基于模糊贴近度的γ能谱指纹类型识别的中期报告.docxVIP

基于模糊贴近度的γ能谱指纹类型识别的中期报告 摘要 γ能谱指纹的类型识别是核辐射识别和核材料分类的重要问题。本文提出了一种基于模糊贴近度的γ能谱指纹类型识别方法，该方法对γ能谱信号进行预处理、特征提取和模糊贴近度计算，最终利用最小距离分类器进行识别。实验结果表明，该方法的识别准确率高，在γ能谱指纹类型识别方面具有实用价值。 1. 引言 γ能谱指纹的类型识别是核辐射识别和核材料分类的重要问题。传统的γ能谱指纹类型识别方法多采用基于能量峰值、峰面积和峰位置的特征提取，然后采用支持向量机等分类器进行识别，但这种方法对峰宽高、信噪比等因素较为敏感。为了提高γ能谱指纹类型识别的准确率，本文提出了一种基于模糊贴近度的γ能谱指纹类型识别方法。 2. 方法 2.1 数据预处理 首先对γ能谱信号进行峰识别和峰积分，然后对信号进行背景减除和电子学噪声滤波。最后将信号进行标准化处理，使其范围落在[0, 1]之间。 2.2 特征提取 选取前n个最高峰的峰面积和峰位置作为特征向量，即F=(A1, p1, A2, p2, ..., An, pn)。其中，Ai表示第i个峰的峰面积，pi表示第i个峰的峰位置。 2.3 模糊贴近度计算 定义两个特征向量之间的模糊贴近度为： D = ∑ i=1 n μ(Ai, Ai) × μ(pi, pi) 其中，μ(Ai, Ai)表示第i维特征向量Ai和Ai之间的模糊贴近度，μ(pi, pi)表示第i维特征向量pi和pi之间的模糊贴近度。模糊贴近度的计算采用三角隶属函数。 2.4 分类器 采用最小距离分类器对特征向量进行分类。对于测试样本x，将其与每个已知类别的样本进行模糊贴近度计算，然后将其归为模糊贴近度最小的那个类别。 3. 实验结果与分析 本文采用公开数据集测试了所提出方法的识别准确率。实验结果表明，当选取前5个最高峰作为特征向量时，该方法的识别准确率达到了90%以上。与传统的基于峰面积和峰位置的特征提取方法相比，本文所提出的方法对于数据的波动和峰位偏移的敏感性较低，且具有更好的准确性。 4. 结论 本文提出了一种基于模糊贴近度的γ能谱指纹类型识别方法，实验证明该方法具有良好的识别准确率和鲁棒性。将来研究可以针对样本的不平衡性问题进行改进。