一、类型γ射线能谱指纹的识别机理（论文文献综述）
周莹莹[1]（2021）在《NaIγ指纹修正及其人工神经网络识别》文中进行了进一步梳理γ指纹识别技术是识别核材料的主要方法之一,并在放射源安全管理、核应急监测、防止核恐怖以及核裁军中的核武器核查等领域得到广泛应用。γ指纹采集系统主要有HPGeγ谱仪和NaIγ谱仪。与HPGeγ谱仪相比,NaIγ谱仪具有探测效率高,易于维护以及成本低等优势。然而,NaIγ谱仪系统的温度稳定性较差,由此引起的谱线漂移制约了NaIγ指纹识别技术的应用与推广。因此,有效消除NaIγ指纹谱线漂移,对扩大NaIγ指纹识别技术应用具有重要的实际意义。针对NaIγ能谱的谱线漂移严重,难以满足γ指纹识别技术应用要求这一问题,本文提出了基于随机信号系统变换理论的NaIγ指纹漂移修正方法。利用系统逆变换,反演出了探测器中相应实测γ指纹的理论沉积γ指纹,消除了γ谱仪系统参数及其不稳定性所引起的谱线漂移、变形及畸变。同时,利用人工神经网络方法分别对修正前后模拟和实测核材料γ指纹识别,对修正方法的可行性和有效性进行了验证研究。具体工作内容如下:（1）NaIγ指纹的系统变换修正方法可行性模拟探究。运用蒙特卡罗模拟技术模拟核材料NaIγ指纹。一组为同一已知核材料在不同系统参数下的漂移γ指纹,另一组为同一谱仪系统参数条件下差异甚微核材料无漂移γ指纹。利用所提出的修正方法对模拟γ指纹进行修正,并对修正前后的γ指纹进行识别,探究修正方法的可行性。（2）NaIγ指纹修正方法的有效性实验验证在工作（1）的基础上,以实验室标准源为研究对象,利用NaIγ能谱仪测量了漂移γ指纹和差异甚微核材料γ指纹:通过调节谱仪系统增益得到漂移γ指纹,通过改变测量时间得到差异甚微核材料γ指纹。利用所提出的修正方法对实测γ指纹进行修正,并对修正前后的γ指纹识别,验证修正方法的有效性。研究表明,基于随机信号系统变换理论的γ指纹修正方法可有效消除NaIγ指纹的峰位漂移和纵向谱强度变化,降低了核材料NaIγ指纹的识别下限,提高了识别置信度,可为扩大NaIγ指纹识别技术应用提供理论和技术支持。
王崇杰,刘靖楠,周莹莹,吴怡,赵思文[2]（2020）在《随机变量函数法校正NaI γ指纹谱线漂移》文中提出针对NaI γ能谱的谱线漂移严重,难以满足γ指纹识别技术应用要求,提出了基于随机变量函数理论的γ指纹漂移校正方法。通过Matlab软件对标准源校正前后NaI γ指纹识别结果表明,峰位最大漂移由63.33%减小为0.68%,峰高最大变化由38.17%减小为1.98%,识别下限由16.50%降低为1.64%。研究表明,方法可有效消除NaI γ指纹的水平漂移和纵向谱强度变化,降低了识别下限,提高了识别置信度,可为扩大NaI γ指纹识别技术应用提供技术支持。
赵愉航,王崇杰[3]（2020）在《γ指纹的特征提取及其RBF神经网络识别》文中研究表明为提高核材料γ指纹的识别置信度,提取了γ指纹特征峰总面积作为识别特征,并对不同强度的特征峰总面积做"反"加权处理.采用RBF神经网络识别2组差异甚微核材料的γ指纹.结果表明:与传统识别特征相比,以特征峰总面积为识别特征,既可降低信息冗余度,又能充分保留γ指纹的特征性,有效降低了识别下限."反"加权处理方法进一步提高了识别置信度.
