基于遗传神经网络的γ能谱分析研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-9页 |
| 目次 | 第9-11页 |
| 图清单 | 第11-12页 |
| 表清单 | 第12-13页 |
| 1 文献综述 | 第13-32页 |
| ·放射性探测与固体探测器 | 第13-17页 |
| ·放射性核探测的意义 | 第13-14页 |
| ·放射性核探测器 | 第14-17页 |
| ·人工神经网络 | 第17-26页 |
| ·人工神经网络概述 | 第17-21页 |
| ·BP 神经网络 | 第21-26页 |
| ·γ能谱分析方法与研究现状 | 第26-30页 |
| ·γ能谱分析方法简介 | 第27-29页 |
| ·各种解谱算法比较 | 第29页 |
| ·γ能谱分析方法的研究现状 | 第29-30页 |
| ·研究思路和研究内容 | 第30-32页 |
| ·研究思路 | 第30-31页 |
| ·研究内容 | 第31-32页 |
| 2 遗传算法优化 BP 人工神经网络 | 第32-44页 |
| ·遗传算法 | 第32-33页 |
| ·遗传算法的改进 | 第33-34页 |
| ·简单遗传算法的局限性 | 第33页 |
| ·遗传算法的改进 | 第33-34页 |
| ·改进的遗传算法优化 BP 神经网络 | 第34-43页 |
| ·算法步骤及基于 MATLAB 的程序编码 | 第35-38页 |
| ·自适应遗传算法优化的 BP 网络主要参数设定 | 第38-41页 |
| ·自适应遗传算法优化 BP 神经网络实验验证 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 3 BP 人工神经网络法γ能谱核素识别 | 第44-60页 |
| ·实验数据测定 | 第44-46页 |
| ·γ谱预处理 | 第46-51页 |
| ·数据平滑处理 | 第47-48页 |
| ·峰位漂移矫正 | 第48-49页 |
| ·扣除本底 | 第49-50页 |
| ·γ能谱预处理前后对比 | 第50-51页 |
| ·核素定性识别 | 第51-57页 |
| ·全能峰不重叠的核素定性识别 | 第51-53页 |
| ·全能峰重叠的核素定性识别 | 第53-54页 |
| ·未经网络训练的核素识别 | 第54-55页 |
| ·探测距离对识别结果的影响 | 第55页 |
| ·仪器统计涨落对识别结果的影响 | 第55-56页 |
| ·有屏蔽物的核素识别 | 第56-57页 |
| ·AGA-BP 网络定量分析 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 4 结论与展望 | 第60-62页 |
| ·结论 | 第60页 |
| ·创新点 | 第60-61页 |
| ·展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 作者简历 | 第65页 |
