Выявление источников радиоактивного излучения при помощи метода независимых компонент

Предлагаемый в работе метод позволяет повысить точность локализации и идентификации источника излучения. При наличии системы датчиков расположенных на различных расстояниях от источника излучения, либо под различными углами к источнику становится возможным произвести выделение скрытого источника...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2009
Автори:	Забулонов, Ю.Л., Лисиченко, Г.В., Коростиль, Ю.М., Ревунова, Е.Г.
Формат:	Стаття
Мова:	Russian
Опубліковано:	Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України 2009
Назва видання:	Моделювання та інформаційні технології
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/29629
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Выявление источников радиоактивного излучения при помощи метода независимых компонент / Ю.Л. Забулонов, Г.В. Лисиченко, Ю.М. Коростіль, Е.Г. Ревунова // Моделювання та інформаційні технології: Зб. наук. пр. — К.: ІПМЕ ім. Г.Є. Пухова НАН України, 2009. — Вип. 52. — Бібліогр.: 7 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-29629
record_format	dspace
spelling	irk-123456789-296292011-12-25T12:15:32Z Выявление источников радиоактивного излучения при помощи метода независимых компонент Забулонов, Ю.Л. Лисиченко, Г.В. Коростиль, Ю.М. Ревунова, Е.Г. Предлагаемый в работе метод позволяет повысить точность локализации и идентификации источника излучения. При наличии системы датчиков расположенных на различных расстояниях от источника излучения, либо под различными углами к источнику становится возможным произвести выделение скрытого источника при помощи анализа независимых компонент (independent component analysis, ICA) 2009 Article Выявление источников радиоактивного излучения при помощи метода независимых компонент / Ю.Л. Забулонов, Г.В. Лисиченко, Ю.М. Коростіль, Е.Г. Ревунова // Моделювання та інформаційні технології: Зб. наук. пр. — К.: ІПМЕ ім. Г.Є. Пухова НАН України, 2009. — Вип. 52. — Бібліогр.: 7 назв. — рос. XXXX-0068 http://dspace.nbuv.gov.ua/handle/123456789/29629 621.396+681.511 ru Моделювання та інформаційні технології Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
description	Предлагаемый в работе метод позволяет повысить точность локализации и идентификации источника излучения. При наличии системы датчиков расположенных на различных расстояниях от источника излучения, либо под различными углами к источнику становится возможным произвести выделение скрытого источника при помощи анализа независимых компонент (independent component analysis, ICA)
format	Article
author	Забулонов, Ю.Л. Лисиченко, Г.В. Коростиль, Ю.М. Ревунова, Е.Г.
spellingShingle	Забулонов, Ю.Л. Лисиченко, Г.В. Коростиль, Ю.М. Ревунова, Е.Г. Выявление источников радиоактивного излучения при помощи метода независимых компонент Моделювання та інформаційні технології
author_facet	Забулонов, Ю.Л. Лисиченко, Г.В. Коростиль, Ю.М. Ревунова, Е.Г.
author_sort	Забулонов, Ю.Л.
title	Выявление источников радиоактивного излучения при помощи метода независимых компонент
title_short	Выявление источников радиоактивного излучения при помощи метода независимых компонент
title_full	Выявление источников радиоактивного излучения при помощи метода независимых компонент
title_fullStr	Выявление источников радиоактивного излучения при помощи метода независимых компонент
title_full_unstemmed	Выявление источников радиоактивного излучения при помощи метода независимых компонент
title_sort	выявление источников радиоактивного излучения при помощи метода независимых компонент
publisher	Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України
publishDate	2009
url	http://dspace.nbuv.gov.ua/handle/123456789/29629
citation_txt	Выявление источников радиоактивного излучения при помощи метода независимых компонент / Ю.Л. Забулонов, Г.В. Лисиченко, Ю.М. Коростіль, Е.Г. Ревунова // Моделювання та інформаційні технології: Зб. наук. пр. — К.: ІПМЕ ім. Г.Є. Пухова НАН України, 2009. — Вип. 52. — Бібліогр.: 7 назв. — рос.
