Automated Isotope Identification Algorithm Using Artificial Neural Networks  使用人工神经网络的自动同位素识别算法

M.Kamuda, J. Stinnett, and C.J. Sullivan

摘要

需要开发一种算法，以确定包含多种放射性同位素混合物的大量低分辨率伽马射线光谱数据集中放射性同位素的相对活度。

包含多种放射性同位素混合物的低分辨率伽马射线光谱经常会出现特征重叠，这就需要能够在出现重叠时分析这些特征的算法。虽然机器学习和模式识别算法在放射性同位素识别问题上已显示出前景，但它们识别和量化放射性同位素混合物的能力尚未得到研究。

由于机器学习算法使用光谱的抽象特征，如重叠峰的形状和康普顿连续性，因此它们是分析放射性同位素混合物的自然选择。

已对人工神经网络（ANN）进行了训练，以计算光谱中 32 种放射性同位素的相对活度。人工神经网络是通过模拟伽马射线光谱进行训练的，因此可以很容易地扩展目标放射性同位素库。在本文中，我们介绍了基于 ANN 的初始算法，并根据一系列测量和模拟光谱对其进行了评估。

索引词条：       人工神经网络、同位素自动识别、伽马射线光谱学、机器学习。

I.动机

已有多篇论文成功地将人工智能应用于放射性同位素的自动识别。其中许多论文都依赖感兴趣区（ROI）方法或高分辨率伽马射线频谱作为方差网络的输入。

针对高分辨率伽马射线光谱创建的方差网络训练方法在使用低分辨率光谱进行训练时可能效果不佳。当 ROI 与大型放射性同位素库严重重叠时，依赖 ROI 方法进行的方差网络训练可能效果不佳。通过使用低分辨率探测器的伽马射线光谱，可以根据光谱的抽象形状而不是感兴趣区域的严格计数来训练方差网络。使用整个光谱的好处是可以纳入以前难以纳入的特征，如康普顿连续波，并显示出对增益偏移有一定的容忍度。

以前的研究表明，可以利用五种放射性同位素库，训练一个 ANN 来使用 NaI 伽马射线光谱进行放射性同位素的识别和定量[4]。

在本文中，我们将介绍一种经过训练的人工神经网络，它可以使用 NaI 伽马射线频谱进行放射性同位素识别和定量，其所使用的 32 种放射性同位素资料库与美国国土安全部确定的放射性同位素识别算法最低识别标准[5]的资料库相对应。该库需要重新创建，以包括用于核取证等特定应用的放射性同位素。这里使用的是截断库，作为神经网络放射性同位素识别算法当前技术水平的扩展演示。

II.神经网络理论 自适应网络是一种模仿生物神经元的数学模型。神经网络已被用于多种任务，如识别指纹、各种物体的图像和股市预测 [6]、[7]、[8]。图 1 显示了一个 ANN 架构示例。图 1 中各节点之间用箭头表示，相邻层中的每个神经元通过权值连接。

图 1.具有输入层 A、隐藏层 B 和输出层 C 的 ANN 示例。

计算在每个神经元中进行。单个神经元的结构和运行方程如图 2 所示。

图 2.单个神经元的运行概要。

如图 2 所示，每个神经元的工作原理都是将前一层的值（A1、A2、......AN）与连接节点的每个权重（w1j、w2j、......wnj）的乘积相加。然后通过激活函数 f（通常为 sigmoid）对该求和值进行运算，并将其传递到 ANN 的下一层。可以通过设置连接节点的权重来训练 ANN，使其最小化训练集目标值与 ANN 输出之间的误差。ANN 通过提供包含输入值和输入目标值的训练数据进行学习。ANN 以最小化误差函数的方式调整权重值。训练 ANN 的一种常见方法是误差反向传播。误差反向传播能使连接节点的权重的误差函数最小化。目前已开发出多种技术来有效执行误差反向传播 [9]、[10]、[11]。其中一些算法需要调整多个参数，才能实现有用的学习。本文介绍的模型选择了 Adam 优化器 [12]，因为其参数选择简单，整体性能良好。本文使用的误差函数是交叉熵，如公式 1 所示。