基于人工神经网络的核材料γ能谱指纹识别
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 引言 | 第9-12页 |
| ·放射性核素能谱“指纹” | 第9页 |
| ·γ能谱指纹识别的历史背景及意义 | 第9-12页 |
| 第2章 γ射线的产生及探测原理 | 第12-17页 |
| ·γ射线的产生及其性质 | 第12页 |
| ·γ射线与物质的相互作用 | 第12-13页 |
| ·光电效应 | 第12页 |
| ·康普顿效应 | 第12-13页 |
| ·电子对效应 | 第13页 |
| ·γ能谱仪简介 | 第13-17页 |
| ·工作原理 | 第14-15页 |
| ·γ能谱形成机制 | 第15-17页 |
| 第三章 γ能谱指纹识别方法 | 第17-22页 |
| ·γ能谱特征γ射线全能峰分析 | 第17-19页 |
| ·γ能谱定性分析 | 第17页 |
| ·γ能谱定量分析 | 第17-19页 |
| ·基于蒙特卡罗模拟技术的γ能谱分析 | 第19-20页 |
| ·基于模板测量技术的γ能谱指纹识别 | 第20-22页 |
| 第四章 神经网络γ能谱指纹识别 | 第22-47页 |
| ·神经网络的发展及其特点 | 第22-23页 |
| ·常用神经网络介绍 | 第23-24页 |
| ·神经网络γ射线能谱指纹的识别机理 | 第24页 |
| ·RBF 和BP 神经网络工作原理介绍 | 第24-28页 |
| ·RBF 神经网络 | 第24-27页 |
| ·BP 神经网络 | 第27-28页 |
| ·γ能谱预处理 | 第28-30页 |
| ·原始数据的平滑处理 | 第28-29页 |
| ·峰位漂移校正 | 第29-30页 |
| ·扣除本底 | 第30页 |
| ·谱数据特征提取 | 第30-32页 |
| ·小波变换简介 | 第30-31页 |
| ·利用小波变换特征提取 | 第31-32页 |
| ·基于 RBF 神经网络的核材料γ能谱指纹识别 | 第32-43页 |
| ·类型识别 | 第32-35页 |
| ·识别原理 | 第32页 |
| ·识别结果及其分析 | 第32-35页 |
| ·个体识别 | 第35-43页 |
| ·个体识别结果及其分析 | 第35-37页 |
| ·系统统计涨落对识别结果的影响 | 第37-40页 |
| ·探测距离对识别结果的影响 | 第40-43页 |
| ·封装材料厚度不同的个体识别 | 第43页 |
| ·基于 BP 神经网络的核材料γ能谱指纹识别 | 第43-46页 |
| ·识别原理 | 第44页 |
| ·识别结果及其分析 | 第44-46页 |
| ·BP 和RBF 神经网络识别结果比较 | 第46-47页 |
| 第五章 结束语 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 致谢 | 第50页 |