series	Моделювання та інформаційні технології
work_keys_str_mv	AT zabulonovûl vyâvlenieistočnikovradioaktivnogoizlučeniâpripomoŝimetodanezavisimyhkomponent AT lisičenkogv vyâvlenieistočnikovradioaktivnogoizlučeniâpripomoŝimetodanezavisimyhkomponent AT korostilʹûm vyâvlenieistočnikovradioaktivnogoizlučeniâpripomoŝimetodanezavisimyhkomponent AT revunovaeg vyâvlenieistočnikovradioaktivnogoizlučeniâpripomoŝimetodanezavisimyhkomponent
first_indexed	2025-07-03T09:51:06Z
last_indexed	2025-07-03T09:51:06Z
_version_	1836618892340887552
fulltext	УДК621.396+681.511 Ю.Л. Забулонов, Г.В. Лисиченко, Ю.М. Коростиль, Е.Г.Ревунова ВЫЯВЛЕНИЕ ИСТОЧНИКОВ РАДИОАКТИВНОГО ИЗЛУЧЕНИЯ ПРИ ПОМОЩИ МЕТОДА НЕЗАВИСИМЫХ КОМПОНЕНТ Предлагаемый в работе метод позволяет повысить точность локализации и идентификации источника излучения. При наличии системы датчиков расположенных на различных расстояниях от источника излучения, либо под различными углами к источнику становится возможным произвести выделение скрытого источника при помощи анализа независимых компонент (independent component analysis, ICA) Возникновение и развитие радиационных аварий проходит, как правило, в очень короткий срок, что требует принятия безотлагательных мер по их ликвидации. Это соответственно налагает очень жесткие требования на характеристики автоматизированных систем радиологического контроля. В первую очередь к требованиям относятся - повышение точности, скорости и надежности дозиметрических и радиометрических измерений, определение радионуклидного состава радиационных выбросов, направления их распространения. При проведении оперативного радиационного мониторинга в большинстве случаев невозможно быстрое применение аналитического оборудования стационарных лабораторий. На достоверность и точность измерения данных радиационных полей влияют флуктуации природного радиационного фона, территориальная распределенность источников излучения, сложность спектра их излучения, необходимость проведения измерений в естественной среде и в достаточно короткое время. Поэтому особенно актуальным является создание нового поколения информационно измерительных технологий, с помощью которых можно осуществлять оперативный дистанционный контроль радиационного состояния окружающей среды, локализовать, идентифицировать и воспроизвести параметры полей радиоактивного загрязнения с высокой пространственной разрешающей способностью, достоверностью и точностью. Предлагаемый в работе метод позволяет повысить точность локализации и идентификации источника излучения. При наличии системы датчиков расположенных на различных расстояниях от источника излучения, либо под различными углами к источнику становится возможным произвести выделение скрытого источника при помощи анализа независимых компонент [1, 2, 3, 4]. Задача выделения скрытых источников. В задачах выделения скрытых источников (ВСИ) данные представлены выборкой L векторов выходов DL={yi}i=1,L, yi N. Известно, что вектор выходов y связан с вектором входов (источников) xN линейной моделью: у=Aх, где ANN – матрица смешивания полного ранга – неизвестна. Задача состоит в восстановлении L ненаблюдаемых векторов х (матрицы X) по L наблюдениям y (по матрице YLN) путем отыскания разделяющей матрицы W=(w1,…,wN)TNN и выполнения YW=X. Для решения задачи ВСИ известные методы используют априорные предположения об источниках: – их статистической независимости и негауссовости распределения (анализ независимых компонент ICA), – некоррелированности и гауссовости распределения (анализ главных компонент РСА), – разреженности (анализ разреженных компонент SCA), – независимости составляющих сигналов источников в узкой полосе частот (анализ независимых компонент в поддиапазонах). Для лучшего понимания задачи выделения скрытых источников рассмотрим пример. Представим, что в комнате одновременно разговаривают два человека. И имеются два микрофона, расположенных в разных местах. С микрофонов мы получаем две записи, y1(t) и y2(t) – амплитуды сигналов , t – время. Каждый сигнал y1(t), y2(t), принятый с микрофона, представляет собой взвешенную сумму сигналов x1(t) и x2(t) порождаемых говорящими людьми. Теперь, для отдельно взятого момента времени, мы можем записать следующие соотношения: y1(t)=a11x1(t)+a12x2(t); y2(t)=a21x1(t)+a22x2(t); Коэффициенты a11, a12, a21, a22 - зависящие от расстояния между микрофонами и говорящими. Оказывается, что мы можем выделить сигналы скрытых источников (голоса отдельных людей), располагая только лишь сигналами смесей y1(t) и y2(t) и информацией о статистической независимости источников. Методы позволяющие сделать это, разработаны