一种复杂环境下的核脉冲信号与噪声信号甄别方法

摘要

本发明公开了一种复杂环境下的核脉冲信号与噪声信号甄别方法，涉及核辐射探测领域，包括：首先将采集的原始信号，进行FIR低通滤波；然后对滤波之后的信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间；再在二维的频域空间内提取出信号特征；然后将信号特征输入至训练好的核脉冲信号与噪声分离模型，并将输出，通过逆变换，并结合信号特征所对应信号的相位，获得核脉冲信号和噪声信号；进而将获得的核脉冲信号进行预处理；最后提取出预处理后的核脉冲信号的幅值，并以此生成能谱；本发明，采用基于机器学习的方法可以有效的区分核脉冲和噪声信号，从而减少对噪声信号的采集。

权利要求

1.一种复杂环境下的核脉冲信号与噪声信号甄别方法，其特征在于，包括：步骤S1：将采集的原始信号，进行FIR低通滤波；

步骤S2：对滤波之后的信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间；

步骤S3：在二维的频域空间内提取出信号特征；

步骤S4：将信号特征输入至训练好的核脉冲信号与噪声分离模型，并将核脉冲信号与噪声分离模型的输出，通过逆变换，并结合信号特征所对应信号的相位，获得核脉冲信号和噪声信号；

步骤S5：将获得的核脉冲信号进行预处理；

步骤S6：提取出预处理后的核脉冲信号的幅值，并以此生成能谱；

所述步骤S1，包括：

利用ADC采集得到原始信号，所述原始信号包括：核脉冲信号、噪声信号以及二者的混合信号；

对原始信号进行FIR低通滤波，滤波公式如下：其中： 为第n个时刻的输入信号， 为第n‑k个时刻的输入信号， 为FIR滤波系数， 为经过滤波后的信号，N表示FIR滤波器的抽头数， 为滤波器阶数，k为正整数，并且k ，n为正整数，表示为某一个时刻；

所述步骤S2，包括：

设 是一个实对称窗函数， 是一维时域信号 在第 时间帧、第个频段的短时傅里叶变换系数，则：

其中：k为正整数，表示某一个时刻， 为窗函数 在第k时刻，第t时间帧的输出，j为虚数单位；

对应的傅里叶能量幅度谱 为：

其中， 表示复数域的取模操作；

所述信号特征包括：信号的幅度谱和功率谱；

所述核脉冲信号与噪声分离模型的训练过程如下：步骤A：时频分解；先对已知的核脉冲信号、噪声信号以及二者的混合信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间；

步骤B：特征提取；分别提取核脉冲信号、噪声信号以及二者的混合信号在二维频域的特征；

步骤C：模型训练；用步骤B得到的特征和各个信号的时频掩蔽对核脉冲信号与噪声分离模型进行训练；

步骤D：模型保存；最后得到一个可以分离噪声和核脉冲信号的核脉冲信号与噪声分离模型；

所述核脉冲信号与噪声分离模型为卷积神经网络。

2.根据权利要求1所述的一种复杂环境下的核脉冲信号与噪声信号甄别方法，其特征在于，所述步骤S4，包括：将信号特征输入至训练好的核脉冲信号与噪声分离模型，分别预测得到噪声和信号的分离目标；

再将分离目标通过短时逆傅里叶逆变换获得核脉冲的波形信号。

3.根据权利要求1所述的一种复杂环境下的核脉冲信号与噪声信号甄别方法，其特征在于，所述预处理，包括：梯形成形、堆积判弃、峰值提取。

说明书

一种复杂环境下的核脉冲信号与噪声信号甄别方法

技术领域

[0001] 本发明涉及核辐射探测领域，具体涉及一种复杂环境下的核脉冲信号与噪声信号甄别方法。

背景技术

[0002] 本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。

[0003] 在核辐射脉冲测量技术中，有用的脉冲信号总是叠加在一个不稳定的基线电压上，导致脉冲幅度偏离实际值，影响能谱测量；这类电压称为脉冲信号的基线，把脉冲幅值偏离实际值的现象称为脉冲信号的基线漂移；而在测量过程中，环境噪声、探测器的漏电流、电子元器件的温漂和电源的纹波等会导致核辐射探测器的基线漂移。

