| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 概述 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-12页 |
| 1.3 本论文研究目的及意义 | 第12页 |
| 1.4 本论文研究的主要内容 | 第12-15页 |
| 2 ~(252)Cf源驱动核材料裂变中子信号分析基本理论 | 第15-33页 |
| 2.1 NMIS工作原理 | 第15-19页 |
| 2.1.1 系统物理基础 | 第15-16页 |
| 2.1.2 系统测量模型 | 第16-17页 |
| 2.1.3 中子裂变信号沿时域分布情况 | 第17-18页 |
| 2.1.4 时-频分析技术 | 第18-19页 |
| 2.2 蒙特卡罗方法与MCNP5软件 | 第19-22页 |
| 2.2.1 蒙特卡罗方法解题思想 | 第19页 |
| 2.2.2 蒙特卡罗方法数学基础 | 第19-20页 |
| 2.2.3 蒙特卡罗方法模拟粒子输运 | 第20-21页 |
| 2.2.4 MCNP5软件 | 第21-22页 |
| 2.3 深度卷积神经网络理论基础 | 第22-32页 |
| 2.3.1 人工神经网络 | 第23-27页 |
| 2.3.2 深度卷积神经网络 | 第27-31页 |
| 2.3.3 深度卷积神经网络构建流程 | 第31-32页 |
| 2.3.4 深度卷积神经网络对核材料识别流程 | 第32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于深度学习的~(252)Cf源驱动核材料浓度识别技术研究 | 第33-49页 |
| 3.1 实验理论准备 | 第33-36页 |
| 3.1.1 DeepLearnToolbox概述 | 第33-34页 |
| 3.1.2 BP神经网络概述 | 第34-35页 |
| 3.1.3 K最邻近方法 | 第35-36页 |
| 3.2 裂变中子信号的模拟 | 第36-42页 |
| 3.2.1 测量模型 | 第36-37页 |
| 3.2.2 参数设定 | 第37-38页 |
| 3.2.3 裂变中子信号库的建立与数据分析 | 第38-42页 |
| 3.3 深度卷积神经网络的准备 | 第42-45页 |
| 3.3.1 数据预处理 | 第42-43页 |
| 3.3.2 深度卷积神经网络的构建 | 第43-45页 |
| 3.4 核材料浓度识别实验与结果分析 | 第45-47页 |
| 3.4.1 核材料浓度识别实验 | 第45-47页 |
| 3.4.2 实验结果分析 | 第47页 |
| 3.5 本章小结 | 第47-49页 |
| 4 基于深度学习的~(252)CF源驱动核材料存储形状及材质识别技术研究 | 第49-67页 |
| 4.1 caffe-master概述 | 第49-52页 |
| 4.2 裂变中子信号的模拟 | 第52-56页 |
| 4.2.1 测量模型 | 第52页 |
| 4.2.2 参数设定 | 第52-53页 |
| 4.2.3 裂变中子信号库的建立与数据分析 | 第53-56页 |
| 4.3 caffe-master中深度卷积神经网络的构建 | 第56-64页 |
| 4.3.1 Windows平台下caffe-master的配置 | 第56-60页 |
| 4.3.2 数据预处理 | 第60-62页 |
| 4.3.3 深度卷积神经网络的构建 | 第62-64页 |
| 4.4 核材料形状及材料识别实验与结果分析 | 第64-66页 |
| 4.4.1 核材料形状及材料识别实验 | 第64-65页 |
| 4.4.2 识别结果及分析 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 5 总结与展望 | 第67-69页 |
| 5.1 论文总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 附录 | 第75页 |
| A.作者在攻读硕士学位期间发表的论文目录 | 第75页 |
| B.作者在攻读硕士学位期间参与的科研项目 | 第75页 |
