[發(fā)明專利]能譜數(shù)據(jù)的核素種類的識別方法

在審

• 申請?zhí)枺?/td>: 201811312752.6
• 申請日: 2018-11-06
• 公開（公告）號: CN109635650A
• 公開（公告）日: 2019-04-16
• 發(fā)明（設(shè)計）人: 仝茵;呂建友;劉麗
• 申請（專利權(quán)）人: 中國電子科技集團(tuán)公司電子科學(xué)研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 工業(yè)和信息化部電子專利中心 11010
• 代理人: 田衛(wèi)平

1.一種能譜數(shù)據(jù)的核素種類的識別方法，其特征在于，包括：

對原始能譜數(shù)據(jù)預(yù)處理，從而得到正太分布的能譜數(shù)據(jù)矩陣；

對所述正太分布的能譜數(shù)據(jù)矩陣進(jìn)行降維處理，從而提取能譜特征向量特征；

將所述特征向量特征作為分類模型的輸入向量特征建立決策樹分類器對能譜數(shù)據(jù)的核素進(jìn)行分類預(yù)測；

使用AdaBoost算法提升所述能譜數(shù)據(jù)的核素的分類預(yù)測準(zhǔn)確率。

2.根據(jù)權(quán)利要求1所述的能譜數(shù)據(jù)的核素種類的識別方法，其特征在于，所述正太分布的能譜數(shù)據(jù)，具體為：

標(biāo)準(zhǔn)差為1，均值為零的標(biāo)準(zhǔn)正太分布的能譜數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的能譜數(shù)據(jù)的核素種類的識別方法，其特征在于，所述對原始能譜數(shù)據(jù)預(yù)處理，從而得到正太分布的能譜數(shù)據(jù)，包括：

生成原始能譜數(shù)據(jù)樣本；

對所述原始能譜數(shù)據(jù)樣本矩陣化；

對矩陣化后的所述能譜數(shù)據(jù)樣本進(jìn)行標(biāo)準(zhǔn)化；

對標(biāo)準(zhǔn)化后的能譜數(shù)據(jù)樣本進(jìn)行零均值化，從而得到正太分布的能譜數(shù)據(jù)矩陣。

4.根據(jù)權(quán)利要求3所述的能譜數(shù)據(jù)的核素種類的識別方法，其特征在于，所述生成原始能譜數(shù)據(jù)樣本，具體為：

使用蒙特卡洛仿真方法來生成原始能譜數(shù)據(jù)樣本。

5.根據(jù)權(quán)利要求3所述的能譜數(shù)據(jù)的核素種類的識別方法，其特征在于，對矩陣化后的所個能譜數(shù)據(jù)樣本進(jìn)行標(biāo)準(zhǔn)化采用的公式為：

其中，表示第i個能譜的第j道計數(shù)標(biāo)準(zhǔn)化后的取值，U_ij為第i個能譜的第j道計數(shù)，m和n表示常數(shù)。

6.根據(jù)權(quán)利要求3所述的能譜數(shù)據(jù)的核素種類的識別方法，其特征在于，所述對標(biāo)準(zhǔn)化后的能譜數(shù)據(jù)樣本進(jìn)行零均值化，所述零均值化公式為：

表示平均能譜，表示第i個能譜的第j道計數(shù)零均值化后的取值，U_ij為第i個能譜的第j道計數(shù)，m和n表示常數(shù)。

7.根據(jù)權(quán)利要求1所述的能譜數(shù)據(jù)的核素種類的識別方法，其特征在于，對所述正太分布的能譜數(shù)據(jù)矩陣進(jìn)行降維處理，從而提取能譜特征向量特征，包括：

將能譜數(shù)據(jù)中的一維向量表示為二維的矩陣；

使用SVD方法對能譜數(shù)據(jù)的樣本集進(jìn)行特征抽取，從而獲得奇異值特征分解向量。

8.根據(jù)權(quán)利要求7所述的能譜數(shù)據(jù)的核素種類的識別方法，其特征在于，所述使用SVD方法對能譜數(shù)據(jù)的樣本集進(jìn)行特征抽取，從而獲得奇異值特征分解向量，公式如下：

A_i＝W_iξ_iV_i^T，

A_i代表每個γ能譜二維矩陣，W_i代表一個m*m的酉矩陣，ξ_i代表一個m*n的半正定對角矩陣，V_i^T代表一個n*n的共軛轉(zhuǎn)置矩陣。

9.根據(jù)權(quán)利要求1所述的能譜數(shù)據(jù)的核素種類的識別方法，其特征在于，所述將所述特征向量特征作為分類模型的輸入向量特征建立決策樹分類器對能譜數(shù)據(jù)的核素進(jìn)行分類預(yù)測中：

決策樹算法使用CART分類樹算法；

在對生成的決策樹做分類預(yù)測時，所述能譜數(shù)據(jù)的測試集的樣本劃分到所述決策樹的某葉子節(jié)點后，如果該葉子節(jié)點里有多個訓(xùn)練樣本，該測試樣本取該葉子節(jié)點的概率最大的類別作為該樣本集的預(yù)測類別。

10.根據(jù)權(quán)利要求1所述的能譜數(shù)據(jù)的核素種類的識別方法，其特征在于，所述使用AdaBoost算法提升所述能譜數(shù)據(jù)的核素的分類預(yù)測準(zhǔn)確率，包括：

集合多個決策樹分類器對所述能譜數(shù)據(jù)中的核素數(shù)據(jù)集進(jìn)行多輪訓(xùn)練；

根據(jù)單個決策樹分類器的錯誤率修正核素數(shù)據(jù)集中核素樣本的權(quán)值分布，增加分類錯誤的核素樣本的權(quán)重，同時減小分類正確核素樣本的權(quán)重；

根據(jù)決策樹分類器的權(quán)重系數(shù)，形成相應(yīng)決策樹分類器組合。