[0004] 现有的模拟系统中通常使用基线恢复器来估计基线大小并加以扣除，这样会增加电路的复杂性；并且由于受到不确定因素的影响，又引入了新的能量分辨率损失；数字化多道系统中的基线估计方法可针对输入信号特点进行优化，但是仍然是采用固定阈值比较的方式来区分是否为有效脉冲；当信号幅值超过了某一固定阈值这判定为有效的核脉冲信号，反之则判定其为噪声信号；在这种情况下，由于基线的漂移，采集的噪声增加会导致探测器的能量分辨率变差。

发明内容

[0005] 本发明的目的在于：针对目前核辐射脉冲测量中，由于基线的漂移，采集的噪声增加会导致探测器的能量分辨率变差的问题，提供了一种复杂环境下的核脉冲信号与噪声信号甄别方法，解决了噪声和核脉冲信号的甄别、核辐射探测器在长时间测量过程中，噪声基线漂移造成固定阈值的情况下采集的噪声增加、能谱分辨率变差的问题等问题，同时实现γ能谱的在线测量。

[0006] 本发明的技术方案如下：

[0007] 一种复杂环境下的核脉冲信号与噪声信号甄别方法，包括：

[0008] 步骤S1：将采集的原始信号，进行FIR低通滤波；

[0009] 步骤S2：对滤波之后的信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间；

[0010] 步骤S3：在二维的频域空间内提取出信号特征；

[0011] 步骤S4：将信号特征输入至训练好的核脉冲信号与噪声分离模型，并将核脉冲信号与噪声分离模型的输出，通过逆变换，并结合信号特征所对应信号的相位，获得核脉冲信号和噪声信号；

[0012] 步骤S5：将获得的核脉冲信号进行预处理；

[0013] 步骤S6：提取出预处理后的核脉冲信号的幅值，并以此生成能谱。

[0014] 进一步地，所述步骤S1，包括：

[0015] 利用ADC采集得到原始信号，所述原始信号包括：核脉冲信号、噪声信号以及二者的混合信号；

[0016] 对原始信号进行FIR低通滤波，滤波公式如下：

[0017]

[0018] 其中： 为第n个时刻的输入信号， 为第n‑k个时刻的输入信号，为FIR滤波系数， 为经过滤波后的信号，N表示FIR滤波器的抽头数， 为滤波器阶数，k为正整数，并且k ，n为正整数，表示为某一个时刻。

[0019] 进一步地，所述步骤S2，包括：

[0020] 设 是一个实对称窗函数， 是一维时域信号 在第 时间帧、第个频段的短时傅里叶变换系数，则：

[0021]

[0022] 其中：k为正整数，表示某一个时刻， 为窗函数 在第k时刻，第t时间帧的输出，j为虚数单位；

[0023] 对应的傅里叶能量幅度谱 为：

[0024]

[0025] 其中， 表示复数域的取模操作。

[0026] 进一步地，所述信号特征包括：信号的幅度谱和功率谱。

[0027] 进一步地，所述核脉冲信号与噪声分离模型的训练过程如下：

[0028] 步骤A：时频分解；先对已知的核脉冲信号、噪声信号以及二者的混合信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间；

[0029] 步骤B：特征提取；分别提取核脉冲信号、噪声信号以及二者的混合信号在二维频域的特征；

[0030] 步骤C：模型训练；用步骤B得到的特征和各个信号的时频掩蔽对核脉冲信号与噪声分离模型进行训练；

[0031] 步骤D：模型保存；最后得到一个可以分离噪声和核脉冲信号的核脉冲信号与噪声分离模型。

[0032] 进一步地，所述步骤S4，包括：

[0033] 将信号特征输入至训练好的核脉冲信号与噪声分离模型，分别预测得到噪声和信号的分离目标；

[0034] 再将分离目标通过短时逆傅里叶逆变换获得核脉冲的波形信号。

[0035] 进一步地，所述短时傅里叶逆变换从 重构 ，通过估计目标核脉冲的短时傅里叶变换系数来实现核脉冲信号的分离，用 来表示混合信号中纯净的目标信号在第t时间帧内，第f个频段的傅里叶变换系数，那么目标信号的波形 可以通过短时傅里叶逆变换计算：

