解谱流程及神经网络应用于解谱的初步研究.docx
《解谱流程及神经网络应用于解谱的初步研究.docx》由会员分享，可在线阅读，更多相关《解谱流程及神经网络应用于解谱的初步研究.docx（16页珍藏版）》请在冰豆网上搜索。
解谱流程及神经网络应用于解谱的初步研究
中子诱发目标核素γ能谱及其分析
专业：
核工程与核技术
学生：
方肖指导老师：
杨朝文老师
摘要：
隐藏在普通物质中的爆炸物可能对人类的生命财产安全带来极大的威胁，因此找到一种准确的高效的检测爆炸物的方法是十分必要的。
通过中子对物质进行轰击我们可以得到中子与组成物质的元素反应所放出的γ射线的能谱图。
对于不同的物质所获得的γ能谱是不一样的，通过解析这些γ能谱我们便可以分辨是否有爆炸物存在。
为了提高这种检测爆炸物技术的效率和准确性，尝试将BP人工神经网络技术初步运用于解谱的环节。
BP神经网络是一种基于误差反传调整权值的网络，利用对样本的训练将理论输出与实际输出之间的差距作为误差信号反传回去从而调整权值，通过对权值的调整来模拟输入与输出之间的复杂的非线性函数关系。
将9组中子诱发暴露于空气中的不同质量TNT的γ能谱的原始数据进行谱平滑，寻峰，函数拟合，得出了9个能谱中的C,N,O的特征能峰之比，将N/C,O/C,N/O作为输入，9组TNT的质量作为输出，进行BP神经网络的训练。
训练完成后输入测试值，并将实际输出值与理论输出值进行比较。
关键词：
爆炸物，γ射线，BP神经网络，解谱
TheAnalysisofNeutron-inducedGammaRaySpectrumofExplosive
Major:
ParticlePhysicsandNuclearPhysics
student:
fangxiaoSupervisor:
Prof.YangChaowen
Abstract:
Explosiveshidinginordinarymattercouldbegreatthreattoourlifeandproperty.Itisurgenttofindawaytodetectexplosiveaccuratelyandefficiently.Byneutronbombardmentofsubstanceswecangettheenergyspectraofgammaraysreleasedbytheresponsebetweenneutronsandcompositionelementsofthematerial.Spectraofgammaobtainedfromthedifferentsubstancesisnotthesame,Byanalyzingtheseγspectrumwecanknowthepresenceofexplosives.Inordertoimprovetheefficiencyandaccuracyofthisexplosivedetectiontechnology,wetrytoapplyBPartificialneuralnetworktechnologyintotheinterpretationofthespectrum.BPneuralnetworkisbasedonerrorbackpropagationandweightadjusting.Usingsamplestrainingtoanti-passanerrorsignal-thegapbetweenthetheoreticaloutputandactualoutput,wecanadjusttheweights.Furthermore,wecansimulatethecomplexnonlinearrelationshipbetweeninputandoutput.Induceandexpose9-groupofTNTwithdifferentqualitytotheair.Afterspectralsmoothing,peaksearching,functionfitting,weobtainedtheC,N,Oratiooftheenergypeakfromninespectrum.usingtheN/C,O/CandN/Oastheinputs,ninegroupsofTNT'qualityasoutputs,wecantraintheBPneuralnetwork.Afterthetraining,enterinthetestvalue,comparetheactualoutputvalueandthetheoreticaloutputvalues.
