【技术实现步骤摘要】
本专利技术涉及核安全监控与辐射检测，具体为一种基于机器学习的辐射源识别算法及系统。
技术介绍
1、在现代核能产业及其相关领域，辐射源的检测与识别至关重要。随着核电站的普及以及放射性物质的广泛应用，确保这些辐射源得到妥善管理和监控是必要的。传统的辐射源识别技术依赖于传感器的检测数据，通过物理方法区分不同的放射性同位素。然而，这些方法通常对于数据处理能力有限，且在复杂环境中的适应性和准确性不足。
2、随着技术的进步，机器学习技术已经成为数据处理和模式识别的有力工具。通过训练，机器学习模型能够识别复杂数据中的模式和特征，从而提供更为准确和快速的识别结果。尤其在复杂的核电场景中，机器学习能够有效处理多种干扰因素，提高辐射源识别的准确性和可靠性。
3、当前，市场上虽已存在一些基于机器学习的辐射检测与识别解决方案，但这些方案仍面临着数据处理效率低下、模型泛化能力弱以及对于不同辐射源的识别精度不一等问题。因此，开发一种新的基于机器学习的辐射源识别算法，旨在提供一个能够有效区分并准确识别不同类型辐射源的技术解决方案，是目前技术发展的重要需求。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：现有技术方案中的辐射源数据可能包括多种类型的辐射、不同的能量水平和时间戳，需要一种方法能够处理多维的数据，以及如何有效的从辐射源数据中提取和选择特征。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种基于机器
4、采集辐射源数据，并进行预处理；基于特征工程建立机器模型；对机器模型进行训练和验证。
5、作为本专利技术所述的一种基于机器学习的辐射源识别算法的一种优选方案，其中：所述辐射源数据包括辐射类型、能量水平和时间戳。
6、所述预处理包括异常值处理、标准化。
7、作为本专利技术所述的一种基于机器学习的辐射源识别算法的一种优选方案，其中：所述异常值处理包括，提取辐射源数据中的数据特征，采用iqr方法剔除数据特征中的异常值，所述iqr方法包括，计算第一四分位数和第三四分位数，计算四分位数范围，表示为(iqr＝q3-q1)，其中q3表示第三四分位数，q1表示第一四分位数，若辐射源数据中的数据点低于q1-1.5×iqr或高于q3+1.5×iqr则被认定为异常值，对异常值进行剔除。
8、所述标准化包括，计算数据特征的平均值和标准差，对辐射源数据进行标准化，表示为，
9、
10、其中，mean(x)表示数据特征的平均值，std(x)表示数据特征的标准差。
11、作为本专利技术所述的一种基于机器学习的辐射源识别算法的一种优选方案，其中：所述特征工程包括能量谱分析以及时域分析。
12、所述能量谱分析包括，使用移动平均或高斯平滑对能量谱数据进行平滑处理，采用局部最大值搜索算法识别能量谱中的峰，对每个检测到的峰使用高斯拟合，表示为，
13、
14、其中，μ是峰的中心，σ是标准差。
15、对能量谱的所有数据点求和，得到总计数，根据峰检测算法识别的峰数量进行统计，选择无明显辐射峰的能谱区域，计算选定背景区域的平均计数，作为背景水平。
16、作为本专利技术所述的一种基于机器学习的辐射源识别算法的一种优选方案，其中：所述时域分析包括，对连续辐射事件的时间戳进行差分，计算两个连续事件之间的时间间隔，对于每个事件，识别开始和结束的时间点，计算从开始到结束的时间差，即为事件持续时间，设定固定的时间窗口，在每个时间窗口内统计辐射事件的数量，将事件总数除以时间窗口长度，得到单位时间内的事件计数率，选择时间窗口进行高分辨率监测，统计每个窗口内的辐射事件总数。
17、作为本专利技术所述的一种基于机器学习的辐射源识别算法的一种优选方案，其中：所述对机器模型进行训练包括，使用训练数据集对选定的模型进行训练，表示为，
18、
19、其中了，w表示向量，b表示偏置项，c表示正则化参数，表示损失函数，n表示训练数据集中数据点的总数，xi表示第i个训练数据点的特征向量，yi表示第i个训练数据点的真实标签。
20、作为本专利技术所述的一种基于机器学习的辐射源识别算法的一种优选方案，其中：所述验证包括，采用交叉验证方法，数据集被分为k个子集，每次留出一个子集作为验证集，其余作为训练集，重复k次。
21、本专利技术的另外一个目的是提供一种基于机器学习的辐射源识别系统，其能通过自动化的数据预处理、高效的特征工程技术和先进的机器学习模型，解决了现有手动处理数据和低效率识别的问题。
22、为解决上述技术问题，本专利技术提供如下技术方案：一种基于机器学习的辐射源识别系统，包括数据采集模块、数据预处理模块、特征工程模块、机器学习与验证模块。
23、所述数据采集模块负责从辐射源收集数据。
24、所述数据预处理模块负责使用iqr方法剔除数据中的异常值以及进行标准化处理。
25、所述特征工程模块负责通过移动平均或高斯平滑方法对能量谱数据进行平滑处理，并使用局部最大值搜索算法识别能量谱中的峰值，以及利用高斯拟合来描述每个峰。
