本发明涉及混合辐射场测量及其数据处理
技术领域：
，具体地讲，是涉及一种基于遗传算法的中子-伽马甄别方法。
背景技术：
：随着全世界核科学与技术的飞速发展，中子的研究与应用受到越来越多科研工作者的关注。在实际中子测量应用中，由于中子与周围环境存在非弹性散射及慢中子的辐射俘获等相互作用，伽马射线总是与中子相伴存在，而对中子探测灵敏的探测器对伽马射线也很灵敏，使得中子和伽马射线难以区分。因此，如何快速准确地从中子-伽马混合辐射场中实现中子-伽马甄别是中子探测中的一个关键问题。然而，尽管现有中子-伽马甄别方法日新月异，但是不同方法之间的差异性、准确性和实用性等都亟需考证研究。遗传算法是诸多启发式算法(metaheuristics)之一，属于种群式启发算法中的进化算法，另外一种种群式启发算法为群体智慧算法(sourabhkatochetal.,2020)。同样属于群体式启发算法的还有粒子群优化算法(particleswarmoptimization,pso)(kennedyjetal.,1995)、蚁群算法(antcolonyoptimization,aco)等(dorigometal.,2006)。受到达尔文的进化论和孟德尔的遗传学说的启发和影响，johnholland等人于20实际60年代初期首次提出了这一概念(jhholland1992)。遗传算法很好的利用了物竞天择这一基本概念，通过遗传物质的交叉互换和突变使种群不断适应进化，达到最优的生存空间。将遗传算法应用在中子的探测中对中子-伽马甄别技术进行优化，以克服现有中子-伽马甄别技术存在准确性不足的问题，提升中子测量水平，对科学研究与工程应用将具有重要意义。技术实现要素：针对上述技术问题，本发明提供一种准确性更高的基于遗传算法的中子-伽马甄别方法。为了实现上述目的，本发明采用的技术方案如下：一种基于遗传算法的中子-伽马甄别方法，包括以下步骤：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，抑制噪声；s30、从预处理的中子-伽马脉冲数据提取中子或伽马的样本信号进行平均化处理，构建中子或伽马的标准脉冲；s40、将构建的标准脉冲进行拟合得到用于遗传算法处理的适应度函数；s50、基于适应度函数利用预处理后的中子-伽马脉冲数据进行遗传算法迭代，经选择、交叉、变异操作后获得所使用的适应度函数的最佳参数；s60、根据步骤s50中获得的适应度函数的最佳参数计算甄别因子rpsd，并使用该甄别因子rpsd对中子-伽马脉冲数据进行甄别。具体地，所述步骤s10中获取中子-伽马脉冲数据包括：采用252cf和60co分别进行实验获得若干伽马和中子脉冲信号origindata，数据长度为n。具体地，所述步骤s20中对中子-伽马脉冲数据进行预处理包括：s21、对获得的中子-伽马脉冲数据进行归一化处理，使得结果落在[0,1]区间，即：s22、采用最小二乘法对归一化处理后的中子-伽马脉冲数据进行光滑，去除数据中的随机噪声，即：式中，pulse(x)为平滑后的数据，ak为曲线拟合系数。具体地，所述步骤s30中构建中子和伽马的标准脉冲包括：s31、分别从预处理的中子-伽马脉冲数据提取指定数量的中子脉冲样本信号或伽马脉冲样本信号；s32、按照脉冲持续时间，将中子脉冲样本信号分别对应求和再平均后得到中子标准脉冲，或者将伽马脉冲样本信号分别对应求和再平均后得到伽马标准脉冲，表示为：其中，s(x)为平均后的中子标准脉冲或伽马标准脉冲，i为样本信号的数量，pulse(x)表示中子脉冲样本信号或伽马脉冲样本信号。具体地，所述步骤s40中对标准脉冲拟合得到适应度函数的过程包括：s41、剔除标准脉冲中信号的上升沿部分；s42、对保留的标准脉冲中信号的下降沿部分进行非线性最小二乘拟合，得到适应度函数。具体地，所述步骤s42中采用以下公式进行非线性最小二乘拟合：式中，p为参数向量，n为标准脉冲信号的长度，q为非线性最小二乘拟合的误差，s(x)为标准脉冲，f(x,p)表示待拟合的适应度函数。