最優(yōu)線性聯(lián)想記憶網(wǎng)絡的γ譜解析

錢 晉，王紅艷，史宏聲，舒康穎

（1.中國計量學院 材料科學與工程學院，浙江 杭州 310018；2.中國原子能科學研究院，北京 102413）

近年來，恐怖分子對國際社會的仇視情緒越加激化，而隨著核技術的普及，核黑市的發(fā)展、核電的復興，使得恐怖主義勢力獲取核武器、核材料的可能性不斷上升，核恐怖主義的威脅日益增加.

便攜式γ能譜儀是識別放射性核素的常用手段［1］，用來對放射性進行預警探測和驗證分析，是反恐工作的重要武器.

利用探測信息對核素進行分析的γ譜解析是便攜式γ能譜儀項目的重要組成部分，本研究利用最優(yōu)線性聯(lián)想記憶網(wǎng)絡（OLAM網(wǎng)絡）進行核素的定性與定量識別分析.

1 算法原理［2-8］

OLAM網(wǎng)絡是基于簡單矩陣的聯(lián)想記憶模式網(wǎng)絡，它的拓撲結構如圖1.

圖1 OLAM網(wǎng)絡結構圖Figure 1 OLAM network structure

該網(wǎng)絡由輸入層與輸出層構成，它的輸入層神經(jīng)元數(shù)為n，輸出層神經(jīng)元數(shù)為m，wij為輸入層與輸出層的連接權值.一個n維矢量經(jīng)過OLAM網(wǎng)絡運算后輸出的是m維矢量.所以，OLAM網(wǎng)絡實現(xiàn)了從n維到m維矩陣的映射.OLAM網(wǎng)絡采用Hebb學習規(guī)則，滿足如下關系：

學習過程即采用已知矩陣X，Y，求權值矩陣W的過程.簡單起見，設輸出矩陣Y為單位矩陣，則W＝X＋，X＋稱為X矩陣的偽逆矩陣，可根據(jù)Greville迭代算法給出.

2 核素定性識別

實驗采用Saint－Gobain公司生產(chǎn)的Bril－LanCe 380系列中的76S76型的LaBr3（Ce）閃爍晶體與XP5300型光電倍增管及其基座組合而成.LaBr3（Ce）晶體的尺寸是Φ76mm×76mm.為了獲取網(wǎng)絡的學習樣本，利用LaBr3（Ce）探測器對 Am、Eu、Co、Cs、Ba、Ra、Th、U 八種核素在相同實驗條件下分別測量兩組數(shù)據(jù)，一組用作學習譜，一組用作識別譜，測量時間為100s.對γ譜進行平滑、穩(wěn)譜、去本底等預處理［9］.

本文采用全譜法，即把整個能譜的每一道計數(shù)作為一個神經(jīng)網(wǎng)絡的輸入，由于充分利用了整個能譜的所有信息，尤其不再需要對能譜做尋峰等處理，也不需要能量刻度和效率刻度，故可以不需要專業(yè)人員的參與即可完成核素的識別.只要訓練譜和實測譜的測量條件一致就可正確識別［10］.

2.1 全能峰不重疊的核素定性識別

首先是對Am、Eu、Co、Cs四種核素單個核素及多個核素混合進行識別，輸入層為4096個神經(jīng)元（4096道譜儀系統(tǒng)）對應4096道計數(shù)，輸出為4個神經(jīng)元對應4種核素，如果輸出為1，表明存在此種核素，否則為0.

表1 OLAM網(wǎng)絡核素識別結果Table 1 Identification results of OLAM network

從表1結果可以看出，不管是單種核素的γ譜或是幾種核素混合得到的能譜，OLAM網(wǎng)絡均能準確的進行識別，而且它的運算速度非常迅速，通常只需要幾秒鐘，這得益于網(wǎng)絡不含隱含層，不需要復雜的計算.