王靖涵[4]（2020）在《基于系统变换的HPGe γ指纹修正及模糊识别》文中提出γ指纹作为核材料的辐射指纹,具有标识和鉴别放射性物体的作用,因此γ指纹的分析与识别技术在核安全保障领域的诸多方面均得到广泛应用,例如在防止核恐怖、禁止核扩散及核武器核查等领域中的核材料识别。但在γ指纹测量过程中,由于受到γ能谱仪系统的不稳定性及非线性的影响,γ指纹会存在谱线漂移、形变和畸变,从而会降低γ指纹的识别置信度。针对这一问题,本文提出一种基于系统变换理论的γ指纹修正方法。将γ射线在探测器中的沉积能量及其在多道分析器中的相应道址看作是两个随机变量,将归一化后的沉积能谱指纹和归一化后的实测γ指纹分别看作是这两个随机变量的概率密度函数,γ能谱仪仪器参数的改变可看成是系统参数的改变。因此,通过随机信号的系统变换理论得到的探测器中的γ射线理论沉积谱,消除了由于γ能谱仪系统不稳定性及非线性引起的γ指纹漂移、形变和畸变给γ指纹识别带来的影响,从而γ指纹得到有效修正。具体工作如下:（1）研究γ能谱仪的不稳定性对γ指纹识别结果的影响,论证γ指纹修正工作的必要性。选取60Co和137Cs为研究对象,利用蒙特卡罗模拟技术模拟出两组γ指纹:一组是模拟γ能谱仪系统参数改变而核材料不变的γ指纹,另一组是模拟γ能谱仪系统参数不变而核材料发生细微变化的γ指纹。采用基于系统变换理论的γ指纹修正方法对两组模拟γ指纹进行修正,再用模糊识别方法对修正前、后的两组模拟γ指纹进行识别,通过对修正前、后γ指纹识别结果的对比与分析,论证γ指纹修正工作的必要性。（2）通过对实测γ指纹的修正与识别,进一步论证本文的修正方法。选取60Co,137Cs和152Eu为研究对象,测得三组γ指纹数据:第一组为重复测量152Eu点源的统计涨落γ指纹,第二组和第三组是在测量出第一组数据的基础上,取下152Eu点源,分别换上60Co和137Cs,通过增加60Co和137Cs的测量时间得到两组具有差异甚微的核材料γ指纹。利用本文所提出的修正方法对三组实测γ指纹进行修正,再用γ指纹模糊识别方法对修正前、后的三组实测γ指纹进行识别,通过对修正前、后的三组实测γ指纹识别结果的对比与分析,进一步论证此修正方法的有效可行性。研究表明,经过系统变换修正后的γ指纹将道址域转换到能量域,从理论上消除了由于γ能谱仪系统不稳定性及非线性对γ指纹的影响,解决了谱线漂移问题。峰高、峰半宽度和峰面积都得到有效修正,且提高了核材料的识别置信度。
宋志浩[5]（2018）在《基于EJ299-33A塑闪探测器的n-γ时间关联测量技术研究》文中研究表明随着核科学技术的飞速发展及其应用领域日益成熟,核材料的识别管控在国家安全中的地位愈发重要。时间关联测量技术用于核材料识别具有广泛的应用前景。本文的主要工作如下:首先,通过实验对新型塑料闪烁体EJ299-33A封装后的探测器性能进行系统研究。利用三种γ源,对探测器的进行能量刻度;通过电荷比较法,研究探测器的粒子脉冲形状甄别能力,检验EJ299-33A塑料闪烁体探测器用于n/γ混合辐射场测量的性能。其次,通过模拟电路与数字化电路两种方法搭建基于EJ299-33A塑闪探测器的时间关联测量系统,基于60Co和22Na源的测量结果表明,该系统具有<1ns的时间分辨能力。在相同实验条件下,对两种电路用于时间关联测量性能的优缺点进行验证比较,数字化数据获取系统能够保证实验条件相同情况下,一次实验可反演不同阈值条件的实验数据,效率高、可靠性强。进而,对时间分辨能量阈值依赖关系进行研究,获取时间关联测量中探测器的系统响应。此外,对用于时间分辨标定的60Co与22Na源进行对比试验,对22Na源并不适用于时间分辨标定的展宽因素进行了讨论和验证。再次,应用数字化时间关联测量系统对自发裂变放射源252Cf n/γ混合辐射场进行时间关联测量,验证了EJ299-33A时间关联测量系统用于核材料时间关联测量的可行性。开展Am-Li源以及屏蔽条件下252Cf源的核材料模拟测量实验,系统对于核材料能够有效识别。进一步,通过MATLAB编写后处理程序,实现了时间关联谱的成分解耦,并成功提取不同组分的时间关联特征量;同时,对不同屏蔽条件、能量阈值以及距离条件下的特征量变化特征进行分析研究。通过MCNP模拟EJ299-33A时间关联测量系统对252Cf源的探测,得到了时间关联成分模拟值,与实验值相一致。实验系统的快时间分辨特性以及特征值的准确性得到仿真模拟的验证。在缺乏实验条件的情况下,可以通过MCNP模拟获取时间关联特征量。最后,开展252Cf源活度的理论计算研究,通过时间关联实验特征量提取探索符合测量方法的可行性。
