基于遺傳神經(jīng)網(wǎng)絡的γ能譜分析研究
發(fā)布時間:2024-03-29 22:14
γ能譜分析技術(shù)在核材料分析鑒定、核設施的安全性檢測、環(huán)境放射性監(jiān)測以及防止核恐怖主義發(fā)生等諸多方面有著重要的應用。 本文綜述了放射性探測與固體探測器、γ能譜解譜方法和BP神經(jīng)網(wǎng)絡法,利用遺傳算法對BP神經(jīng)網(wǎng)絡進行優(yōu)化,對實測γ能譜進行分析研究。 取得了以下主要結(jié)論: 1)利用遺傳算法優(yōu)化了BP神經(jīng)網(wǎng)絡,獲得了BP神經(jīng)網(wǎng)絡結(jié)構(gòu)權(quán)值與閥值的最優(yōu)解,提高了網(wǎng)絡的自適應能力和泛化能力。利用MATLAB軟件的神經(jīng)網(wǎng)絡工具箱,構(gòu)建了遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡結(jié)構(gòu),測得了最佳的網(wǎng)絡參數(shù):選用3層BP網(wǎng)絡,隱含層節(jié)點數(shù)為73個,隱含層連接權(quán)值選為logsig或tansig,輸出層連接權(quán)值選為logsig,訓練函數(shù)選為trainrp。通過改進遺傳算法的適應度函數(shù)、遺傳算子,保留了種群中的優(yōu)良個體,使網(wǎng)絡的精度可達到10-3,訓練步數(shù)可減小到40步。與未優(yōu)化的BP網(wǎng)絡進行相比,自適應遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡能大幅度提升網(wǎng)絡的運行速度,且使網(wǎng)絡避免落入局部極小,提高了網(wǎng)絡的自適應能力和泛化能力。 2)利用自適應遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(AGA-BP神經(jīng)網(wǎng)絡)進行γ譜分析,采用全譜輸入法,提高了結(jié)果的準確性...
【文章頁數(shù)】:65 頁
【學位級別】:碩士
【文章目錄】:
致謝
摘要
Abstract
目次
圖清單
表清單
1 文獻綜述
1.1 放射性探測與固體探測器
1.1.1 放射性核探測的意義
1.1.2 放射性核探測器
1.2 人工神經(jīng)網(wǎng)絡
1.2.1 人工神經(jīng)網(wǎng)絡概述
1.2.2 BP 神經(jīng)網(wǎng)絡
1.3 γ能譜分析方法與研究現(xiàn)狀
1.3.1 γ能譜分析方法簡介
1.3.2 各種解譜算法比較
1.3.3 γ能譜分析方法的研究現(xiàn)狀
1.4 研究思路和研究內(nèi)容
1.4.1 研究思路
1.4.2 研究內(nèi)容
2 遺傳算法優(yōu)化 BP 人工神經(jīng)網(wǎng)絡
2.1 遺傳算法
2.2 遺傳算法的改進
2.2.1 簡單遺傳算法的局限性
2.2.2 遺傳算法的改進
2.3 改進的遺傳算法優(yōu)化 BP 神經(jīng)網(wǎng)絡
2.3.1 算法步驟及基于 MATLAB 的程序編碼
2.3.2 自適應遺傳算法優(yōu)化的 BP 網(wǎng)絡主要參數(shù)設定
2.3.3 自適應遺傳算法優(yōu)化 BP 神經(jīng)網(wǎng)絡實驗驗證
2.4 本章小結(jié)
3 BP 人工神經(jīng)網(wǎng)絡法γ能譜核素識別
3.1 實驗數(shù)據(jù)測定
3.2 γ譜預處理
3.2.1 數(shù)據(jù)平滑處理
3.2.2 峰位漂移矯正
3.2.3 扣除本底
3.2.4 γ能譜預處理前后對比
3.3 核素定性識別
3.3.1 全能峰不重疊的核素定性識別
3.3.2 全能峰重疊的核素定性識別
3.3.3 未經(jīng)網(wǎng)絡訓練的核素識別
3.3.4 探測距離對識別結(jié)果的影響
3.3.5 儀器統(tǒng)計漲落對識別結(jié)果的影響
3.3.6 有屏蔽物的核素識別
3.4 AGA-BP 網(wǎng)絡定量分析
3.5 本章小結(jié)
4 結(jié)論與展望
4.1 結(jié)論
4.2 創(chuàng)新點
4.3 展望
參考文獻
作者簡歷
本文編號:3941381
【文章頁數(shù)】:65 頁
【學位級別】:碩士
【文章目錄】:
致謝
摘要
Abstract
目次
圖清單
表清單
1 文獻綜述
1.1 放射性探測與固體探測器
1.1.1 放射性核探測的意義
1.1.2 放射性核探測器
1.2 人工神經(jīng)網(wǎng)絡
1.2.1 人工神經(jīng)網(wǎng)絡概述
1.2.2 BP 神經(jīng)網(wǎng)絡
1.3 γ能譜分析方法與研究現(xiàn)狀
1.3.1 γ能譜分析方法簡介
1.3.2 各種解譜算法比較
1.3.3 γ能譜分析方法的研究現(xiàn)狀
1.4 研究思路和研究內(nèi)容
1.4.1 研究思路
1.4.2 研究內(nèi)容
2 遺傳算法優(yōu)化 BP 人工神經(jīng)網(wǎng)絡
2.1 遺傳算法
2.2 遺傳算法的改進
2.2.1 簡單遺傳算法的局限性
2.2.2 遺傳算法的改進
2.3 改進的遺傳算法優(yōu)化 BP 神經(jīng)網(wǎng)絡
2.3.1 算法步驟及基于 MATLAB 的程序編碼
2.3.2 自適應遺傳算法優(yōu)化的 BP 網(wǎng)絡主要參數(shù)設定
2.3.3 自適應遺傳算法優(yōu)化 BP 神經(jīng)網(wǎng)絡實驗驗證
2.4 本章小結(jié)
3 BP 人工神經(jīng)網(wǎng)絡法γ能譜核素識別
3.1 實驗數(shù)據(jù)測定
3.2 γ譜預處理
3.2.1 數(shù)據(jù)平滑處理
3.2.2 峰位漂移矯正
3.2.3 扣除本底
3.2.4 γ能譜預處理前后對比
3.3 核素定性識別
3.3.1 全能峰不重疊的核素定性識別
3.3.2 全能峰重疊的核素定性識別
3.3.3 未經(jīng)網(wǎng)絡訓練的核素識別
3.3.4 探測距離對識別結(jié)果的影響
3.3.5 儀器統(tǒng)計漲落對識別結(jié)果的影響
3.3.6 有屏蔽物的核素識別
3.4 AGA-BP 網(wǎng)絡定量分析
3.5 本章小結(jié)
4 結(jié)論與展望
4.1 結(jié)論
4.2 創(chuàng)新點
4.3 展望
參考文獻
作者簡歷
本文編號:3941381
本文鏈接:http://sikaile.net/projectlw/hkxlw/3941381.html
最近更新
教材專著