26、所述特征工程模块还负责处理时间戳数据，计算连续辐射事件之间的时间间隔，并进行事件的持续时间分析，以及在固定时间窗口内统计辐射事件的数量，从而获得单位时间内的事件计数率。
27、所述机器学习与验证模块负责使用选择的机器学习模型和训练数据集进行模型的训练，以学习辐射源数据与其类别之间的关系。
28、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述一种基于机器学习的辐射源识别算法的步骤。
29、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述一种基于机器学习的辐射源识别算法的步骤。
30、本专利技术的有益效果：本专利技术通过采用先进的特征工程方法(如能量谱分析和时域分析)和机器学习模型，本专利技术提高了辐射源的识别精度，能够更准确地区分不同类型的辐射源和其特性，通过异常值处理和标准化预处理步骤，本专利技术提高了数据的质量，从而增强了模型的训练和预测性能，采用iqr方法剔除异常值和使用标准化处理数据特征，使模型能够更有效地学习数据中的重要模式，降低噪声和异常值的影响。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的辐射源识别算法，其特征在于，包括：
2.如权利要求1所述的一种基于机器学习的辐射源识别算法，其特征在于：所述辐射源数据包括辐射类型、能量水平和时间戳；
3.如权利要求2所述的一种基于机器学习的辐射源识别算法，其特征在于：所述异常值处理包括，提取辐射源数据中的数据特征，采用IQR方法剔除数据特征中的异常值，所述IQR方法包括，计算第一四分位数和第三四分位数，计算四分位数范围，表示为(IQR＝Q3-Q1)，其中Q3表示第三四分位数，Q1表示第一四分位数，若辐射源数据中的数据点低于Q1-1.5×IQR或高于Q3+1.5×IQR则被认定为异常值，对异常值进行剔除；
4.如权利要求3所述的一种基于机器学习的辐射源识别算法，其特征在于：所述特征工程包括能量谱分析以及时域分析；
5.如权利要求4所述的一种基于机器学习的辐射源识别算法，其特征在于：所述时域分析包括，对连续辐射事件的时间戳进行差分，计算两个连续事件之间的时间间隔，对于每个事件，识别开始和结束的时间点，计算从开始到结束的时间差，即为事件持续时间，设定固定的时间窗口
6.如权利要求5所述的一种基于机器学习的辐射源识别算法，其特征在于：所述对机器模型进行训练包括，使用训练数据集对选定的模型进行训练，表示为，
7.如权利要求6所述的一种基于机器学习的辐射源识别算法，其特征在于：所述验证包括，采用交叉验证方法，数据集被分为k个子集，每次留出一个子集作为验证集，其余作为训练集，重复k次。
8.一种采用如权利要求1～7任一所述的一种基于机器学习的辐射源识别算法的系统，其特征在于：包括数据采集模块(100)、数据预处理模块(200)、特征工程模块(300)、机器学习与验证模块(400)；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的一种基于机器学习的辐射源识别算法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述一种基于机器学习的辐射源识别算法的步骤。
...【技术特征摘要】
1.一种基于机器学习的辐射源识别算法，其特征在于，包括：
2.如权利要求1所述的一种基于机器学习的辐射源识别算法，其特征在于：所述辐射源数据包括辐射类型、能量水平和时间戳；
3.如权利要求2所述的一种基于机器学习的辐射源识别算法，其特征在于：所述异常值处理包括，提取辐射源数据中的数据特征，采用iqr方法剔除数据特征中的异常值，所述iqr方法包括，计算第一四分位数和第三四分位数，计算四分位数范围，表示为(iqr＝q3-q1)，其中q3表示第三四分位数，q1表示第一四分位数，若辐射源数据中的数据点低于q1-1.5×iqr或高于q3+1.5×iqr则被认定为异常值，对异常值进行剔除；
4.如权利要求3所述的一种基于机器学习的辐射源识别算法，其特征在于：所述特征工程包括能量谱分析以及时域分析；
5.如权利要求4所述的一种基于机器学习的辐射源识别算法，其特征在于：所述时域分析包括，对连续辐射事件的时间戳进行差分，计算两个连续事件之间的时间间隔，对于每个事件，识别开始和结束的时间点，计算从开始到结束的时间差，即为事件持续时间，设定固定的时间窗口，在每个时间窗口内统计辐射事件的数量，将事件...
【专利技术属性】
技术研发人员：洪伟，杨强强，吴肖，蒋勇，柯海鹏，赵燕子，蔡翔宇，
申请(专利权)人：华能核能技术研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。