基于BP神经网络的多GM计数器γ辐射定向测量算法研究.pdf

本文主要探讨了一种基于BP神经网络的多GM计数器γ辐射定向测量算法，该算法应用于放射源搜寻作业中的角度定向测量。在放射源搜寻过程中，准确快速地确定放射源的方向至关重要，而传统的辐射监测设备往往不具备这一功能，需要通过复杂的人工操作来定位。 研究设计了一个由4个GM（盖革-米勒）计数器和十字形铅屏蔽结构组成的辐射定向测量装置。这个装置的屏蔽体厚度为1厘米，径向宽度为7厘米。通过使用GEANT4软件进行模拟计算，研究人员分析了该装置对0.058至3 MeV单能光子的角响应，这些数据被用作训练BP神经网络的样本。 BP（Backpropagation）神经网络是一种常用的监督学习算法，尤其适用于非线性问题的数据建模。在本研究中，BP神经网络被用来建立角度反演方法，即根据GM计数器接收到的辐射信号来推算出放射源的方向。文章提到了三种不同的算法模型，并对比了它们的角度分辨精度。其中，样本映射重组算法表现最佳，能够达到±1.5°的反演精度。即使在考虑了计数涨落的情况下，这种方法仍能保持约±10°以内的角度偏差。 为了验证算法的有效性，研究团队使用137Cs放射源进行了实际测量，结果表明角度偏差在±6.25°范围内，进一步证明了该方法的实用性与准确性。 关键词涵盖了GM计数器、角度定向测量、BP神经网络和角度分辨率。这些关键词强调了研究的核心技术与应用领域，即利用先进的机器学习技术改进传统的辐射测量设备，提高其定向测量的精度和效率。 这项研究通过结合硬件设计和深度学习算法，成功开发了一种适用于放射源搜寻的高效定向测量方法。这种方法不仅提高了测量精度，还简化了操作流程，对于提升放射性环境下的安全操作和应急响应具有重要意义。未来的研究可能还会探索更高级的神经网络架构或者集成其他机器学习技术，以进一步提升定向测量的性能。