謝先博　張暉

摘要：針對(duì)傳統(tǒng)[γ]能譜核素識(shí)別算法在較低放射性水平下的情況下存在核素識(shí)別慢，對(duì)相干核素識(shí)別效果差的問題，基于統(tǒng)計(jì)學(xué)習(xí)理論提出了基于支持向量機(jī)的快速核素識(shí)別方法。本方法一方面通過對(duì)峰位確定方法改進(jìn)來提高特征量提取的精確度，去除[γ]能譜中重疊峰對(duì)相干核素識(shí)別中的影響，另一方面使用支持向量機(jī)方法實(shí)現(xiàn)核素的快速分類。通過與傳統(tǒng)方法的比對(duì)，新方法在識(shí)別相干核素方面達(dá)到了很好的識(shí)別效果。

關(guān)鍵詞：核素識(shí)別；支持向量機(jī)；B樣條平滑

中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）02-0355-04

傳統(tǒng)的基于[γ]能譜解析進(jìn)行核素識(shí)別的算法[1]，在較低放射性水平下的情況下，存在核素識(shí)別速度慢，對(duì)“相干核素”（多種核素混合）識(shí)別效果較差的弱點(diǎn)。核素識(shí)別問題從本質(zhì)上可以看成一個(gè)機(jī)器學(xué)習(xí)中的分類問題，雖然分類的方法很多，由于核素識(shí)別過程中獲取樣本數(shù)據(jù)較困難，訓(xùn)練集較小，適合使用支持向量機(jī)的分類方法來進(jìn)行識(shí)別。支持向量機(jī)（Support Vector Machines， SVM） 作為一種較新的機(jī)器學(xué)習(xí)方法， 具有出色的學(xué)習(xí)及推廣能力， 在很多領(lǐng)域都得到了成功的應(yīng)用， SVM 能夠較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問題，具據(jù)有較高的分類能力和計(jì)算效率。與此同時(shí)本文對(duì)確定峰位及特征值提取做了改進(jìn)和優(yōu)化相較于文獻(xiàn)[1][[1]]提出的核素識(shí)別算法及BP神經(jīng)網(wǎng)絡(luò)算法，提高了重疊峰的識(shí)別率，很好解決了相干核素的識(shí)別問題，找到了一種快速、有效、穩(wěn)定的核素識(shí)別算法。

1 數(shù)據(jù)預(yù)處理

[γ]能譜數(shù)據(jù)預(yù)處理主要包括譜數(shù)據(jù)平滑、峰位確定、本底扣除等幾個(gè)主要環(huán)節(jié)。為了在SVM分類達(dá)到較好的效果，必須對(duì)這幾個(gè)環(huán)節(jié)進(jìn)行改進(jìn)。該文主要對(duì)尋峰計(jì)算做了優(yōu)化和改進(jìn)以使SVM得到更好的效果。

1.1 峰位確定

目前存在的尋峰方法主要有一階導(dǎo)數(shù)尋峰、二階導(dǎo)數(shù)尋峰、對(duì)稱零面積尋峰，協(xié)方差法尋峰等。

其中導(dǎo)數(shù)尋峰和對(duì)稱零面積尋峰在尋峰之前對(duì)計(jì)數(shù)統(tǒng)計(jì)質(zhì)量數(shù)據(jù)要求較低，不需要進(jìn)行數(shù)據(jù)平滑，統(tǒng)計(jì)假峰及高基底的抑制能力及重峰的分辨能力來看，故而在本文采用了導(dǎo)數(shù)尋峰和對(duì)稱零面積方法相結(jié)合的辦法來實(shí)現(xiàn)快速峰位確定。

