基于KAN和MNv4的中子/伽马甄别方法

• Published in: Hé jìshu Vol. 48
• Main Authors: 王 雨龙, 翁 秀峰, 刘 霄, 陈 翔, 盛 亮, 刘 彤
• Format: Journal Article
• Language: Chinese
• Published: Science Press 01.06.2025
• Subjects: 中子/伽马甄别; 深度学习; 脉冲形状甄别; 鲁棒性
• ISSN: 0253-3219
• DOI: 10.11889/j.0253-3219.2025.hjs.48.240349

实现对空间中子/伽马（n/γ）的精准甄别有利于空间辐射场的研究。传统的甄别方法受数据噪声影响较大，难以实现在星载探测器这样高噪声水平条件下进行n/γ甄别。为实现在不同噪声水平下n/γ的有效甄别，本研究提出了使用小波散射网络（Scattering Convolution Networks，SCN）结合MobileNetV4（MNv4）和Kolmogorov–Arnold Networks（KAN）模型的n/γ甄别的算法。研究选用Ø50 mm×50 mm的NaI（Tl）：6Li晶体与H6410光电倍增管对中国原子能科学研究院国防科技工业电离辐射一级计量站的2 500 keV与5 000 keV的中子束流进行数据采集，将2 500 keV按信号触发电平分为测试集2与训练集，5 000 keV作为测试集1。将数据集通过电荷比较法进行分类以后，使用小波散射网络进行去噪降维处理，使1 800个样本点降低为113个，然后通过MNv4或KAN模型进行粒子甄别。然后通过外加10%~50%噪声水平大小的噪声模拟不同噪声下的信号以研究算法抗噪性，最后将下降沿触发为-4 mV、-8 mV、-12 mV的不同信噪比信号进行甄别，验证算法的鲁棒性。实验表明，MNv4与KAN在两个测试集识别准确率为99.7%与98.6%，相较于比较法能够将品质因子（Figure of Merit，FOM）从1.82提高到4.07与4.40。实验表明，在15%噪声水平内，MNv4和KAN对2 500 keV与5 000 keV能量的中子的甄别准确率为99.7%，在40%噪声水平时有着大于99%的甄别准确率，在信噪比（Signal-to-Noise Ratio，SNR）为9.13 dB时具有99%以上甄别准确率。结合小波散射网络与MNv4或KAN的深度学习算法具有降维与抗噪的能力，相较于电荷比较法，能够提高甄别的品质因子，同时还能实现高噪声水平下的中子/伽马甄别，具有良好的鲁棒性。