一种基于稀疏特征与模糊决策树的多核素识别方法

摘要

本发明公开了一种基于稀疏特征与模糊决策树的多核素识别方法，涉及核素识别领域。本发明技术要点包括：利用探测器采集各种已知核素得到相应的脉冲信号，分别对这些脉冲信号进行放大、去噪及模数转换得到信号样本；逐一对已知核素的信号样本进行稀疏编码得到若干的稀疏编码值，将所述若干的稀疏编码值作为该已知核素信号的属性；利用各个信号样本的属性及核素类别训练模糊决策树，得到能识别各种已知核素的模糊决策树；利用探测器采集某种未知核素并得输出脉冲信号，对该脉冲信号进行放大、去噪及模数转换，将处理结果进行稀疏编码得到稀疏编码值，将该系数编码值输入到训练好的模糊决策树中得到该脉冲信号的核素类别。

权利要求

1.一种基于稀疏特征与模糊决策树的多核素识别方法，其特征在于，包括：

获取核素信号样本的步骤：利用探测器采集各种已知核素得到相应的脉冲信号，分别对这些脉冲信号进行放大、去噪及模数转换得到信号样本；

获取核素信号属性的步骤：逐一对已知核素的信号样本进行稀疏编码得到若干的稀疏编码值，将所述若干的稀疏编码值作为该已知核素信号的属性；

训练模糊决策树的步骤：利用各个信号样本的属性及核素类别训练模糊决策树，得到能识别各种已知核素的模糊决策树；

未知核素识别的步骤：利用探测器采集某种未知核素并得到输出脉冲信号，对该脉冲信号进行放大、去噪及模数转换，将处理结果进行稀疏编码得到稀疏编码值，将该稀疏 编码值输入到训练好的模糊决策树中得到该脉冲信号的核素类别。

2.根据权利要求1所述的一种基于稀疏特征与模糊决策树的多核素识别方法，其特征在于，训练模糊决策树的步骤中：利用闵可夫斯基模糊度监测节点分裂前与分裂后的模糊度变化，选择能使模糊度下降最多的属性作为该节点的分裂属性。

3.根据权利要求1所述的一种基于稀疏特征与模糊决策树的多核素识别方法，其特征在于，训练模糊决策树的步骤中：在确定模糊决策树叶子节点类别的时候，选择该叶子节点下信号样本中比例最大的信号样本的核素类别作为该叶子节点的类别。

说明书

一种基于稀疏特征与模糊决策树的多核素识别方法

技术领域

[0001] 本发明涉及核素识别领域。

背景技术

[0002] 放射性物质目前广泛应用核电、工业探伤、医学检测等领域，其在提供大量便利的同时，一旦发生放射性泄漏事故对人体伤害非常巨大。2011年日本地震所引发的福岛核辐射危机后，社会对放射性物质的危害有了更深刻的认识，对其的使用安全给予了更广泛地关注，核安全监测被上升到前有未有的高度。随着计算机软硬件技术的不断发展，相关技术也不断应用于核素探测中，目前的核素探测装置能谱仪也在不断的小型化、便携化。与此同时对其核素探测的准确性和快速性提出了更高的要求。

[0003] 现有技术对核素的识别需要对核素信号进行平滑滤波、寻找峰值的处理，需要占用较多的处理时间，无法做到快速识别。

发明内容

[0004] 本发明针对上述存在的问题，提供一种基于稀疏特征与模糊决策树的多核素识别方法，包括：

[0005] 获取核素信号样本的步骤：利用探测器采集各种已知核素得到相应的脉冲信号，分别对这些脉冲信号进行放大、去噪及模数转换得到信号样本；

[0006] 获取核素信号属性的步骤：逐一对已知核素的信号样本进行稀疏编码得到若干的稀疏编码值，将所述若干的稀疏编码值作为该已知核素信号的属性；

[0007] 训练模糊决策树的步骤：利用各个信号样本的属性及核素类别训练模糊决策树，得到能识别各种已知核素的模糊决策树；

[0008] 未知核素识别的步骤：利用探测器采集某种未知核素并得输出脉冲信号，对该脉冲信号进行放大、去噪及模数转换，将处理结果进行稀疏编码得到稀疏编码值，将该系数编码值输入到训练好的模糊决策树中得到该脉冲信号的核素类别。

