Исследование возможности использования искусственной нейронной сети для распознавания и оценки вклада отдельных радионуклидов в суммарный бета-спектр
Аннотация
Целью работы является исследование возможности применения искусственной нейронной сети для идентификации и количественной оценки содержания отдельных радионуклидов в суммарном бета-спектре. Нейронная сеть реализована средствами Matlab R2020b. Для исследования использована однослойная нейронная сеть прямого распространения с одним невидимым слоем из 10 нейронов и 3 выходами (по числу радионуклидов). Для тестирования и изучения возможностей искусственной нейронной сети были выбраны 3 гладких модельных спектра — 40K, 137Cs и 90Sr, полученные на жидкостном спектрометре Quantulus 1220. Результаты исследования показали, что нейронные сети являются эффективным методом распознавания вклада отдельного радионуклида или установления его наличия в суммарном бета-спектре. Точность оценки вклада зависит от гладкости спектра и не превышает 30%, для вкладов более 10%, что вполне пригодно для практического использования. Для «зашумленных» спектров метод может использоваться для предварительной оценки вкладов отдельных радионуклидов в суммарный спектр, окончательное значение которых может быть рассчитано методами минимизации при подгонке формы измеренного и распознаваемого спектра.
Об авторе
В. С. Репин
Санкт-Петербургский научно-исследовательский институт радиационной гигиены имени профессора П.В. Рамзаева, Федеральная служба по надзору в сфере защиты прав потребителей и благополучия человека
Россия
Россия
Репин Виктор Степанович - доктор биологических наук, руководитель отдела здоровья.
197101, Санкт-Петербург, ул. Мира, д. 8; E-mail: v.repin@mail.ru
Список литературы
1. Официальный сайт лаборатории спектрометрии и радиометрии (ЛСРМ). URL: http://www.lsrm.ru/products/detail.php?ELEMENT_CODE=spectraline_1.6/ (Дата обращения 20.10.2020).
2. Официальный сайт ООО «Научно-Технический Центр «РАДЭК». URL: https://www.radek.ru/product/Programmnoe-obespechenie/95/ (Дата обращения 20.10.2020).
3. Официальный сайт ООО «Спектр». URL: http://spectrrad.ru/ (Дата обращения 20.10.2020).
4. Официальный сайт ООО «НТЦ Амплитуда». URL: http://amplituda.ru/catalog/radiatsionnyy-kontrol/programmnoe-obespechenie/ (Дата обращения 20.10.2020).
5. Официальный сайт компании «TALS OY». URL: https://www.tals.eu/spectradec (Дата обращения 20.10.2020).
6. Ермаков А. И., Каширин И. А., Малиновский С. В., Соболев А. И., Тихомиров В. А. Жидкосцинтилляционная в—а-спектрометрия // Атомная энергия. 2002. Том 92, вып. 1. С. 68—75.
7. Kashirin I.A., Ermakov A.I., Malinovsky S.V., et al. Liquid scintillation determination of low level components in complex mixtures of radlonuclides // Appl. Rad. Isot. 2000. Vol. 53. P. 303-308.
8. Belanov S.V., Kashirin I.A., Malinovsky S.V., et al. Method for identifying radlonuclides in probes using a liquid scintillation sensor. PCT № 94/30185.
9. Беланов СБ., Каширин И.А., Малиновский С.В., и др. Способ идентификации радионуклидов с помощью жидкосцинтилляционного счетчика. Пат. № 2120646 (приоритет от 08.12.97).
10. Методика измерения активности радионуклидов с использованием сцинтилляционного гамма-спектрометра с программным обеспечением «Прогресс». Москва, 2016.
11. Ососков Г.А., Полянский А., Пузынин И.В. Современные методы обработки экспериментальных данных в физике высоких энергий // Физика элементарных частиц и атомного ядра. 2002. Т. 33, вып. 3. С. 676-745.
12. Вакуленко С.А., Жихарева А.А. Практический курс по нейронным сетям. СПб: Университет ИТМО, 2018. 71 с.
13. Галушкин А.И. Теория нейронных сетей. М.: ИПРЖР, 2000. 241 с.
14. Галушкин А.И., Цыпкин Я.З. Нейронные сети: история развития. М.: ИПРЖР, 2002. 735 с.