具体地，所述步骤s42中得到的适应度函数表示为：或式中，p1,p2,p3,p4为参数向量p中的参数元素，式(5)表示基于中子标准脉冲得到的适应度函数，式(6)表示基于伽马标准脉冲得到的适应度函数。具体地，所述步骤s50中基于适应度函数进行遗传算法迭代的过程包括：s51、将适应度函数的参数p作为种群中的个体，随机生成具有指定数量个体的初始种群；s52、根据步骤s40中得到的适应度函数计算种群中每个个体的适应度；s53、判断种群中个体适应度是否达到设定的迭代次数或者优化准则；s54、若没达到，则进行选择、编码、交叉、变异、解码和种群更新操作，并重复步骤s52至s54，若达到，则输出适应度函数的最佳参数。其中，所述步骤s53中设定的迭代次数为200次，设定的优化准则为算法误差小于1e-6。所述步骤s54中，选择操作为根据适应度对种群进行重抽样，编码操作为对该种群中每个个体进行编码，交叉操作为随机选择该种群中的两个个体进行交叉，变异操作为随机选择该种群中的一个个体进行变异，解码操作为对该种群中每个个体进行解码，组合得到新的种群。具体地，所述步骤s60中，获得的适应度函数的最佳参数为当前种群中适应度最高的个体，记录其参数p求和得到甄别因子rpsd＝sum(p)。与现有技术相比，本发明具有以下有益效果：(1)本发明巧妙利用了原始数据构建中子和伽马的标准脉冲，并以此来拟合得到适应度函数，将中子-伽马甄别的判别问题转化为数据优化问题，再采用遗传算法优化数据求解，有效提高了中子-伽马甄别中的准确性。(2)本发明采用遗传算法的优点，通过模拟自然界的物竞天择法则和遗传物质的交叉互换和突变现象不断更新和优化特征子集，巧妙利用了个体表示优化问题的潜在解，而且更新特征子集的算子直接作用于个体，使得该算法可以高效并行的执行。附图说明图1为本发明-实施例的流程示意图。图2为本发明-实施例中拟合适应度函数的脉冲效果图。图3为本发明-实施例中利用一适应度函数得到的中子-伽马甄别fom图。图4为本发明-实施例中利用另一适应度函数得到的中子-伽马甄别fom图。图5为本发明-实施例中的中子-伽马甄别效果图。具体实施方式下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。实施例如图1至图5所示，该基于遗传算法的中子-伽马甄别方法，包括以下步骤：s10、获取中子-伽马脉冲数据：采用252cf和60co分别进行实验获得若干伽马和中子脉冲信号origindata，数据长度为n。s20、对获取的中子-伽马脉冲数据进行预处理，抑制噪声：s21、对获得的中子-伽马脉冲数据进行归一化处理，使得结果落在[0,1]区间，即：s22、采用最小二乘法对归一化处理后的中子-伽马脉冲数据进行光滑，去除数据中的随机噪声，即：式中，pulse(x)为平滑后的数据，ak为曲线拟合系数。s30、从预处理的中子-伽马脉冲数据提取样本信号进行平均化处理，分别构建中子和伽马的标准脉冲，由于构建两种标准脉冲的方式相同，本实施例统一描述，实际应用中任选其一使用即可：分别提取中子和伽马脉冲数据的样本信号各100个，按照脉冲持续时间，将中子脉冲样本信号分别对应求和再平均后得到中子标准脉冲，将伽马脉冲样本信号分别对应求和再平均后得到伽马标准脉冲，均可表示为：其中，s(x)为平均后的中子标准脉冲或伽马标准脉冲，i为样本信号的数量，pulse(x)表示中子脉冲样本信号或伽马脉冲样本信号。s40、将构建的标准脉冲进行拟合得到用于遗传算法处理的适应度函数，由于拟合适应度函数的方式相同，本实施例统一描述，实际应用中任选其一与步骤s30对应使用即可：s41、剔除标准脉冲中信号的上升沿部分；s42、对保留的标准脉冲中信号的下降沿部分进行非线性最小二乘拟合，即式中，p为参数向量，n为标准脉冲信号的长度，q为非线性最小二乘拟合的误差，s(x)为标准脉冲，f(x,p)表示待拟合的适应度函数。