Keywords:
explosives,gammaray,BPneuralnetwork,spectruminterpretation
目录
第一章绪论…………………………………………………………………………4
1.1研究背景与研究意义……………………………………………………………4
1.2国内外研究现状…………………………………………………………………8
1.3本文的主要研究工作……………………………………………………………9
第二章人工神经网络方法…………………………………………………………10
2.1人工神经网络概述……………………………………………………………10
2.2人工神经网络的基本特点……………………………………………………10
2.3人工神经网络的基本功能……………………………………………………11
第三章γ能谱的解析………………………………………………………………14
3.1解谱概述………………………………………………………………………14
3.2解谱工作流程…………………………………………………………………14
3.3解谱结果………………………………………………………………………16
第四章主要结论……………………………………………………………………17
4.1主要结论………………………………………………………………………17
4.2存在的问题……………………………………………………………………17
参考文献……………………………………………………………………………17
致谢…………………………………………………………………………………19
第一章：
绪论
1.1研究背景与研究意义
由于历史战争和人为的许多原因，我们生活的环境中存在着很多的爆炸物，这些爆炸物极大的威胁到了人类的生命财产安全。
尤其是由于战争原因遗留在野外的地雷等爆炸物，由于战后没能被及时的清理掉而给平民带来了极大的危险，引发了很多无辜平民不幸受伤的惨剧。
[1]。
根据美国等发达国家的危险爆炸物统计数据库的资料以及联合国的地雷统计数据库的资料[2]，在第二次世界大战后，全世界的六十多个涉战国中所残留的地雷数量约有6—11亿之多。
表1-1给出了排名前十二位的含雷国家的情况。
国家
美国国防部报告（万）
联合国地雷数据库（万）
阿富汗
500~700
1000
安哥拉
600~1500
1500
波斯尼亚
60~100
300
柬埔寨
400~600
60
克罗地亚
40~600
300
厄立特里亚
50~100
100
伊拉克
1000
1000
莫桑比克
100
300
纳米比亚
5
5
尼加拉瓜
8.5
10.8
索马里
100
100
苏丹
100
100
总数
2963.5~4353.5
5315.8
表1-1：
世界各国含雷数量统计
地雷的种类是多种多样的据估计应该多达三四百种，但总的来讲无外乎分为目的在于杀伤人的地雷和目的在于杀伤坦克的地雷。
用于杀伤人的地雷的英文缩写为APM，用于破坏坦克车辆的地雷的英文缩写是ATM。
表1-2给出了以杀伤人为目的的地雷和以破坏车辆与坦克的地雷的属性比较[2,3]。
类型
ATM
APM
攻击目标
机械装置
人
重量
6-11kg
0.1-4kg
直径
15-30cm
2-12.5cm
高度
5-9cm
5-10cm
掩埋深度（MIN）
地表
地表
掩埋深度（MAX）
15cm
5cm
主要爆炸物
TNT，CompB，RDX
TNT，CompB，Tetryl
爆炸压力
120kg
0.5kg
表1-2：
反人类地雷与反坦克地雷的基本属性
这两种地雷究其本质都是通过爆炸来进行杀伤的，但是它们之间还是存在着一些不一样的地方，虽然这些分别是很微小的。
一般来说，用于杀伤坦克车辆的地雷所需蕴含的爆炸物要特别多，因此这种地雷的体积要比普通的反人类地雷大得多。
一旦爆炸，其威力足以摧毁一定范围内相当数量的车辆，坦克以及敌方的有生力量。
通常情况下，反坦克地雷一般运用在公路，桥梁等坦克车辆能够行进的平坦开阔的地方。
图1-1给出了常见的反人类地雷的图片，图1-2给出了常见的反坦克地雷的图片。
（a）PRB-M35（b）PMN（c）VALMARA-69
图1-1：
APM地雷
（a）TM-62M（b）TMA-2
图1-2：
ATM地雷
由于这些爆炸物对人类的生命财产安全有着很大的威胁，并且在军事上我们也同样需要确定这些爆炸物的存在，因此如何探测爆炸物自然就成了一个迫切需要研究的领域。
其实对爆炸物的探测的研究早在第一，二次世界大战的时候就开始研究了。
