Нейронно-сетевая модель процесса измерения угловых распределений интенсивности гамма-излучения
Описана система получения наиболее достоверного образа углового распределения интенсивности гамма-излучения, разработанная с использованием нейронно-сетевой технологии. Исходными данными для работы системы являются результаты измерения при помощи многодетекторной установки типа ШД. Описано систему о...
Saved in:
| Date: | 2008 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем безпеки атомних електростанцій НАН України
2008
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/7403 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Нейронно-сетевая модель процесса измерения угловых распределений интенсивности гамма-излучения / В.Г. Батий, Е.В. Батий // Проблеми безпеки атомних електростанцій і Чорнобиля. — 2008. — Вип. 9. — С. 28–30. — Бібліогр.: 4 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859613112809816064 |
|---|---|
| author | Батий, В.Г. Батий, Е.В. |
| author_facet | Батий, В.Г. Батий, Е.В. |
| citation_txt | Нейронно-сетевая модель процесса измерения угловых распределений интенсивности гамма-излучения / В.Г. Батий, Е.В. Батий // Проблеми безпеки атомних електростанцій і Чорнобиля. — 2008. — Вип. 9. — С. 28–30. — Бібліогр.: 4 назв. — рос. |
| collection | DSpace DC |
| description | Описана система получения наиболее достоверного образа углового распределения интенсивности гамма-излучения, разработанная с использованием нейронно-сетевой технологии. Исходными данными для работы системы являются результаты измерения при помощи многодетекторной установки типа ШД.
Описано систему отримання найбільш достовірного образу кутового розподілу інтенсивності гамма-випромінювання, яка розроблена з використанням нейронно-мережової технології. Початковими даними для роботи системи є результати вимірювання за допомогою багатодетекторної установки типу ШД.
The system of receipt of the most reliable image of the angular distribution of intensity of gammaradiation developed with the use of neural network technology is described. The results of measuring by the multidetector device of ShD type are basic data for system.
|
| first_indexed | 2025-11-28T15:20:35Z |
| format | Article |
| fulltext |
28 ПРОБЛЕМИ БЕЗПЕКИ АТОМНИХ ЕЛЕКТРОСТАНЦІЙ І ЧОРНОБИЛЯ ВИП. 9 2008
УДК 004.8, 53.082.79, 681.3. 06
НЕЙРОННО-СЕТЕВАЯ МОДЕЛЬ ПРОЦЕССА ИЗМЕРЕНИЯ УГЛОВЫХ
РАСПРЕДЕЛЕНИЙ ИНТЕНСИВНОСТИ ГАММА-ИЗЛУЧЕНИЯ
В. Г. Батий, Е. В. Батий
Институт проблем безопасности АЭС НАН Украины, Чернобыль
Описана система получения наиболее достоверного образа углового распределения интен-
сивности гамма-излучения, разработанная с использованием нейронно-сетевой технологии.
Исходными данными для работы системы являются результаты измерения при помощи много-
детекторной установки типа ШД.
В процессе ликвидации последствий радиационных аварий важной задачей явля-
ется оперативный поиск основных источников гамма-излучения, т.е. определение углово-
го распределения интенсивности гамма-излучения в тяжелых радиационных условиях. В
ИПБ АЭС такая методика разрабатывается [1] на основе многодетекторной установки
ШД-3 измерения в полном телесном угле 4π.
При анализе картограмм угловых распределений, полученных при помощи такой
установки, возникают проблемы наиболее достоверного определения направления на
источники излучения. В условиях «полевых» измерений количество источников может
быть большим и они могут иметь не точечный, а распределенный характер. Задача
распознания направления на множество источников не имеет строгого решения и может
быть решена с помощью методов, построенных на нечеткой логике.
