论文部分内容阅读
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防止核恐怖主义发生等诸多方面有着重要的应用。本文综述了放射性探测与固体探测器、γ能谱解谱方法和BP神经网络法,利用遗传算法对BP神经网络进行优化,对实测γ能谱进行分析研究。取得了以下主要结论:1)利用遗传算法优化了BP神经网络,获得了BP神经网络结构权值与阀值的最优解,提高了网络的自适应能力和泛化能力。利用MATLAB软件的神经网络工具箱,构建了遗传算法优化的BP神经网络结构,测得了最佳的网络参数:选用3层BP网络,隐含层节点数为73个,隐含层连接权值选为logsig或tansig,输出层连接权值选为logsig,训练函数选为trainrp。通过改进遗传算法的适应度函数、遗传算子,保留了种群中的优良个体,使网络的精度可达到10-3,训练步数可减小到40步。与未优化的BP网络进行相比,自适应遗传算法优化BP神经网络能大幅度提升网络的运行速度,且使网络避免落入局部极小,提高了网络的自适应能力和泛化能力。2)利用自适应遗传算法优化的BP神经网络(AGA-BP神经网络)进行γ谱分析,采用全谱输入法,提高了结果的准确性。在识别过程中,对γ谱进行了平滑、稳谱、去本底处理,减少了统计涨落、环境本底造成的误差,利用全谱输入,以γ能谱每道计数作为神经网络的输入值,避免了对γ能谱进行寻峰处理、能量刻度和效率刻度,消除了由于寻峰、能量与效率刻度导致的分析误差,大大提高了神经网络对γ能谱分析结果的准确性。3)利用自适应遗传算法优化的BP神经网络进行γ谱分析,分析精度优于普通BP神经网络。以Am、Eu、Co、Cs、Ba、Ra、Th、U八种核素的γ能谱及相应的本底谱为基础构成训练数据矩阵,组建AGA-BP神经网络,γ谱识别研究时考虑了全能峰相近或重叠、不重叠,核素是否训练、统计涨落、测量距离、屏蔽物等的影响,实验室条件下能够识别所有核素,定量分析误差低于1%,优于普通BP神经网络分析的结果,远优于传统解谱方法。