传统的探测方法例如生物探测法即是通过训练军用猎犬或探戳地面等方式对爆炸物进行探查。
但这样的探测方法效率是极其低下的，而且准确性非常之低危险性非常之大，显然这样的技术是不可能满足我们探测爆炸物的需求的。
因此在探测方法的发展中基于物理的探测方法越来越受到重视，并取得了相当好的效果。
典型的物理探测法有中子探测法，红外成像法，雷达成像法，金属探测器法等等。
运用金属探测器法可以很好的探测到拥有金属封装的爆炸物，但是对于那些未用金属进行封装的爆炸物其效果就很不明显了，并且环境中也是存在金属的，因此探测器很容易被环境中的金属误导从而降低它的探测准确率[4]；红外成像法[5]和雷达成像法[6]受环境的影响十分强烈，其判断爆炸物的准确性很差，也不能满足现代高效率，高准确率，高安全率的探测标准。
为了满足现代探测爆炸物的标准，基于对物质组成元素的分析探测方法被提出了，并成为该领域的热点而被广泛研究。
中子探测法就在这一背景下应运而生。
利用中子探测爆炸物的原理是利用中子与组成爆炸物的核素发生反应产生特征γ射线，通过对特征γ射线的能谱进行分析从而获取相关信息从而确定是否存在爆炸物。
中子与核素发生的反应主要有中子散射（Neutronscattering）、中子诱发γ射线（Neutroninducedγ-ray）和中子共振俘获（neutronresonancecapture）等。
利用中子与爆炸物相互作用从而探测爆炸物的方法有很多，下面简要介绍一些典型的探测方法。
中子反散射法（NBS：
NeutronBackscattering）：
这种方法的理论依据是元素氢对于中子散射具有很大的截面，从而我们可以通过这种散射来获取相关信息从而确定爆炸物。
但是这种方法受环境的影响非常之高，尤其是环境中含氢量很高的时候容易产生误报。
例如环境中含水量很高或存在塑料等氢含量比较高的材料时[7,8]。
利用中子诱发目标核素γ射线来探测爆炸物的技术主要有热中子法（TNA:
ThermalNeutronAnalysis）、快中子法（FNA:
FastNeutronAnalysis）和中子瞬发γ活化分析（PGNAA:
PromptGamma-rayNeutronActivationanalysis）等。
热中子法主要是通过利用热中子辐射俘获反应来对爆炸物中的氮元素和氢元素进行测量[9],（GozaniT,RygeP,SheaP,etal.ExplosiveDetectionSystemBasedonThermalNeutronActivation[J].AerospaceandElectronicSystemsMagazine,1989,12:
17-20）快中子法的原理是根据快中子的非弹性散射反应来确定爆炸物中碳元素和氧元素的含量[10]。
以上两种方法可以对爆炸物中的部分元素含量进行确定，然而如果有其他物质与爆炸物具有相同的元素含量或元素比值时又容易出现误报降低探测的准确率。
所以，现阶段探测爆炸物的重点在于寻找一种既可以确定爆炸物中主要组成元素碳，氢，氧，氮，又可以避免其他含有相同元素物质的干扰的方法。
中子瞬发γ活化分析（PGNAA）：
这是一种可以同时利用热中子和快中子来进行测量[11]，从而确定爆炸物中碳，氢，氧，氮四种元素的方法。
这项技术具有相当高的探测效率和准确率，所以在地质勘探，海底矿藏，石油探井，生物医学，工业生产等很多的领域中被广泛运用。
在工业生产中这项技术被运用于组成物质的元素分析以及产品的流线检测的方面[12]，并且这种运用已经相当成熟了。
其具体应用如下：
在生产氧化铝时为提高配料的合格率而对生料进行配比；为了使生料的质量稳定从而对水泥生料的质量进行测控；为了给出煤的质量的评价从而对煤的主要成分进行分析[13]。
中子瞬发γ活化分析（PGNAA）这项技术虽然在很多领域都得到了广泛地运用并且取得了很好的效果，但是在将其用于爆炸物探测的这个领域还不够成熟没有广泛地运用，更多程度上还是处于一种实验研究的阶段，但是我们有理由相信这项技术在不久的将来一定会很好的运用于爆炸物探测这个领域中因此我们有必要进行更深入的研究。
通过这项技术我们可以得到γ能谱的原始数据，而要从中得到我们所需要的信息即每种核素的含量我们还需要对这原始数据进行解谱。
首先要对原始数据进行谱平滑，然后通过计算机程序寻到γ射线的特征能峰，找到特征能峰之后要通过各种方法对其进行拟合从而得出峰的面积，有了峰面积便可以利用峰面积求出各种核素的含量，常用的方法有剥谱法，逆矩阵法，最小二乘法等。
但这些方法都存在局限性，因此本文主要对用神经网络的方法进行解谱进行了研究。
1.2国内外研究现状
