[发明专利]一种基于深度学习Transformer模型的梯形堆积核脉冲识别方法

说明书

本发明公开了一种基于深度学习Transformer模型的梯形堆积核脉冲识别方法，是对梯形成形后的上升沿变缓的堆积阶跃核脉冲进行识别。首先，将欲进行参数识别的梯形堆积核脉冲看成是由N个上升沿变缓的阶跃脉冲堆积后经过梯形成形后得到的。其次，制作含有多个样本的数据集，每个样本含有其对应梯形堆积核脉冲的采样值及脉冲的参数集。然后，各个样本对应的梯形堆积核脉冲的采样值以及相应的位置编码作为Transformer模型的输入数据。接着，用Transformer模型中的多层编码器与解码器提取特征，并对其内部的前馈神经网络进行训练。最后，用训练完成后的Transformer模型对欲进行参数识别的原始梯形堆积核脉冲进行参数识别。该方法大大降低了梯形堆积核脉冲的舍弃率，提高了放射性测量的准确度和可信度。

技术领域

本发明涉及一种基于深度学习Transformer模型的梯形堆积核脉冲识别方法。

背景技术

数字成形技术已成为核脉冲信号的一种重要成形方法，这有利于采用数字信号处理的方法进行核信号的识别，大大提高了核仪器的性能。在高速计数时，无论采用何种成形方法，相邻核脉冲的堆积是难以避免的；所以，数字成形后堆积核脉冲的参数识别仍然是一个难题。以梯形成形方法为例，上升沿变缓的阶跃核脉冲成形为梯形脉冲后，信号得以展宽便于幅值的识别，但是与原始的核脉冲相比，梯形脉冲仍然会出现堆积的现象。近年来，国内外在梯形核脉冲的成形、采集、识别方面进行了较为深入的研究，但对于堆积较为严重的梯形核脉冲的参数识别仍然效果不佳。深度学习技术，自从提出之时便受到各领域学者的广泛关注，随着计算机科学与技术的不断发展，以及深度学习技术在理论上的不断突破，目前该项技术已成为非常热门的智能科学技术，被广泛地应用在众多领域并且取得了非常优秀的效果。目前将深度学习技术引入核脉冲的参数识别的相关研究还处于初步探索阶段，虽然已经有部分学者及研究团队利用循环神经网络(RNN)识别堆积脉冲的参数，但是由于RNN在面对长序列时无法完全消除梯度消失和梯度爆炸的问题，且该模型中的每一个节点都依赖它前一步的节点，因此在训练过程中对于输入脉冲序列的计算是线性的，这就导致其处理大规模且复杂度较高的脉冲序列时效率不高。为了进一步提高堆积脉冲识别的准确率和效率，本发明专利采用了目前在自然语言处理(NLP)领域内非常先进的Transformer模型，并加以一定的改进，使其能够更好地适应和处理核脉冲数据。综上所述，本发明专利针对由多个上升沿变缓的阶跃信号经过梯形成形后的脉冲堆积信号，提出了基于深度学习Transformer模型的梯形堆积核脉冲的识别方法，用于识别梯形堆积核脉冲的参数。这对于成形算法的验证，以及后续核脉冲参数的获取等过程具有重要意义。

发明内容

本发明的目的在于公开一种基于深度学习Transformer模型的梯形堆积核脉冲的识别方法，用于识别由多个上升沿变缓的阶跃信号经过梯形成形后的梯形堆积核脉冲的参数。该方法在一定程度上解决了相邻核脉冲因梯形成形后脉冲信号堆积而难以准确识别相关信息的技术难题，这对于提高放射性测量的精度具有较大意义。

本发明对梯形成形后的堆积核脉冲进行识别是通过以下具体步骤①～⑤实现的。

步骤①将放射性测量中所获得的欲进行参数识别的梯形堆积核脉冲看成是由N个上升沿变缓的阶跃核脉冲叠加后经过梯形成形后得到的，这些核脉冲的个数N应根据欲进行参数识别的堆积核脉冲的具体情况而定。

步骤②制作含有多个样本的数据集，数据集中包含采样集V_o和参数集θ。其中采样集为每个样本的梯形堆积核脉冲的采样值集合。参数集包含成形前的上升沿变缓的阶跃核脉冲信号的参数以及相应的梯形成形参数。接着，将数据集按照一定比例划分为训练集(Train Set)、测试集(Test Set)、验证集(Validation Set)；其中，训练集用于Transformer模型的训练，测试集用于模型训练完成后检验模型的泛化能力，验证集用于检验训练完成的模型是否出现过拟合现象。