一种基于预测模型的核信号校正方法

1.本发明属于核辐射探测技术领域，尤其是一种基于预测模型的核信号校正方法。


背景技术：

2.在使用核辐射探测设备获取核信号的过程中，经常出现部脉冲堆积的情况。脉冲堆积会给核信号的获取与分析带来难度，通常表现为脉冲形状失真、计数率下降、死区时间延长甚至降低能量分辨率等。通常采用整形器通过调整脉冲宽度来减少脉冲堆积，这种方法在一定程度上能减少脉冲堆积发生的概率，但也会损失部分信号，增大校正误差。因此，对脉冲堆积校正算法开展深入研究具有深远意义。
3.随着机器学习等人工智能算法的发展，稀疏重建算法以及神经网络得到了更加广泛的应用。有学者将稀疏重建算法用于信号处理并采用两个正则项来减小误差，较好的实现了脉冲堆积分离。有学者利用全连接神经网络和递归神经神经网络实现了中子伽马脉冲堆积重建，并在此基础上测试了基于神经网络的中子伽马甄别能力，此类算法计算往往比较复杂，实用性不强。为简化校正过程，提高校正精度，有研究者采用拟合的方式来进行脉冲重建，如三次指数平滑和灰色模型对脉冲数据进行预测校正，三次指数平滑和传统灰色模型具有预测准确度较高，计算简便等优点，广泛应用于各个领域。但传统灰色模型预测精度极大受限于初始序列，如果初始系列的精度不高，那么预测结构的精度也不会高。cn202011580375.1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，采用基于双曲正切函数变换优化的灰色模型对初始序列进行预测，预测精度得到提高，但计算过程较为复杂。


