本發(fā)明涉及核輻射探測(cè)技術(shù)領(lǐng)域，特別是一種基于模糊決策樹的復(fù)雜核素識(shí)別方法。

背景技術(shù)：

隨著科學(xué)技術(shù)的發(fā)展，核技術(shù)已被廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)等各個(gè)領(lǐng)域。傳統(tǒng)的放射性核素識(shí)別方法是對(duì)放射性核素所放射出的γ能譜進(jìn)行尋峰，通過所尋道址獲取其對(duì)應(yīng)能量，經(jīng)反檢索核素庫(kù)后，即可得到該處峰位對(duì)應(yīng)的核素種類。這種方法在研究初期有很好的適用性，但隨著待檢測(cè)樣品復(fù)雜程度的增加，特別是在放射性核素活度較低時(shí)，識(shí)別所需時(shí)間很長(zhǎng)，且效果偏差。近年來，人工神經(jīng)網(wǎng)絡(luò)、小波變換等新的數(shù)據(jù)處理技術(shù)不斷得到發(fā)展，這些技術(shù)在譜分析方面的應(yīng)用也受到了關(guān)注。人工神經(jīng)網(wǎng)絡(luò)具有非線性映射、快速并行處理功能，但要求學(xué)習(xí)譜的探測(cè)條件和實(shí)測(cè)時(shí)的探測(cè)條件保持一致，且如要識(shí)別更多核素，則需要大量學(xué)習(xí)樣本?，F(xiàn)有方法均存在一定的局限性，在數(shù)據(jù)分析方面都沒有擺脫傳統(tǒng)γ能譜的概念，對(duì)于復(fù)雜γ能譜的特征屬性提取不夠完備，且大多屬于黑箱算法，模型不透明。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是：針對(duì)上述存在的問題，提供了一種基于模糊決策樹的復(fù)雜核素識(shí)別方法。

本發(fā)明采用的技術(shù)方案如下：一種基于模糊決策樹的復(fù)雜核素識(shí)別方法，具體包括以下過程：

步驟s1：對(duì)放射性核素γ能譜采用時(shí)域最小二乘法進(jìn)行平滑預(yù)處理；

步驟s2：對(duì)處理后的γ能譜采用對(duì)稱零面積變換法進(jìn)行尋峰，提取特征峰位值；

步驟s3：對(duì)處理后的γ能譜采用db5小波基對(duì)混合能譜進(jìn)行5層一維小波變換，提取變換后最大的分波能量值；

步驟s4：整合特征信息即特征峰位值和分波能量值形成樣本庫(kù)，基于模糊決策樹方法，在建樹過程中動(dòng)態(tài)地對(duì)特征空間進(jìn)行劃分，構(gòu)造核素識(shí)別分類器，實(shí)現(xiàn)核素的識(shí)別。

進(jìn)一步的，所述步驟s1中，選取核素γ能譜數(shù)據(jù)的第m點(diǎn)，并在第m點(diǎn)左右各取k個(gè)數(shù)據(jù)，所述m、k均為整數(shù)，形成2k+1個(gè)數(shù)據(jù)點(diǎn)的窗口；在所述窗口中用多項(xiàng)式擬合原始譜數(shù)據(jù)，多項(xiàng)式在第m點(diǎn)的值就是平滑預(yù)處理后的譜在m點(diǎn)的值；m的值沿能譜數(shù)據(jù)移動(dòng)則獲取整個(gè)平滑后的譜數(shù)據(jù)。