в рамках направления ВСИ. Анализ главных компонент. В рамках анализа главных компонент разделяющее преобразование сигналов смесей у в x* осуществляется следующим образом: x=VT у, W=VT. (1) Здесь V – матрица собственных векторов ковариационной матрицы C=E{YTY} исходных данных (сигналов смесей), получаемая с использованием ее разложения по собственным значениям: C=VDVT, (2) D – матрица собственных значений. РСА ориентирует оси в направлении максимальной дисперсии. Так, первый главный компонент x1=v1 Tу определяет нормализованную линейную комбинацию тех компонентов исходных векторов, которые дают наибольшее среднее значение дисперсии [3]. Недостатками анализа главных компонент является то, что выделение скрытых источников с его помощью возможно только в случае, когда сигналы источников имеют нормальное распределение и не коррелированны. Анализ независимых компонент. Базовым для анализа независимых компонент [1, 3] является предположение о том, что сигналы источников имеют распределение, отличное от нормального, и являются статистически независимыми. Случайные переменные хi являются взаимно независимыми, если совместная плотность вероятности f(х1,х2,…,хN) может быть представлена в виде произведения маргинальных плотностей вероятности fi(хi) [2]: f(х1,х2,…, хN) = f1(х1) f2(х2)… fN(хN). (3) Используя дифференциальную энтропию H (4) взаимную информацию I между N случайными переменными хi, i = 1,…, N определяют как [2]: I(х1,х2,…, хN) = i=1,N H(хi) – H(х). (5) Для независимых сигналов взаимная информация равна нулю [2, 3], так как (6) и равенство выполняется только для независимых х1,х2,…, хN. Для некоррелированных случайных переменных х1,х2,…,хN взаимная информация выражается через негэнтропию следующим образом [2]: I(х1,х2,…,хN) = J(х) – i=1, N J(хi), (7) J(х) = H(хgayss) – H(х), (8) где J(х) – негэнтропия, хgayss – случайная переменная с нормальным законом распределения и такой же ковариационной матрицей, как и х. В работе [5] предложена ЦФ, основанная на негэнтропии. Поскольку при вычислении негэнтропии возникает необходимость оценивать fi(хi), что трудоемко и не всегда дает достаточную точность, предложено [5] использовать аппроксимацию негэнтропии: J(х) ≈ [E{G(х)} – E{G(ν)}]2, (9) где E – оператор матожидания, G – некоторая неквадратичная функция, х – нормированная центрированная (стандартизованная) случайная переменная, ν – стандартизованная случайная переменная с нормальным распределением. Метод анализа независимых компонент, использующий ЦФ, основанную на негентропии называется FastICA. Аппроксимация негэнтропии (9) дает следующую целевую функцию для IСА оценивания: JG(w) = [E{G(wTy)} – E{G()}]2; (10) где w есть m - мерный вектор такой что E{(wTy)2} = 1; Максимизируя функцию JG: определяют первую независимую компоненту xi = wTy. Сравнение функционирования PCA и ICA. Рассмотрим пример работы алгоритмов ICA и PCA. Пусть имеются две равномерно распределенные статистически независимые случайные переменные x1 и x2. Их совместное распределение изображено на рис. А.2а. Совместное распределение смесей y1 и y2, полученных путем умножения x1 и x2 на матрицу смешивания А, представлен на рис. А.2б. Подадим смеси y1 и y2 на вход алгоритмов ICA и PCA. Рассмотрим результат работы алгоритма PCA (рис. А.2в). Видно, что при изменении переменной x1 матожидание переменной x2* не меняется – это значит, что переменные декоррелированы. При этом, распределение величины x2* зависит от того, какое значение приняла x1: f(x2\|x1) = f(x2). Это значит, что переменные статистически зависимы. Полученное совместное распределение далеко от исходного (рис. А.2а), т.е. смесь разделена неверно. Это происходит потому, что исходное для разделения источников с помощью PCA предположение о нормальном распределении источников в данном случае не соблюдается. x1 x2 y1 y2 x1 x2 x1 x2 x1 x2 x1 x2 PCA ICA a б в г Рис. А.2. Пример разделения смесей методами PCA и ICA. Совместное распределение: а – независимых случайных переменных x1 и x2; б – смесей y1 и y2 ; в – PCA оценок x1* и x2; г – ICA оценок x1 и x2* Рассмотрим результат работы алгоритма ICA (рис. А.2г). Видно, что при изменении переменной x1* не меняется не только матожидание переменной x2, но и ее распределение. Это значит, что переменные – статистически независимы, так как распределение величины x2 не зависит от того, какое значение приняла x1: f(x2\|x1)=f(x2). Совместное распределение переменных x1* и x2* совпадает с исходным (рис. А.2а), задача ВСИ решена. Алгоритм анализа независимых компонент [7] Шаг 1: Выбрать начальный вектор весов w, Шаг 2: w* = E {x G(wTx)} – E {G’(wTx)}w, Шаг 3: w = w/ \|\|w\|\|, Шаг 4: Если сходимость не достигнута, то перейти к шагу 2. Экспериментальное исследование. В качестве исходных данных использовались результаты измерения спектров радионуклидов (гамма- излучающих элементов) спектрометрическим трактом, включающим детекторы типа NaJ(Tl) 63×63 и ПРС «Вектор». Измеряемый спектр представлял собой вектор из L=256 чисел, каждое из которых – количество гамма-квантов, обладающих определенной энергией в диапазоне 120…2000 КэВ. В эксперименте спектр источников излучения Cs137 и К40 фиксировался одновременно тремя детекторами, расположенными на различных расстояниях от источников. Отметим, что помимо скрытого источника К40, данный гамма - излучающий элемент присутствует также и в фоновом излучении. Измеренные спектры представлены на рис.1. Спектры были поданы на вход алгоритма анализа независимых компонент. Результаты работы алгоритма (выделенные скрытые источники Cs137 и К40) представлены на рис.2. Компонент 1 соответствует источнику Cs137, компонент 2 соответствует источнику К40. Отметим, что предложенный метод выделения скрытых источников не требует измерения фона и не требует априорного знания об отклике детектора, а количество выделяемых скрытых источников зависит только от числа детекторов. 0 10 20 30 40 50 60 70 80 1 23 45 67 89 111 133 155 177 199 221 243 Детектор 1 Детектор 2 Детектор 3 -4 -2 0 2 4 6 1 14 27 40 53 66 79 92 105 118 131 144 157 Компонент 1 Компонент 2 Компонент 3 Рис.1. Спектры смесей. Рис.2. Выделенные независимые компоненты. Исследование зависимости ОСШ от уровня мешающего сигнала. Цель эксперимента – исследовать точность восстановления полезного сигнала из смеси двух сигналов при возрастании уровня мешающего сигнала (УМС). Эксперимент даст возможность понять, ухудшает ли возрастающий уровень мешающего сигнала характеристики восстановления для методов PCA и ICA. В данном эксперименте смеси были сформированы путем умножения матрицы сигналов источников на смешивающую матрицу А. Сигналы источников представлены: первый – цезий 137, второй – калий 40; УМС изменялся с 5 до 105. Из смеси методами PCA, ICA выделялся сигнал цезия-137 и вычислялось соответствующее ОСШ. Зависимость отношения сигнал-шум ОСШ от УМС при отсутствующем аддитивном собственном шуме приведена на рис. 3. Для PCA ОСШ сначала возрастает с ростом УМС, а затем постоянно. Это связано с тем, что PCA ориентирует оси новой системы координат по направлению максимальной дисперсии. В случае, когда амплитуды источников сравнимы, выбор направления максимальной дисперсии чувствителен к соотношению амплитуд источников сигнала. Соответственно, при изменении УМС с 10 до 103 ОСШ растет. В случае же, когда амплитуда одного из источников намного превышает амплитуду другого, направление максимальной дисперсии определяется максимальной амплитудой, поэтому для УМС с 103 до 105 ОСШ постоянно. Рис. 3. Зависимость ОСШ=f(УМС) при УСШК=0 Рис.4. Зависимость ОСШ=f(УМС) при УСШК=0.2 Для алгоритма ICA ОСШ не зависит от УМС. Это связано с тем, что ICA использует априорное предположение о независимости источников. При одновременном увеличении амплитуды одной из компонент в обеих составляющих смеси взаимная информация между смесями не меняется, и ОСШ не зависит от УМС одного из источников (при неизменном УМС второго источника). Зависимость ОСШ=f(УМС) при наличии в смесях собственного шума приведена на рис. 4. Видно, что сохраняются описанные выше тенденции поведения характеристики ОСШ=f(УМС) для случая отсутствия шума. 1. P. Comon. Independent component analysis: a new concept // Signal Processing. – 1994. – 36. – pp. 287-314. 2. A. Hyvarinen, E.Oja. Independent Component Analysis: Algorithms and Applications // Neural Networks. – 2000. – 13(4-5). – pp. 411–430. 3. A. Chichocki, S. Amari. Adaptive Blind Signal and Image Processing. – Wiley. – 2002. – 586 P. 4. J.F. Cardoso. Infomax and maximum likelihood for source separation // IEEE Letters on Signal Processing. – 1997. – 4. – pp. 112-114. 5. A. Hyvarinen. New approximation of differential entropy for Independent Component Analysis and Projection Pursuit // In Advances in Neural Information Processing Systems. – MIT Press. – 1998. – 10. – pp. 273-279. 6. A. Hyvarinen. Fast and robust fixed-point algorithms for Independent Component Analysis // IEEE Trans. On Neural Networks. – 1999. – 10(3). – pp. 626-634. 7. A. Hyvarinen, E. Oja. A Fast Fixed-Point Algorithm for Independent Component Analysis. // Neural Computation. – 1997. – 9. – pp. 1483-1492.

Выявление источников радиоактивного излучения при помощи метода независимых компонент

Репозитарії

Схожі ресурси