一种基于人工神经网络的点源剂量率修正方法与流程

技术特征：
1.一种基于人工神经网络的点源剂量率修正方法，其特征在于，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和对应剂量率值，分别作为输入参数和输出参数；s2，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，利用所述训练数据中的所述输入参数和输出参数构建人工神经网络模型，将所述训练数据导入所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，将所述测试数据分别导入所述训练后的人工神经网络模型，得到理想输出结果，比较所述理想输出结果与对应的所述测试数据之间的误差；若所述误差大于或等于设定的精度期望值，重复s2、s3，若所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。2.如权利要求1所述的基于人工神经网络的点源剂量率修正方法，其特征在于，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。3.如权利要求2所述的基于人工神经网络的点源剂量率修正方法，其特征在于，获取所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：将所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；利用所述输入参数和所述输出参数计算隐含层；所述人工神经网络模型的结构为，输入参数
‑
隐含层
‑
输出参数，利用所述人工神经网络模型的结构构建人工神经网络的模型。4.如权利要求2所述的基于人工神经网络的点源剂量率修正方法，其特征在于，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：提取所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；将所述相关数据进行标准化处理后获得标准化数据；计算所述标准化数据之间的相关系数，并组成相关系数矩阵；计算所述相关系数矩阵的各个特征值；利用所述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，当所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。5.如权利要求4所述的基于人工神经网络的点源剂量率修正方法，其特征在于，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。6.如权利要求5所述的基于人工神经网络的点源剂量率修正方法，其特征在于，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：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。7.如权利要求5所述的基于人工神经网络的点源剂量率修正方法，其特征在于，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：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。8.如权利要求6所述的基于人工神经网络的点源剂量率修正方法，其特征在于，所述精度期望值为10
‑3。9.如权利要求1所述的基于人工神经网络的点源剂量率修正方法，其特征在于，还包括：若所述误差小于所述精度期望值，在实际场景中使用无人机放射性监测系统测量相同所述放射源在不同高度下的剂量率，并与所述实际输出结果进行对比，以验证所述人工神经网络模型的质量。

技术总结
本申请公开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和对应剂量率值，分别作为输入参数和输出参数；S2，将部分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，将训练数据导入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，将测试数据分别导入训练后的人工神经网络模型，得到理想输出结果，比较理想输出结果与对应的测试数据之间的误差；若误差大于或等于设定的精度期望值，重复S2、S3，若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。法。法。


技术研发人员：汤晓斌 龚频 莫洪 王鹏 梁大戬 王泽宇 周程 朱晓翔 蒋若澄
受保护的技术使用者：南京航空航天大学
技术研发日：2021.07.20
技术公布日：2021/10/23