進(jìn)一步的，所述步驟s3中，小波變換將混合能譜分解為低頻信息和高頻信息，分別選取低頻信息和高頻信息中最大的分波能量值。

進(jìn)一步的，所述步驟s4中模糊決策樹方法的具體流程為：(a)輸入樣本庫(kù)中原始數(shù)據(jù)集，根據(jù)原始數(shù)據(jù)集構(gòu)造根節(jié)點(diǎn)；(b)判斷根節(jié)點(diǎn)上的數(shù)據(jù)集是否符合葉節(jié)點(diǎn)的條件，如果符合則生成葉子節(jié)點(diǎn)獲取最終的模糊決策樹，如果不符合則到步驟c；(c)計(jì)算當(dāng)前節(jié)點(diǎn)的信息量，使用fcm聚類算法對(duì)當(dāng)前節(jié)點(diǎn)上數(shù)據(jù)集的可用屬性進(jìn)行分類；(d)計(jì)算數(shù)據(jù)集中每個(gè)可用屬性的模糊信息增益，選取最大者作為擴(kuò)展屬性對(duì)數(shù)據(jù)集進(jìn)行分割；(e)根據(jù)所選擴(kuò)展屬性進(jìn)行的模糊分割，將當(dāng)前節(jié)點(diǎn)樣本集映射到相應(yīng)的子模糊集；(f)將所選屬性去活躍；(g)為每個(gè)子模糊集構(gòu)造相應(yīng)的子節(jié)點(diǎn)，再返回到步驟b。

與現(xiàn)有技術(shù)相比，采用上述技術(shù)方案的有益效果為：

(1)在特征提取過程中，將新興方法與傳統(tǒng)方法相結(jié)合，即將小波變換的分波能量與放射性核素能譜特征峰相結(jié)合，作為識(shí)別核素的依據(jù)。用小波變換后的分波能量取代傳統(tǒng)方法中核素特征射線的全能峰面積，作為分析和識(shí)別核素種類的特征之一，綜合利用了全譜計(jì)數(shù)來進(jìn)行分析，避免了傳統(tǒng)識(shí)別方法中環(huán)境和儀器噪聲對(duì)能譜影響較大的情況，從一個(gè)新的視角對(duì)能譜特征進(jìn)行提取，提高了核素識(shí)別的可靠性和穩(wěn)定性。

(2)本發(fā)明中涉及到的模糊決策樹算法在其建樹過程中動(dòng)態(tài)地對(duì)特征空間進(jìn)行劃分。這種建樹方式追求每個(gè)結(jié)點(diǎn)處的最優(yōu)劃分，故可以提高決策樹的測(cè)試精度，且相比起現(xiàn)有的核素識(shí)別算法，本發(fā)明所用的模糊決策樹算法擁有透明的模型，靈活地對(duì)特征信息進(jìn)行模糊化，建立合適的決策樹并輸出模糊規(guī)則，能很好地針對(duì)核素識(shí)別問題做出決策。

附圖說明

圖1是本發(fā)明中一種基于模糊決策樹的復(fù)雜核素識(shí)別方法的流程示意圖。

圖2是本發(fā)明中¹³⁷cs(銫137)、⁶⁰co(鈷60)及(¹⁵²eu鈾152)混合源的實(shí)測(cè)γ能譜圖。

圖3是本發(fā)明中¹³⁷cs(銫137)、⁶⁰co(鈷60)及(¹⁵²eu鈾152)混合源的實(shí)測(cè)γ能譜圖進(jìn)行時(shí)域最小二乘法平滑預(yù)處理后的能譜。

圖4是本發(fā)明中平滑預(yù)處理后的能譜使用自刻度對(duì)稱零面積變換法進(jìn)行尋峰的結(jié)果圖。

圖5是本發(fā)明中平滑預(yù)處理后的能譜利用db5小波基對(duì)能譜進(jìn)行5層一維小波分解的低頻(近似)信號(hào)譜圖。

圖6是平滑預(yù)處理后的能譜利用db5小波基對(duì)能譜進(jìn)行5層一維小波分解的高頻(細(xì)節(jié))信號(hào)譜圖。

圖7為本發(fā)明中模糊決策樹方法的具體流程示意圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步描述。

本實(shí)施例以放射性核素¹³⁷cs(銫137)、⁶⁰co(鈷60)及¹⁵²eu(鈾152)在強(qiáng)本底情況下的混合γ能譜為例，能譜圖如圖2所示，對(duì)本發(fā)明作進(jìn)一步的闡述，由于混合了三種放射性核素，該混合γ能譜是一種復(fù)雜放射性核素γ能譜。