国外对于中子瞬发γ活化分析（PGNAA）技术的研究起步得相当早，在七八十年代初就已经在工业生产中将其用于对组成物质的元素进行分析。
由于电子技术，计算机技术，半导体技术的飞速发展，中子瞬发γ活化分析（PGNAA）技术的发展也相当迅速，在很多的领域里都得到了广泛地应用。
在探测爆炸物这方面也已经开发出了具有一定探测效率的探测系统[14]。
并且在对利用中子瞬发γ活化分析（PGNAA）技术所获得的能谱的解析上也提出了诸如剥谱法，逆矩阵法，最小二乘法等经典的解谱方法，并对这些解谱方法进行了系统的研究。
也提出了将神经网络技术运用于解谱中去，但尚处于研究试验阶段。
国内对于中子瞬发γ活化分析（PGNAA）技术的研究起步相当晚，对爆炸物的检测主要处于试验的阶段几乎没有投入实际的探测运用中。
并且相关研究都是建立在国外的研究基础之上的。
在对于γ能谱的解谱方法的研究上主要还是采用剥谱法，逆矩阵法，最小二乘法等，对于将神经网络技术运用于解谱工作中还处于研究的阶段。
尹光华，王百荣，杨忠平等人研发了一套利用中子瞬发γ活化分析（PGNAA）技术来检测化学武器的系统。
这个系统用到了1μg252Cf中子源和BGO探测器，它主要是通过确定生化武器中的氯元素的含量从而来确定是否存在化学武器的。
一般来说，生化武器中的特征元素在环境中的含量是比较低的，因此通过中子与其发生反应放出的特征γ射线能比较好的反应该核素，所受的环境的影响因素比较小[15]。
王宏渊，李元景，杨祎罡等人建立了一个检测爆炸物的系统，并得到了爆炸物NQ、TNT、RDX的γ射线能谱图。
这个爆炸物检测系统包含了BGO闪烁探测器和NaI（Tl）探测器以及14MeVμs脉冲中子发生器。
他们提出了通过在9.8-10.835MeV能区的计数与11～12.5MeV能区的计数之比来确定是否存在着氮14，并给出了利用物质中氮元素与氢元素之比和氧元素的计数的关系来确定是否存在爆炸物[16]。
景士伟，田玉冰，曹西征等人用多道分析器、放大器、脉冲中子发生器、BGO探测器、样品等构建了一个利用脉冲快热中子分析技术来检测爆炸物的实验装置。
他们用氮含量很高的尿素作为实验样品。
通过实验得到的γ能谱中碳，氮，氧的特征能峰比较明显，然而氮元素的能峰比较少[17]。
郭俊鹏，李欣年，罗文芸等人利用中子活化分析技术（FNA）的方法对检测爆炸物进行了实验研究。
他们得到了硝铵、黑索金、土制炸药、TNT的FNAA能谱。
并用14MeV的快中子对被普通物质和土所掩盖的TNT进行了分析研究[18]。
李元景，杨袆罡，王海东等人利用热中子分析方法对爆炸物进行检测，他们还开发了了一套自动解谱的软件。
利用各种算法来分析氮，氢的特征峰面积，获得了其特征γ射线的峰面积[19]。
清华大学研究了用人工神经网络的方法进行γ能谱的解析，选择了各种算法进行训练，并记录了不同算法的识别率[20]。
T.A.Jones,J.R.Brisson，T.Cousins等人利用热中子的方法开发了一套探测非金属地雷的探测系统。
该系统的中子源是252Cf，探测器是3”×3”的NaI（Tl）。
这个系统可以将氮元素含量在一百克以上的爆炸物在几分钟之内探测出来，因此可以实现对一部分反人类地雷和反坦克地雷的探测[21]。
C.Rigollet，M.Maucec利用快热中子分析法来模拟爆炸物中的特征元素。
模拟了中子与Ca、Si、Al、O、C、Fe、N、TNT发生反应所产生的γ能谱[22]。
P.G.Gabrielli，R.Scafe,，F.Pisacane等人开发了一套以中子活化产生瞬发γ射线为原理的成像系统，这个系统可以实现对反坦克地雷的探测[23]。
H.RobertAndrews，AnthonyA.Faust,JohnE.McFee等人利用热中子辐射俘获反应原理，开发了一个远程控制操作的野外地雷探测系统（ILDS:
TheImprovedLandmineDetectorSystem）。
该系统运用热中子法来对爆炸物中的氮元素进行分析，结合了探地雷达（GPR:
GroundPenetratingRadar）成像法对爆炸物进行检测[24]。
MaryamAzizi,S.FarhadMasoudi，AliPazirandeha利用热中子与氮元素发生辐射俘获反应产生瞬发γ射线的原理，对TNT在不同含水量的土壤环境中进行了模拟[25]。
根据国内外研究状态我们可以看出，中子瞬发γ活化分析（PGNAA）技术在一定程度上还不是很完善，在复杂的环境中探测爆炸物的效率和准确率还有待提高，对于爆炸物的判定和识别方法还很有限。
