实现快速、准确地确定所含放射性核素的种类，该方法误差较大，核素识别的准确度较低。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于逻辑回归二分类的核素快速识别方法，该方法通过训练模型、计算预测函数以及各种调试，最终使核素检测误差小，核素识别速度快，且准确度高。

为实现上述目的，本发明采用的技术方案如下：

一种基于逻辑回归二分类的核素快速识别方法，包括以下步骤：

S1：收集两种放射源在不同探测距离的核能谱数据作为源数据，并对这些核能谱数据根据放射源种类构建标签数据集；

S2：对所述源数据进行平滑去噪以及扣本底处理；

S3：将经步骤S2处理后的源数据采用小波包分解法提取能谱能量特征向量，这些特征向量组成特征数据集；

S4：将步骤S3中所述特征数据集进行归一化处理，将全部数据处理到[-1,1]区间内，处理的公式如下：

上述公式中，y是归一化后的数据，x为特征数据集中数据，max是数据的最大值，min是数据的最小；

将归一化处理之后的特征数据集与步骤S1中所述标签数据集混合在一起，取前75%作为训练集，后25%作为测试集，用于检测模型的准确度；

S5：构建预测函数如下：

上述公式中，h(z)为预测值，θ为需要求解的参数，z为训练集中数据；

S6：将步骤S4中训练集带入预测函数并根据设定参数进行模型训练，构造损失函数，采用梯度下降法求解θ，即得到预测函数模型；

S7：绘制步骤S6中损失函数曲线图，通过损失函数曲线图进行参数调整，以损失函数曲线趋于平缓为准，避免过度迭代，优化模型；

S8：按需求进行核素能谱识别并输出结果。

进一步地，所述步骤S1中，在第一种放射源不同探测距离收集到的核能谱标签数据定义为0，在第二种放射源不同探测距离收集到的核能谱标签数据定义为1。

进一步地，将经所述步骤S2处理后的源数据图表化。

进一步地，所述步骤S4中的小波包分解采用sym小波进行3层小波包分解。

进一步地，步骤S6中进行模型训练时所述参数设置为：学习率设置为0.01，正则项系为0.2，迭代次数为1000。