范成杰[6]（2018）在《基于RBF神经网络的铀年龄及核素丰度定量识别》文中研究表明核材料识别技术在核武器核查、核材料监控、防止核扩散和防止核恐怖等方面有着广泛的应用。年龄以及核素丰度是表征核材料属性的重要特征参数（或特征量）,也是识别核材料类型或历史来源的重要依据,因此开展有关核材料年龄、丰度定量识别就变得尤为重要。核材料中的放射性核素在衰变过程中,都伴有特征γ射线。由于所产生的γ射线都具有独特性,因此核材料的γ能谱可以作为一种“辐射指纹”用来标识以及鉴别核材料。本工作的目的就是以γ能谱指纹为识别特征,采用RBF人工神经网络建立γ能谱指纹与核材料年龄和核素丰度之间的映射关系,以模式识别的方式,实现对铀核材料年龄及其核素丰度的定量识别。本工作是选择具有放射性的铀核材料作为研究对象。首先利用蒙特卡罗模拟铀核材料γ能谱指纹,然后以铀核材料γ能谱指纹作为输入量,用相应的年龄或者核素丰度结果作为输出量训练人工神经网络,最后利用未知样本对人工神经网络进行验证。具体研究内容如下:（1）铀核材料年龄定量识别研究在γ能谱指纹与铀核材料年龄两者之间建立映射关系,分别对单组和多组进行识别。（2）网络识别能力测试利用未知铀核材料,对已知网络进行验证识别,以测试网络对训练样本以外的未知铀核材料年龄的识别能力。（3）铀核材料核素丰度的定量识别研究在γ能谱指纹与铀核材料核素丰度两者之间建立映射关系,随机选择训练样本,实现对铀核材料核素丰度的定量识别。研究表明:对单组和多组铀核材料年龄识别的相对误差均小于7.00%;以样品U4为基准改变,235U核素丰度在-8%到+5%范围之间,对年龄识别的相对误差在10%以内;以样品U5为基准,235U核素丰度在-14%到+7%范围之内,对年龄识别的相对误差在10%以内。并且可以得出随着丰度变化幅度的增大,识别的相对误差也随之增加;对铀核材料核素丰度（当前核素丰度）识别的相对误差小于7.37%;综上,利用γ能谱指纹识别技术通过RBF人工神经网络能够实现对铀核材料的年龄和核素丰度的定量识别。
冯琳懿[7]（2017）在《基于RBF神经网络的钚核材料年龄识别》文中认为钚年龄是推断钚核材料历史和来源的重要参数之一,钚年龄测量技术在防止核扩散、反恐以及核裁军的核武器核查等领域有着广泛应用。因此,研究钚核材料年龄的识别方法具有重要的实际意义。本文的研究目的是以γ能谱指纹识别特征,采用人工神经网络方法,实现钚核材料年龄的定量识别。放射性核素在衰变的过程中会产生γ射线,γ射线的辐射强度随γ射线能量的分布称为γ能谱,由于核素或核材料的γ能谱具有唯一性,因此也被称为γ能谱指纹。人工神经网络是通过模仿人脑工作的一种智能分析和模式识别技术,具有良好的归纳推理能力和非线性映射等特点,而其中RBF网络同时又具有收敛速度快、识别精度高、网络规模小等特点。因此,本文采用RBF网络建立了γ能谱指纹和钚核材料年龄之间的非线性映射,实现了基于γ能谱指纹的钚核材料年龄定量识别。钚核材料中含有多种核素:238pu、239pu、240pu、241pu、242pu、241Am以及237U,其中241Am和237U是241pu衰变的产物。本工作选取核素成份相同、含量不同的钚核材料作为研究对象。首先利用蒙特卡罗方法模拟钚核材料的γ能谱,然后将钚核材料的γ能谱指纹作为输入量,对应的钚核材料年龄和核素含量作为输出量,建立合理的训练样本集并对神经网络进行训练,最后建立验证样本集对已训练的神经网络进行验证。具体研究内容如下:（1）单组钚核材料的年龄识别;（2）多组钚核材料年龄的共同训练与识别;（3）核素成份含量变化对钚核材料年龄识别结果的影响研究。结果表明,对于单组钚核材料和核素成份相同、核素含量不同的多组钚核材料,年龄识别误差均小于10%;对于其中三组钚核材料,当239pu核素含量变化分别小于0.6%、4%和6%时,年龄识别误差小于10%;当241pu核素含量变化小于0.01%、0.01%和0.06%时,年龄识别误差小于10%。研究表明,对核素含量与训练样本相同的钚核材料,年龄识别结果可达预期识别精度;对核素含量与训练样本不同的未知钚核材料,可根据核素含量的识别结果来判断年龄识别结果,当核素含量在一定范围内时,年龄识别结果可达预期的识别精度。