因此，本文为了提高中子瞬发γ活化分析（PGNAA）技术的准确率而从解谱的方面进行了研究，希望将人工神经网络技术运用到解谱中来，以提高解谱的效率和准确率从而提高中子瞬发γ活化分析（PGNAA）技术的效率和准确率。
1.3本文的主要研究工作
为了提高中子瞬发γ活化分析（PGNAA）技术的效率和准确率，本文主要研究了将人工神经网络方法用于经实验模拟所得的γ能谱的解谱方法。
文章的主要工作如下：
（1）介绍了中子诱发目标核素γ能谱及分析的实际应用领域，现阶段的应用状况，提出了用人工神经网络的方法进行解谱从而提高探测效率和探测准确率的构想。
具体介绍了人工神经网络的思想方法。
（2）通过MCNP模拟获取不同质量TNT的γ能谱原始数据，即每一道的计数。
（3）对原始数据进行谱平滑，寻峰，拟合，获取特征峰面积并由特征峰面积获得元素间的比值N/C,O/C,N/O。
（4）用现有的样本对神经网络进行训练，训练完成后输入模拟数据比较得到的输出与理论输出之间的差距。
第二章人工神经网络方法
2.1人工神经网络概述[26]
人类具有高度发达的大脑，大脑可以进行各种思维活动，富有学习和创造的能力。
随着计算机技术日益发展，人们越来越希望能够实现人工智能，通过计算机来模拟人脑成为一个热点研究领域。
然而，虽然计算机运算速度远高于人类，但其算法僵硬，死板，在涉及与形象思维与灵感思维相关的问题时就变得非常乏力，例如球类竞技运动，识别未知图像等涉及联想，想象和经验的问题。
当电脑与人脑相比较时，我们发现在以下几个方面电脑远远比不上人脑：
1.学习与认知能力。
2.联想与记忆的能力。
3.信息综合能力。
4.信息加工能力。
5.信息的处理速度。
之所以会出现这样的情形，主要是由于以下几个原因：
1.系统结构不同。
2.信号形式不同。
3.信息存储方式不同。
4.信息处理机制不同。
到目前为止，我们所使用的各种各样的计算机都是在冯诺依曼所提出的计算机原理上构建的。
他们的信息存储与处理是分开的，也就是说它的处理器与存储器是相互独立的，所处理的信息必须是固定形式的信息也就是用二进制编码所编成的命令，处理信息必须是通过串行的方式，也就是说中央处理器必须不断重复四个步骤：
取址，译码，执行，存储。
这样设计的计算的结构和它的工作方式使它只能够擅长于处理逻辑和数值方面的运算，而对于灵感思维和形象思维显得非常无力。
而人类的大脑拥有上百亿个神经元，这些神经元之间又通过数以千记的通道与其他神经元相互连接，构成了一个庞大的生物网络结构。
这种生物神经网络以神经元为基本单位来对信息进行加工处理，这种工作模式使得人脑远远优于现有电脑。
因此我们为了能够进一步的模拟人脑的形象思维模式，就不能再继续采用冯诺依曼对计算机的框架定义，必须要找寻新的信息存储和加工的手段来模拟人脑的神经网络系统。
所以说，人工神经网络是一种旨在模仿人脑结构及其功能的脑式智能信息处理系统。
2.2人工神经网络的基本特点
1.结构特点：
信息存储的分布性，结构的可塑性，信息处理的并行性，结信息处理单元的互联性，
通过将很多简单的处理元件连接起来从而组成高度的非线性的并行的网络系统即是所谓的人工神经网络系统，这样的系统是具有非常大规模的并行处理的特性。
虽然人工神经网络的每一个组成单元是非常简单的，但是当这很多的简单的组成单元结合在一起的时候，便产生了很丰富的功能和很快的运算速度。
人工神经网络系统之所以会采用分布式的信息存储方式是因为其网络结构是并行的。
所以它的信息并不是存储在网络结构中的某一个局部上面而是被存放在网络中的各个连接权里面的。
人工神经网络可以存储多种多样的信息，但这些信息是分成许多部分存放在各个权值中的。
当给出输入时，神经网络就会进行联想从而从权值之中提取有用的信息，所以人工神经网络具有联想记忆的功能。
人工神经网络的信息的存储与处理都是在时间上并行而在空间上呈分布式的，这是网络的分布性与并行性的体现。
2.性能特点：
很好的容错性能，非常高的非线性以及计算上的非精确性
人工神经网络之所以有着高度的非线性特征是由于神经元的广泛互联与工作的并行性。
并且由于存储的结构是具有分布性的，那就使得网络在两个方面表现出了非常好的容错性能：
一方面，就像人的大脑中每天都有很多神经元细胞不断正常死亡，但是这并不影响到我们人类正常的脑部功能一样，因为信息是按分布式的方式存储的，所以人工神经网络中就算有一些神经元受到了损坏但是对整体的人工神经网络而言并没有太大的功能性影响。
另一方面，就像人的大脑可以对一些写得并不是很规则的字或图画进行识别一样，人工神经网络也可以对一些不完整的残缺的输入信息进行联想，修复使之成为完好的记忆，通过这样来识别
升级会员 