一种基于人工神经网络的点源剂量率修正方法与流程

1.本技术涉及无人机放射性监测技术领域，特别地，涉及一种基于人工神经网络的点源剂量率修正方法。


背景技术：

2.无人机放射性监测是指以固定翼或者旋翼无人机为平台，依托辐射探测器等机载放射性监测载荷设备，进行空中放射性测量，适用于核事故、环境放射性监测、矿产地质勘查等领域。无人机放射性监测系统搭载的常规探测器获取的是核素的能谱信息，在进行辐射评价时，仅能分辨出不同的放射性核素的种类，不能同时测量出核素的空气吸收剂量率，不具备多参数评价手段。若要直观测量剂量率则需要搭载剂量率仪，这大大提高了无人机作业的难度，降低了工作效率，不利于使用无人机平台进行辐射监测工作。同时，在无人机机载系统在作业时，为了直观的观测各环境的辐射水平以及核事故发生时的各点源的位置信息和周围的辐射水平，需要对探测获取的剂量率进行高度修正，将放射源的空气吸收剂量率转换到同一水平高度下，绘制剂量率热力图，即可直观的监测出各个位置的辐射水平。图1示出了实际应用中使用无人机辐射监测系统的示意图。如图1所示，无人机上搭载碘化钠探测器(铊激发)，形成无人机辐射监测系统。无人机飞行在不同高度时，探测地面上放射性点源在空气中的剂量率。但此时由于无人机飞行高度会变化，探测到的在同一高度下的剂量率往往不准确，因此需要进行修正。
3.为了解决上述问题，国内外研究人员做了相关研究工作。针对点源模式的航空辐射监测，当前已经有研究人员使用大型nai(tl)探测器(探测系统由18条4.2l的nai(tl)晶体组成，总探测体积为75.6l)装备在大型飞机上对地面点源产生的剂量率进行高度修正，目的是寻找点源模式下的高度衰减系数，修正使用的方法是根据iaea提供的经验公式进行校准。此方法的缺点首先是装载的nai(tl)探测器的体积太大，无法适用于小型无人机，导致作业环境受限；其次使用的经验公式的条件较为理想化，未考虑实际应用场景，适用性较差；
4.其次也有研究人员采用能谱剂量率转换函数(ge函数)，实现探测获得的能谱计数与相对应的剂量率的转换。此方法工作较为繁琐，实现起来步骤繁多，对无人机辐射监测系统时进行实时在线的数据处理造成较大困难；所以，根据无人机放射性监测原理以及实际应用需求，设计一种可以实时在线监测的针对点源的放射性核素剂量率高度修正方案是十分必要的。


技术实现要素：

5.针对现有技术的不足，本发明提供一种基于人工神经网络的的剂量率修正方法，通过采用基于人工神经网络的预测模型，对探测器获取的能谱中的关键数据进行训练，进而实现预测。
6.本发明提供了一种基于人工神经网络的点源剂量率修正方法，包括：s1，获取无人
机放射性监测系统在不同高度下的能谱数据对应剂量率值，分别作为输入参数和输出参数；s2，将部分上述不同高度下能谱数据划分为训练数据，另一部分划分为测试数据，利用上述训练数据中的上述输入参数和输出参数构建人工神经网络模型，将上述训练数据导入上述人工神经网络模型中进行训练，获得训练后的人工神经网络模型；s3，将上述测试数据分别导入上述训练后的人工神经网络模型，得到理想输出结果，比较上述理想输出结果与对应的上述测试数据之间的误差；若上述误差大于或等于设定的精度期望值，重复s2、s3，若上述误差小于设定的精度期望值，则训练调试后的人工神经网络模型为点源剂量率修正算法。
7.进一步地，获取无人机放射性监测系统在不同高度下的能谱的方法为：使用蒙特卡洛软件模拟无人机放射性监测系统在不同高度下的能谱。
8.进一步地，获取上述不同高度能谱数据中的输入参数、输出参数，并构建人工神经网络模型的方法为：将上述不同高度下的能谱数据进行归一化处理；提取归一化处理后对剂量率沉积起主要贡献的主成分个数作为输入参数；放射源在空气中沉积的空气吸收剂量率为输出参数；利用上述输入参数和上述输出参数计算隐含层；上述人工神经网络模型的结构为，输入层
‑
隐含层
‑
输出层，利用上述人工神经网络模型的结构构建人工神经网络的模型。
9.进一步地，提取归一化处理后对剂量率沉积起主要贡献的主成分个数的方法为：提取上述不同高度下的能谱数据中与空气沉积剂量率相关的数据；将上述相关数据进行标准化处理后获得标准化数据；计算上述标准化数据之间的相关系数，并组成相关系数矩阵；计算上述相关系数矩阵的各个特征值；利用上述各个特征值计算每个上述相关数据的贡献率和累计贡献率，当上述累计贡献率大于阈值时，对应的最少的特征值数量，作为起主要贡献的主成分个数，即为输入参数。
