-
公开(公告)号：CN113204743A
公开(公告)日：2021-08-03
申请号：CN202110544100.0
申请日：2021-05-19
摘要： 本发明公开了一种基于遗传算法的中子‑伽马甄别方法，包括S10、获取中子‑伽马脉冲数据；S20、对获取的中子‑伽马脉冲数据进行预处理；S30、对脉冲数据提取样本信号进行平均化处理，构建中子或伽马的标准脉冲；S40、对标准脉冲进行拟合得到适应度函数；S50、基于适应度函数对预处理过的中子‑伽马脉冲数据进行遗传算法的迭代，得到所得的适应度函数的参数；S60、通过适应度函数的最优参数得到的甄别因子，并以此对中子‑伽马脉冲数据进行甄别。本发明具有较好的甄别性能，同时能够表现出很好的抗噪能力，准确性高，在混合辐射场测量及其数据处理技术领域具有很好的应用价值。
-
公开(公告)号：CN115392324A
公开(公告)日：2022-11-25
申请号：CN202211210802.6
申请日：2022-09-30
摘要： 本发明公开了一种基于阶梯梯度法的中子‑伽马甄别方法，包括针对辐射混合场脉冲信号进行滤波处理；将滤波处理后的中子‑伽马脉冲信号导入准连续脉冲发放皮层模型中，提取出包含动态信息的点火映射图；根据中子‑伽马的点火映射图计算出阶梯梯度值R；将阶梯梯度值R作为甄别因子对中子‑伽马脉冲数据进行甄别。本发明通过提出准连续脉冲发放皮层模型来生成阶梯梯度计算过程所需的点火映射图，并由此计算获得阶梯梯度值，将其作为甄别因子进行中子‑伽马甄别，相比现有的脉冲耦合神经网络，本发明可以实现更好的细节信息提取性能和噪声处理能力，具有更少的点火和人工调参需求，性能更优。
-
公开(公告)号：CN112258432B
公开(公告)日：2021-09-21
申请号：CN202011146572.2
申请日：2020-10-23
摘要： 本发明公开了一种基于复合型结构元素数学形态学的中子‑伽马甄别方法，包括P10、获取中子‑伽马脉冲数据；P20、对获取的中子‑伽马脉冲数据进行预处理；P30、构建用于数学形态学变换的复合型结构元素；P40、对预处理后的中子‑伽马脉冲数据进行数学形态学开运算处理；P50、对P40步骤开运算后的结果进行积分，计算得出甄别因子；P60、利用该得到的甄别因子对中子‑伽马脉冲数据进行甄别。本发明具有较好的甄别性能，同时能够表现出很好的抗噪能力，在混合辐射场测量及其数据处理技术领域具有很好的应用价值。
-
公开(公告)号：CN112258432A
公开(公告)日：2021-01-22
申请号：CN202011146572.2
申请日：2020-10-23
摘要： 本发明公开了一种基于复合型结构元素数学形态学的中子‑伽马甄别方法，包括P10、获取中子‑伽马脉冲数据；P20、对获取的中子‑伽马脉冲数据进行预处理；P30、构建用于数学形态学变换的复合型结构元素；P40、对预处理后的中子‑伽马脉冲数据进行数学形态学开运算处理；P50、对P40步骤开运算后的结果进行积分，计算得出甄别因子；P60、利用该得到的甄别因子对中子‑伽马脉冲数据进行甄别。本发明具有较好的甄别性能，同时能够表现出很好的抗噪能力，在混合辐射场测量及其数据处理技术领域具有很好的应用价值。
-
公开(公告)号：CN116776244A
公开(公告)日：2023-09-19
申请号：CN202310630726.2
申请日：2023-05-31
IPC分类号： G06F18/2415 , G06F18/213 , G06N3/0499 , G06N3/08
摘要： 本发明公开了一种基于MLP模型的中子‑伽马甄别方法，包括获取中子‑伽马脉冲数据，并滤波处理得到中子‑伽马脉冲信号；基于中子‑伽马脉冲信号建立MLP模型，将滤波处理后的中子‑伽马脉冲信号导入所述MLP模型中，采用Adam优化器基于训练数据迭代更新网络权重，对模型进行优化，得到服从相似分布的特征向量，根据特征向量得到中子和伽马射线的概率值，通过该概率值对中子和伽马射线进行二分类，最后将二分类结果作为甄别因子对中子‑伽马数据进行甄别。本发明巧妙地采用MLP模型进行中子‑伽马甄别，实现更好的细节信息提取性能，具有更少的人工调参需求，提高了甄别能力，且不需要对原始脉冲数据进行归一化处理，简化的数据处理过程。
