模块化神经网络数据融合在谱线核测量中的应用

　　自20世纪60年代初,美国首先研制成功适于野外使用的便携式X荧光仪,并应用于地学领域以来,这项技术发挥着越来越重要的作用。便携式核探测器常常工作于野外或工业现场的复杂恶劣环境中,加之传感器自身性能的限制,使其测量结果受环境温度、湿度、磁场、测量范围、工作电压及使用时间等因素影响,容易引入噪声,产生非线性失真,导致测量谱线的漂移、能量分辨率及探测效率的下降[1],从而降低测量精度与准确度。虽然目前大多数核探测器都采取了一些中间补偿和修正措施来提高性能,如跟踪参考源的参考峰位,通过硬件[1]负反馈电路补偿谱漂的稳谱方法,或利用仪器谱中目标核素的特征峰跟踪谱线漂移变化的软件稳谱方法等。但无论是硬件稳谱方法还是软件稳谱方法,都还存在很多的问题。首先,谱线漂移往往是由各种干扰因素引起,多是非线性的,仅靠单个参考峰位的线性调节很难达到理想的稳谱效果,尤其当参考峰位与待测特征峰位相距较远时,稳谱效果更差;其次,软件稳谱[2]方法虽然省去了大量的硬件电路,但每个探测器个体存在差异,不可能用一个模型解决所有问题。并且容易受到仪器谱畸变及统计涨落误差的影响,造成仪器稳定时间短、刻度粗糙,无法保证测量精度。

　　信息融合技术能将来自多个传感器有关信息进行综合,以得到精度上的改善和更加准确的推断;而人工神经网络(ANN)模拟生物神经系统的结构,具备人脑的部分功能和特征,可以处理无明确数学表达式或复杂的非线性体系,被广泛地用于各种谱的处理。两种方法的结合使用可以较好的解决谱仪峰位漂移随环境温度、湿度、磁场等因素影响的问题。

　　1　谱漂移融合的原理

　　由于各种因素的影响,谱仪不同程度地存在谱漂移问题,因此在核测量过程中,环境温度的变化、湿度、磁场以及供电电源电压的变化都将引起仪器内部射线传感器输出的变化,从而引起谱峰的漂移,即射线传感器的输出除受目标参量(P)的影响外,还受其它非目标参量如工作温度(T)和工作电压(V)等的影响。为了得到精确的测量结果,必须尽量消除非目标参量对射线传感器输入输出特性的影响,使射线传感器的输出是输入P的单值函数。由于影响核探测器谱漂移的因素较多,要获得在多种干扰影响下的谱漂的准确值,就需要使用多源信息融合技术。

　　采用神经网络[3]对谱漂移预测是一种新的方法。人工神经网络有很强的学习能力和自适应能力,且采用并行式结构、分布式存储,能快速实现系统输入到输出的非线性映射;因此能很好地学到仪器内部工作温度的变化、湿度、磁场以及供电电源电压的变化引起的仪器输出的变化规律。当系统中干扰多时,非目标参量和输出间的关系式变得非常复杂,神经网络的方法不用考虑非目标参量T和V等的复杂关系式,直接由训练样本的干扰参量变化中抽取它们的相关关系,并存储于网络权重之中,方法简便、可靠,能方便地获得干扰参量和峰位漂移间的关系,并能在实际应用中较好给出峰位漂移的道数。