基于物理增强模块的伽马光谱放射性核素小样本识别研究
《Applied Sciences》:Physics-Enhanced Module for Small-Sample Radionuclide Identification
【字体:
大
中
小
】
时间:2026年10月02日
来源:Applied Sciences 2.5
摘要
准确的放射性核素识别对于核安全和环境辐射监测至关重要。为了结合峰值形态特征的指导作用以及数据驱动模型的非线性拟合能力,本文提出了一种物理增强模块(PEM)。该模块采用高斯拉普拉斯(LoG)算子来分解输入的伽马光谱,并生成表示峰值响应的辅助特征,这些特征与原始光谱连接在一起,作为额外的通道将峰值位置信息注入神经网络。在包含16种放射性核素的多标签核素识别数据集上进行了小样本比较实验,其中PEM-ResNet和PEM-DenseNet与普通的ResNet和DenseNet基线模型进行了对比。实验结果表明,所有经过物理增强的网络在所有评估指标上均优于相应的基线模型。在两种主流卷积架构上观察到的一致性能提升验证了PEM有效缓解了由于训练样本有限而导致的性能下降。进一步分析表明,PEM为模型提供了清晰可识别的峰值响应特征,有助于执行区分任务。这一集成框架结合了数据驱动学习的拟合优势和固定预处理模块的正则化优点,从而显著提高了核能应用中核素识别的可靠性和鲁棒性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号