[0009] 进一步，训练模糊决策树的步骤中：利用闵可夫斯基模糊度监测节点分裂前与分裂后的模糊度变化，选择能使模糊度下降最多的属性作为该节点的分裂属性。

[0010] 进一步，训练模糊决策树的步骤中：在确定模糊决策树叶子节点类别的时候，选择该叶子节点下信号样本中比例最大的信号样本的核素类别作为该叶子节点的类别。

[0011] 由于采用了上述技术方案，本发明的有益效果是：

[0012] 本发明方法无需核脉冲信号进行滤波、平滑等预处理，就能够直接进行核素识别。所以本发明能够在较短的时间条件下快速识别出到脉冲信号的核素类别。

附图说明

[0013] 本发明将通过例子并参照附图的方式说明，其中：

[0014] 图1为本发明方法流程图。

[0015] 图2为原始脉冲信号与MP算法重构信号对比图。其中，横轴代表时间，纵轴代表脉冲幅度。

[0016] 图3是建立模糊决策树的之前，在每个连续属性上取3个模糊集。其隶属函数采用三角形隶属函数，这三个模糊集合的语义分别为：min、mean、max。分别表示属性的最小值、均值、和最大值。

具体实施方式

[0017] 本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

[0018] 本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

[0019] 如图1所述，本发明具体实施步骤如下，包括：

[0020] 获取核素信号样本的步骤：利用探测器采集各种已知核素得到相应的脉冲信号，分别对这些脉冲信号进行放大、去噪及模数转换得到信号样本。

[0021] 获取核素信号属性的步骤：逐一对已知核素的信号样本进行稀疏编码得到若干的稀疏编码值，将所述若干的稀疏编码值作为该已知核素信号的属性。

[0022] 训练模糊决策树的步骤：利用各个信号样本的属性及核素类别训练模糊决策树，得到能识别各种已知核素的模糊决策树。

[0023] 未知核素识别的步骤：利用探测器采集某种未知核素并得输出脉冲信号，对该脉冲信号进行放大、去噪及模数转换，将处理结果进行稀疏编码得到稀疏编码值，将该系数编码值输入到训练好的模糊决策树中得到该脉冲信号的核素类别。

[0024] 在一个具体实施例中，获取核素信号样本的步骤具体包括：在室温25℃，湿度为50％的实验室环境中，使用日本ALOKA公司生产的CsI探测器检测已知核素的射线，得到脉冲信号，这些脉冲信号再经过放大、去噪以及AD采样后得到已知核素类别的信号样本。

[0025] 获取核素信号属性的步骤具体包括：采用MP算法逐一对各信号样本进行处理，从而得到该信号样本的若干个稀疏编码值，作为信号样本的属性。图2展示的是原始脉冲信号与MP算法重构后的信号对比。

[0026] 决策树是一种被广泛使用的分类算法。本发明使用大量信号样本训练一个模糊决策树，使之具备根据属性(本发明中为稀疏编码值)识别核素类型的能力。

[0027] 对于属性为连续值的决策树，本发明采用了模糊决策树，根据属性的值将其模糊为最小值(min)、均值(mean)以及最大值(max)。参见图3。

[0028] 在训练或构造决策树中，对节点分裂属性的选择是关键，本发明采用闵可夫斯基模糊度的模糊决策树分类方法，将决策树的节点视作各类样本分布频率的模糊集合，利用闵可夫斯基模糊度来监测节点分裂前后模糊度的变化，选择能使闵可夫斯基模糊度下降最多的属性作为该节点的分裂属性。

[0029] 节点的闵可夫斯基模糊度计算公式为：

[0030]

[0031] 其中N表示第N个节点，PN是节点N包含的信号样本数目， 表示节点N包含的属于核素类别vkc的样本数目，p为常数，可选为1或者2，代表不同的模糊度。l为核素类别的总数。

[0032] 当用属性Vi来划分节点N时，闵可夫斯基模糊度的减少量为：

[0033]

[0034] 其中， 表示节点N包含的属于第j个简单模糊概念的样本数目，ki为属性Vi上简单模糊概念集合 中元素的总数。 表示在节点N包含的属于第j个简单模糊概念的样本中计算一次公式(1)。

[0035] 对在训练模糊决策树中用到的集合概念及变量做进一步说明：

[0036] 令训练用到的信号样本的集合为X＝{X1,X2,...,XM}，样本集包含不同的类别[0037] 令 是包含类别 的训练样本的集合，

[0038] 令样本集X上的属性集合为V＝{V1,V2,...,Vn}。

[0039] 令 表示属性Vi上的简单模糊概念的集合。

[0040] 本发明一个优选实施例给出了确定决策树叶子节点类别的新方法，即将叶子节点所“覆盖”信号样本的出现次数最多的类别作为该叶子节点的类别。这样确定叶子节点的类别有助于提高决策树的分类准确度。

[0041] 本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。