2.2 全能峰重疊的核素定性識別

對于傳統(tǒng)的解譜方法，最大的難題就是識別幾種全能峰重疊在一起的核素.235U的全能峰為185.72keV、143.76keV；236Ra 的 全 能 峰 為186.2keV；241Am的全能峰為59.34keV；232Th的全能峰為59keV；利用 OLAM 對235U、236Ra、241Am、232Th四種核素進行識別，得到的結果如表2.

表2 OLAM網(wǎng)絡識別全能峰相近的核素結果Table 2 Results of OLAM network identify similar full peak nuclides

表2結果顯示，對于幾種全能峰幾乎重疊的核素，OLAM神經(jīng)網(wǎng)絡做到了很好的識別，成功克服了傳統(tǒng)解譜方法速度慢、不能準確識別有重峰的復雜γ能譜的情況.

2.3 未經(jīng)訓練的核素識別

在實際測量中，并不是所有核素都可能經(jīng)過訓練.神經(jīng)網(wǎng)絡的另一個重要性是對于沒有訓練過的模式的輸出情況.將Co、Cs、Eu從訓練譜中去除，重新訓練網(wǎng)絡，然后利用這三種核素的能譜數(shù)據(jù)測試網(wǎng)絡輸出，下表為測試的輸出結果：

表3 未訓練核素測定結果Table 3 Measure results of untrained nuclides

從上表中可以看出對于訓練過的核素Am，網(wǎng)絡的輸出與表1相似，對于未訓練的Co、Cs、Eu輸出結果出現(xiàn)了小于－0.3的最小值，而訓練過的模式即表1中及表3中的第一行數(shù)據(jù)中最小值為－0.0019，經(jīng)過試驗網(wǎng)絡中輸入的未經(jīng)訓練的模式，均有小于－0.3的輸出出現(xiàn)，因此這里可以將－0.3作為出現(xiàn)未知核素的閥值.

2.4 有屏蔽物的核素識別

在實際情況中，還有可能遇到屏蔽物的阻擋，我們必須在實驗過程中考慮這個問題，分別采用3mm、5mm厚的鋼板阻擋235U測量1min，調(diào)整網(wǎng)絡，結果表明鋼板對識別的結果影響較大，當閥值取0.57時可以識別出一個3mm鋼片所引起的差異，閥值取0.45時可以識別出一個5mm鋼片所引起的誤差，這在實際中具有重要的意義.例如，禁核核查過程中，完全可以根據(jù)核彈頭外皮的厚度差異來識別不同的個體.

3 核素定量分析

在識別出核素種類后還需要進一步分析出核素的放射性活度，與核素定性識別區(qū)別在于，定量分析輸入的樣本是同一核素的不同測量時間得到的譜線，輸出是各樣本對應的活度值.因為測量的是同一種核素，它們的線性相關，所以在處理能譜時需要先對學習譜進行歸一化，而待分析譜則需要利用學習譜的歸一化參數(shù)，在此基礎上進行歸一，這樣得到的譜線性無關，網(wǎng)絡才能運用在定量分析.OLAM網(wǎng)絡定量分析結構如下圖：

圖2 OLAM網(wǎng)絡計算核素活度結構圖Figure 2 Structure chart of radioactivity by OLAM network

核素Am活度計算：假設對Am測量60s的γ譜對應活度為1，那么測量時間為120s的γ譜對應相對活度為2，依此用不同的測量時間表示不同的活度，結果如表4所示.同原理，用OLAM網(wǎng)絡分別計算了Ba、Co和Cs的活度，見表4：

表4 OLAM網(wǎng)絡定量分析結果Table 4 Quantitative analysis results of OLAM network

從上面的結果可以看出，用OLAM神經(jīng)網(wǎng)絡計算Am、Ba、Co、Cs的活度誤差都非常小，大部分都在1%以下，并且運算速度十分迅速.可見OLAM神經(jīng)網(wǎng)絡非常適于核素活度的計算.

