闪烁探测器信号波形识别的人工神经网络实现

第２６卷第４期　２００６年７月　核电子学与探测技术　

Ｎｕｃｌｅａｒ　Ｅｌｅｃｔｒｏｎｉｃｓ＆Ｄｅｔｅｃｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　Ｖ０Ｌ　２６　Ｎｏ．４　

Ｊｕｌｙ　２００６　

闪烁探测器信号波形识别的　人工神经网络实现　

陈　满，蔡跃荣，杨朝文　（四川大学物理学院，成都６１ｏｏ６４）　摘要：根据闪烁探测器中激发荧光的快、慢成分的差异，定义了代表信号波形的三个特征物理量：　即信号幅度、信号在上升时间段的积分以及中频段的频谱积分。研究了人工神经网络对不同波形的识　别方法。用计算机模拟了实际情况下的信号波形，用神经网络对这些信号波形进行识别，得到了较好的　识别结果并进行了讨论。　关键词：闪烁探测器；波形识别；人工神经网络　中图分类号：ＴＬ８２２．６　文献标识码：Ａ　文章编号：０２５８－０９３４（２００６）０４—０４５８－０４　

在核辐射测量系统中，常常需要对不同类　型的辐射进行判别。比如在文献［１］中，为了测　量　ＬｉＤ球的中子造氚分布及造氚率，研究者选　取。Ｌｉ（Ｅｕ）闪烁体探测器，但它对７射线也是灵　敏的，而且ｎ７所产生的信号脉冲幅度差别不　大，波形相似。为了过滤掉７射线，传统的方法　是采用模拟电路技术进行脉冲形状甄别，根据　信号上升时间、幅度的不同采取相应的技术进　行区分，常见的方法有上升时间法、过零时间　法、比较法等［２］。由于采用模拟电路，所用电路　

一般较为复杂，而且功能单一，如上升时间法仅　根据上升时间的不同进行判别，对于信号的其　他不同特征不能区别。随着对核信号高速采样　与处理技术的发展，核信号的获取与处理由模　拟技术转为数字技术，传统的核信号波形识别　方法将得到根本变化。比如目前发展起来的高　速ＡＤ采样技术，可以将整个信号波形与幅度　全部采样变成离散的数字序列，利用ＤＳＰ数字　信号处理技术，再对这些离散数字序列进行实　时处理，就可以得到传统的模拟电路方法很难　实现的结果，这是目前发展的一个方向，关于信　

收稿日期：２００５－１２—１２　基金项目：国家自然科学基金（１０３７５０４０）资助　作者简介：陈满，（１９７５一），男，重庆人，四川大学物　理科学与技术学院硕士生　

４５８　

号识别的软件算法在文献上有不少报道　］，有　关核信号高速采样硬件电路的研究也有报道。　本课题组已成功研制成基于ＤＳＰ的高速核信　号采样与处理电路［７］，在此基础上，本文提出一　种基于神经网络的波形识别算法，用于识别具　有不同信号特征的核辐射事件。　

１　闪烁探测器信号特征分析　实验中发现，闪烁体中，不同粒子产生的电　离激发过程不同，电离激发的密度也不同，由此　在晶体中产生的荧光脉冲持续时间也不同。而　荧光脉冲快、慢成分比例与入射粒子种类、能量　等基本性质有关系，在一定程度上，它反映了入　射粒子的信息。不同粒子的脉冲，其中快、慢成　分是不一样的，产生的信号波形也不一样。　根据实验观察，在闪烁体中发现，成分不同　带电粒子的电离激发过程不同，电离激发密度　也不同，由此在晶体中产生的荧光脉冲持续时　间也不同。一般来讲可以用指数衰减的两个　快、慢成分来表示。其快成分衰减常数是几个　到几十个ｎｓ，而慢成分的衰减常数却是几十至　几百个ｎｓ。而荧光脉冲里的快、慢成分比例却　与入射粒子种类，能量等性质有关系，在一定程　度上，它反映了入射粒子的信息。假定粒子人　射到闪烁体中的时刻为计时起点，忽略粒子在　闪烁体中的运动时间和电离时间，则，光子发射　