张博超[8]（2016）在《基于ANFIS的γ能谱指纹特征提取》文中提出作为一种辐射指纹,γ能谱可以用来识别核材料的类型或个体。因此,γ能谱指纹识别技术在核安全保障领域得到越来越广泛的应用,特别是在核武器核查中发挥着重要作用。γ能谱指纹特征提取是γ能谱指纹识别过程中重要的技术环节,同时也是屏蔽相关敏感信息的主要技术手段。因此研究γ能谱指纹特征提取具有重要的实际意义。本文提出了采用自适应网络模糊推理系统（Adaptive Network-based Fuzzy Inference System-ANFIS）对γ能谱指纹进行二次特征提取的方法。首先建立一级ANFIS系统,并对γ能谱指纹进行仿真,提取ANFIS的后件参数建立训练样本集,然后利用一级ANFIS后件参数训练样本集对二级ANFIS进行训练,并提取二级ANFIS的后件参数作为γ能谱指纹的识别特征。为验证方法的有效性,本文做了如下具体研究工作:（1）利用241Am、60Co、137Cs、22Na和152Eu放射源及其组合模拟不同类型和同一类型不同个体的核材料,并进行γ能谱指纹采集;（2）对上述模拟核材料γ能谱指纹进行特征提取;（3）采用最大隶属原则对上述核材料进行识别,包括类型识别,个体识别及差异甚微γ能谱指纹识别。研究结果表明,采用两级ANFIS对γ能谱指纹进行二次特征提取是可行的,对核材料的类型识别、个体识别及差异甚微γ能谱指纹识别均是有效的。同时,对γ能谱指纹中的敏感信息具有较好的屏蔽作用。另外,由于仿真过程中,ANFIS具有消噪作用,利用ANFIS进行特征提取可以不必对γ能谱指纹做消噪预处理。
李冬雪[9]（2014）在《核材料γ能谱指纹的加权模糊识别》文中认为γ能谱分析是核技术中的重要技术手段之一,应用领域十分广泛,特别是在核能应用领域及国际核裁军方面,其发挥的作用尤为突出。核能是一种非常有潜力的能源,它可以缓解各个国家资源短缺的压力,并具有清洁和取之不尽的优点,但是保管不当,会给人类带来不可想象和无法弥补的伤害和灾难。为了核能的安全利用,必须对核材料进行监控和监测；为维护国际裁军与军控体系,增进国际和平、安全与稳定,美俄这两个拥有世界上最庞大核武器库的国家大幅消减了核武器的数量。为了确保被销毁的核武器就是指定的核武器,就要对核武器进行识别。无论是核材料的安全监测,还是核武器识别,都离不开γ能谱分析技术和γ能谱识别技术。因此,深入研究γ能谱识别技术具有重要的实际意义。每种放射性核素或核材料都有唯一的γ能谱与之对应,也就是不同的放射性核素或不同的核材料,其γ能谱特征各不相同。因此,γ能谱可以看成是放射性核素或核材料的“指纹”,即“γ能谱指纹”。核材料的分析,通常是通过对γ能谱进行分析来实现的,通过γ能谱分析,可以知道放射性核素的种类及活度。但是,在核武器核查过程中,通常涉及军事保密问题,所以不允许对核武器的核素成分进行分析,只需要知道被销毁的核武器是否为指定的核武器即可。这时就要采用丫能谱指纹识别技术。所谓的γ能谱识别就是采用合适的数值分析方法,以较高置信度,对两套γ能谱指纹是否出自同一类型核材料或同一个体给出“是”或“否”的判断。本文采用加权模糊识别方法实现了γ能谱指纹的类型识别和个体识别。主要内容包括Y能谱指纹形成机制简介、γ能谱指纹采集方法简介、加权模糊识别原理和模拟核材料γ能谱指纹识别。对核素241Am,60Co,137Cs,22Na和152Eu及其组合的Y能谱指纹进行了类型和个体识别。研究结果表明,该方法减小了能谱中弱峰丢失对识别结果的影响,提高了识别置信度。
