胡浩行, 张江梅,2, 王坤朋, 冯兴华

(1.西南科技大学 信息工程学院,四川 绵阳 621010;2.西南科技大学 核废物与环境安全国防重点学科实验室,四川 绵阳 621010)

0 引 言

基于伽马能谱分析的核素识别方法已经在科学研究、环境监测、公共安全等诸多领域得到广泛的应用[1]。目前核素识别方法主要分为基于全能峰的分析方法[2]以及基于统计学理论的全谱分析方法[3]。前者全能峰位置、面积及半高宽等信息对能谱进行特征提取，继而在标准核素库中依次检索每个峰所匹配的所有可能核素从而确定核素种类；后者利用测量谱的每道数据结合特定核素库完成解谱工作[3]。目前这两类方法应用比较多，主要有基于人工神经网络[4]、贝叶斯理论[5]，但研究人员难以准确区分重叠峰及消除“假峰”的影响、特征选取依赖经验知识，人工特征工程具有很大的盲目性和不确定性[3～5]。与依靠先验知识、人工构造特征并提取的传统模式分类方法不同，深度学习卷积神经网络(convolution neural network，CNN)[6]能够自适应地、隐式提取针对原始数据深层次的特征描述，其独有的局部感受野和权值共享机制能够大大降低模型结构的复杂，提取方式更加灵活，无需人工干涉[7]。

鉴于以上分析，提出一种基于CNN的核素识别方法。和传统核素识别方法进行对比识别实验，验证所提方法的可行性和有效性。

1 CNN模型描述

CNN在多层卷积神经网络中，卷积层和下采样层交替组合成网络的隐藏层。卷积层作为特征提取层，通过卷积运算对原始信号进行特征增强，在提取特征的同时由于卷积层的构造原理降低了噪声。……