轻量级神经网络模型在核脉冲参数预测中的应用研究

在核辐射测量中,由于测量系统本身以及测量环境的干扰,脉冲畸变不可避免。如果无法准确估计这类脉冲的参数,将会降低能谱的分辨性能。本文提出将6种轻量级神经网络模型用于畸变脉冲的参数预测的方法,预测对象包括脉冲幅度参数和畸变时间参数。以预定义的数学模型生成的畸变脉冲为基础数据集,经数字三角成形得到模型训练所需的数据集。模型性能评估结果表明:传统的数字成形法虽然在时间参数预测上具有绝对优势,但在幅度参数预测中却受到脉冲畸变的限制,无法获得准确的幅度预测结果。在对包括UNet在内的6种神经网络模型进行参数预测性能评估时,UNet模型在测试集上获得了最低的相对误差,其中幅度参数的相对误差约为0.57%,时间参数的相对误差为3.51%。在信噪比实验中,探讨噪声对具有出色的抗噪性能参数预测性能的UNet模型与CNN-LSTM模型的影响,进一步证明了UNet模型优秀的抗噪性能。