李壮[10]（2012）在《基于小波包变换和Fisher判别的γ能谱指纹识别》文中研究说明随着核科学的发展与进步,一些核科学的产物步入了公众的视界,其中主要以核电站和核武器为主。目前世界各国都在兴建自己的核电站,用来缓解本国的能源资源紧张的压力,核能是一种安全、清洁的能源,但是如果对核设施的管理不当,将会发生像前苏联切尔诺贝利核电站核泄漏的惨剧；核武器方面,以美国和俄罗斯为首的世界核武器大国,拥有大量的核武器,这些核武器大部分是冷战时期的产物,技术没有现在成熟而且呈现老龄化,所以在各国达成一致意见的前提下,对核武器大国进行核裁军。γ射线能谱指纹,作为核材料的主要特征,在核设施的安全管理以及核裁军过程中具有重要意义。本文将从Y射线能谱的形成机制以及探测手段入手,介绍γ射线能谱指纹的形成过程。然后用蒙特卡罗方法模拟真实环境下的核弹γ射线能谱,建立待分析数据库。最后用小波包变换方法提取各γ射线能谱指纹特征,用Fisher判别对各γ射线能谱指纹进行识别。研究结果表明,基于小波包变换和Fisher判别的Y射线能谱指纹识别方法具有较强的类型识别与个体识别能力。所以基于小波包变换和Fisher判别的γ射线能谱指纹识别方法可以用于日常核材料的安全管理以及不可逆过程的深度核裁军中。
二、类型γ射线能谱指纹的识别机理（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、类型γ射线能谱指纹的识别机理（论文提纲范文）
（1）NaIγ指纹修正及其人工神经网络识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究意义 |
| 1.2 国内外研究现状 |
| 2 γ指纹采集和修正原理 |
| 2.1 γ射线与物质间的相互作用 |
| 2.1.1 光电效应 |
| 2.1.2 康普顿散射 |
| 2.1.3 电子对效应 |
| 2.2 γ能谱仪的简介 |
| 2.2.1 γ能谱仪工作原理 |
| 2.2.2 γ能谱仪工作过程 |
| 2.3 γ指纹形成机制 |
| 2.4 γ指纹修正原理及算法 |
| 2.4.1 随机信号及其系统变换理论 |
| 2.4.2 基于随机信号系统变换的γ指纹修正 |
| 2.4.3 修正算法 |
| 3 NaIγ指纹人工神经网络识别 |
| 3.1 人工神经网络简介 |
| 3.2 γ指纹人工神经网络识别方法 |
| 4 NaI(T1)γ指纹修正与识别 |
| 4.1 模拟γ指纹的修正与识别 |
| 4.1.1 实验设计 |
| 4.1.2 模拟γ指纹修正 |
| 4.1.3 模拟γ指纹的识别 |
| 4.2 实测γ指纹修正与识别 |
| 4.2.1 仪器设备与实验设计 |
| 4.2.2 实测γ指纹的修正 |
| 4.2.3 实测γ指纹的识别 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）随机变量函数法校正NaI γ指纹谱线漂移（论文提纲范文）
| 1 基本原理与算法 |
| 2 实测Na Iγ指纹漂移校正与识别 |
| 2.1 仪器与测量 |
| 2.2 γ指纹漂移校正与识别 |
| 3 讨论 |
| 4 结论 |
（3）γ指纹的特征提取及其RBF神经网络识别（论文提纲范文）
| 1 基本原理与方法 |
| 1.1 γ指纹特征提取 |
| 1.2 γ指纹特征的“反”加权处理 |
| 1.3 γ指纹的RBF神经网络识别 |
| 2 实验验证与结果 |
| 2.1 实验设备 |
| 2.2 测量方法 |
| 2.3 γ指纹识别结果 |
| 3 讨论与结论 |
（4）基于系统变换的HPGe γ指纹修正及模糊识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究意义 |
| 1.2 国内外研究现状 |
| 2 γ指纹采集原理 |
| 2.1 γ射线与物质间的相互作用 |
| 2.2 γ能谱仪的组成与工作原理 |
| 2.3 γ指纹形成机制 |
| 3 γ指纹修正原理及方法 |
| 3.1 基本原理 |
| 3.1.1 随机变量与随机过程 |
| 3.1.2 随机信号的系统变换理论 |
| 3.2 基于系统变换的γ指纹修正方法 |
| 4 γ指纹模糊识别方法与识别过程 |
| 4.1 γ指纹模糊识别方法 |
| 4.2 γ指纹模糊识别过程 |
| 5 γ指纹修正与识别 |
| 5.1 模拟γ指纹的修正与识别 |
| 5.1.1 模拟γ指纹的修正 |
| 5.1.2 模拟γ指纹的识别 |
| 5.2 实测γ指纹的修正与识别 |
| 5.2.1 实测γ指纹的修正 |
