[发明专利]一种未知源项辐射场重构方法、存储介质及系统

权利要求书

1.一种未知源项辐射场重构方法，其特征在于，包括：

获取输入参数并生成不同源项假设下的初步辐射场数据；

对生成的初步辐射场数据进行预处理及数据增广；

构建变分自编码神经网络模型；

构建损失函数对变分自编码神经网络模型进行调优，并根据调优后的变分自编码神经网络模型得到γ辐射场重构结果。

2.如权利要求1所述的一种未知源项辐射场重构方法，其特征在于：

所述辐射场数据包括辐射源项三维坐标、不同核素占比、非点状源的形状与尺寸及源项分布的非均匀性。

3.如权利要求1所述的一种未知源项辐射场重构方法，其特征在于：

获取所述输入参数后，通过点核积分及源项反演算法，模拟计算出不同组合下假设的辐射场数据。

4.如权利要求1所述的一种未知源项辐射场重构方法，其特征在于：

对生成的辐射场数据进行预处理为归一化处理。

5.如权利要求1所述的一种未知源项辐射场重构方法，其特征在于：

所述变分自编码神经网络模型包括采样层、编码层、解码层及隐藏层，所述采样层用于做特征选择、所述隐藏层用于对选择的特征进行抽象化，所述编码层用于将高维度输入编码成低维度的隐向量，所述解码层用于把隐向量还原为初始维度。

6.如权利要求5所述的一种未知源项辐射场重构方法，其特征在于：

所述编码层的输出为两个变量，分别为：隐藏层编码的均值及方差向量，且从所述隐藏层编码的均值及方差向量定义的距离平方反比分布中进行采样，作为所述解码层的输入。

7.如权利要求1所述的一种未知源项辐射场重构方法，其特征在于：

所述损失函数包括计算生成的数据与原始数据样本之间的差距及比较隐藏层编码向量的分布与距源项距离平方反比之间的损失值两个部分。

8.如权利要求3所述的一种未知源项辐射场重构方法，其特征在于：

所述损失函数的计算公式为：

其中，x代表的是原始数据，y代表的是生成的数据，λ代表的是权重参数，代表的是由原始数据通过编码层的学习，生成隐藏层编码向量z的分布，从而建立z与x之间的关系；p(z)指的是隐藏层编码向量z分布的二次衰减分布；E_p(x)是数学期望值。

9.一种存储介质，其特征在于：

所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1-8中任一项中所述的未知源项辐射场重构方法。

10.一种未知源项辐射场重构系统，其特征在于，包括：

样本生成单元，用于根据输入的参数生成训练的初始样本；

数据处理单元，用于将初始样本进行预处理及数据增广；

模型训练单元，用于利用处理后的数据集进行训练，形成变分自编码神经网络模型；

模型调优单元，用于构建损失函数，并通过损失函数对变分自编码神经网络模型进行调优。