CN111008356B - 一种基于WTSVD算法扣除背景的γ能谱集分析方法 - Google Patents

一种基于WTSVD算法扣除背景的γ能谱集分析方法 Download PDF

Info

Publication number
CN111008356B
CN111008356B CN201911108217.3A CN201911108217A CN111008356B CN 111008356 B CN111008356 B CN 111008356B CN 201911108217 A CN201911108217 A CN 201911108217A CN 111008356 B CN111008356 B CN 111008356B
Authority
CN
China
Prior art keywords
energy spectrum
wavelet
background
spectrum set
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911108217.3A
Other languages
English (en)
Other versions
CN111008356A (zh
Inventor
曾晨浩
赖万昌
冯孝杰
范晨
陈杰毫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201911108217.3A priority Critical patent/CN111008356B/zh
Publication of CN111008356A publication Critical patent/CN111008356A/zh
Application granted granted Critical
Publication of CN111008356B publication Critical patent/CN111008356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/36—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Molecular Biology (AREA)
  • Measurement Of Radiation (AREA)

Abstract

本发明公开了一种基于WTSVD算法扣除背景的γ能谱集分析方法，包括以下步骤：S1、根据小波的变换自适应程度进行分级；S2、分析小波的时域和频域，判断是否有人工核素干扰，如果是，则进入步骤S3中，如果否，则直接进入步骤S4中；S3、剔除受到人工核素干扰的数据，并进行补充测量；S4、构建背景训练矩阵Bn×p，并通过Mallat对小波进行分解；S5、测量γ能谱，构建γ能谱集S；S6、对背景训练矩阵Bn×p进行SVD分解，即幺正矩阵分解，提取主成分矩阵U；S7、基于主成分矩阵U，通过位运算，对能谱数据集合S进行降噪，获得降噪能谱集D。通过小波变换分析，精确降低人工核素对背景能谱影响。

Description

一种基于WTSVD算法扣除背景的γ能谱集分析方法
技术领域
本发明涉及测量技术领域，具体来说，涉及一种基于WTSVD算法扣除背景的γ能谱集分析方法。
背景技术
γ能谱数据的处理是能谱分析的重要前提，由于受γ射线和辐射探测器本身固有的统计涨落及电子学噪声的影响，γ能谱数据有很大统计涨落。能谱数据降噪方法一般有重心法，最小二乘拟合法(陈良波,郑亚青.基于最小二乘法的曲线拟合研究[J].原子能科学技术,2012,11(5)：52-55.)，高斯函数法(钟文峰,周书民.平滑处理在频谱分析中的应用研究与实现[J].智能计算机与应用,2013,3(3):72-74.)，傅里叶变换法(张鹏飞.傅里叶变换法在中子活化γ能谱解析中的应用[D].吉林大学,2016.)，数字滤波器法(王雪.数字S-K滤波器平滑处理方法研究[D].成都理工大学,2013.)。平滑主要是降低噪声干扰，凸显有效峰位，使核素识别能高效寻到真峰。上述方法自适应度较低，处理的能谱数据信噪比较低，加大了特征信息获取的难度，更重要的是，不适用于数量巨大的γ能谱集处理。上述所有方法针对能谱本身，利用数值运算和分析，对单一能谱进行处理，而能谱测量过程存在大量的不确定性，如何将不确定性降到最低，通过单一能谱测量是无法完成的。
发明内容
为解决现有技术中存在的问题，本发明提供一种基于WTSVD算法扣除背景的γ能谱集分析方法。
为实现上述目的，本发明采用的技术方案是：一种基于WTSVD算法扣除背景的γ能谱集分析方法，包括以下步骤：
S1、根据小波的变换自适应程度进行分级；
S2、分析小波的时域和频域，判断是否有人工核素干扰，如果是，则进入步骤S3，如果否，则直接进入步骤S4；
S3、剔除受到人工核素干扰的数据，并进行补充测量；
S4、构建背景训练矩阵Bn×p，并通过Mallat对小波进行分解；
S5、测量γ能谱，构建γ能谱集S；
S6、对背景训练矩阵Bn×p进行SVD分解，提取主成分矩阵U；
S7、基于主成分矩阵U，通过按位或运算，对能谱集S进行降噪，获得降噪能谱集D。
优选的，步骤S4中的Mallat分解公式为：
fm(n)＝∑kh(2n-k)fm+1(k)
dm(n)＝∑kg(2n-k)fm+1(k)
其中f0,标识原始信号向量，fm(m＝-1，-2，…，-M)是经过分解过后的逼近信号，dm(m＝-1，-2，…，-M)是经过分解后的细节信号，h和g分别是低通滤波器和高通滤波器的冲击响应序列。
优选的，步骤S6中的分解公式为：
Figure GDA0004223563750000021
本发明的有益效果是：
1、通过小波变换分析，精确降低人工核素对背景能谱影响；
2、能够降低不确定性影响，逼近真实测量；
3、通过多组数据测量而非单一分析，降低误差；
4、能够对大量γ能谱数据进行快速运算处理，极大提高分析效率；
5、SVD能够处理任一γ能谱集构成的矩阵，兼容性较好，效率高。
附图说明
图1是本发明所述的基于WTSVD算法扣除背景的γ能谱集分析方法的实施例的整体运算流程结构示意图；
图2是本发明所述的基于WTSVD算法扣除背景的γ能谱集分析方法的实施例的Mallat小波分解结构示意图；
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例1：
如图1和图2所示，一种基于WTSVD算法扣除背景的γ能谱集分析方法，包括以下步骤：
S1、根据小波的变换自适应程度进行分级；
S2、分析小波的时域和频域，判断是否有人工核素干扰，如果是，则进入步骤S3中，如果否，则直接进入步骤S4中；
S3、剔除受到人工核素干扰的数据，并进行补充测量；
S4、构建背景训练矩阵Bn×p，并通过Mallat对小波进行分解；
S5、测量γ能谱，构建γ能谱集S；
S6、对背景训练矩阵Bn×p进行SVD分解，即幺正矩阵分解，提取主成分矩阵U；
S7、基于主成分矩阵U，通过按位或运算，对能谱集S进行降噪，获得降噪能谱集D。
实施例2：
如图1和图2所示，本实施例在实施例1的基础上，步骤S4中的Mallat分解公式为：
fm(n)＝∑kh(2n-k)fm+1(k)
dm(n)＝∑kg(2n-k)fm+1(k)
其中f0,标识原始信号向量，fm(m＝-1，-2，…，-M)是经过分解过后的逼近信号，dm(m＝-1，-2，…，-M)是经过分解后的细节信号，h和g分别是低通滤波器和高通滤波器的冲击响应序列。
实施例3：
如图1和图2所示，本实施例在实施例1的基础上，步骤S6中的分解公式为：
Figure GDA0004223563750000041
(1)小波变换自适应度强，可分级，同时具备时域和频域分析，能够有效判断人工核素干扰，当背景能谱受到人工核素干扰时，剔除该次背景测量，进行补充测量，构建背景训练矩阵Bn×p，本发明采用的是Mallat小波分解，如图2所示，其中f0,标识原始信号向量，fm(m＝-1，-2，…，-M)是经过分解过后的逼近信号，dm(m＝-1，-2，…，-M)是经过分解后的细节信号，运算公式为：
fm(m)＝∑kh(2n-k)fm+1(k) (1)
dm(n)＝∑kg(2n-k)fm+1(k) (2)
此处的h和g分别是低通滤波器和高通滤波器的冲击响应序列。
(2)第二部分是测量大量的γ能谱，构建γ能谱集S。然后进行数据处理阶段，对背景训练矩阵Bn×p进行SVD分解，即幺正矩阵分解，提取主成分矩阵U，运算如下：
Figure GDA0004223563750000042
(3)最后，通过按位或运算，对能谱集S进行降噪，获得降噪能谱集D，实现γ能谱集的主成分回归运算。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (1)

