基于梯形成形和门控自注意力残差的核脉冲信号检测方法
本发明涉及核信号处理的,更为具体地,涉及一种基于梯形成形和门控自注意力残差的核脉冲信号检测方法、系统、电子设备及计算机可读存储介质。
背景技术:
1、在核探测实验中,准确检测探测器输出长序列信号中的核脉冲信号发生位置,是后续进行信号幅度估计和能谱重建的重要前提。现有核脉冲信号检测方法通常采用数字成形算法对原始信号进行整形,再通过幅值阈值或峰值搜索方法识别脉冲发生位置。然而,在高计数率实验环境下,核脉冲信号容易发生脉冲堆积,多个脉冲在时域上相互重叠,导致传统数字成形检测方法出现漏检、误检甚至失效的问题。因此,如何在复杂脉冲堆积条件下实现核脉冲信号的高精度检测与定位,成为本领域亟待解决的技术难题。
2、为了改善上述问题,现有技术中已有将机器学习应用于核脉冲信号处理的技术。然而,虽然上述方法可以实现堆积信号的峰值位置的识别,但是仍然存在以下技术弊端:1)难以准确区分噪声、单脉冲信号和堆积脉冲信号的边界区域,对于复杂重叠脉冲的检测定位能力仍然有限;2)核脉冲信号具有时序依赖性强、噪声分布复杂的特点,现有技术难以有效提取脉冲信号的边界特征和堆积重叠特征;3)现有技术方法在堆积脉冲检测任务中的性能不佳。
3、因此,亟需一种针对核脉冲信号的持续时间特征和堆积特性进行采样点级分类,同时兼顾类别不平衡问题的核脉冲信号检测方法。
技术实现思路
1、鉴于上述问题,本发明的目的是提供一种基于梯形成形和门控自注意力残差的核脉冲信号检测方法、系统、电子设备及应用,以解决现有技术中存在的至少一个问题。
2、第一方面,本发明提供一种基于梯形成形和门控自注意力残差的核脉冲信号检测方法,包括,
3、获取核探测器采集的长序列核脉冲信号,对所述核探测器采集到的所有长序列核脉冲信号进行梯形成形和滑动窗口分段预处理,获得核脉冲信号样本;
4、利用预设的深度学习时间序列分割模型,对所述核脉冲信号样本进行时间序列分割,确定每个采样点对应的类别标签;所述深度学习时间序列分割模型基于标注有采样点类别的数据集训练获得;所述采样点类别为基于梯形成形后的长序列核脉冲信号的持续时间特征生成的,包括噪声、单脉冲信号和堆积脉冲信号;
5、根据所述类别标签确定核脉冲信号发生位置,实现核脉冲信号检测与定位。
6、可选的技术方案是,对所述长序列核脉冲信号进行梯形成形和滑动窗口分段预处理的方法包括,
7、对所述长序列核脉冲信号进行梯形成形处理;
8、利用非重叠滑动窗口对梯形成形处理后的长序列核脉冲信号进行分段处理,获得具有预设固定长度的核脉冲信号样本序列;
9、对所述核脉冲信号样本序列中的采样点幅值进行z-score标准化处理,获得核脉冲信号样本。
10、可选的技术方案是,对于所述梯形成形处理后的长序列核脉冲信号,单个梯形脉冲的总持续时间通过以下公式确定:
11、,其中 为上升沿时间, 为平顶区时间,为下降沿时间, 为采样周期;
12、当两个或两个以上核脉冲信号的间隔时间小于梯形成形时间形成堆积梯形脉冲时,堆积梯形脉冲的持续时间通过以下公式确定:,
13、其中, 和 分别表示第一个和最后一个核脉冲信号的起始时间, 为堆积梯形脉冲包含的核脉冲信号数量。
14、可选的技术方案是,所述深度学习时间序列分割模型的构建方法包括,
15、构建u-net网络作为基础分割网络;
16、在所述u-net网络的编码器和解码器中引入残差模块;
17、在跳跃连接处引入门控自注意力机制,所述门控自注意力机制包括:对编码器输出的浅层特征图进行卷积变换,分别得到查询矩阵、键矩阵和值矩阵;基于查询矩阵、键矩阵和值矩阵计算自注意力输出;结合解码器输出特征生成空间门控系数,并将所述空间门控系数与自注意力输出进行逐元素相乘,得到增强后的跳跃连接特征;