15. Гаскаров Д.В. Интеллектуальные информационные системы. Учебное пособие для вузов. М.: Высшая школа, 2003. 413 с.
16. Головко В.А. Нейронные сети: обучение, организация и применение. М.: ИПРЖР, 2001. 256 с.
17. Девятков В.В. Системы искусственного интеллекта. М.: Издательство МГТУ им. Баумана, 2001. 352 с.
18. Джексон П. Экспертные системы. М.: Издательский дом «Вильямс», 2001. 624 с.
19. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. М.: МГТУ Баумана, 2004. 400 с.
20. Кисель И.В., Нескоромный В.Н., Ососков Г.А. Применение нейронных сетей в экспериментальной физике // ЭЧАЯ. 1993. Т. 24, вып. 6. С. 1551-1595.
21. Ососков Г.А. Пальчик В.В., Потребенников Ю.К., и др. Использование нейронных сетей для улучшения интерпретации эксперимента EXCHARM // Матем. моделир. 1999. Т. 11, вып. 10. С. 116-126.
22. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия Телеком, 2002. 94 с.
23. Кириченко А.А. Нейропакеты - современный интеллектуальный инструмент исследователя // Сетевое электронное издание учебного пособия, 2013. 297 с.
24. Брилюк Д.В., Старовойтов В.В. Распознавание человека по изображению лица нейросетевыми методами. Препринт. Ин-т техн. Кибернетики НАН Беларуси; No 2. Минск, 2002. 54 с.
25. Masters T. Practical Neural Network Recipies in C++. Morgan Kaufmann, 1993. 493 p.
26. Baiev O., Lazurik V. Advantages of neural networks for deriving an electrons spectrum from depth-charge curve. «IEEE Nuclear Science Symposium and Medical Imaging Conference», Conference Publications, Valencia, Spain. 2011. P. 1395-1397.
27. Baiev O., Lazurik V., Didenko I. Use of Neural Networks for Monitoring Beam Spectrum of Industrial Electron Accelerators. International Conference on Information and Communication Technologies in Education, Research, and Industrial Applications (ICTERI), 2013.
28. Малиновский С.В., Каширин И.А., Тихомиров В.А. Создание объединённой библиотеки спектров жсс tricarb. Сборник материалов XVI ежегодного семинара «Спектрометрический анализ. Аппаратура и обработка данных на ПЭВМ», Обнинск, ГЦИПК, 2010. С. 23-35.
29. Николаева С.Г. Нейронные сети. Реализация в Matlab: учебное пособие. Казань: Казан. гос. энерг. ун-т, 2015. 92 с.
30. Дьяконов В.В. Matlab 6: Учебный курс. СПб.: Питер, 2002. 672 с.
31. Бураков М.В. Нейронные сети и нейроконтроллеры: учеб. пособие. СПб.: ГУАП, 2013. 284 с.
32. Ковалев С.М., Хатламаджиян А.Е. Моделирование искусственных нейронных сетей в среде MATLAB: Учебнометодическое пособие к лабораторным работам. Рост. гос. ун-т путей сообщения. Ростов н/Д, 2008. 35 с.
33. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. М: Диалог-МИФИ, 2002. 496 c.
34. Николаев С.В., Баженов Р.И. Распознавание образов с помощью нейронных сетей в среде MatlabR2009b. 2015. No. 13 (13-2015). URL: http://nauka-rastudent.ru/13/2355/ (Дата обращения 20.10.2020).
Для цитирования:
Репин В.С. Исследование возможности использования искусственной нейронной сети для распознавания и оценки вклада отдельных радионуклидов в суммарный бета-спектр. Радиационная гигиена. 2020;13(4):74-81. https://doi.org/10.21514/1998-426X-2020-13-4-74-81
For citation:
Repin V.S. Study of the possibility of using an artificial neural network to recognize and assess the contribution of individual radionuclides to the total beta spectrum. Radiatsionnaya Gygiena = Radiation Hygiene. 2020;13(4):74-81. (In Russ.) https://doi.org/10.21514/1998-426X-2020-13-4-74-81
Просмотров: 172
Послать статью по эл. почте 