得到分别对应中子脉冲数据和伽马脉冲数据的两个拟合度较高的适应度函数，表示为：式中，p1,p2,p3,p4为参数向量p中的参数元素，式(5)表示基于中子标准脉冲得到的适应度函数，式(6)表示基于伽马标准脉冲得到的适应度函数。值得指出的是，基于中子和伽马脉冲数据的图形曲线相近的特点，在处理中子-伽马脉冲数据时可以只使用一个适应度函数，对中子和伽马脉冲数据而言，其只是适应度函数的参数不同。s50、基于适应度函数利用预处理后的中子-伽马脉冲数据进行遗传算法迭代，经选择、交叉、变异操作后获得拟合的适应度函数的最佳参数，具体过程为：将适应度函数的参数p作为种群中的个体，随机生成100个个体的种群；根据上述公式(5)或公式(6)分别计算种群中每个个体的适应度；判断种群中个体适应度是否达到设定的迭代次数或者优化准则，本实施例设定的迭代次数为200次，设定的优化准则为遗传算法误差小于1e-6时，遗传算法的误差z以下式表示：式中，n为信号的长度，y’(x)为迭代的适应度函数，pulse(x)为预处理后的脉冲数据；若达到，则停止迭代，输出种群中适应度最高的个体；若没达到，则依次进行选择、编码、交叉、变异、解码和种群更新操作，选择操作根据适应度对种群进行重抽样，重抽样的选择概率设定为0.5；编码操作为对该种群中每个个体进行编码；交叉操作为随机选择该种群中的两个个体进行交叉，交叉率设定为0.9；变异操作为随机选择该种群中的一个个体进行变异，变异概率设定为0.1；解码操作为对该种群中每个个体进行解码，组合得到新的种群；并重复上述过程根据公式(5)或公式(6)计算每个个体的适应度并进行判断。s60、根据输出种群中适应度最高的个体的参数p求和得到甄别因子rpsd，rpsd＝sum(p)(8)并使用该甄别因子rpsd对中子-伽马脉冲数据进行甄别。通过以下实验对该甄别方法进行验证：实验数据采用ej-276探测器在平均能量为4.5mev的241am-be中子源上通过10gs/s数字示波器进行获取6000个脉冲。图2为剔除脉冲上升沿部分后经过非线性最小二乘拟合得到的拟合结果图，横坐标脉冲时间，纵坐标为归一化后的脉冲幅度。为了验证该甄别方法的可行性，下表1列出了基于公式(5)表示的适应度函数经遗传算法迭代计算出的最优中子和伽马脉冲的参数值，可以看出中子和伽马在p2这个参数值上差距较大，对参数p的各参数元素p1,p2,p3,p4求和即可得到甄别因子rpsd对中子伽马脉冲进行甄别。下表2列出了基于公式(6)表示的适应度函数经遗传算法迭代计算出的最优中子和伽马脉冲的参数值，可以看出中子和伽马在p1这个参数值上差距较大，对参数p的各参数元素p1,p2,p3求和即可得到甄别因子rpsd对中子伽马脉冲进行甄别。p1p2p3p4伽马1.58212.522.04617.024中子1.6352.436.50116.918表1p1p2p3伽马150.866.5312.92中子37.4410.4310.94表2图3和图4所示为基于遗传算法的中子-伽马甄别fom图，图3和图4分别对应适应度函数公式(5)和适应度函数公式(6)。其中，横坐标代表甄别因子，纵坐标代表在该甄别因子区间内的脉冲计数，通过计算两个峰面积即可获取总的脉冲计数值(即脉冲总数)。计算其fom值分别为1.498和1.5933，高于理论fom值(理论fom值为1.27)，表征该方法能够实现较好的中子-伽马甄别。图5为结合了脉冲幅度的甄别效果图，从图中可以看出获得了较好的甄别效果。上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。当前第1页1 2 3
技术特征：1.一种基于遗传算法的中子-伽马甄别方法，其特征在于，包括以下步骤：
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，抑制噪声；