一種基于模糊決策樹的復(fù)雜核素識(shí)別方法，如圖1所示為所述復(fù)雜核素識(shí)別方法的流程示意圖。

步驟s1：對(duì)¹³⁷cs(銫137)、⁶⁰co(鈷60)及¹⁵²eu(鈾152)混合γ能譜采用時(shí)域最小二乘法進(jìn)行平滑預(yù)處理；

采用時(shí)域最小二乘法時(shí)的基本過程為:選取核素γ能譜數(shù)據(jù)的第m點(diǎn)，第m點(diǎn)是能譜數(shù)據(jù)中所有數(shù)據(jù)點(diǎn)中的其中一點(diǎn)，并在第m點(diǎn)左右各取k個(gè)數(shù)據(jù)，所述m、k均為整數(shù)，形成2k+1個(gè)數(shù)據(jù)點(diǎn)的窗口，例如k取3時(shí)即在第m點(diǎn)前后各取3點(diǎn)，進(jìn)行7點(diǎn)最小二乘法；在7個(gè)數(shù)據(jù)點(diǎn)的窗口中用多項(xiàng)式擬合原始譜數(shù)據(jù)，多項(xiàng)式在第m點(diǎn)的值就是平滑預(yù)處理后的譜在m點(diǎn)的值；m的值沿能譜數(shù)據(jù)移動(dòng)則獲取整個(gè)平滑后的譜數(shù)據(jù)，如圖3所示。

步驟s2：對(duì)平滑預(yù)處理后的γ能譜采用對(duì)稱零面積變換法進(jìn)行尋峰，提取特征峰位值；

對(duì)稱零面積變換法是用面積為零的窗函數(shù)與能譜數(shù)據(jù)進(jìn)行卷積變換，并且要求窗函數(shù)為對(duì)稱函數(shù)。對(duì)于線性本底，二階差分為零，只有峰出現(xiàn)時(shí)，二階差分才不為零，且為一個(gè)負(fù)的極小值，極小值位置即為特征峰位值。

尋峰的具體過程為：通過計(jì)算得到能譜的對(duì)稱零面積變換譜，結(jié)合下式(1)判定峰的存在，其中，y為原始能譜，和分別為變換譜與其標(biāo)準(zhǔn)偏差，cj為對(duì)稱零面積變換函數(shù)，j的取值[-m,m]表示cj是圍繞原點(diǎn)左右對(duì)稱的窗函數(shù),threshold為尋峰閾值，若對(duì)稱零面積變換譜與其標(biāo)準(zhǔn)偏差的比值小于閾值，則判定為有峰存在，通過下式(2)并結(jié)合經(jīng)驗(yàn)判斷精確道址位置,其中，si為在區(qū)間[l,r]上滿足si＜threshold的s值。

通過改變尋峰閾值，可以調(diào)整尋峰算法對(duì)假峰的容忍度，從而達(dá)到控制尋峰數(shù)量的目的。本實(shí)施例選定尋峰閾值為-0.60，如圖4為使用自刻度對(duì)稱零面積變換法得到的尋峰結(jié)果，能譜中每個(gè)全能峰及附近的輔助峰位均被識(shí)別出來，如圖中豎線標(biāo)示。

步驟s3：對(duì)處理后的γ能譜采用db5小波基對(duì)混合能譜進(jìn)行5層一維小波變換，提取變換后最大的分波能量值；

小波變換將混合能譜分解為低頻信息和高頻信息。低頻信息是變化緩慢的部分，是圖像的框架，也是輪廓，占全部信息的大部分；高頻信息是變化迅速的部分，反映的是圖像的細(xì)節(jié)信息，占全部信息的小部分。

設(shè)hjf為能量有限信號(hào)f∈l²(r)在分辨率2^j下的近似，則hjf可以進(jìn)一步分解為f在分辨率2^j-1下的近似hj-1f(通過低通濾波器得到)，以及位于分辨率2^j-1與2^j之間的細(xì)節(jié)dj-1f(通過高通濾波器得到)之和，基本分解過程如下式(3)所示：

hjf＝hj-1f+dj-1f.....................(3)

圖5為利用db5小波基對(duì)混合能譜進(jìn)行5層一維小波分解低頻(逼近)信號(hào)譜圖，圖6為利用db5小波基對(duì)混合能譜進(jìn)行5層一維小波分解高頻(細(xì)節(jié))信號(hào)譜圖；分別選取低頻信息和高頻信息中最大的分波能量值。