18、获得gsa-res-unet的深度学习时间序列分割模型。
19、可选的技术方案是,
20、所述门控自注意力机制的空间门控系数通过以下公式确定,
21、
22、其中,为解码器输出的深层特征图,为自注意力输出,、为卷积权重,为偏置项,表示将中间特征压缩至单通道的卷积操作,为sigmoid激活函数。
23、可选的技术方案是,将梯形成形后处于基线区域的采样点标注为噪声,将未发生堆积的梯形脉冲信号对应采样点标注为单脉冲信号,将发生时域重叠的梯形脉冲信号对应采样点标注为堆积脉冲信号。
24、可选的技术方案是,采用粒子群优化算法对所述深度学习时间序列分割模型进行批量数、训练轮数、学习率、权重衰减中的至少一种超参数进行优化。
25、第二方面,本发明还提供一种基于梯形成形和门控自注意力残差的核脉冲信号检测方法系统,包括,
26、样本处理单元,用于获取核探测器采集的长序列核脉冲信号,对所述核探测器采集到的所有长序列核脉冲信号进行梯形成形和滑动窗口分段预处理,获得核脉冲信号样本;
27、模型处理单元,用于利用预设的深度学习时间序列分割模型,对所述核脉冲信号样本进行时间序列分割,确定每个采样点对应的类别标签;所述深度学习时间序列分割模型基于标注有采样点类别的数据集训练获得;所述采样点类别为基于梯形成形后的长序列核脉冲信号的持续时间特征生成的,包括噪声、单脉冲信号和堆积脉冲信号;
28、检测单元,用于根据所述类别标签确定核脉冲信号发生位置,实现核脉冲信号检测与定位。
29、第三方面,本发明提供一种电子设备, 所述电子设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于梯形成形和门控自注意力残差的核脉冲信号检测程序,所述基于梯形成形和门控自注意力残差的核脉冲信号检测程序被所述处理器执行时实现如上所述的基于梯形成形和门控自注意力残差的核脉冲信号检测方法。
30、第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用以实现如上所述的基于梯形成形和门控自注意力残差的核脉冲信号检测方法的步骤。
31、本发明公开了一种基于梯形成形和门控自注意力残差的核脉冲信号检测方法、系统、电子设备及计算机可读存储介质,该方法通过获取核探测器采集的长序列核脉冲信号,对所述核探测器采集到的所有长序列核脉冲信号进行梯形成形、滑动窗口分段和标准化预处理,构建核脉冲信号样本;根据梯形成形后核脉冲信号的持续时间特征,构建采样点级标签序列,将每个采样点划分为噪声、单脉冲信号和堆积脉冲信号;构建融合残差连接与门控自注意力机制的gsa-res-unet模型,对梯形成形后的核脉冲信号进行时间序列分割,输出各采样点对应的类别标签;根据输出的类别标签连续区间确定单脉冲信号发生位置和堆积脉冲信号发生位置,实现核脉冲信号的检测与定位,并为后续核脉冲幅度估计提供数据输入。本发明方法流程清晰、检测精度高、抗脉冲堆积干扰能力强,适用于核与辐射应急医学救援模拟训练、核探测实验及核仪器研制中对大批量核脉冲信号的快速准确检测与分类处置。
32、为了实现上述以及相关目的,本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而,这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外,本发明旨在包括所有这些方面以及它们的等同物。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com