В настоящей работе эта задача решена с помощью нейронно-сетевого алгоритма. В
его основе лежит принцип деятельности человеческого мозга. Для реализации нейронно-
сетевого алгоритма необходимо решить две проблемы [2], одна из которых – выбор опти-
мальной структуры нейронной сети, а другая – построение эффективного алгоритма
обучения нейронной сети. Обучение осуществляется путем последовательного предъявле-
ния векторов обучающего множества, с одновременной подстройкой статвесов в соответ-
ствии с определенной процедурой, пока погрешность настройки по всему множеству не
достигнет приемлемо низкого уровня:
Err = |YiYi|
1
___
∑
=
−
N
i
→min.
Стратегия "обучение с учителем" (рис. 1) предполагает, что есть обучающее
множество {X,Y}.
Рис. 1. Обучение "с учите-
лем" многослойной нейрон-
ной сети.
Зависимость реального выходного сигнала Y от входного сигнала X можно
записать в виде
Y = F(W,X) + Err,
где F(W,X) - некоторая функция, вид которой задается алгоритмом обучения нейронной
сети, в данном случае это модель окликов ШД на воздействие источников; W - множество
НЕЙРОННО-СЕТЕВАЯ МОДЕЛЬ ПРОЦЕССА ИЗМЕРЕНИЯ
_____________________________________________________________________________________________________________________
ПРОБЛЕМИ БЕЗПЕКИ АТОМНИХ ЕЛЕКТРОСТАНЦІЙ І ЧОРНОБИЛЯ ВИП. 9 2008 29
параметров, позволяющих настроить функцию на решение определенной задачи распо-
знавания образов (количество слоев сети, количество нейронов в каждом слое сети,
матрица синаптических весов сети); Err - погрешность, возникающая из-за неполного
соответствия реального значения выходного сигнала нейронной сети требуемому значе-
нию, а также погрешности в вычислениях.
В последнее время для обучения самой распространенной конфигурации нейро-
сети, многослойного персептрона, широко используется процедура, получившая название
алгоритма с обратным распространением погрешности (error backpropagation) [3]. Опти-
мизация нейронной сети направлена на уменьшение объема вычислений при условии
сохранения точности решения задачи на требуемом уровне. Параметрами оптимизации в
нейронной сети были: количество слоев сети и количество нейронов скрытого слоя.
Вторая проблема заключается в разработке качественных алгоритмов обучения нейронной
сети, позволяющих за минимальное время настроить нейронную сеть на распознавание
заданного набора входных образов. Процесс обучения нейронной сети заключается в
необходимости настройки сети таким образом, чтобы для некоторого множества входов
давать желаемое (или, по крайней мере, близкое, сообразное с ним) множество выходов.
Для создания обучающегося множества с помощью языка программирования С#
была создана программа NeuroData (блок схема приведена на рис. 2), позволяющая
создавать обучающие выборки с различными входными данными (количеством потенци-
альных и действующих источников, их местоположением относительно установки ШД) с
соответствующими значениями откликов.
Рис. 2. Схема обучения нейронной сети.
NeuroData формиро-
вала пакет из входных и
выходных данных, используя
программу, описанную в [4],
которая позволяет по резуль-
татам измерений получать
уточненные координаты ис-
точника. Сформированный
пакет из 1000 - 2000 смодели-
рованных значений источни-
ков и смоделированных от-
кликов на них использовался
для обучения нейронной
сетей различных конфигура-
ций.
Обучение проводилось до уровня, когда расхождения значений между результатами
работы сети и тестовой выборки прекращает уменьшаться. В качестве модели нейронной
сети использовался многослойный персептерон. Результаты обучения сетей различных кон-
фигураций сведены в таблицу.
В результате измерений была проведена оптимизация количества нейронов в скрытом
слое (рис. 3). Наиболее оптимальной была выбрана сеть с 96 входами, тремя нейронами
скрытого слоя и 32 выходами.
По данным вышеприведенных исследований были построены и обучены сети, с мини-
мальной для данного количества источников погрешностью. Программно сети были реализо-
ваны в виде бинарных, динамически-подключаемых библиотек (dynamic-link library, dll) на
языке программирования С++ (рис. 4).