10.进一步地，与空气沉积剂量率相关数据包括：各核素对应的全能峰计数、能量、单逃逸峰、双逃逸峰、湮灭峰和对应的测量时间和高度。
11.进一步地，将上述相关数据进行标准化处理获得上述标准化数据的方法为，利用如下公式：
[0012][0013]
其中，其中x
ij
表示的是第i个能谱的第j个指标；表示的是x
ij
经过标准化操作之后的数据；其中是表示的是所有上述能谱数据的平均值；为数据的方差，代表数据差异性，s
j
是代表的两个数据之间的标准差。
[0014]
进一步地，计算上述标准化数据之间的相关系数的方法为，利用如下公式：
[0015][0016]
其中，r
ij
为上述能谱数据x
i
与x
j
的相关系数；x
i
为第i个能谱数据的平均值；x
j
为第j个能谱数据的平均值；n表示的是用来进行计算的能谱的个数，x
kj
表示的是第k个能谱的第
j个指标。
[0017]
进一步地，上述精度期望值为10
‑3。
[0018]
进一步地，上述方法还包括：若上述误差小于上述精度期望值，在实际场景中使用无人机放射性监测系统测量相同上述放射源在不同高度下的剂量率，并与上述实际输出结果进行对比，以验证上述人工神经网络模型的质量。
[0019]
本技术中公开地方法解决现有点源模式下剂量率高度修正过程中剂量验证工作存在花费时间长、人力物力成本高的问题，能提高剂量修正的效率和质量，其结果有助于对验证结果进行分析，减少验证成本。使用bpnn人工神经网络，可以较为有效的提高整个剂量率高度修正的效率，实现核素剂量率高度修正的一体式修正。
[0020]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0021]
图1为实际应用中使用无人机辐射监测系统的示意图。
[0022]
图2为基于神经人工神经网络的点源剂量率修正方法流程图。
[0023]
图3为nal(ti)探测器模型示意图。
具体实施方式
[0024]
以下结合附图和实施例，对本发明的具体实施方式进行更加详细的说明，以便能够更好地理解本发明的方案以及其各个方面的优点。然而，以下描述的具体实施方式和实施例仅是说明的目的，而不是对本发明的限制。
[0025]
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
[0026]
首先，需解释下bpnn(反向传播神经网络算法)的由来。人工神经网络(artificial neural network，即ann)，是20世纪80年代以来人工智能领域兴起的研究热点。最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，而反向传播算法(back
‑
propagation)作为最早且最普遍使用的多层感知机网络训练方法，早在70、80年代就被提出来，并一直沿用至今。以误差反向传播算法为核心的反向传播人工神经网络(bpnn)也同样应用广泛。
[0027]
人工神经网络(bp)模型拓扑结构包括输入层、隐含层以及输出层，输入层的神经元由样本属性的维度决定，输出层的神经元个数由样本分类个数决定，隐含层则可以依据实际情况自己决定。从本质上讲，bp算法就是以网络误差平方目标函数、采用梯度下降法来计算目标函数的最小值。基本bp算法包括信号的前向传播和误差的反向传播两个过程。bpnn(反向传播神经网络)具有诸多优点，比如非线性映射能力强、高度的自学习和自适应能力、容错能力强等。使用bpnn，可以较为有效的提高整个剂量率高度修正的效率，实现核
素剂量率高度修正的一体式修正。
[0028]
此外，还需简单介绍下本技术中利用的mcnp模拟软件。在mcnp软件是一种利用蒙特卡洛模拟程方法的软件。核技术的学科特点导致很多情况下无法进行实际的测量或实验工作，此时计算机模拟计算就显示出了独特的优势。同时对于结构和反应机制复杂的核反应问题，一般的数值方法难以求解，而mc(monte carlo)方法能够准确地模拟实际中的物理过程，解决以往数值方法难以解决的问题，因此该方法广泛地应用于涉核领域的研究中。上世纪40年代中期随着原子能事业的发展，mc方法逐渐成长起来，其基本思想是基于随机数选择的统计抽样方法，由于传统的经验方法不能逼近真实的物理过程,难以得到满意的结果，在解决粒子输运问题方面，蒙特卡罗方法有着显著的优势，随后人们逐渐开发了众多的mc模拟程序，目前主流的有egs、mcnp、geant4等，其中mcnp是由美国洛斯阿拉莫斯国家实验室开发，主要用于三维几何结构中光子、电子、中子等在物质中输运问题的蒙特卡罗模拟程序，其适用的光子能量范围在1e