维普资讯 http://www.cqvip.com 率Ｌ。ｊ：　Ｎ（ｔ）≈　ｅ　＋　ｅｔ（１）　ｒｆ　ｒｆ　其中，Ｎｆ（』Ｄ）、Ｎｓ（Ｐ）表示一次闪光中快、慢　

成分包含的光子数。ｒｆ、ｒ。分别表示快、慢成分　的衰减常数。如果忽略闪烁体激发电离时间、　光脉冲产生时间、光收集时间、光电子在光电倍　增管中的渡越时间。从阳极出来的电流脉冲可　以近似写成：　Ｉ（ｔ）一Ｉｆ（ｐ）ｅ『寺＋Ｉ。（ｐ）ｅ—ｒａ　（２）　设Ｂ为快成分光子占总的光子数的比例，　１一Ｂ为慢成分光子占总光子数份额，Ｎ为一　次发光中的光子总数，Ｄ为光阴极的光电转换　效率和光电倍增管倍增系数的乘积，Ｃ为阳极　负载电容，Ｒ为阳极负载等效电阻，且ＲＣ》ｒｓ，　输出电压可以由下式描述：　：　［一Ｂ　一（１一Ｂ）　＋矗］　（３）　不失一般性，可以除掉系数，为：　）一　［一Ｂ矗一（１一Ｂ）矗＋矗］　（４）　当ｔ＜＜ＲＣ时，上式还可以写为：　ｔ）一Ｂ（１一矗）＋（１－－Ｂ）（１一ｅｔ）（５）　即信号脉冲的前沿可以近似看成是两个上　升的指数函数之和，取决于快慢成分的相对比　例Ｂ和时间常数ｒ　ｒ、ｒｓ。显然，不同的粒子产生　的信号波形时有差异的。　根据常用闪烁体晶体的参数，选择ｒｆ、＂Ｅｓ分　别为５０和３００ｎｓ，ＲＣ取为２０００ｎｓ。按照式　（４），我们画出Ｂ分别取０．２、０．４、０．６、０．８时　的脉冲波形如图１所示。　魁　唾　时间，ｕ　Ｓ　图１　Ｂ不同时的脉冲形状　从图上看，这几个波形在上升时间和脉冲　幅度上表现出较大的差异，这正是模拟电路用　以甄别不同种类粒子的根据。但是，实际的信　号，无论上升时间还是幅度都有涨落，为了提高　识别率，基于上升时间和幅度的模拟甄别电路　一般较为复杂，尽管如此，当脉冲差异较小时，　由于信号的涨落，仅仅基于上升时间或者仅仅　基于脉冲幅度的识别，成功率并不高。　高速数字采样电路技术的发展，完全可以　将核信号波形变成离散数字序列，再将这些数　字序列采用ＤＳＰ数字信号处理技术进行处理，　不仅可以同时得到信号的上升时间、信号幅度　等，还可以进行频谱变换，在频域中求出信号的　差异。如果同时综合利用这些信息进行粒子识　别，必将优于传统的模拟甄别技术。　

２信号特征向量的提取　从图１上可以直观的看出，不同Ｂ值的脉　冲信号在时域上表现为脉冲幅度的不同，上升　时间的不同。对式（４）以４０ＭＨｚ的采样频率　采样后得到的脉冲序列写成如下：　（　）一Ｂ　ｑ一（１一Ｂ）￡－　ｒｓ＋　ｆ　孢＝０，１，…Ｎ一１，　（６）　其中，Ｔ＿－２５ｎｓ，为采样间隔，Ｎ为采样点　数，本研究中，Ｎ＿－１０２４。　为用神经网络进行识别，定义如下特征量：　特征量一：脉冲信号的最大幅度值：　ｔ‘ｏ一　（　）Ｉ　。ｏ一　（　）　（７）　特征量二：脉冲信号前０．２５／￣ｓ内的积分：　ｒ＇ｏ．２５　一ｌＯ　１＝ｌ（ｔ）ｄｔ＝　：　（，２）　（８）　Ｊ　０：：　信号在时域上的不同必将表现为频域里的　

不同，为此，分析信号的频域特征，对式（４）作傅　立叶变换后可以得到频谱的幅度分布，其实部　Ｒ（　）和虚部Ｘ（　）分别为下式：　

Ｒ（　）＝　＋　一（１一Ｂ）／ｔ。．　一１／ＲＣ　１／　＋　。１／（ＲＣ）２＋　

ｘ（　）：　＋　（１一Ｂ）　１／ｔ：＋　１／（ＲＣ）。＋　

频谱幅度分布的绝对值为：　

（９）　（１０）　Ｊ　Ｆ（２７ｒｆ）Ｊ一　（１１）　按照式（１１）作出Ｂ分别为０．２、０．４、０．６、　４５９　

维普资讯 http://www.cqvip.com ０．８时的脉冲频谱图，如图２所示。从图２上　可以看出，Ｂ不同时，脉冲在频域中主要表现为　中频区以上的不同，在低频端区别不是太大。　