При проведении реальных измерений при помощи установки ШД-3 данная программа
позволяет получить наиболее правдоподобное расположение гамма-источников, воздейст-
вующих на детекторы установки в точке измерения.
Работа проводилась в рамках проекта УНТЦ № 3511.
В. Г. БАТИЙ, Е. В. БАТИЙ
________________________________________________________________________________________________________________________
30 ПРОБЛЕМИ БЕЗПЕКИ АТОМНИХ ЕЛЕКТРОСТАНЦІЙ І ЧОРНОБИЛЯ ВИП. 9 2008
Результаты моделирования нейронных сетей
Количество
потенциальных
источников
Количество
реальных
источников
Число
элементов
скрытого
слоя
Err,
погрешность
обучения
Количество
эпох для
обучения
1 1 3 0,09 20
3 1 9 0,03 725
5 2 15 0,037 500
10 5 30 0,05 242
20 10 50 0,055 269
32 16 50 0,159 390
32 16 100 0,293 701
32 16 32 0,0656 325
32 16 16 0,0629 998
32 16 8 0,0628 998
32 16 4 0,0622 864
32 16 3 0,0620 634
32 16 2 0,0622 1001
32 16 1 0,0622 104
32 16 3* 0,0622 1001
* Два скрытых слоя, по три элемента в каждом.
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
1 12 23 34 45 56 67 78 89 100
количество элементов в скрытом слое
Err
Рис. 3. Зависимость погрешности сети
от количества нейронов в скрытом слое.
Рис. 4. Схема использования программной
реализации нейросетевых моделей.
СПИСОК ЛИТЕРАТУРЫ
1. Batiy V., Pravdivyj O., Stoyanov O. et al. A Practical Method for Measuring Angular Distribution of
Radiation from Multiple Gamma Sources// 2007 Waste Management Symposium, CD, 2007, #7160.
http://www.wmsym.org/abstracts/2006/index.html.
2. Четверта міжнародна студентська науково-практична конференція "Світ молоді - молодь світу".
15 - 17 квітня 2004 р.: Матеріали конференції. Ч.1. - Вінниця: ВІ МАУП, 2004. – С. 85 - 90.
3. Дюк В., Самойленко А.. Data Mining: учебный курс (+CD). - СПб: Питер, 2001. - 386с. 2. Melanie
Mitchell. An Introduction to Genetic Algorithms. Massachusetts Institute of Technology, 1998. – 280 с.
4. Batiy V., Stoyanov O., Fedorchenko D. et al. Mathematical Modeling to Support Gamma Radiation
Angular Distribution Measurements // 2007 Waste Management Symposium, CD,2007, #7256,
http://www.wmsym.org/abstracts/2006/index.html
Поступила в редакцию 21.01.08
НЕЙРОННО-СЕТЕВАЯ МОДЕЛЬ ПРОЦЕССА ИЗМЕРЕНИЯ
_____________________________________________________________________________________________________________________
ПРОБЛЕМИ БЕЗПЕКИ АТОМНИХ ЕЛЕКТРОСТАНЦІЙ І ЧОРНОБИЛЯ ВИП. 9 2008 29
12 НЕЙРОННО-МЕРЕЖОВА МОДЕЛЬ ПРОЦЕСУ ВИМІРЮВАННЯ КУТОВИХ РОЗПОДІЛІВ
ІНТЕНСИВНОСТІ ГАММА-ВИПРОМІНЮВАННЯ
В. Г. Батій, Є. В. Батій
Описано систему отримання найбільш достовірного образу кутового розподілу інтенсивності
гамма-випромінювання, яка розроблена з використанням нейронно-мережової технології.
Початковими даними для роботи системи є результати вимірювання за допомогою багатодетекторної
установки типу ШД.
