| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-21页 |
| 1.1 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-19页 |
| 1.2.1 射线能谱数据处理方法研究现状 | 第11-14页 |
| 1.2.2 基于蒙特卡罗方法的能谱处理现状 | 第14-16页 |
| 1.2.3 基于神经网络方法的能谱处理技术现状 | 第16-19页 |
| 1.3 主要研究内容与创新 | 第19-21页 |
| 第2章 γ 能谱分析基础理论 | 第21-36页 |
| 2.1 天然放射性核素和衰变系 | 第21-25页 |
| 2.1.1 铀系 | 第21-23页 |
| 2.1.2 钍系 | 第23-24页 |
| 2.1.3 锕系 | 第24页 |
| 2.1.4 ~(40)K | 第24-25页 |
| 2.2 γ 射线与物质相互作用 | 第25-28页 |
| 2.2.1 光电效应 | 第25-26页 |
| 2.2.2 康普顿效应 | 第26-27页 |
| 2.2.3 形成电子对效应 | 第27-28页 |
| 2.3 γ 能谱仪的结构及工作原理 | 第28-29页 |
| 2.4 NaI(Tl)探测器的沉积谱特征 | 第29-32页 |
| 2.5 天然 γ 射线谱 | 第32-36页 |
| 第3章 单光子能谱蒙特卡罗模拟 | 第36-48页 |
| 3.1 MCNP程序简介 | 第36-37页 |
| 3.2 探测器几何模型 | 第37-48页 |
| 3.2.1 单光子能谱响应参数设置 | 第40-43页 |
| 3.2.2 单光子响应谱与误差分析 | 第43-48页 |
| 第4章 单能光子谱响应矩阵 | 第48-61页 |
| 4.1 全能峰信息提取 | 第48-50页 |
| 4.2 康普顿坪信息提取 | 第50-61页 |
| 4.2.1 康普顿边提取 | 第51页 |
| 4.2.2 康普顿边计数比信息提取 | 第51-53页 |
| 4.2.3 康普顿坪斜提取 | 第53-55页 |
| 4.2.4 逃逸峰提取 | 第55-56页 |
| 4.2.5 反散射峰和多次散射提取 | 第56-61页 |
| 第5章 伽马射线能谱响应的BP神经网络 | 第61-75页 |
| 5.1 BP神经网络 | 第61-62页 |
| 5.2 神经元重定义的BP神经网络学习算法[53,57] | 第62-67页 |
| 5.3 任意单能光子能谱响应的BP神经网络 | 第67-71页 |
| 5.4 射线强度响应的BP神经网络 | 第71-75页 |
| 第6章 平台建立及应用 | 第75-92页 |
| 6.1 操作平台界面设置 | 第75-76页 |
| 6.2 应用及分析 | 第76-92页 |
| 6.2.1 第一层应用：任意单能光子谱拟合 | 第77-78页 |
| 6.2.2 第二层应用：任意实测谱的分解 | 第78-82页 |
| 6.2.3 第二层应用的误差分析 | 第82-92页 |
| 结论 | 第92-94页 |
| 致谢 | 第94-95页 |
| 参考文献 | 第95-99页 |
| 博士期间取得的成果 | 第99-100页 |
| 附录MCNP5模拟 γ 谱程序 | 第100-101页 |