4 結 語

采用OLAM神經(jīng)網(wǎng)絡對γ譜的解析取得了很好的結果，由于它對γ譜是整體識別，利用了其全部的信息，避免了尋峰、能量刻度與效率刻度，從而降低了對探測器能量分辨率的要求，十分符合高性能便攜式γ譜儀對于準確解譜的要求.

在實際應用OLAM網(wǎng)絡解γ譜時，我們需要注意以下幾個問題：

1）網(wǎng)絡的學習譜線性無關.當學習譜線性無關時，XX＋＝I（I為單位矩陣），Y＝WX＝YX＋X＝YI＝Y，則W＝YX＋才是Y＝WX的解.

2）譜的道數(shù)要遠遠大于學習譜的個數(shù).一方面，可保證矩陣陣列線性無關，另一方面，網(wǎng)絡具有很好的噪聲吸收性能.

3）樣品譜、學習譜、標樣譜的測量條件要一致，即儀器穩(wěn)定，不存在譜漂移，譜儀的分辨率、探測效率無顯著變化，且儀器響應性能不隨計數(shù)率改變等.

4）樣品中不含（或含量很少）除學習核素以外的其他成分，否則會對解譜結果產(chǎn)生影響.

［1］Fetter S，F(xiàn)rolov V A，Miller M，et al.Detecting nuclear warheads［J］.Science ＆ Global Security，1990，1：225.

［2］Olmos P，Diaz J C，Perez J M，et al.A new approach to automatic radiation spectrum analysis［J］.IEEE Transactions on Nuclear Science，1991，38（4）：971－975.

［3］吳 微.神經(jīng)網(wǎng)絡計算［M］.北京：高等教育出版社，2004：12－18.

［4］白立新，張一云，徐家云，等.基于Matlab的γ譜人工神經(jīng)網(wǎng)絡分析方法［J］.核電子學與探測技術，2003，23（5）：404－406.Bai Lixin，Zhang Yiyun，Xu Jiayun，et al.The method inγ spectrum analysis with artificial neural network based on MATLAB［J］.Nuclear Electronics ＆Detection Technology，2003，23（5）：404－406.

［5］劉銀兵，周蓉生.最優(yōu)線性聯(lián)想網(wǎng)絡在X射線譜分析中的應用研究［J］.成都理工學院學報，2001，28（1）：86－88.Liu Yinbing，Zhou Rongsheng.Application of OLAM network in X－ray spectral analysis［J］.Journal of Chengdu University of Technology，2001，28（1）：86－88.

［6］馮會真，夏哲雷，林志一.基于神經(jīng)網(wǎng)絡的圖像邊緣檢測方法［J］.中國計量學院學報，2006（4）：37－39.Feng Huizhen，Xia Zhelei，Lin Zhiyi.Image edge detection based on neural network［J］.Journal of China Jiliang University，2006（4）：37－39.

［7］陳 曉，謝庭藩.人工神經(jīng)網(wǎng)絡的單調(diào)序列逼近［J］.中國計量學院學報，2009，56（4）：72－74.Chen Xiao，Xie Tingfan.On the approximation by monotone sequences of neural networks［J］.Journal of China Jiliang University，2009，56（4）：72－74.

［8］葉 強，夏哲雷，衛(wèi) 力.基于神經(jīng)網(wǎng)絡趨勢分析［J］.中國計量學院學報，2000（2）：89－93.Ye Qiang，Xia Zhelei，Wei Li.Trend analysis based on artificial neural network［J］.Journal of China Jiliang University，2000（2）：89－93.

［9］龐巨豐.γ能譜數(shù)據(jù)分析［M］.西安：陜西科學技術出版社，1990：350－659.

［10］艾憲蕓，魏義祥，肖無云.人工神經(jīng)網(wǎng)絡解析CdZnTe探測器γ譜［J］.核電子學與探測技術，2005，25（6）：626－629.Ai Xianyun，Wei Yixiang，Xiao Wuyun.Method in analysis of CdZnTeγspectrum with artificial neural network［J］.Nuclear Electronics ＆ Detection Technology，2005，25（6）：626－629.