‑
3mev—1e5mev，电子能量范围在1e
‑
3mev—1e3mev，中子能量范围1e
‑
11mev—20mev。mcnp的程序功能较全，各种物质反应截面数据丰富，减小方差的方法多样，通用性强且使用简单。
[0029]
图2示出了本发明基于人工神经网络的点源剂量率修正方法流程图。
[0030]
如图2所示，首先获取无人机放射性监测系统在不同高度下的能谱，即模拟数据，本技术采取的是利用mcnp软件进行模拟。提取不同高度下能谱数据和剂量率值作为输入参数和输出参数。将部分所述不同高度下能谱数据划分为训练数据，另一部分划分为测试数据。需注意的是测试数据不得少于50组，训练数据需远大于测试数据的数量，如本技术实施例中，测试数据为50组，训练数据为450组。
[0031]
用训练数据中的输入参数和输出参数构建人工神经网络模型，即bpnn算法模型，将训练数据分别导入人工神经网络模型中进行训练，并获得训练后的人工神经网络模型。
[0032]
再将上述的测试数据分别导入所述训练好的人工神经网络模型中，将得到理想输出结果，将同等高度下理想输出与对应的测试数据进行比较，若误差小于精度期望值，则该人工神经网络训练模型，即为需要的点源空气剂量率修正算法。若误差大于或等于精度期望值，则该人工神经网络训练模型不符合要求，需要重复以上步骤对人工神经网络模型继续训练。此外若误差小于精度期望值，则还需无人机机载辐射监测系统在现场实测到的能谱数据对本修正算法进行验证。
[0033]
下面将对每一步骤进行详细的描述。本技术采用mcnp模拟地面点源在不同高度的空气中的放射率情况。需首先第一步选用选择合适的无人机飞行高度区间以及核素的能量区间，选择合适的机载探测系统。
[0034]
第二步，使用mcnp模拟获取无人机放射性监测系统在不同高度下的能谱数据。并将该能谱数据划分为测试数据和训练数据。提取训练数据中与空气沉积剂量率相关的数据，对所有与空气沉积剂量率相关的信息数据进行归一化处理，挑选其中对剂量率沉积起主要贡献的主成分个数作为输入参数。放射源在空气中沉积的空气吸收剂量率作为输出参数。
[0035]
第三步，根据上述的输入参数和输出参数，计算隐含层节点数。，构建人工神经网络模型，。将训练数据分别导入上述构建的人工神经网络模型中进行模型训练。得到训练后的人工神经网络模型。
[0036]
构建人工神经网络模型的方法如下：将不同高度下的能谱数据进行归一化处理。提取归一化处理后对剂量率沉积起主要贡献的主成分个数作为输入参数。放射源在空气中沉积的空气吸收剂量率为输出参数；利用输入参数和输出参数计算隐含层节点数。人工神经网络模型的结构为，输入参数
‑
隐含层节点数
‑
输出参数，利用人工神经网络模型的结构构建人工神经网络的模型。
[0037]
其中提取归一化处理后对剂量率沉积起主要贡献的主成分个数的方法为，提取不同高度下的能谱数据中与空气沉积剂量率相关的数据。将相关数据进行标准化处理后获得标准化数据。计算标准化数据之间的相关系数，并组成相关系数矩阵。计算相关系数矩阵的各个特征值；利用各个特征值计算每个所述相关数据的贡献率和累计贡献率，确定当累计贡献率超过阈值时，对应的最少特征值个数，作为起主要贡献的主成分个数。
[0038]
与空气沉积剂量率相关的数据包括各核素对应的全能峰计数、能量、单逃逸峰、双逃逸峰、湮灭峰和对应的测量时间和高度。
[0039]
将所述相关数据进行标准化处理获得所述标准化数据的方法为，利用如下公式：
[0040]
其中，其中x
ij
表示的是第i个能谱的第j个指标；表示的是x
ij
经过标准化操作之后的数据；其中是表示的是所有所述能谱数据的平均值；为数据的方差，代表数据差异性，s
j
是代表的两个数据之间的标准差。n表示的是用来计算的能谱个数。
[0041]
其中平均值和标准差的计算可依照如下公式：
[0042][0043][0044]
