嵌入位置编码的多头注意力机制在堆积脉冲幅度估计中的应用

传统脉冲成形方法对堆积脉冲幅度计算存在的误差将会导致X射线荧光光谱失真,因此,在高堆积率背景下测量得到的光谱很难对光谱进行准确分析。本文提出一种基于深度学习的Transformer模型,该模型采用编码器-解码器结构,通过嵌入位置编码的多头注意力来估计堆积脉冲的幅度,并将其应用于高性能硅漂移探测器的辐射测量,以及X射线荧光光谱学分析。为了训练该模型,通过预定义的数学模型模拟得到探测器输出的脉冲信号,为了模拟真实的核脉冲,在信号中加入了与热噪声和散粒噪声相对应的高斯噪声。训练后的模型通过截取粉末铁矿样品和粉末岩石样品的实测脉冲序列进行验证,使用相对误差作为模型性能评估指标,对应于脉冲幅度估计的准确度。在粉末铁矿样品和粉末岩石样品的实验测量8组离线脉冲序列中,得到的平均相对误差为0.89%。结果表明:该模型能够实现堆积脉冲幅度的准确估计。

基于深度学习的LSTM模型在X荧光光谱中的应用

在X荧光光谱分析中,为了解决传统谱分析方法中存在的特征峰计数率损失以及影子峰的问题,本文拟采用一种基于深度学习的长短期记忆(Long and Short Term Memory,LSTM)神经网络模型,该模型对核脉冲幅度时间序列具有较好的适用性,通过对样本的学习能够对核脉冲信号的幅度进行准确估计。鉴于核脉冲信号样本较大,模型训练效率低,特引入卷积神经网络(Convolutional Neural Network,CNN),利用其特有的卷积核结构逐层提取样本特征,能够有效减少样本数量,降低模型训练复杂度。使用粉末铁矿样品测量得到的一系列离线核脉冲序列产生模型训练所需的数据集,该数据集的64000个条目中,44800个用作训练集,12800个用作验证集,余下6400个用作测试集。实验结果表明:训练好的CNN-LSTM模型能够极大地节省训练时间,克服传统方法局部收敛的缺陷,也能够对不同程度畸变的输入脉冲进行准确的参数估计,在训练集和验证集上得到的准确率都高于99%。进一步分析计数修复结果,得到三个影子峰校正比例的平均值为91.52%,表明训练的CNN-LSTM模型对畸变脉冲产生的计数损失的校正比例约为91.52%。该模型能够有效校正因畸变脉冲幅度损失造成的影子峰,改善X射线荧光光谱中特征峰计数率精度,在X射线荧光光谱领域具有较高的应用价值。

空间插值法在土壤养分测定中的比较研究

土壤养分是维持植物生长的重要参数,空间插值是一种可以从离散的地面真实数据中得到空间分布趋势的方法。通过收集宿州市埇桥区麦田土壤养分178份样品数据,以缓效钾(SAK)作为插补因子,采用反距离加权法(IDW)、普通克里金法(OK)、样条函数法(Spline)和趋势插值法四种方法对其有效性和准确性进行比较评价。OK方法有球面模型、指数模型和高斯模型三种模型,采用平均误差(ME)和均方根误差(RMSE)对插补精度进行交叉验证。结果表明,OK方法优于其他方法。与球面函数和高斯函数相比,指数模型的性能最好,ME和RMSE分别为175.8073和-1.1261。