-
公开(公告)号：CN116776243A
公开(公告)日：2023-09-19
申请号：CN202310630616.6
申请日：2023-05-31
IPC分类号： G06F18/2415 , G06F18/213 , G06N3/0464 , G06N3/084
摘要： 本发明公开了一种基于1‑D AlexNet模型的中子‑伽马甄别方法，包括获取中子‑伽马脉冲数据；基于中子‑伽马脉冲信号建立1‑D AlexNet模型；将中子‑伽马脉冲信号导入1‑D AlexNet模型并采用SGDM算法对模型进行优化；根据1‑D AlexNet模型输出的分类结果计算出甄别因子；利用该得到的甄别因子对中子‑伽马脉冲数据进行甄别。本发明巧妙地采用1‑D AlexNet模型进行中子‑伽马甄别，简化的数据处理过程，提高了甄别能力，相比传统的电荷比较法进行中子‑伽马甄别明显提高了性能。
-
公开(公告)号：CN115561801A
公开(公告)日：2023-01-03
申请号：CN202211210071.5
申请日：2022-09-30
摘要： 本发明公开了一种基于脉冲发放皮层的塑料闪烁体中子‑伽马甄别方法，包括获取辐射混合场的中子‑伽马脉冲信号；基于中子‑伽马脉冲信号建立脉冲发放皮层模型；将滤波处理后的中子‑伽马脉冲信号输入脉冲发放皮层模型中，生成包含脉冲信号的每个采样点的点火计数的点火图；根据点火图提取下降沿和延迟荧光信息的相应部分，计算出甄别因子；使用甄别因子对中子‑伽马脉冲数据进行甄别。本发明采用脉冲发放皮层模型在提取辐射脉冲信号内部动态信息方面性能突出，提高了甄别准确性，降低了计算复杂度，使得该方法在耗时短的同时展现优异的中子‑伽马甄别性能。
-
公开(公告)号：CN113204743B
公开(公告)日：2022-09-02
申请号：CN202110544100.0
申请日：2021-05-19
摘要： 本发明公开了一种基于遗传算法的中子‑伽马甄别方法，包括S10、获取中子‑伽马脉冲数据；S20、对获取的中子‑伽马脉冲数据进行预处理；S30、对脉冲数据提取样本信号进行平均化处理，构建中子或伽马的标准脉冲；S40、对标准脉冲进行拟合得到适应度函数；S50、基于适应度函数对预处理过的中子‑伽马脉冲数据进行遗传算法的迭代，得到所得的适应度函数的参数；S60、通过适应度函数的最优参数得到的甄别因子，并以此对中子‑伽马脉冲数据进行甄别。本发明具有较好的甄别性能，同时能够表现出很好的抗噪能力，准确性高，在混合辐射场测量及其数据处理技术领域具有很好的应用价值。
-
公开(公告)号：CN112597923B
公开(公告)日：2021-09-21
申请号：CN202011580375.1
申请日：2020-12-28
摘要： 本发明公开了一种基于形态学与优化灰色模型的脉冲堆积校正方法，包括对堆积脉冲数据进行预处理；之后将数学形态学与灰色模型相结合先分别对脉冲上升段和下降段进行校正处理，再将其整合为完整脉冲信号，实现对整个脉冲信号堆积的校正。并且根据传统灰色模型的不足，巧妙利用双曲正切变换函数对灰色模型进行优化。本发明利用数学形态学变换与优化后的灰色模型分别对堆积脉冲信号的上升段与下降段进行校正，从图像处理方面出发结合数学预测模型较准确的甄别出单脉冲堆积以及重建双峰脉冲堆积信号，提高核信号分析处理能力，为核技术等安全应用领域提供保障。
-
公开(公告)号：CN112597923A
公开(公告)日：2021-04-02
申请号：CN202011580375.1
申请日：2020-12-28
摘要： 本发明公开了一种基于形态学与优化灰色模型的脉冲堆积校正方法，包括对堆积脉冲数据进行预处理；之后将数学形态学与灰色模型相结合先分别对脉冲上升段和下降段进行校正处理，再将其整合为完整脉冲信号，实现对整个脉冲信号堆积的校正。并且根据传统灰色模型的不足，巧妙利用双曲正切变换函数对灰色模型进行优化。本发明利用数学形态学变换与优化后的灰色模型分别对堆积脉冲信号的上升段与下降段进行校正，从图像处理方面出发结合数学预测模型较准确的甄别出单脉冲堆积以及重建双峰脉冲堆积信号，提高核信号分析处理能力，为核技术等安全应用领域提供保障。
-
-
-
-
-
-
-
-
-
搜索结果
201 条记录 (耗时 0.048 秒)