公式中各项的含义同上。
[0045]
计算所述标准化数据之间的相关系数的方法为，利用如下公式：
[0046][0047]
其中，r
ij
为所述能谱数据x
i
与x
j
的相关系数；x
i
为第i个能谱数据的平均值；x
j
为第j个能谱数据的平均值；n表示的是用来进行计算的能谱的个数，x
kj
表示的是第k个能谱的第j个指标。
[0048]
将相关系数组成相关系数矩阵r
[0049][0050]
计算相关系数矩阵，并对获得的特征值和特征向量进行排序，即解特征方程：
[0051]
|λi
‑
r|＝0
[0052]
其中i为对应维度的单位矩阵，计算上式获取特征值λ1，λ2，λ3，...，λ
17
与其对应的特征向量，并按照大小进行排序。
[0053]
接下来计算每一个成分的贡献率以及累计贡献值进行主成分的筛选，第l个主成分的贡献率α
l
的计算公式为：
[0054][0055]
k个主成分的累计贡献率g
k
的计算公式为：
[0056][0057]
当累计贡献率大于80％时，对应的最少的k值，即为主成分数目，也是输入信息。
[0058]
第四步，对训练后的人工神经网络模型进行测试，将测试数据分别导入训练后的人工神经网络模型中，得到理想的输出结果，比较其与对应的测试数据之间的误差，若误差小于设定的精度期望值，则该训练后的网络模型即为所需的修正方法。
[0059]
比较理想的输出结果与对应的测试数据之间的误差的方法依照如下公式：
[0060][0061]
其中，m
i
表示经所述训练好的人工神经网络模型获得的理想输出结果，o
i
表示经训练好的人工神经网络模型获得的实际输出结果，n表示样本数量。
[0062]
按照经验，一般设定模型精度期望值为10
‑3。
[0063]
此外，可将mcnp软件中提取到的输入层、输出层、隐含层信息一部分用于训练人工神经网络模型，另一部分可在训练网络模型前，用于测试该bn网络模型的识别能力。
[0064]
另外如图2所示，利用训练好的人工神经网络，对使用无人机放射性监测系统测量质量的放射源在一定距离处的数据样本进行验证，验证人工神经网络模型的训练质量。
[0065]
实施例
[0066]
为了便于理解，本技术详细公开了应用本方法进行修正的实施例一。
[0067]
步骤一：选择合适的机载探测系统。本发明选用nai(t1)探测器系统，由该探测器系统为2
×
2英寸nai(t1)探测器，多道幅度分析仪及配套maestro软件组成，其中探测器能量范围为30kev至3mev，能量分辨率为7.7％(cs
‑
137，662kev)，多道幅度分析仪为1024道。
由nai(t1)探测器探测原理可知，γ粒子与探测器作用主要在晶体部分，图3该nai(t1)探测器模型图，其晶体几何尺寸及周围包覆材料结构如图，其中铝壳厚度为2.5mm，玻璃材料为sio2，厚度为2mm，反射层材料为mgo，厚度为0.5mm。在mcnp模拟过程中使用的模型也依据上述数据进行建模。
[0068]
步骤二：根据本发明所提供的方法，模拟选择的无人机飞行高度区间是0米至100米，取值在0
‑
100米之间间隔0.2米取一个高度值，一共选取500组高度数据，相对应可以获取500组的模拟数据；对应的能量信息表示为入射光子的能量，设置为代表不同的核素的能量值，内容包括：am
‑
241(59.5kev)、cs
‑
137(662kev)、co
‑
60(1173kev和1332kev)、k
‑
40(1460kev)。
[0069]
步骤三：根据本发明所提供的方法，mcnp模拟选用的探测器模型：点源在地面0米处，无人机放射性监测系统的探测器在点源的正上方，距离采取上述的距离区间(如图1中所示)。模拟的源项是各向同性，发射权重为1的点源。用相应的曲面卡和栅元卡建立模型，使用f8卡获取碘化钠晶体探测器的能谱图。根据本发明提供的方法，在mcnp模拟过程中，模拟的能谱的真实性与发射粒子的数量设置相关，可以采取发射粒子数为1
×
10
11
进行模拟。
[0070]
步骤四：将模拟获得的500组数据中的450组数据作为训练数据进行bp人工神经网络的训练，将剩下的50组数据作为测试数据测试bp人工神经网络的识别能力。
[0071]
步骤五：根据本发明所提供的方法，首先对mcnp获得的能谱进行归一化处理，再进行能谱特征提取，获得能谱中的am
