谢先博　张晖

摘要：针对传统[γ]能谱核素识别算法在较低放射性水平下的情况下存在核素识别慢，对相干核素识别效果差的问题，基于统计学习理论提出了基于支持向量机的快速核素识别方法。本方法一方面通过对峰位确定方法改进来提高特征量提取的精确度，去除[γ]能谱中重叠峰对相干核素识别中的影响，另一方面使用支持向量机方法实现核素的快速分类。通过与传统方法的比对，新方法在识别相干核素方面达到了很好的识别效果。

关键词：核素识别；支持向量机；B样条平滑

中图分类号：TP181 文献标识码：A 文章编号：1009-3044（2014）02-0355-04

传统的基于[γ]能谱解析进行核素识别的算法[1]，在较低放射性水平下的情况下，存在核素识别速度慢，对“相干核素”（多种核素混合）识别效果较差的弱点。核素识别问题从本质上可以看成一个机器学习中的分类问题，虽然分类的方法很多，由于核素识别过程中获取样本数据较困难，训练集较小，适合使用支持向量机的分类方法来进行识别。支持向量机（Support Vector Machines， SVM） 作为一种较新的机器学习方法， 具有出色的学习及推广能力， 在很多领域都得到了成功的应用， SVM 能够较好地解决小样本、非线性、高维数和局部极小点等实际问题，具据有较高的分类能力和计算效率。与此同时本文对确定峰位及特征值提取做了改进和优化相较于文献[1][[1]]提出的核素识别算法及BP神经网络算法，提高了重叠峰的识别率，很好解决了相干核素的识别问题，找到了一种快速、有效、稳定的核素识别算法。……