| 5.2.2 实测γ指纹的识别 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（5）基于EJ299-33A塑闪探测器的n-γ时间关联测量技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 研究背景及国内外进展 |
| 1.1 时间关联测量技术原理及应用 |
| 1.1.1 符合时间关联测量技术 |
| 1.1.2 时间关联技术应用—NMIS的发展 |
| 1.2 用于时间关联测量的中子探测器系统的发展 |
| 1.3 本章小结 |
| 第二章 EJ299-33A新型塑闪探测器性能研究 |
| 2.1 EJ299-33A塑料闪烁体探测器组成及工作原理 |
| 2.1.1 EJ299-33A闪烁体成分组成 |
| 2.1.2 有机闪烁体的发光机制 |
| 2.1.3 EJ299-33A塑闪探测器工作原理 |
| 2.2 n、γ射线与EJ299-33A塑闪相互作用原理 |
| 2.2.1 γ射线与EJ299-33A塑闪相互作用 |
| 2.2.2 中子与EJ299-33A的相互作用原理 |
| 2.3 EJ299-33A探测器n/γ甄别效果 |
| 2.3.1 电荷比较法原理 |
| 2.3.2 基于数字化仪DT5730B的n/γ甄别效果实验结果 |
| 2.4 本章小结 |
| 第三章 双EJ299-33A探头符合时间关联测量系统 |
| 3.1 符合概念 |
| 3.2 EJ299-33A 时间关联系统组成及工作原理 |
| 3.2.1 基于模拟电路的时间关联系统构成及原理 |
| 3.2.2 基于数字化电路的时间关联系统构成及原理 |
| 3.3 EJ299-33A时间关联系统的时间分辨研究 |
| 3.3.1 符合时间分辨 |
| 3.3.2 时间关联系统时间分辨的阈值依赖关系研究分析 |
| 3.3.3 ~(60)Co源下时间分辨阈值依赖关系 |
| 3.3.4 ~(60)Co与~(22)Na源用于系统时间分辨标定测量的比较 |
| 3.4 本章小结 |
| 第四章 ~(252)Cf源自发裂变n/γ时间关联实验与谱解耦分析 |
| 4.1 时间关联测量原理 |
| 4.2 EJ299-33A塑闪探测器用于时间关联可行性的实验研究 |
| 4.2.1 ~(252)Cf的时间关联实验测量 |
| 4.2.2 Am-Li源用于时间关联的实验检验 |
| 4.2.3 不同条件下~(252)Cf源的时间关联实验测量 |
| 4.3 时间关联解谱与关联成分提取分析 |
| 4.3.1 关联成分解耦与特征量提取 |
| 4.3.2 时间分辨对时间关联的影响 |
| 4.3.3 ~(252)Cf源与Am-Li源的时间关联谱解耦对比 |
| 4.3.4 屏蔽条件下~(252)Cf时间关联谱解析 |
| 4.3.5 距离对于关联成分的影响 |
| 4.4 本章小结 |
| 第五章 ~(252)Cf 源n/γ时间关联的仿真模拟与理论应用 |
| 5.1 蒙卡模拟与验证 |
| 5.1.1 程序设计 |
| 5.1.2 时间关联模拟 |
| 5.2 时间关联应用于~(252)Cf活度计算 |
| 5.2.1 传统级联衰变测量活度 |
| 5.2.2 符合法用于~(252)Cf活度的计算结果 |
| 5.3 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（6）基于RBF神经网络的铀年龄及核素丰度定量识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究意义 |
| 1.2 研究现状 |
| 2 γ能谱指纹及其采集原理 |
| 2.1 γ能谱指纹 |
| 2.2 采集原理 |
| 2.2.1 光电效应 |
| 2.2.2 康普顿效应 |
| 2.2.3 电子对效应 |
| 2.3 γ能谱仪的组成及工作原理 |
| 2.4 γ能谱的形成机制 |
| 3 蒙特卡罗模拟与人工神经网络 |
| 3.1 蒙特卡罗模拟技术 |
| 3.1.1 蒙特卡罗模拟技术简介 |
| 3.1.2 蒙特卡罗模拟基本思想 |
| 3.2 人工神经网络 |
| 3.2.1 生物神经元 |
