基于信息理论的γ能谱辨识新方法（英文）

提出了一种基于相对熵的放射源γ能谱识别方法。首先,利用主成分分析(PCA)算法压缩数据,构造γ射线能谱的特征空间。然后,采用随机化技术(RT)来使特征空间中γ射线能谱的特征值归一化,这样,γ射线能谱的特征空间可以看作是概率空间。最后,定义两个概率空间的相对熵来测量两个γ射线能谱的相对差异。大量实验表明,所提方法能够更加有效地辨识γ射线能谱,不仅计算量小,而且对诸如统计浮动、谱峰偏移、底噪等因素具有很高的鲁棒性。     

一种中子脉冲序列核信号高速相关函数计算方法

为解决基于PC机平台、高达1 GHz采样率下的相关函数计算的实时性需求,针对中子脉冲序列核信号本身所具有的结构特点,设计了高速、实时的相关函数计算方法,实现了采样率为1 GHz的中子脉冲序列核信号的实时相关函数计算。性能测试结果表明,算法达到了对中子脉冲序列核信号进行相关计算的时间在1 h以内的实时性要求,使得铀部件质量丰度的实时检测成为可能。     

基于BP神经网络的诱发铀部件裂变信号特征分析及识别

在对诱发铀部件裂变信号的测量原理及特点分析的基础上,开展了基于BP神经网络的诱发铀部件裂变时间关联信号特征参量分析处理的研究工作。 采用无偏估计方法, 计算信号的自相关函数和互相关函数, 再利用比较法和导数法两种特征量提取方法, 提取出不同状态下裂变信号的特征参量, 借助于BP神经网络模式识别应用原理进行训练和预测。 理论分析和研究结果表明: 基于比较法和导数法获得的特征参量能较好地反映诱发铀部件裂变信号的特征; 用BP神经网络对裂变信号进行模式识别, 取得了较高的正确率, 验证了此方法的有效性和合理性。 The paper presents feature parameter analysis and processing in fission time dependent signal of induced uranium components based on BP Neural Networks through the analysis of the measuring principle and signal characteristics of induced uranium components fission signal. The auto correlation functions and cross correlation functions are calculated by using unbiased estimate, and then the feature parameters of fission signal in different status are extracted by using feature abstraction method, comparative method and derivative method, and then applied to training and prediction by means of BP neural networks based on pattern recognition. Theoretical analysis and the results show that, it is effective to obtain feature parameters of induced uranium component fission signal via comparative method and derivative method. UsingBP neural network to recognize patter of fission signal, we got good results that verified the effectiveness and reasonability of the method.