步驟s4：整合特征信息即特征峰位值和分波能量值形成樣本庫(kù)，基于模糊決策樹方法，在建樹過程中動(dòng)態(tài)地對(duì)特征空間進(jìn)行劃分，構(gòu)造核素識(shí)別分類器，實(shí)現(xiàn)核素的識(shí)別。

優(yōu)選地，本實(shí)施例的模糊決策樹方法與傳統(tǒng)的模糊決策樹方法不同，區(qū)別在于：本實(shí)施例中，建樹過程中動(dòng)態(tài)地對(duì)特征空間進(jìn)行劃分，而并不是傳統(tǒng)方法中建樹前對(duì)特征空間就進(jìn)行模糊劃分。

如圖7所示，本實(shí)施例模糊決策樹方法的具體流程為：(a)輸入樣本庫(kù)中原始數(shù)據(jù)集，根據(jù)原始數(shù)據(jù)集構(gòu)造根節(jié)點(diǎn)；(b)判斷根節(jié)點(diǎn)上的數(shù)據(jù)集是否符合葉節(jié)點(diǎn)的條件，如果符合則生成葉子節(jié)點(diǎn)獲取最終的模糊決策樹，如果不符合則到步驟c；(c)計(jì)算當(dāng)前節(jié)點(diǎn)的信息量，使用fcm聚類算法對(duì)當(dāng)前節(jié)點(diǎn)上數(shù)據(jù)集的可用屬性進(jìn)行分類；(d)計(jì)算數(shù)據(jù)集中每個(gè)可用屬性的模糊信息增益，選取最大者作為擴(kuò)展屬性對(duì)數(shù)據(jù)集進(jìn)行分割；(e)根據(jù)所選擴(kuò)展屬性進(jìn)行的模糊分割，將當(dāng)前節(jié)點(diǎn)樣本集映射到相應(yīng)的子模糊集；(f)將所選屬性去活躍；(g)為每個(gè)子模糊集構(gòu)造相應(yīng)的子節(jié)點(diǎn)，再返回到步驟b。本實(shí)施例的建樹方式追求每個(gè)結(jié)點(diǎn)處的最優(yōu)劃分，故可以提高決策樹的測(cè)試精度。

例如，在對(duì)當(dāng)前結(jié)點(diǎn)例如節(jié)點(diǎn)a進(jìn)行劃分時(shí)，分別對(duì)結(jié)點(diǎn)內(nèi)樣本的每一個(gè)可用屬性值進(jìn)行模糊c均值聚類(fcm)劃分，且計(jì)算出此種劃分的信息增益值，模糊信息增益為信息量的差值。信息增益是每一個(gè)決策結(jié)點(diǎn)選取最佳決策屬性的度量標(biāo)準(zhǔn)，信息增益越大，說明采用該屬性進(jìn)行篩選后，信息熵變得越小，樣本集合純度更高。屬性v相對(duì)于當(dāng)前結(jié)點(diǎn)a樣本集s的信息增益gain(s,v)定義為：

其中sv是樣本集s中進(jìn)行模糊聚類后屬性值為v的子集。式子的第一項(xiàng)entropy(s)就是當(dāng)前結(jié)點(diǎn)a樣本集s的熵，第二項(xiàng)是用樣本集s進(jìn)行模糊聚類后熵的期望值。然后選取信息增益值最大的那個(gè)屬性作為分裂屬性，分裂屬性對(duì)應(yīng)的fcm劃分結(jié)果就是結(jié)點(diǎn)a的子結(jié)點(diǎn)。

本發(fā)明并不局限于前述的具體實(shí)施方式。本發(fā)明擴(kuò)展到任何在本說明書中披露的新特征或任何新的組合，以及披露的任一新的方法或過程的步驟或任何新的組合。如果本領(lǐng)域技術(shù)人員，在不脫離本發(fā)明的精神所做的非實(shí)質(zhì)性改變或改進(jìn)，都應(yīng)該屬于本發(fā)明權(quán)利要求保護(hù)的范圍。