[0036] 。

[0037] 进一步地，所述预处理，包括：信号合成、梯形成形、堆积判弃、峰值提取。

[0038] 与现有的技术相比本发明的有益效果是：

[0039] 1、一种复杂环境下的核脉冲信号与噪声信号甄别方法，采用基于机器学习的方法可以有效的区分核脉冲和噪声信号，从而减少对噪声信号的采集。

[0040] 2、一种复杂环境下的核脉冲信号与噪声信号甄别方法，通过减少探测器对噪声信号的采集，可以提高探测器的能量分辨率；尤其是当核探测器需要的长时间测量时，减少基线漂移对探测器的影响，实现高精度的能谱测量。

附图说明

[0041] 图1为一种复杂环境下的核脉冲信号与噪声信号甄别方法的流程图；

[0042] 图2为核脉冲信号与噪声分离模型训练流程图；

[0043] 图3为核探测器系统的总体框图。

具体实施方式

[0044] 需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0045] 下面结合实施例对本发明的特征和性能作进一步的详细描述。

[0046] 实施例一

[0047] 请参阅图1，一种复杂环境下的核脉冲信号与噪声信号甄别方法，具体包括如下步骤：

[0048] 步骤S1：将采集的原始信号，进行FIR低通滤波；

[0049] 步骤S2：对滤波之后的信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间；

[0050] 步骤S3：在二维的频域空间内提取出信号特征；优选地，所述信号特征包括：信号的幅度谱和功率谱；其中，从特征提取的基本单位来看，可以分为时频单元级别的特征和帧级别的特征；

[0051] 时频单元级别的特征是从一个时频中提取特征，这种方式提取的特征粒度更细，能够关注到更加微小的细节，但是缺乏对信号的全局性和整体性的描述；帧级别的特征是从一帧信号中提取的，这种级别的特征粒度更大，能够抓住信号的时空结构，具有更好的全局性和整体性；

[0052] 步骤S4：将信号特征输入至训练好的核脉冲信号与噪声分离模型，并将核脉冲信号与噪声分离模型的输出，通过逆变换，并结合信号特征所对应信号的相位，获得核脉冲信号和噪声信号；

[0053] 步骤S5：将获得的核脉冲信号进行预处理；

[0054] 步骤S6：提取出预处理后的核脉冲信号的幅值，并以此生成能谱。

[0055] 在本实施例中，具体的，所述步骤S1，包括：

[0056] 利用ADC采集得到原始信号，所述原始信号包括：核脉冲信号、噪声信号以及二者的混合信号；

[0057] 对原始信号进行FIR低通滤波，滤波公式如下：

[0058]

[0059] 其中： 为第n个时刻的输入信号， 为第n‑k个时刻的输入信号，为FIR滤波系数， 为经过滤波后的信号，N表示FIR滤波器的抽头数， 为滤波器阶数，k为正整数，并且k ，n为正整数，表示为某一个时刻。

[0060] 在本实施例中，具体的，所述步骤S2，包括：

[0061] 设 是一个实对称窗函数， 是一维时域信号 在第 时间帧、第个频段的短时傅里叶变换系数，则：

[0062]

[0063] 其中：k为正整数，表示某一个时刻， 为窗函数 在第k时刻，第t时间帧的输出，j为虚数单位；

[0064] 对应的傅里叶能量幅度谱 为：

[0065]

[0066] 其中， 表示复数域的取模操作。

[0067] 请参阅图2，在本实施例中，具体的，所述核脉冲信号与噪声分离模型的训练过程如下：

[0068] 步骤A：时频分解；先对已知的核脉冲信号、噪声信号以及二者的混合信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间；

[0069] 步骤B：特征提取；分别提取核脉冲信号、噪声信号以及二者的混合信号在二维频域的特征；

[0070] 步骤C：模型训练；用步骤B得到的特征和各个信号的时频掩蔽对核脉冲信号与噪声分离模型进行训练；即将得到的特征和各个信号的时频掩蔽输入到卷积神经网络之中；

