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 PDFInfo
- 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
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
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:
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:
(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:
(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:
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)
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)
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)
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 |
-
2019
- 2019-11-13 CN CN201911108217.3A patent/CN111008356B/zh active Active
Patent Citations (2)
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)
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 |