1.一种基于WTSVD算法扣除背景的γ能谱集分析方法，其特征在于，包括以下步骤：
S1、根据小波的变换自适应程度进行分级；
S2、分析小波的时域和频域，判断是否有人工核素干扰，如果是，则进入步骤S3，如果否，则直接进入步骤S4；
S3、剔除受到人工核素干扰的数据，并进行补充测量；
S4、构建背景训练矩阵Bn×p，并通过Mallat对小波进行分解；
S5、测量γ能谱，构建γ能谱集S；
S6、对背景训练矩阵Bn×p进行SVD分解，提取主成分矩阵U；
S7、基于主成分矩阵U，通过按位或运算，对能谱集S进行降噪，获得降噪能谱集D；
步骤S4中的Mallat分解公式为：
fm(n)＝∑kh(2n-k)fm+1(k)
dm(n)＝∑kg(2n-k)fm+1(k)
其中，fm(m＝-1，-2，…，-M)是经过分解过后的逼近信号，dm(m＝-1，-2，…，-M)是经过分解后的细节信号，h和g分别是低通滤波器和高通滤波器的冲击响应序列；
步骤S6中的分解公式为：
Figure FDA0004223563740000011
CN201911108217.3A 2019-11-13 2019-11-13 一种基于WTSVD算法扣除背景的γ能谱集分析方法 Active CN111008356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911108217.3A CN111008356B (zh) 2019-11-13 2019-11-13 一种基于WTSVD算法扣除背景的γ能谱集分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911108217.3A CN111008356B (zh) 2019-11-13 2019-11-13 一种基于WTSVD算法扣除背景的γ能谱集分析方法

Publications (2)

Publication Number Publication Date
CN111008356A CN111008356A (zh) 2020-04-14
CN111008356B true CN111008356B (zh) 2023-06-16

Family

ID=70113273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911108217.3A Active CN111008356B (zh) 2019-11-13 2019-11-13 一种基于WTSVD算法扣除背景的γ能谱集分析方法

Country Status (1)