1.1.1 導(dǎo)數(shù)尋峰

導(dǎo)數(shù)尋峰主要是采用一階、二階和多階求導(dǎo)，從而確定最值點(diǎn)，在峰位確定過程中，主要是確定其最大值點(diǎn)。

一階導(dǎo)數(shù)尋峰：若函數(shù)[fi0]在[i0]道的一階微商為0，即[f″i0>0，f′i0=0]，[fi0]取得極值。

二階導(dǎo)數(shù)尋峰：若[fi0]，且[f″i0=0]，當(dāng)[f″i0<0]時(shí)，[fi0]為極大值，[f″i0>0]時(shí)，[fi0]為極小值。

從實(shí)際的效果上來看導(dǎo)數(shù)法在對(duì)單峰、強(qiáng)峰及弱峰的效果較好，但是在重疊峰等識(shí)別上存在問題。從靈敏度上來看：一階尋峰的靈敏度最高，二階次之[[2]]

2 基于SVM的核素識(shí)別方法

2.1支持向量機(jī)原理

支持向量機(jī)[2]最早由Vapnik 等人提出，是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的統(tǒng)計(jì)學(xué)習(xí)方法。支持向量機(jī)將向量映射到一個(gè)更高維的空間里，在這個(gè)空間里建立有一個(gè)最大間隔超平面。在分開數(shù)據(jù)的超平面的兩邊建有兩個(gè)互相平行的超平面，分隔超平面使兩個(gè)平行超平面的距離最大化。假定平行超平面間的距離或差距越大，分類器的總誤差越小。最優(yōu)分類超平面的構(gòu)造最終歸結(jié)為在原空間上求解一個(gè)凸二次規(guī)劃問題。

4 結(jié)論

本方法一方面通過對(duì)峰位確定方法改進(jìn)來提高特征量提取的精確度，去除[γ]能譜中重疊峰對(duì)相干核素識(shí)別中的影響，另一方面使用支持向量機(jī)方法實(shí)現(xiàn)核素的快速分類。通過與傳統(tǒng)方法的比對(duì)，新方法在識(shí)別相干核素方面達(dá)到了很好的識(shí)別效果。

參考文獻(xiàn)：

[1] 陳亮. 便攜式[γ]譜儀中的核素識(shí)別算法[J].清華大學(xué)學(xué)報(bào)，2009，49（5）：635-638.

[2] 劉永剛. γ能譜譜數(shù)據(jù)分解方法研究[D].北京：中國地質(zhì)大學(xué)（北京）博士論文：中國地質(zhì)大學(xué)，2011.

[3] 張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動(dòng)化學(xué)報(bào)，2000，26（1）：32-42.

[4] CHE N Liang， WE I Yixiang. MonteCarlo simulations of the SNM spectraf or CZT and NaI spectrometers[J]. Applied Radiation and Isotopes，2008，66（8）：1146-1150.

[5] 孫宗寶，孫名松.基于核主成分提取和支持向量機(jī)入侵檢測(cè)[J]. 信息技術(shù)， 2007， （7）： 29-31

[6] 樊衛(wèi)花，王衛(wèi)萍，侯勝利.低本底多道γ能譜儀解譜應(yīng)用軟件的開發(fā)及應(yīng)用[J].巖礦測(cè)試，2006，25（1）：31-34.

[7] 王增波，彭仁忠，宮兆剛 .B 樣條曲線生成原理及實(shí)現(xiàn)[J].石河子大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，27（1）：119-121.

[8] 於國兵.NaI（Tl）γ能譜譜線分析技術(shù)的研究.中國輻射衛(wèi)生（檢測(cè)技術(shù)）[J].2009，18（4）：476-478.

[9] 王季紅，王良厚，孫健.基于LM 算法BP神經(jīng)網(wǎng)絡(luò)的放射性核素識(shí)別[C].綿陽：第十六屆全國核電子學(xué)與核探測(cè)技術(shù)學(xué)術(shù)年會(huì)，2012：598-600.

[10] Byung-joo Kim.Il- kon Kim.Kernel Based Intrusion Detect ion System[J]. Proceedings of the Fourth Annual ACIS International Conference on Computer and Information Science. IEEE，2005：13-18.