s30、从预处理的中子-伽马脉冲数据提取中子或伽马的样本信号进行平均化处理，构建中子或伽马的标准脉冲；
s40、将构建的标准脉冲进行拟合得到用于遗传算法处理的适应度函数；
s50、基于适应度函数利用预处理后的中子-伽马脉冲数据进行遗传算法迭代，经选择、交叉、变异操作后获得所使用的适应度函数的最佳参数；
s60、根据步骤s50中获得的适应度函数的最佳参数计算甄别因子rpsd，并使用该甄别因子rpsd对中子-伽马脉冲数据进行甄别。
2.根据权利要求1所述的基于遗传算法的中子-伽马甄别方法，其特征在于，所述步骤s10中获取中子-伽马脉冲数据包括：
采用252cf和60co分别进行实验获得若干伽马和中子脉冲信号origindata，数据长度为n。
3.根据权利要求1所述的基于遗传算法的中子-伽马甄别方法，其特征在于，所述步骤s20中对中子-伽马脉冲数据进行预处理包括：
s21、对获得的中子-伽马脉冲数据进行归一化处理，使得结果落在[0,1]区间；
s22、采用最小二乘法对归一化处理后的中子-伽马脉冲数据进行光滑，去除数据中的随机噪声。
4.根据权利要求1所述的基于遗传算法的中子-伽马甄别方法，其特征在于，所述步骤s30中构建标准脉冲包括：
s31、分别从预处理的中子-伽马脉冲数据提取指定数量的中子脉冲样本信号或伽马脉冲样本信号；
s32、按照脉冲持续时间，将中子脉冲样本信号分别对应求和再平均后得到中子标准脉冲，或者将伽马脉冲样本信号分别对应求和再平均后得到伽马标准脉冲，表示为：
其中，s(x)为平均后的中子标准脉冲或伽马标准脉冲，i为样本信号的数量，pulse(x)表示中子脉冲样本信号或伽马脉冲样本信号。
5.根据权利要求1所述的基于遗传算法的中子-伽马甄别方法，其特征在于，所述步骤s40中对标准脉冲拟合得到适应度函数的过程包括：
s41、剔除标准脉冲中信号的上升沿部分；
s42、对保留的标准脉冲中信号的下降沿部分进行非线性最小二乘拟合，得到适应度函数。
6.根据权利要求5所述的基于遗传算法的中子-伽马甄别方法，其特征在于，所述步骤s42中采用以下公式进行非线性最小二乘拟合：
式中，p为参数向量，n为标准脉冲信号的长度，q为非线性最小二乘拟合的误差，s(x)为标准脉冲，f(x,p)表示待拟合的适应度函数。
7.根据权利要求6所述的基于遗传算法的中子-伽马甄别方法，其特征在于，所述步骤s42中得到的适应度函数表示为：
式中，p1,p2,p3,p4为参数向量p中的参数元素。
8.根据权利要求7所述的基于遗传算法的中子-伽马甄别方法，其特征在于，所述步骤s50中基于适应度函数进行遗传算法迭代的过程包括：
s51、将适应度函数的参数作为种群中的个体，随机生成具有指定数量个体的初始种群；
s52、根据步骤s40中得到的适应度函数计算种群中每个个体的适应度；
s53、判断种群中个体适应度是否达到设定的迭代次数或者优化准则；
s54、若没达到，则进行选择、编码、交叉、变异、解码和种群更新操作，并重复步骤s52至s54，若达到，则输出适应度函数的最佳参数。
9.根据权利要求8所述的基于遗传算法的中子-伽马甄别方法，其特征在于，所述步骤s54中选择操作为根据适应度对种群进行重抽样，交叉操作为随机选择该种群中的两个个体进行交叉，变异操作为随机选择该种群中的一个个体进行变异。
10.根据权利要求8所述的基于遗传算法的中子-伽马甄别方法，其特征在于，所述步骤s53中设定的迭代次数为200次，设定的优化准则为算法误差小于1e-6。
技术总结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。
技术研发人员：柳炳琦;秦利川;刘明哲;刘祥和;黄瑶;王琦标;张贵宇
受保护的技术使用者：成都大学;成都理工大学;四川轻化工大学
技术研发日：2021.05.19
技术公布日：2021.08.03
