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

• Published in: 核技术 Vol. 46; no. 9; pp. 85 - 93
• Main Authors: 唐琳, 周爽, 李勇, 廖先莉, 李跃鹏
• Format: Journal Article
• Language: Chinese
• Published: 成都大学 电子信息与电气工程学院 成都 610106 01.09.2023; 安徽大学农业生态大数据分析与应用国家工程研究中心 合肥 230039; 南洋理工大学 电气与电子工程学院 新加坡 639798%成都大学 电子信息与电气工程学院 成都 610106%成都理工大学 核技术与自动化工程学院 成都 610059
• Subjects: Deep learning; Transformer model; Positional encoding; 位置编码; 深度学习; Stacking pulses; Transformer模型; 堆积脉冲
• ISSN: 0253-3219
• DOI: 10.11889/j.0253-3219.2023.hjs.46.090505

O657.34; 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.