Country Link
CN (1) CN111008356B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114329333B (zh) * 2022-03-03 2022-06-03 核工业航测遥感中心 航空γ能谱数据NASVD降噪有效奇异值数目确定方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105834835A (zh) * 2016-04-26 2016-08-10 天津大学 一种基于多尺度主元分析的刀具磨损在线监测方法
CN109063741A (zh) * 2018-07-05 2018-12-21 南京航空航天大学 一种基于希尔伯特曲线变换与深度学习的能谱分析方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007011619A2 (en) * 2005-07-15 2007-01-25 Wyeth Highly bioavailable oral delayed release dosage forms of o-desmethylvenlafaxine succinate
CN106507974B (zh) * 2007-10-30 2012-03-07 核工业北京地质研究院 砂岩型铀矿放射性γ能谱弱信息提取方法
JP4518184B2 (ja) * 2008-05-02 2010-08-04 ソニー株式会社 無線通信装置、無線通信方法、無線通信システム及びコンピュータプログラム
EP2819025A1 (en) * 2013-06-24 2014-12-31 Université de Strasbourg Method for reducing noise in data-sets of harmonic signals
MY181069A (en) * 2013-10-04 2020-12-17 Sequenom Inc Methods and processes for non-invasive assessment of genetic variations
CN104931518B (zh) * 2015-06-09 2017-07-28 东南大学 一种用于x射线荧光光谱本底扣除的方法
CN106301755B (zh) * 2016-08-12 2019-08-27 中国科学院信息工程研究所 一种基于小波分析的能量泄漏信号的降噪方法及***
CN107390259A (zh) * 2017-07-14 2017-11-24 西南科技大学 一种基于svd和svm的核素识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105834835A (zh) * 2016-04-26 2016-08-10 天津大学 一种基于多尺度主元分析的刀具磨损在线监测方法
CN109063741A (zh) * 2018-07-05 2018-12-21 南京航空航天大学 一种基于希尔伯特曲线变换与深度学习的能谱分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fault feature extraction for roller bearings based on DTCWPT and SVD;Dongin Fan;《2016 13th International Conference on Ubiquitous Robots and Ambient Intelligence（URAI）》;全文 *
基于EDXRF的钢厂中物料元素在线检测的能谱分析方法研究;王蒙;《中国优秀硕士学位论文全文数据库-信息科技辑》;全文 *

Also Published As

Publication number Publication date
CN111008356A (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN107229787B (zh) 一种基于近似系数与深度学习的伽马能谱分析方法
CN109063741B (zh) 一种基于希尔伯特曲线变换与深度学习的能谱分析方法
Huang et al. The Flash ADC system and PMT waveform reconstruction for the Daya Bay Experiment
CN108345033A (zh) 一种微地震信号时频域初至检测方法
US20220107346A1 (en) Method and apparatus for non-intrusive program tracing with bandwith reduction for embedded computing systems
CN111008356B (zh) 一种基于WTSVD算法扣除背景的γ能谱集分析方法
CN109165432B (zh) 一种基于部分奇异值和的磁共振波谱重建方法
Kasban et al. Spectrum analysis of radiotracer residence time distribution for industrial and environmental applications
CN111553111B (zh) 一种基于mcnp的数字仿核信号发生器
Huang et al. Estimation method for parameters of overlapping nuclear pulse signal
CN113655534B (zh) 基于多线性奇异值张量分解核磁共振fid信号噪声抑制方法
CN107341519B (zh) 一种基于多分辨率分析的支持向量机识别优化方法
CN115128661A (zh) 一种适用于解析计算γ能谱的方法
CN112325868B (zh) 一种基于多尺度变换的偏振光罗盘去噪方法
CN112285793B (zh) 一种大地电磁去噪方法及***
CN115310472A (zh) 基于核脉冲峰值序列的一维卷积神经网络核素识别方法
Arahmane et al. Improving Neutron‐Gamma Discrimination with Stilbene Organic Scintillation Detector Using Blind Nonnegative Matrix and Tensor Factorization Methods
El_Tokhy Rapid and robust radioisotopes identification algorithms of X-Ray and gamma spectra
El Badri et al. Development of wavelet based tools for improving the γ-ray spectrometry
CN108181642B (zh) 一种基于GPU和奇异值方法的γ谱仪谱分析方法
CN108804388A (zh) 一种基于eemd的hht的太阳黑子面积周期特征分析的方法
CN115015312B (zh) 一种esr特征信号提取方法及***
Wang et al. On the motor fault diagnosis based on wavelet transform and ann
Li et al. Pulse-shaping method for real-time neutron/gamma discrimination at low sampling rates
Bergamasco et al. Correlation dimension of underground muon time series

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zeng Chenhao

Inventor after: Lai Wanchang

Inventor after: Fan Chen

Inventor after: Chen Jiehao

Inventor before: Zeng Chenhao

Inventor before: Lai Wanchang

Inventor before: Feng Xiaojie

Inventor before: Fan Chen

Inventor before: Chen Jiehao