[0071] 步骤D：模型保存；最后得到一个可以分离噪声和核脉冲信号的核脉冲信号与噪声分离模型；即得到一个从带噪特征到分离信号的核脉冲信号与噪声分离模型。

[0072] 在本实施例中，具体的，所述步骤S4，包括：

[0073] 将信号特征输入至训练好的核脉冲信号与噪声分离模型，分别预测得到噪声和信号的分离目标；

[0074] 再将分离目标通过短时逆傅里叶逆变换获得核脉冲的波形信号。

[0075] 在本实施例中，具体的，所述短时傅里叶逆变换从 重构 ，通过估计目标核脉冲的短时傅里叶变换系数来实现核脉冲信号的分离，用 来表示混合信号中纯净的目标信号在第t时间帧内，第f个频段的傅里叶变换系数，那么目标信号的波形 可以通过短时傅里叶逆变换计算：

[0076]

[0077] 如果不考虑相位，噪声信号分离过程可以转换为目标核脉冲信号的幅度谱的估计问题，根据估计得到的目标信号的幅值信息联和混合输入信号的相位信息，再通过短时傅里叶逆变换能得到目标核脉冲信号的估计波形 。

[0078] 在本实施例中，具体的，所述预处理，包括：信号合成、梯形成形、堆积判弃、峰值提取；

[0079] 其中，梯形成形算法设计如下：

[0080]

[0081] 式中： 为输入信号序列； 为输出信号序列； ， ， 决定梯形的斜边和平顶的长度，是可调的； ， 。 的值是通过多次采集探测器的实际输出信号，然后进行曲线拟合，最后取多次计算的平均值。 为ADC的采样周期。

[0082] 堆积判弃算法设计如下：

[0083] 设系统的分辨时间设置为 ，当两个脉冲的时间间隔小于 时，脉冲将会被舍弃；当两个脉冲的时间间隔大于 时，两个脉冲都将作为有效脉冲被记录；

[0084] 峰值提取算法如下：

[0085] 将梯形成形算法的平顶部分进行求和平均，再根据堆积判弃算法的输出来判定是否为一个有效幅值。

[0086] 实施例二

[0087] 实施例二是实施例一提出的一种复杂环境下的核脉冲信号与噪声信号甄别方法在核探测器系统中的具体部署过程。

[0088] 请参阅图3。

[0089] 第一步，利用靠近放射源的前端探测器采集和放大微弱的核脉冲信号。

[0090] 第二步，利用高速ADC采集放大之后的信号。

[0091] 第三步，对ADC采集得到的信号，进行FIR低通滤波。

[0092] 第四步，对输入的混合信号进行时频分解，将信号从一维的时间序列，映射到二维的频域空间。

[0093] 第五步，提取输入信号在二维频域的特征。

[0094] 第六步，将特征输入到训练好的核脉冲信号与噪声分离模型之后，可以分别预测得到噪声和信号的分离目标。

[0095] 第七步，将上一步得到的分离目标通过逆变换（逆傅里叶变换）获得核脉冲的波形信号。

[0096] 第八步，梯形成形算法设计。

[0097]

[0098] 式中： 为输入信号序列； 为输出信号序列。 ， ， 决定梯形的斜边和平顶的长度，是可调的。

[0099] 第九步，堆积判弃算法设计。

[0100] 设系统的分辨时间设置为 ，当两个脉冲的时间间隔小于 时，脉冲将会被舍弃；当两个脉冲的时间间隔大于 时，两个脉冲都将作为有效脉冲被记录。

[0101] 第十步，峰值提取算法设计。

[0102] 将梯形成形算法的平顶部分进行求和平均，再根据第九步的输出来判定是否为一个有效幅值。

[0103] 第十一步，能谱存储算法设计。

[0104] 将提取到的峰值用于生成能谱，并存储在一个双端口的ram之中。

[0105] 第十二步，数据传输算法设计。

[0106] 读取存储在ram中的能谱数据并且通过数据传输模块传输给上位机，上位机接收并显示能谱。

[0107] 以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

[0108] 提供本背景技术部分是为了大体上呈现本发明的上下文，当前所署名的发明人的工作、在本背景技术部分中所描述的程度上的工作以及本部分描述在申请时尚不构成现有技术的方面，既非明示地也非暗示地被承认是本发明的现有技术。