‑
241核素对应的全能峰计数和能量；cs
‑
137核素对应的全能峰计数和能量；co
‑
60的1173kev峰对应的全能峰计数和能量；co
‑
60的1332kev峰对应的全能峰计数、能量以及单逃逸峰和双逃逸峰；k
‑
40的1460kev峰对应的全能峰计数、能量以及单逃逸峰和双逃逸峰；再加上能谱中的湮灭峰，对应的测量时间和高度这一共17个与核素的空气沉积剂量率相关的数据。由于能谱信息繁多，提取获得的能谱数据是多维数据，需要对提取到的数据进行降维处理，选出对应剂量率贡献最大的数据。
[0072]
步骤六：根据本发明所提供的方法，选取训练集的450组数据，再根据步骤五所挑选的17个数据作为变量，构建450
×
17的数据矩阵x。
[0073][0074]
式中i＝1，2，3，...，450，j＝1，2，3，...，17。i表示训练集的450个数据，j表示的是提取获得的17个能谱特征值数据。
[0075]
步骤七：对步骤六的数据进行处理，获得标准化矩阵。目的是为了消除各个数据之间的量纲化和数量级上的差异，获得标准化的数据其中矩阵内的数据可由下式计算：
[0076]
[0077]
其中x
ij
表示的是第i个能谱的第j个指标；表示的是x
ij
经过标准化操作之后的数据；其中是表示的是所有数据的平均值；为数据的方差，代表数据差异性，s
j
是代表的两个数据之间的标准差。
[0078][0079][0080]
上式中n表示的是用来进行计算的能谱的个数，n＝450。
[0081]
为了获得每个成分的贡献值，计算矩阵r(相关系数矩阵)：
[0082][0083]
其中r
ij
的计算公式为：
[0084][0085]
上式中，r
ij
为原变量x
i
与x
j
的相关系数；x
i
为第i个能谱；x
j
为第j个能谱特征值；n表示的是用来进行计算的能谱的个数。
[0086]
计算相关系数矩阵获得的特征值和特征向量进行排序，即解特征方程：
[0087]
|λi
‑
r|＝0
[0088]
其中i为对应维度的单位矩阵，计算上式获取特征值λ1，λ2，λ3，...，λ
17
与其对应的特征向量，并按照大小进行排序。
[0089]
接下来计算每一个成分的贡献率以及累计贡献值进行主成分的筛选，第l个主成分的贡献率α
l
的计算公式为：
[0090][0091]
k个主成分的累计贡献率g
k
的计算公式为：
[0092]
[0093]
由上式以及本发明提供的实施例计算可得，当主成成分的个数等于12时，累计贡献率大于80％，可以认为，这十二个数据为本次实施例的主成分。
[0094]
其中12个主成分分别是模拟中am
‑
241(59.5kev)、cs
‑
137(662kev)、co
‑
60(1173kev和1332kev)、k
‑
40(1460kev)四个放射源发射射线的个能量、能谱中5个能量对应的全能峰的计数以及测量时的时间和高度。
[0095]
步骤八：将步骤七获得的12个特征参数应用于人工神经网络的输入参数，同时输出参数为各个核素在空气中的沉积空气吸收剂量率，一共是4个输出参数，因此对用的输入节点数n＝12，输出节点数m＝4。确定隐含层节点数q可以通过经验公式获得：
[0096][0097]
本方法选择的最优的节点数为10。所以，本发明中的bpnn的结构为12
‑
10
‑
4。
[0098]
步骤九：将随机分组完毕后的450组训练数据导入人工神经网络模型中，对模型进行训练；
[0099]
步骤十：将测试数据导入已经训练好的人工神经网络模型中，比较模型获取的输出结果与对应的测试数据之间的误差mse：按照公式1计算，其中n＝450；
[0100]
步骤十一：将训练获得的测试误差mse和模型精度期望值进行比较，如果mse小于10
‑3，则认为模型训练完成；若mse大于精度期望值，则需要继续修改网络参数，直到mse小于精度期望值，训练结束；
[0101]
步骤十二：根据本发明提供的方法，最后利用已经训练好的人工神经网络模型，对使用无人机放射性监测系统测量am
‑
241、cs
‑
137、co
‑
60这三种人工放射源在1米处的数据样本进行验证，验证网络训练质量。
[0102]
显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。