| 3.2.2 人工神经元 |
| 3.2.3 人工神经网络 |
| 3.2.4 人工神经网络的训练 |
| 3.2.5 径向基函数网络 |
| 3.2.6 基于RBF人工神经网络的年龄及丰度识别原理 |
| 4 铀核材料年龄与核素丰度识别 |
| 4.1 铀核材料年龄识别 |
| 4.1.1 单组铀核材料年龄识别 |
| 4.1.2 多组铀核材料年龄共同训练与识别 |
| 4.1.3 网络对铀核材料年龄和丰度识别测试 |
| 4.2 铀核材料核素丰度识别 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间发表学术论文情况 |
| 致谢 |
（7）基于RBF神经网络的钚核材料年龄识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 2 γ 能谱指纹采集原理 |
| 2.1 γ 射线与物质间的相互作用 |
| 2.1.1 光电效应 |
| 2.1.2 康普顿效应 |
| 2.1.3 电子对效应 |
| 2.2 γ 能谱仪的组成及工作原理 |
| 2.3 γ 能谱的构成 |
| 3 人工神经网络与蒙特卡罗模拟原理 |
| 3.1 人工神经网络基本原理 |
| 3.1.1 生物神经元 |
| 3.1.2 人工神经元 |
| 3.2 人工神经网络模型 |
| 3.2.1 人工神经网络的互连结构 |
| 3.2.2 人工神经网络的学习 |
| 3.2.3 人工神经网络的特点 |
| 3.3 RBF神经网络 |
| 3.3.1 RBF神经网络的结构 |
| 3.3.2 RBF神经网络的学习 |
| 3.3.3 基于RBF神经网络的核材料年龄识别 |
| 3.4 蒙特卡罗模拟原理 |
| 4 钚核材料的年龄识别 |
| 4.1 钚核材料的 γ 射线及能谱指纹采集 |
| 4.2 基于RBF神经网络的钚核材料年龄识别 |
| 4.2.1 单组钚核材料的年龄识别 |
| 4.2.2 多组钚核材料年龄共同训练与识别 |
| 4.2.3 核素成份~(239)pu和~(241)pu的含量变化的钚核材料年龄识别 |
| 5 结论与展望 |
| 5.1 研究的结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（8）基于ANFIS的γ能谱指纹特征提取（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究意义 |
| 1.2 研究现状 |
| 2 基本原理 |
| 2.1 γ能谱指纹采集原理 |
| 2.1.1 原子核衰变 |
| 2.1.2 γ射线与物质相互作用 |
| 2.1.3 γ能谱测量与构成 |
| 2.2 γ能谱指纹二次特征提取 |
| 2.3 γ能谱指纹识别原理 |
| 3 实测γ能谱指纹特征提取与识别 |
| 3.1 仪器与设备 |
| 3.2 γ能谱指纹采集方法 |
| 3.3 γ能谱指纹特征提取 |
| 3.4 γ能谱指纹识别结果 |
| 3.4.1 类型识别 |
| 3.4.2 个体识别 |
| 3.4.3 差异甚微γ能谱指纹识别 |
| 3.4.4 信息屏蔽与消噪作用 |
| 4 结论与展望 |
| 参考文献 |
| 附录A：γ能谱指纹特征提取与识别源程序 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（9）核材料γ能谱指纹的加权模糊识别（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 1 引言 |
| 1.1 背景和意义 |
| 1.2 研究的现状 |
| 2 γ能谱指纹及采集原理 |
| 2.1 放射性与γ射线指纹 |
| 2.2 γ射线与物质的相互作用 |
| 2.2.1 光电效应 |
| 2.2.2 康普顿效应 |
| 2.2.3 电子对效应 |
| 2.3 γ能谱仪简介 |
| 2.3.1 NaI(T1)能谱仪及其工作原理 |
| 2.3.2 HPGe半导体能谱仪及其工作原理 |
| 2.3.3 γ能谱的形成原理 |
| 2.4 γ能谱分析方法 |
| 2.4.1 γ能谱仪的能量刻度 |