12 NEURAL NETWORK MODEL OF PROCESS OF THE GAMMA-RADIATION INTENSITY ANGULAR
DISTRIBUTION MEASURING
V. G. Batiy, Ie. V. Batii
The system of receipt of the most reliable image of the angular distribution of intensity of gamma-
radiation developed with the use of neural network technology is described. The results of measuring by the
multidetector device of ShD type are basic data for system.
|
| id | nasplib_isofts_kiev_ua-123456789-7403 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1813-3584 |
| language | Russian |
| last_indexed | 2025-11-28T15:20:35Z |
| publishDate | 2008 |
| publisher | Інститут проблем безпеки атомних електростанцій НАН України |
| record_format | dspace |
| spelling | Батий, В.Г. Батий, Е.В. 2010-03-30T08:14:43Z 2010-03-30T08:14:43Z 2008 Нейронно-сетевая модель процесса измерения угловых распределений интенсивности гамма-излучения / В.Г. Батий, Е.В. Батий // Проблеми безпеки атомних електростанцій і Чорнобиля. — 2008. — Вип. 9. — С. 28–30. — Бібліогр.: 4 назв. — рос. 1813-3584 https://nasplib.isofts.kiev.ua/handle/123456789/7403 004.8, 53.082.79, 681.3. 06 Описана система получения наиболее достоверного образа углового распределения интенсивности гамма-излучения, разработанная с использованием нейронно-сетевой технологии. Исходными данными для работы системы являются результаты измерения при помощи многодетекторной установки типа ШД. Описано систему отримання найбільш достовірного образу кутового розподілу інтенсивності гамма-випромінювання, яка розроблена з використанням нейронно-мережової технології. Початковими даними для роботи системи є результати вимірювання за допомогою багатодетекторної установки типу ШД. The system of receipt of the most reliable image of the angular distribution of intensity of gammaradiation developed with the use of neural network technology is described. The results of measuring by the multidetector device of ShD type are basic data for system. ru Інститут проблем безпеки атомних електростанцій НАН України Проблеми безпеки атомних електростанцій Нейронно-сетевая модель процесса измерения угловых распределений интенсивности гамма-излучения Нейронно-мережова модель процесу вимірювання кутових розподілів інтенсивності гамма-випромінювання Neural network model of process of the gamma-radiation intensity angular distribution measuring Article published earlier |
| spellingShingle | Нейронно-сетевая модель процесса измерения угловых распределений интенсивности гамма-излучения Батий, В.Г. Батий, Е.В. Проблеми безпеки атомних електростанцій |
| title | Нейронно-сетевая модель процесса измерения угловых распределений интенсивности гамма-излучения |
| title_alt | Нейронно-мережова модель процесу вимірювання кутових розподілів інтенсивності гамма-випромінювання Neural network model of process of the gamma-radiation intensity angular distribution measuring |
| title_full | Нейронно-сетевая модель процесса измерения угловых распределений интенсивности гамма-излучения |
| title_fullStr | Нейронно-сетевая модель процесса измерения угловых распределений интенсивности гамма-излучения |
| title_full_unstemmed | Нейронно-сетевая модель процесса измерения угловых распределений интенсивности гамма-излучения |
| title_short | Нейронно-сетевая модель процесса измерения угловых распределений интенсивности гамма-излучения |
| title_sort | нейронно-сетевая модель процесса измерения угловых распределений интенсивности гамма-излучения |
| topic | Проблеми безпеки атомних електростанцій |
| topic_facet | Проблеми безпеки атомних електростанцій |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/7403 |
| work_keys_str_mv | AT batiivg neironnosetevaâmodelʹprocessaizmereniâuglovyhraspredeleniiintensivnostigammaizlučeniâ AT batiiev neironnosetevaâmodelʹprocessaizmereniâuglovyhraspredeleniiintensivnostigammaizlučeniâ AT batiivg neironnomerežovamodelʹprocesuvimírûvannâkutovihrozpodílívíntensivnostígammavipromínûvannâ AT batiiev neironnomerežovamodelʹprocesuvimírûvannâkutovihrozpodílívíntensivnostígammavipromínûvannâ AT batiivg neuralnetworkmodelofprocessofthegammaradiationintensityangulardistributionmeasuring AT batiiev neuralnetworkmodelofprocessofthegammaradiationintensityangulardistributionmeasuring |