基于KPCA-MPA-ELM的n/γ甄别方法研究

• Published in: 核技术 Vol. 47; no. 4; pp. 73 - 82
• Main Authors: 胡万平, 张贵宇, 张云龙, 庹先国, 李户林
• Format: Journal Article
• Language: Chinese
• Published: 四川轻化工大学 人工智能四川省重点实验室 宜宾 644000 01.04.2024; 四川轻化工大学 自动化与信息工程学院 宜宾 644000%四川轻化工大学 自动化与信息工程学院 宜宾 644000; 西南科技大学 信息工程学院 绵阳 621010%四川轻化工大学 自动化与信息工程学院 宜宾 644000; 四川轻化工大学 人工智能四川省重点实验室 宜宾 644000%成都惠利特自动化科技有限公司 成都 610000
• Subjects: 极限学习机; 机器学习; n/γ discrimination; Extreme learning machine; Kernel principal component analysis; n/γ甄别; 海洋捕食者算法; Machine learning; Marine predator algorithm; 核主成分分析
• ISSN: 0253-3219
• DOI: 10.11889/j.0253-3219.2024.hjs.47.040403

TL812; 中子/伽马(n/γ)甄别在γ射线辐射存在的中子探测中至关重要.为了解决传统n/γ脉冲形状甄别方法存在的甄别精度不稳定的问题,提出了一种结合核主成分分析(Kernel Principal Component Analysis,KPCA)、海洋捕食者算法(Marine Predator Algorithm,MPA)和极限学习机(Extreme Learning Machine,ELM)的机器学习鉴别方法,以提升n/γ甄别效率.KPCA用于对中子和γ射线的脉冲信号特征进行降维;考虑到ELM输入层权重和隐藏层偏置的随机性,将MPA用于优化ELM的输入层权重和隐藏层偏置,提高ELM的n/γ甄别效率.通过对未降维和KPCA降维的数据进行训练和测试,实验结果表明:在测试集中KPCA-MPA-ELM的平均甄别准确率高达99.07%,分别高出ELM、MPA-ELM、KPCA-ELM模型12.19%、2.52%、1.56%;相较于电荷比较法和脉冲梯度分析法,精度也分别提高了1.80%和5.91%.该模型结构简单,稳定性好,能够处理高维数据,具有较好的甄别效果和泛化能力.