為此，本中心科研團隊針對多核素和低計數譜的情況提出了一種具有特征增強器和一維神經網絡的放射性核素識別方法。該方法中的訓練數據集來自于Geant4生成的模擬數據。該方法通過特征增強器對輸入的能譜數據進行預處理，并通過神經網絡提取非線性信息，即使在低計數的情況下，也能很好地處理實驗能譜。該方法在處理混合放射性核素光譜時，識別精度高、誤判少。受能接觸到的放射源的限制，實驗中研究的核素數據庫含8種核素，包括?7?種工業(yè)和醫(yī)學上常用的核素(133Ba、137Cs、57Co、241Am、22Na、99mTc、60Co)和?1?種用作特殊核材料的核素(235U)。通過識別混合核素如60Co 和其他核素混合的譜，即使低能區(qū)存在散射干擾，該方法仍能準確識別核素。?
該工作得到了國家自然科學基金的資助，相關成果發(fā)表在Applied Radiation and Isotopes上。??
論文鏈接：Chunmiao Li, Shuangquan Liu*, Chao Wang, Xiaopan Jiang, Xiaoli Sun, Mohan Li and Long Wei*. A new radionuclide identification method for low-count energy spectra with multiple radionuclides. Applied Radiation and Isotopes. 2022, 185:110219?
圖1. 多重核素識別的準確性?
圖2. 誤差情況下的組成分布。“Mo”是在所有錯誤案例中只丟失一種核素的病例的比例?！癊O”是發(fā)現一種額外核素的比例?！癊&M”是指在缺少適當的核素時發(fā)現的額外核素的比例。
“Others”指其他錯誤案例的比例，包括只缺少一個以上適當的適當核素或發(fā)現超過額外的核素的情況。
附件下載：
