强激光与粒子束

作者：单岩松, 张江梅, 刘灏霖, 张草林,

关键词：卷积神经网络, 循环神经网络, 核素识别, 放射性核素, γ能谱,

核素的准确识别是提高放射性监测水平的关键。为进一步提升放射性核素识别性能，研究了基于卷积神经网络（CNN）和循环神经网络（RNN）结合的核素识别方法。使用碘化钠能谱仪采集8种单一和混合放射性核素γ能谱数据，通过计算γ光子在不同能量下的概率密度，采用随机抽样的方法生成大量γ能谱训练数据，并对数据进行归一化处理，然后利用CNN提取输入能谱数据的特征向量，并将提取到的特征向量输入RNN进行训练，最后由激活函数输出核素分类结果。为验证CNN-RNN识别核素的准确性，与基于卷积神经网络（CNN）和长短时记忆神经网络（LSTM）核素识别方法进行比较分析，得出在测试集上LSTM能谱模型对单核素的识别准确率优于97.5%，混合核素的识别率优于92.31%，CNN和CNN-RNN能谱模型对单核素的识别准确率为100%，混合核素的识别率分别优于92.95%和97.44%。结果表明，CNN-RNN能谱模型在γ能谱放射性核素识别中表现更优，通过与仅用实测数据训练的神经网络模型相比，加入增强数据可提升模型的训练效率和泛化能力。

来源：2026年第1期

《强激光与粒子束》期刊编辑部

查看强激光与粒子束杂志2026年第1期