人工神经网络最早在1943年由McCullo和PittS提出，在20世纪80年代进入了一个发展高潮，至今已开发出Hopfield网络、误差反向传播（BP）网络、对向传播网络（CPN）、Kohonen网络、径向基函数（RBF）网络、自组织映射（SOM）模型、双向联想忆器（BAM）、最优线性联想记忆（OLAM）网络、回归（Elman）网络等30多种典型的模型。由于人工神经网络计算的特征是可行性、自组织、自适应、非线性和容错性，它已经是人工智能领域的前沿技术[3] 。人工神经网络的算法过程就是模拟人的思维过程，起源于脑神经元学说，它通过网络模型自身的学习，获取信息中隐含的知识，可以建立起各种非线性映射的数学模型，如王季红、于国梁、史东生等人 [4-6]采用小波分析及BP（Back Propagation）神经网络进行核素识别。神经网络是由许多基本的元件（神经元、模拟电子器件等）大规模地相互连接而形成的一种复杂网络，是一类非线性动力学系统。用神经网络进行模式识别与信息处理工作，具有除开普通的非线性动力学系统所相同的特性外其自有的特点：因为采用不同其他的分布式的存贮方式，所以具有良好的容错和抗噪能力；一个模式，不是存放在一不变的地方，而是在整个网络都有分布，因而即使丢失某一部分也不会对整体造成较大影响[7]。文献综述

神经网络算法具有较好的耐故障处理能力、较快处理速度和大规模并行处理等能力,因此，它在建模、时间序列分析、模式识别、信号处理以及控制等方面得到了广泛的应用[8]。从20世纪80年代到现在，国内外已有很多科研工作者在核素识别工程中使用人工神经网络算法。本课题就是应用神经网络算法，测试其在核素识别过程中的使用情况，对神经网络算法有一个初步的了解。主要用到的算法是BP网络算法和OLAM网络算法两种。BP网络算法是采用误差逆向传播学习算法的多层前馈神经网络，能够完成从输入信号到输出模式的非线性映射，应用非常广泛。OLAM网络算法是采用最优线性联想记忆网络，在系统给定一组刺激信号的情况下，联系出与之相应的信号输出。两种算法各有特点，在应用时应结合实际情况再决定使用哪种算法。

1.2 核素识别的现状

核素的识别也经历了一个发展过程，本文所涉及的核素都是放射性核素，而放射性核素的识别也就是对放射性核素的gamma谱解析，分析谱线能量和相对强度，确定谱线所含的核素种类和含量。在没有广泛应用计算机之前，复杂的数学计算没有办法进行。NaI探测器能量分辨率低，测量混合谱时重叠严重，只能使用简单的峰面积法进行计算测量结果误差较大。随着高分辨率探测器的实现，峰面积法有了新的发展，出现了复合函数拟合的峰面积法。而计算机的广泛应用和性能的不断开发也提高了谱解析的速度和准确性。核素识别过程也就是gamma谱解析过程出现了新的局面。

放射性核素一般分为四类：核材料、医用放射性核素、工业放射性核素和天然放射性物质。根据IEC62327的相关规定，对放射性单核素识别的仪器的要求为（剂量率均为0.5μSv/h）：无屏蔽条件下，一分钟内对单能核素241Am进行识别；3mm钢屏蔽下，三分钟内对单能核素133Ba进行识别；5mm钢屏蔽下，三分钟内对单能核素239Pu、40K、137Cs、60Co进行识别。因此，本文在用探测器进行采谱工作的同时进行了屏蔽实验，以保证实验器材的准确性。

1.3 本课题的目的及意义

本课题基于γ谱测量的实验，探讨在核素识别中人工神经网络算法的应用问题。利用人工神经网络算法处理γ能谱主要包括以下两个方面：首先是定性核素识别，即利用人工神经网络，根据寻峰得到的峰位信息或实测全谱得来的谱信息来识别出核素种类，这一部分的特点是简单并且快速。若判断这种材料为特殊核材料，再经重点测量后做进一步的精确的定量分析。第二个方面是定量核素分析。首先选取测量谱中感兴趣的能量谱段或者是全部谱信息，利用人工神经网络分析出其中各种放射性核素的活度。本课题不同于传统核素识别的方法，使用人工神经网络算法，测试神经网络算法在核素识别这一过程中应用如何，是否能够快速并且较为准确的完成γ谱解析。同时还将神经网络算法应用于定量分析核素研究中。若神经网络算法能快速准确的完成γ谱解析，那么它将大大简化人员操作，为以后的精密高科技仪器研制打下基础。同时，它可以在没有专业人员的参与下完成，降低了对实验人员的要求。来!自~优尔论-文|网www.youerw.com