| 2.4.2 γ能谱仪的效率刻度 |
| 2.5 γ能谱指纹识别 |
| 3 模糊识别 |
| 3.1 模糊数学原理 |
| 3.1.1 模糊集 |
| 3.1.2 模糊隶属度函数 |
| 3.2 模糊模式识别原则 |
| 4 核材料γ能谱指纹的加权模糊识别 |
| 4.1 加权模糊识别的基本原理 |
| 4.2 γ能谱指纹加权识别 |
| 4.2.1 γ能谱指纹识别过程 |
| 4.2.2 γ能谱预处理 |
| 4.2.3 γ能谱模糊集合隶属函数的确定 |
| 4.3 识别结果 |
| 4.3.1 成分不同的核材料γ能谱指纹识别 |
| 4.3.2 差异较小的核材料γ能谱指纹识别 |
| 4.3.3 核素成分相同活度不同的核材料Y能谱指纹识别 |
| 4.3.4 个体识别 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（10）基于小波包变换和Fisher判别的γ能谱指纹识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究意义 |
| 1.2 研究现状 |
| 2 γ能谱指纹的采集原理 |
| 2.1 γ射线与物质的相互作用 |
| 2.1.1 光电效应 |
| 2.1.2 康普顿效应 |
| 2.1.3 电子对效应 |
| 2.2 γ能谱仪简介 |
| 2.2.1 NaI(T1)闪烁体谱仪 |
| 2.2.2 高纯锗(HPGe)谱仪 |
| 2.3 γ射线能谱 |
| 2.3.1 γ能谱的主要特征峰 |
| 2.3.2 γ能谱的干扰峰 |
| 3 小波包变换及Fisher判别分析原理 |
| 3.1 小波分析 |
| 3.1.1 小波分析概述 |
| 3.1.2 小波分析理论 |
| 3.1.3 连续小波变换 |
| 3.1.4 小波变换多尺度系数 |
| 3.2 小波包变换 |
| 3.3 Fisher判别分析 |
| 3.3.1 判别分析概述 |
| 3.3.2 Fisher判别分析原理 |
| 4 基于小波包变换和Fisher判别的γ能谱指纹识别原理 |
| 4.1 γ能谱特征提取 |
| 4.1.1 γ能谱指纹 |
| 4.1.2 γ能谱指纹特征 |
| 4.1.3 基于小波包变换的γ能谱指纹特征提取 |
| 4.2 Fisher判别分析的γ能谱识别方法 |
| 4.2.1 γ能谱的识别方法 |
| 4.2.2 Fisher判别分析的γ能谱识别原理 |
| 5 核弹头γ能谱指纹识别 |
| 5.1 蒙特卡罗方法概述 |
| 5.2 γ能谱指纹的模拟 |
| 5.2.1 标准核弹γ能谱指纹模拟 |
| 5.2.2 仿真环境下标准核弹γ能谱模拟 |
| 5.3 γ能谱预处理 |
| 5.4 识别结果 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
四、类型γ射线能谱指纹的识别机理（论文参考文献）
- [1]NaIγ指纹修正及其人工神经网络识别[D]. 周莹莹. 辽宁师范大学, 2021(08)
- [2]随机变量函数法校正NaI γ指纹谱线漂移[J]. 王崇杰,刘靖楠,周莹莹,吴怡,赵思文. 核电子学与探测技术, 2020(06)
- [3]γ指纹的特征提取及其RBF神经网络识别[J]. 赵愉航,王崇杰. 物理实验, 2020(06)
- [4]基于系统变换的HPGe γ指纹修正及模糊识别[D]. 王靖涵. 辽宁师范大学, 2020(02)
- [5]基于EJ299-33A塑闪探测器的n-γ时间关联测量技术研究[D]. 宋志浩. 国防科技大学, 2018(01)
- [6]基于RBF神经网络的铀年龄及核素丰度定量识别[D]. 范成杰. 辽宁师范大学, 2018(12)
- [7]基于RBF神经网络的钚核材料年龄识别[D]. 冯琳懿. 辽宁师范大学, 2017(04)
- [8]基于ANFIS的γ能谱指纹特征提取[D]. 张博超. 辽宁师范大学, 2016(05)
- [9]核材料γ能谱指纹的加权模糊识别[D]. 李冬雪. 辽宁师范大学, 2014(09)
- [10]基于小波包变换和Fisher判别的γ能谱指纹识别[D]. 李壮. 辽宁师范大学, 2012(08)