基于深度度量学习的n/γ甄别方法研究
Study on n/γ Discrimination Method Based on Deep Metric Learning
摘要: 在复杂辐射环境下对中子和伽马射线精确地甄别是核材料探测、核安全领域的关键技术。当前主流的端到端的神经网络分类模型在面对电子学波形时间特征抖动时，存在泛化能力不足的问题。因此，提出了一种基于深度度量学习的n/γ甄别方法，基于LeNet-5设计了改进的卷积神经网络结构，结合三元组损失函数约束，得到中子和伽马核脉冲鉴别性特征空间，实现了对中子和伽马射线的高效甄别。使用硬件仿核脉冲发生器采集数据和软件仿真数据的混合数据集进行训练，分别在仿真数据与存在电子学波形时间特征抖动的实测脉冲数据进行了定量测试，与传统电荷比较法和传统CNN甄别方法进行了对比。结果表明，在仿真数据中本文所提议的方法的品质因子(FOM)相比于电荷比较法提高了247.7%；在实测脉冲数据中甄别错误率相比于传统CNN甄别方法降低了70%。该方法能够有效地解决传统CNN甄别方法中泛化能力低的问题，为辐射探测系统中的高精度粒子甄别技术提供了一种新思路。
版本历史
| [V1] |
2025-06-16 18:43:37 |
ChinaXiv:202506.00255V1
|
下载全文 |
相关信息
点击量
下载量
