基于K―SVDγ能谱特征提取及核素识别.docVIP

基于K―SVDγ能谱特征提取及核素识别 　　摘要：提出了一种基于K-SVD的构造稀疏分解原子库并用于核素γ能谱特征提取的方法。针对γ能谱信号的成谱特点及峰值规律，通过K-SVD算法构造学习型稀疏字典，将稀疏分解系数向量作为表征γ能谱的特征，实现特征提取，利用最近邻分类算法、支持向量机和决策树等机器学习分类算法实现核素识别。实验部分在七种不同的分类算法上比较了提出的特征提取方法和传统方法的核素识别准确率，结果表明：相较于传统方法，该文方法所提取特征具有更高的分类准确率。 　　关键词：核素识别；特征提取；KSVD；稀疏表示 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2018）02-0177-03 　　γSpectrum Feature Extraction and Nuclide Identification by K-SVD 　　LIU Hao-lin， YAO Yuan-cheng ，ZHANG Jiang-mei，WANG Kun-peng 　　（Southwest University of Science and Technology，College of Information Engineering of Sichuan Province，Mianyang 621010，China） 　　Abstract： A method Based on K-SVD to construct a sparse atomic library is proposed in this paper and is used to extract features of radionuclide γ spectrum. A learning sparse dictionary is constructed by using K-SVD algorithm according to the characteristics of γ spectrum signal， and the sparse decomposition coefficient vector is used to characterize γ spectrum to realize feature extraction and nuclide identification. The experiments verify the feature extraction performance by comparing the recognition accuracy with the traditional methods using seven different classification algorithms including KNN algorithm， SVM algorithm and Decision Tree algorithm. The results show that the feature extraction by the method proposed in this paper has higher classification accuracy compared with the traditional methods. 　　Key words： Nuclide identification； Feature extraction； K-SVD； Sparse Representation 　　放射性核素的γ能?V信号是识别核素种类主要依据，其原因在于，能谱信号是以能量为横坐标，以特定时间内所探测到的射线粒子数为纵坐标进行表征的，能够较为直观地反映各种不同能量粒子的相对强度与分布情况，研究者可根据占比较大的粒子能量值判别待测核素种类。但与此同时，能谱也会受到来自环境和探测器等各种来源的噪声影响，导致有用信号被掩盖或者淹没。传统的核素识别方法主要将研究重点放在寻峰方法的研究上，常见的寻峰方法有导数法[1]、协方差法[2]、对称零面积变换法[3]等，但这些方法对峰的筛选极依赖专家知识，适用性不高[4]。 　　将核素γ能谱当作时间的函数，可将字典原子看作稀疏表示的基，使用字典原子对γ能谱信号进行拟合，将传统峰位信息转化为稀疏分解系数向量。稀疏字典的构建主要由两类方法实现，一是以Gabor字典、DCT字典、Haar字典为典型代表的固定字典（Pre-constructed dictionary），其优点是使用简单，但在稀疏表示过程中对目标的针对性不足；二是从学习角度构建的学习字典（Learned dictionary），其优点是对任何类型的信号都有较好的适应性，但其构造复杂度较高，尤其是在针对高维度信号