[發明專利]一種基于BP神經網絡和蒙特卡洛算法的γ射線劑量測量方法

在審

• 申請號: 201910402753.8
• 申請日: 2019-05-15
• 公開（公告）號: CN110133703A
• 公開（公告）日: 2019-08-16
• 發明（設計）人: 李國棟;陳法國;韓毅;楊明明
• 申請（專利權）人: 中國輻射防護研究院
• 主分類號: G01T1/02
• 分類號: G01T1/02;G06N3/04;G06N3/08
• 代理公司: 北京天悅專利代理事務所(普通合伙) 11311
• 代理人: 田明;任曉航

1.一種基于BP神經網絡和蒙特卡洛算法的γ射線劑量測量方法，其特征在于，所述方法包括以下步驟：

S1.采用常規使用的便攜式NaI(Tl)γ譜儀作為模擬計算和實測使用的探測系統，利用MCNP軟件對便攜式NaI(Tl)γ譜儀結構進行建模；

S2.通過MCNP軟件模擬計算獲得1～9MeV不同入射能量單能光子Ei的沉積能譜f(E，Ei)，建立單能光子Ei的沉積能譜f(E，Ei)與周圍劑量當量值的映射關系，并對單能光子Ei的沉積能譜f(E，Ei)做可靠性驗證；

S3.基于疊加原理利用單能光子Ei的沉積能譜f(E，Ei)構造多能量混合譜獨立同分布樣本，構造方法為隨機抽樣式，利用抽樣個數的動態自適應調整建立值域分布均勻的樣本；

S4.采用能譜疊加對應的處理過程計算多能量混合譜的劑量，即由組成混合譜的單能光子Ei的沉積能譜的劑量當量值乘上對應的系數求得多能量混合譜的劑量；

S5.將模擬及疊加構造得到的能譜、劑量值作為訓練樣本，根據訓練樣本的輸入參數、輸出參數確定BP神經網絡層數，設計BP神經網絡結構；

S6.利用BP神經網絡逼近任意非線性函數的能力對訓練樣本進行學習，建立能譜及對應劑量的計算模型，使預測劑量的輸出值與目標值相對偏差在±3％以內；

S7.利用該探測器進行現場能譜的測量，并利用訓練好的BP神經網絡結構直接將測量譜換算為周圍劑量當量，無需進行能響補償。

2.一種如權利要求1所述的基于BP神經網絡和蒙特卡洛算法的γ射線劑量測量方法，其特征在于，步驟S2中建立單能光子Ei的沉積能譜f(E，Ei)與劑量映射關系的具體方法如下：對模擬的沉積能譜f(E，Ei)做歸一化處理，給出測量系統對單位注量光子在每道內的計數響應；根據ICRP報告建議的轉換系數插值計算單能響應譜對應的周圍劑量當量值Hi，從而建立單能光子的沉積能譜與劑量的映射關系。

3.一種如權利要求1所述的基于BP神經網絡和蒙特卡洛算法的γ射線劑量測量方法，其特征在于，步驟S2中，可靠性驗證的具體方法如下：利用相同測量條件下探測器對⁶⁰Coγ點源的實測譜與MCNP模擬響應展寬譜比對，進行樣本的可靠性驗證，確保全能峰實測效率與計算效率相對偏差在±10％以內。

4.一種如權利要求1所述的基于BP神經網絡和蒙特卡洛算法的γ射線劑量測量方法，其特征在于，步驟S3中的隨機抽樣的具體方法為：在全體單能譜樣本N中隨機抽取m個能譜，并分別乘一個隨機系數βi，疊加求和獲得一個新的多能量混合譜；其中m為小于a的隨機數，a表示混合譜最大組合數量；βi為小于b的隨機數，b代表系數上限，由實際情況確定；通過抽取個數m對數動態調整的辦法優化樣本值域范圍，使抽樣分布的方差變大。

5.一種如權利要求1所述的基于BP神經網絡和蒙特卡洛算法的γ射線劑量測量方法，其特征在于，所述BP神經網絡為含有一個隱藏層的三層神經網絡結構，所述神經網絡結點個數為R^1/2個，其中，R為輸入樣本的神經元數目。

6.一種如權利要求5所述的基于BP神經網絡和蒙特卡洛算法的γ射線劑量測量方法，其特征在于，所述BP神經網絡的隱藏層及輸出層的激活函數為purelin函數。

7.一種如權利要求5所述的基于BP神經網絡和蒙特卡洛算法的γ射線劑量測量方法，其特征在于，所述BP神經網絡的訓練函數為trainscg量化共軛梯度函數。

8.一種如權利要求5所述的基于BP神經網絡和蒙特卡洛算法的γ射線劑量測量方法，其特征在于，所述BP神經網絡的學習函數為learngdm梯度下降動量函數。

9.一種如權利要求5所述的基于BP神經網絡和蒙特卡洛算法的γ射線劑量測量方法，其特征在于，所述BP神經網絡的初始權閾值為正態分布的隨機數，所述正態分布的均值為0，標準差為R^-1/2，其中，R為輸入樣本的神經元數目。

10.一種如權利要求1所述的基于BP神經網絡和蒙特卡洛算法的γ射線劑量測量方法，其特征在于，步驟S7的具體方法如下：將一個微型單片機系統和液晶顯示器接入現場實測使用的便攜式NaI(Tl)γ譜儀，植入訓練好的BP神經網絡結構和計算指令，即可根據現場實測譜迅速得出待測點的周圍劑量當量。