謇　３　

Ｏ　频　ｌＩｚ　２　３　频率　

图２　Ｂ不同时的脉冲频谱　

对离散序列式（６）做ＤＦＴ变换得到离散频　谱：　Ｎ。＿１　Ｆ（　）＝∑　（　）　铷　

０　Ｎ一１　（１２）　由于Ｂ不同时，脉冲在频域中主要表现为　中频区以上的不同，因此定义：　特征量三：ＤＦＴ变换后第１０￣２０个点频　谱幅度和：　旦　Ｕ２一　Ｆ（　）　（１３）　

＾＝Ｉ１０　将上述三个特征量组成一个特征矢量　一　

（　，　，　ｚ），用它表征具有不同形状的脉冲。　

３人工神经网络模型及算法　人工神经网络是模拟人脑思维、具有强大　的非线性映射能力的模式识别工具。本实验用　到的神经网络模型是三层的ＢＰ网络拓扑结　构。输入层神经元数选定为３个，与一组输入　模式对应。隐藏层神经元个数经实验选择为　３Ｏ个。由于本实验是二分类问题，所以，输出　神经元个数为１个。其神经元的激活函数采用　ｓｉｇｍｏｉｄ函数对神经元输入输出特性描述：　厂（　）＝１／［１＋ｅ印（一凹）］　

ａ为常数。　神经网络的拓扑结构图如图３所示。　设输入矢量为ｌＩ＝（１｜ｏ，ｌＩ　，ｌＩ２）　，隐藏层的　权矢量为：ｗｈ一［　，　，　２，…，　…］　，隐藏　层神经元阈值矢量为Ｒｈ＝Ｅｒｏ，ｒｌ，…，ｒｈ，…］　，　输出层权矢量为Ｗｏ＝ＥＷｏ，Ｗ１，…，＇．，ｈ］　，输出层　值为Ｒ—ｒｏ。字母ｉ、ｈ、０分别为输入层个数，　４６０　

Ｕ　输入层　隐层　输出层　输出　图３　ＢＰ网络拓扑结构　隐藏层个数，输出层个数及常数。　ＢＰ算法步骤如下［｝８］：　１）网络参数初始化。　２）输入学习样本。　３）计算隐藏层各神经元激活输出　一　强一ｒ＾ＨＹｈ＝厂（　）　４）计算输出层神经元激活输出　ＯＶｈ＝　ｗｏＨＹ…＾一ｒｏ　ＯＹｏ＝ｆ（ｏｖｏ）　５）给定导师信号ｄ并计算网络的输出层　和隐藏层误差　

一（ＯＹｏ—ｄ）ＯＹ。（１一ＯＹ＾）　ｃｒ＾一　ｄＩ・ＨＹｈ（１一ＨＹ＾）　６）修正网络输出层和隐藏层的权矢量、阈　值矢量　Ｗｏ—Ｗｏ＋威・Ｈｙｈ　Ｒ＝Ｒ＋　ｗｈ＝Ｗｈ＋　・ＨＹｏ风一风＋　７）取下一个样本，重复上述过程，直至取　完，并计算所有学习样本积累的总误差Ｅ　Ｅ＝∑（ｄ－－ＯＹｏ）　口　若Ｅ值变化趋于平稳，则学习过程完成，　

否则更新学习次数，返回到２）步骤。该实验中　取常数ａ一０．１，　＝１Ｏ．２，激活函数常数ａ一　０．２。　实际测量中，由于在闪烁体中产生的快、慢　荧光光子数具有统计涨落，从而导致快慢成分　比例因子Ｂ的统计涨落，还有噪声的影响，都　会使信号的上升时间、幅度等产生涨落。因此，　为了更好地接近实际信号，我们给脉冲信号的　Ｂ值加上均值为０，方差为０．０５的高斯噪声。　由于Ｂ的涨落，导致信号在时域中的上升时　间、幅度等的涨落，也将导致频域中频谱幅度的　涨落。在Ｂ—Ｏ．２、０．４、０．６、０．８时，分别模拟　１００组加噪声后的信号，并提取它们的三个特　

维普资讯 http://www.cqvip.com