学位论文 > 优秀研究生学位论文题录展示

基于RBF神经网络的γ能谱分析

作　者: 张占南
导　师: 王崇杰
学　校: 辽宁师范大学
专　业: 粒子物理与原子核物理
关键词: γ能谱人工神经网络(ANN) 径向基函数(RBF) RBF网络
分类号: TL817.2
类　型: 硕士论文
年　份: 2011年
下　载: 78次
引　用: 1次
阅　读: 论文下载

内容摘要

γ能谱分析,是通过对放射性核素的γ能谱识别与测量,鉴定核素种类及其含量的过程[1]。而γ能谱分析技术在核材料分析鉴定、核设施的安全性检测、环境放射性监测以及古生物化石年限测定等诸多方面有着重要的应用。传统的γ能谱分析技术,主要是基于全能峰数据的识别与分析。但在γ能谱的形成过程中,电子对效应、康普顿散射以及本底辐射的干扰,使得全能峰面积的准确测算变的十分困难。而复杂γ能谱分析,全能峰相互重叠又使得确定全能峰面积更加困难。基于全能峰方法的γ能谱分析只是对能谱局部数据的分析,当谱信号相对强度较弱时,由于全能峰面积测算的相对误差变大,造成分析数据可信度降低。传统全谱分析方法中,对谱数据要求较高且容易造成误差积累。人工神经网络,是一种对生物神经网络的模拟技术。它以人工神经元为其基本组成单元,相互连接组成复杂的网络,对输入信号进行分析处理的智能系统。神经网络自身的分布式并行处理、非线性映射、学习适应能力以及良好的鲁棒性和容错性,使其在模糊识别、智能控制、非线性信号处理等诸多领域得到广泛的应用。基于误差反向传播算法(BP算法)与基于径向基函数(RBF)的神经网络,是两种常见的神经网络,都是能够逼近任意非线性函数的通用逼近器。二者相比,在处理同一问题时,RBF神经网的局部逼近较BP网络的全局逼近,不仅收敛速度较快,网络规模也小许多。本文在Matlab矩阵实验室中完成了应用RBF神经网络的能谱的分析测定工作,又在Visual Basic编程环境中,对实用的γ能谱分析软件编程进行了探究。实验以60Co、137Cs、152Eu、22Na四种核素的γ能谱及相应的本底谱为基础构成训练数据矩阵,组建RBF神经网络,实现对单谱以及复杂γ能谱的分析,验证了方法可行性;同时,绘制各核素比活度分析结果曲线以及分析误差曲线。之后,对实验得到的实测γ能谱进行分析,验证的方法的实用性。

全文目录

摘要  4-5
Abstract  5-8
1 绪论  8-11
  1.1 研究意义  8-9
  1.2 研究现状  9-11
2 γ能谱的采集与分析  11-25
  2.1 γ射线与物质的作用  11-15
    2.1.1 光电效应  12-13
    2.1.2 康普顿效应  13-14
    2.1.3 电子对效应  14-15
  2.2 γ能谱的采集  15-20
    2.2.1 NaI(Tl)闪烁谱仪  16-17
    2.2.2 Ge(Li)半导体谱仪  17
    2.2.3 γ射线能谱  17-20
  2.3 γ能谱分析方法  20-25
    2.3.1 γ能谱仪的能量刻度  20-21
    2.3.2 γ能谱仪的效率刻度  21-22
    2.3.3 特征峰面积的确定  22
    2.3.4 复杂γ能谱分析  22-25
3 人工神经网络（ANN）  25-37
  3.1 人工神经网络的基本原理  25-29
    3.1.1 生物神经元模型  25-26
    3.1.2 人工神经网络的基础——人工神经元  26-29
  3.2 人工神经网络模型  29-32
    3.2.1 人工神经网络的分类  29-31
    3.2.2 人工神经网络的学习  31-32
    3.2.3 人工神经网络的计算能力  32
  3.3 径向基函数（RBF）神经网络  32-37
    3.3.1 RBF 神经网络的网络结构  33-34
    3.3.2 RBF 神经网络的学习  34-35
    3.3.3 应用RBF 网络进行数据分析  35-37
4 基于Matlab 的RBF 网络γ能谱分析与性能测试  37-42
  4.1 RBF 网络γ能谱分析  37
  4.2 模拟谱分析  37-40
  4.3 实测γ能谱数据分析  40-42
5 基于Visual Basic 的RBF 网络程序设计  42-45
结论  45-46
参考文献  46-47
致谢  47

基于RBF神经网络的γ能谱分析

内容摘要

全文目录

相似论文