技术实现要素：

4.本发明所要解决的技术问题是提供一种基于预测模型的核信号校正方法，减小误差的同时简化计算过程。
5.为解决上述问题，本发明采用的技术方案为：一种基于预测模型的核信号校正方法，包括s1、通过软件模拟核脉冲堆积信号；s2、在核脉冲堆积信号中选取初始序列；s3、通过sigmoid函数变换的灰色模型对初始序列进行变换，再反解出真实预测值，然后根据真实预测值对脉冲信号进行重建。
6.进一步地，步骤s2中，根据峰高选取初始序列。
7.进一步地，步骤s2包括s21、将核脉冲堆积信号中的两个连续脉冲峰，从左至右分别记为峰1和峰2，由于堆积效应的影响，峰1、峰2部分信息重叠，需要对峰1下降段以及峰2的上升段进行预测；s22、分别以峰1、峰2的顶点到峰高一半处的区间作为预测模型的初始序列。
8.进一步地，步骤s3包括
s31、将初始序列记为其中，为输入的脉冲信号的初始序列，为第个样本的幅值，，为初始序列信号个数；s32、利用sigmoid函数对初始序列进行变换，得到新序列其中，为输入样本的sigmoid函数变换值，为输入样本的幅值，为初始序列采用sigmoid函数变换后的新序列；s33、根据公式对变换后的新序列进行一次累加，其中，为一次累加后的序列；s34、将一次累加后的序列代入白化微分方程，得代入白化微分方程，得其中，为发展系数，为灰作用量，为背景值；s35、根据公式计算背景值；s36、根据公式
计算和，其中，矩阵为矩阵为s37、将、和代入白化微分方程，对白化微分方程进行求解，反解出真实预测值其中，为真实预测值；s38、根据真实预测值对脉冲信号进行重建。
9.进一步地，步骤s32之后，通过公式计算初始序列的光滑比，其中， 为第t个初始序列信号的光滑比，表示第次累加值，，为初始序列信号个数；根据公式计算级比偏差，其中，为拟合系数；根据准指数规律检验方法，将计算出的级比偏差和光滑比对比传统灰色模型的光滑比和平均级比偏差。
10.本发明的有益效果是：本发明通过sigmoid函数变换对初始序列进行变换，使得灰色模型得到了优化，与传统的三次指数平滑和传统灰色模型相比，算法误差减小，脉冲信号的重建精度得到了提升，此外，sigmoid函数变换与双曲正切函数变换相比，计算过程更加简单，计算速度更快，校正效率得到提升。
附图说明
11.图1为为本发明方法的流程示意图；图2为模拟的脉冲堆积信号图；图3为优化的灰色模型对脉冲信号的重建结果图；图4为以241am-be中子源作为放射源用于产生中子，使用基于ej-276塑料闪烁体的核辐射探测设备，采用数字示波器与计算机构成的信号处理单元，采集的部分脉冲堆积信号图；图5为本发明优化的灰色模型对图4所示的信号进行校正的结果图；图6为传统三次指数平滑模拟模型对图4所示的信号进行校正的结果图。
具体实施方式
12.下面结合附图和实施例对本发明进一步说明。
13.本发明的一种基于预测模型的核信号校正方法，包括以下步骤：s1、通过软件模拟核脉冲堆积信号，模拟出的核脉冲堆积信号与真实的核脉冲堆积信号相近。通过软件模拟核脉冲堆积信号，与通过核信号采集设备采集脉冲信号的方式相比，能够获得多种类的堆积信号。采集设备采集的脉冲信号受采集系统本身所影响，无法获取多类别的堆积信号，如多脉冲堆积，前沿堆积、后沿堆积等。具体的软件可采用matlab。如图2示出了一种模拟的核脉冲堆积信号的两个连续脉冲峰。
14.s2、在核脉冲堆积信号中选取初始序列，由于信号堆积的位置一般位于波峰之下，波峰处的信号是准确的，无需重建，因此根据峰高选取初始序列，具体方式为：s21、如图2所示，将核脉冲堆积信号中的两个连续脉冲峰，从左至右分别记为峰1和峰2，由于堆积效应的影响，峰1、峰2部分信息重叠，要完成两个脉冲信号的堆积校正，需要对峰1下降段以及峰2的上升段进行预测。
15.s22、分别以峰1、峰2的顶点到峰高一半处的区间作为预测模型的初始序列，一共得到两个初始序列，需要分别对这两个初始序列进行预测，以完成两个脉冲信号的重建。
16.s3、通过sigmoid函数变换的灰色模型对初始序列进行变换，再反解出真实预测值，然后根据真实预测值对脉冲信号进行重建。
17.具体地，步骤s3包括s31、将初始序列记为其中，为输入的脉冲信号的初始序列，为第个样本的幅值，，为初始序列信号个数。
18.s32、利用sigmoid函数对初始序列进行变换，得到新序列其中，为输入样本的sigmoid函数变换值，为输入样本的幅值，为初始序列采用sigmoid函数变换后的新序列；s33、根据公式对变换后的新序列进行一次累加，其中，为一次累加后的序列；s34、将一次累加后的序列代入白化微分方程，得代入白化微分方程，得其中，为发展系数，为灰作用量，为背景值；s35、根据公式计算背景值；s36、根据公式计算和，其中，矩阵为
矩阵为s37、将和代入白化微分方程，对白化微分方程进行求解，反解出真实预测值其中，为真实预测值；s38、根据真实预测值对脉冲信号进行重建。
19.通过步骤s31至s38的方法对图2所示的脉冲堆积信号进行重建的结果如图3所示。
20.步骤s32之后，通过公式计算初始序列的光滑比，其中， 为第t个初始序列信号的光滑比，表示第次累加值，，为初始序列信号个数；根据公式计算级比偏差，其中，为拟合系数，采用最小二乘法对初始样本拟合得到；根据准指数规律检验方法，采用计算出的级比偏差和光滑比对比传统灰色模型的光滑比和平均级比偏差。以图2中左侧信号为例，峰1的顶点到峰高一半处的区间作为初始序列，采用上述公式计算光滑比和级比偏差，得到的光滑比计算结果中，小于0.5的数据占比为97.06%，初始序列的平均级比偏差为0.06%。再采用传统的灰色模型对初始序列进行计算，得到的光滑比计算结果中，小于0.5的数据占比为96.03%，得出的初始序列平均级比偏差为0.07%。可见，本发明与传统灰色模型计算方式相比，可减小级比偏差，优化光滑比。
21.为了验证本发明的校正效果，以241am-be中子源作为放射源用于产生中子，使用基于ej-276塑料闪烁体的核辐射探测设备采集部分脉冲信号，采集的部分脉冲信号如图4
所示，采用数字示波器与计算机构成的信号处理单元对信号进行处理。
22.在图4所示的脉冲信号中选取初始序列，将初始序列分为训练组与测试组，其中训练组占比85%，测试组占比为15%，分别计算出本发明优化后的灰色模型与传统三次指数平滑模拟模型的均方根误差，即：其中，为预测值，为实际值，i=1、2、3
……
n，n为初始序列信号个数。
23.三次指数平滑模拟模型与本发明优化的灰色模型对左峰和右峰进行预测时的均方误差如下表所示：可见，本发明优化后的灰色模型在模型训练时误差更小，不论是左峰还是右峰的初始序列训练，均方根误差均小于1%。另外，采用两种预测模型，右峰的均方根误差均高于左峰，这可能是由于右峰信号产生突变引起的。
24.采用本发明对图4所示的脉冲信号进行校正、重建脉冲，结果如图5所示，采用传统三次指数平滑模拟模型对图4所示的脉冲信号进行校正、重建脉冲，结果如图6所示。
25.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。