基于GA-BP神经网络的辐射场三维重建方法

本发明涉及辐射场检测领域，尤其是一种基于ga-bp神经网络的辐射场三维重建方法。

背景技术：

1、由于三维辐射场是反映核设施内真实外照射分布的重要数据库，准确、快速地掌握辐射剂量场分布对实施辐射防护具有重要意义，辐射场重建成为了研究热点。

2、当前，辐射场重建研究多采用插值法，常用插值法有线性插值法、反距离权重插值法、有限元法、克里金插值法等，然而传统方法也受到许多限制，如需要的采样点不宜过少、插值时间长，且主要针对二维平面重建。尽管有学者提出用基于改进的cahn-hilliard方程率先实现了三维辐射场反演，但重建速度不够快。

3、因此，如何准确、高效地实现三维辐射场重建是目前核辐射防护领域中的迫切需求，相关技术瓶颈有待突破。辐射场三维重建的实质是找到源项影响因素与源项释放率之间的非线性关系。神经网络作为人工智能研究的一种方法，通过构建多隐层学习模型，对海量训练数据进行特征学习，具有很强的非线性映射能力，从而最终提升计算准确性，因此在较难确定函数关系的拟合领域表现良好。且已有学者将bp神经网络应用在辐射场二维重建中，取得了良好效果。但bp神经网络的权值与阈值的初始选取有很大的随机性，会导致系统陷入局部最优解，预测精度差，不稳定性等问题。

技术实现思路

1、本发明所要解决的技术问题是提供一种能够准确、高效实现三维辐射场重建，同时能够实现多种实验环境下的三维辐射场的重建的基于ga-bp神经网络的辐射场三维重建方法。

2、本发明解决其技术问题所采用的技术方案是：基于ga-bp神经网络的辐射场三维重建方法，包括以下步骤：

3、s1、基于geant4模拟软件对放射源进行模拟实验，获取三维辐射场模拟数据；同时进行真实实验，获取实测数据；将通过geant4模拟软件进行模拟实验生成的数据与真实实验生成的数据建立数据库；

4、s2、构建bp神经网络模型；基于ga算法优化bp神经网络模型，获得初始ga-bp模型；

5、s3、选取数据库中的训练样本对初始ga-bp模型训练，得到优化后的ga-bp模型；选取数据库的其余未训练数据，输入优化后的ga-bp模型，完成对三维辐射场的重建。

6、进一步的，在步骤s2中获得初始ga-bp模型的方法包括以下步骤：

7、s21、初始bp神经网络，确定bp神经网络的输入层节点数、隐含层层数、隐藏层节点数和输出层节点数；

8、s22、初始权值和阈值，将输入的数据进行预处理获得初始值，通过ga算法对所述初始值编码，建立适应度函数优化bp神经网络的权值和阈值；

9、s23、将选择群体之中的最高适应度的个体进行交叉操作，获取若干新个体；

10、s24、对若干所述新个体进行变异操作，获取新种群；

11、s25、对所述新种群进行更新，并进行适应度计算，采用适应度高的个体替换适应度低的个体，形成新的种群，计算适应度函数的方法为：

12、；

13、其中，ffit表示适应度函数，n表示训练集样本数，dj表示训练样本网络的期望输出，oj表示训练样本网络的实际输出；

14、s21、重复步骤s22至步骤s25，直到所述适应度大于预设阈值或者迭代次数到达预设次数停止迭代，获得最优权值和阈值，得到优化后的bp网络模型。

15、具体的，在步骤s2中，构建bp神经网络模型，所述bp神经网络模型包括输入层、隐藏层以及输出层；所述输入层节点数为3，输出层为辐射剂量值，所述输出层节点数为1；对输入层与输出层变量进行归一化处理，建立影响变量与目标变量的映射关系。

16、具体的，在步骤s2中；所述bp神经网络模型中的隐藏层设置为4层，每层各40个节点；且激活函数为relu函数；所述relu函数其表达式如下：

17、；

18、其中，为隐藏层输出量，为隐藏层输入量。

19、具体的，步骤s2中，所述bp神经网络模型中的输出层选择sigmoid函数，其表达式如下：

20、；

21、其中，为输出层输出量，为自然常数，为最后一层隐藏层输出量。

22、具体的，在步骤s3中选取数据库中训练集的采样率为6%。

23、本发明的有益效果是：本发明所述的基于ga-bp神经网络的辐射场三维重建方法，使在低采样率的情况下，也能在多种实验环境条件下精确重建三维辐射场；具有显著的重建速度优势，能够在极短的时间内（0.01秒内）完成近500个点的重建；本发明所述的基于ga-bp神经网络的辐射场三维重建方法，能够实现三维空间中任意位置辐射剂量率的高效重建，而且能够显著提高重建的准确度和速度，为核设施空间放射性分布的准确掌握提供了强有力的技术支持。

技术特征：

1.基于ga-bp神经网络的辐射场三维重建方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于ga-bp神经网络的辐射场三维重建方法，其特征在于：在步骤s2中获得初始ga-bp模型的方法包括以下步骤：

3.如权利要求1所述的基于ga-bp神经网络的辐射场三维重建方法，其特征在于：在步骤s2中，构建bp神经网络模型，所述bp神经网络模型包括输入层、隐藏层以及输出层；所述输入层节点数为3，输出层为辐射剂量值，所述输出层节点数为1；对输入层与输出层变量进行归一化处理，建立影响变量与目标变量的映射关系。

4.如权利要求3所述的基于ga-bp神经网络的辐射场三维重建方法，其特征在于：在步骤s2中；所述bp神经网络模型中的隐藏层设置为4层，每层各40个节点；且激活函数为relu函数；所述relu函数其表达式如下：

5.如权利要求1所述的基于ga-bp神经网络的辐射场三维重建方法，其特征在于：步骤s2中，所述bp神经网络模型中的输出层选择sigmoid函数，其表达式如下：

6.如权利要求1所述的基于ga-bp神经网络的辐射场三维重建方法，其特征在于：在步骤s3中选取数据库中训练集的采样率为6%。

技术总结本发明涉及辐射场检测领域，本发明公开了一种基于GA‑BP神经网络的辐射场三维重建方法。该基于GA‑BP神经网络的辐射场三维重建方法包括步骤：S1、基于Geant4模拟软件对放射源进行模拟实验，获取三维辐射场模拟数据；同时进行真实实验，获取实测数据；S2、构建BP神经网络模型；基于GA算法优化BP神经网络模型，获得初始GA‑BP模型；S3、选取数据库中的训练样本对初始GA‑BP模型训练，得到优化后的GA‑BP模型；选取数据库的其余未训练数据，输入优化后的GA‑BP模型，完成对三维辐射场的重建。采用该基于GA‑BP神经网络的辐射场三维重建方法能够显著提高重建的准确度和速度，为核设施空间放射性分布的准确掌握提供了强有力的技术支持。技术研发人员：石睿,张倩,苟睿,吴亚东,庹先国受保护的技术使用者：四川轻化工大学技术研发日：技术公布日：2025/1/13