1 成都大学 电子信息与电气工程学院成都 610106
2 成都理工大学 核技术与自动化工程学院成都 610059
3 南洋理工大学 电气与电子工程学院新加坡 639798
针对测量系统本身导致的脉冲截断给脉冲高度分析带来的挑战，本研究提出一种复合神经网络模型，用于预测产生了截断的脉冲高度。该模型将长短期记忆模型（Long and Short-term Memory，LSTM）嵌入UNet结构，采用模拟脉冲数据集对模型进行训练，使用相对误差指标对模型性能进行评估。结果显示：在对模拟脉冲序列进行脉冲高度估计时，UNet-LSTM模型的平均相对误差约为2.31%，相较于传统的梯形成形算法的平均相对误差降低了1.91%；在粉末铁矿样品和粉末岩石样品的实际测量中，不同截断率的实测脉冲序列也进一步验证了UNet-LSTM模型的脉冲高度估计性能，在两种样品、8组离线脉冲序列的高度估计中得到的平均相对误差为2.36%，表明该模型可以准确估计截断脉冲的高度。
UNet 长短期记忆模型 脉冲截断 脉冲高度估计 UNet Long and short-term memory model Pulse truncation Pulse height estimation
1 成都大学 电子信息与电气工程学院成都 610106
2 成都大学 机械工程学院成都 610106
3 上海船用柴油机研究所 低温工程部上海 201203
4 中核四〇四有限公司嘉峪关 735100
第一壁系统中热应力的大小是决定聚变堆安全运行的关键因素之一。本文通过Ansys Workbench有限元软件，对具有粗糙基底的W/316L不锈钢系统中的热应力分布，以及影响热应力大小的诸如温度、涂层厚度、基底厚度等因素进行了深入分析。同时从系统中交界面剪切应力入手，研究了粗糙基底对涂层结合强度的影响。结果表明：粗糙基底系统中热应力随着温度、基底厚度的增加而增加，随着涂层厚度的增加而降低。除此之外，粗糙基底提升了系统中热应力的极值，在一定程度上提高了涂层与基底的结合强度。研究结果为后期高结合强度第一壁涂层系统的研发提供了一定的参考价值。
W/316L不锈钢第一壁系统 粗糙基底 热应力 W/316L stainless steel first wall system Rough substrate Thermal stress
1 成都大学 电子信息与电气工程学院成都 610106
2 安徽大学农业生态大数据分析与应用国家工程研究中心合肥 230039
3 南洋理工大学 电气与电子工程学院新加坡 639798
4 成都理工大学 核技术与自动化工程学院成都 610059
传统脉冲成形方法对堆积脉冲幅度计算存在的误差将会导致X射线荧光光谱失真，因此，在高堆积率背景下测量得到的光谱很难对光谱进行准确分析。本文提出一种基于深度学习的Transformer模型，该模型采用编码器-解码器结构，通过嵌入位置编码的多头注意力来估计堆积脉冲的幅度，并将其应用于高性能硅漂移探测器的辐射测量，以及X射线荧光光谱学分析。为了训练该模型，通过预定义的数学模型模拟得到探测器输出的脉冲信号，为了模拟真实的核脉冲，在信号中加入了与热噪声和散粒噪声相对应的高斯噪声。训练后的模型通过截取粉末铁矿样品和粉末岩石样品的实测脉冲序列进行验证，使用相对误差作为模型性能评估指标，对应于脉冲幅度估计的准确度。在粉末铁矿样品和粉末岩石样品的实验测量8组离线脉冲序列中，得到的平均相对误差为0.89%。结果表明：该模型能够实现堆积脉冲幅度的准确估计。
堆积脉冲 深度学习 Transformer模型 位置编码 Stacking pulses Deep learning Transformer model Positional encoding
1 成都大学 电子信息与电气工程学院成都 610106
2 安徽大学 农业生态大数据分析与应用国家工程研究中心合肥 230039
3 （数学地质四川省重点实验室（成都理工大学）成都 610059）
4 南洋理工大学 电气与电子工程学院新加坡 639798
5 成都大学 机械工程学院成都 610106
在X荧光光谱分析中，为了解决传统谱分析方法中存在的特征峰计数率损失以及影子峰的问题，本文拟采用一种基于深度学习的长短期记忆（Long and Short Term Memory，LSTM）神经网络模型，该模型对核脉冲幅度时间序列具有较好的适用性，通过对样本的学习能够对核脉冲信号的幅度进行准确估计。鉴于核脉冲信号样本较大，模型训练效率低，特引入卷积神经网络（Convolutional Neural Network，CNN），利用其特有的卷积核结构逐层提取样本特征，能够有效减少样本数量，降低模型训练复杂度。使用粉末铁矿样品测量得到的一系列离线核脉冲序列产生模型训练所需的数据集，该数据集的64 000个条目中，44 800个用作训练集，12 800个用作验证集，余下6 400个用作测试集。实验结果表明：训练好的CNN-LSTM模型能够极大地节省训练时间，克服传统方法局部收敛的缺陷，也能够对不同程度畸变的输入脉冲进行准确的参数估计，在训练集和验证集上得到的准确率都高于99%。进一步分析计数修复结果，得到三个影子峰校正比例的平均值为91.52%，表明训练的CNN-LSTM模型对畸变脉冲产生的计数损失的校正比例约为91.52%。该模型能够有效校正因畸变脉冲幅度损失造成的影子峰，改善X射线荧光光谱中特征峰计数率精度，在X射线荧光光谱领域具有较高的应用价值。
深度学习 长短期记忆 X荧光光谱 卷积神经网络 Deep learning Long and short term memory X-ray fluorescence spectroscopy Convolutional neural network
1 武汉大学 高等研究院武汉 430072
2 中国科学院上海应用物理研究所上海 201800
3 中国科学院大学北京 100049
4 中国科学院上海高等研究院上海 201204
X射线串行晶体学作为一种解析蛋白质晶体结构的新方法，因为拥有室温采集、辐射损伤低、时间分辨等优势而得到迅速的发展。利用串行晶体学方法解析蛋白质结构需要在整合大量晶体衍射图的基础上筛选出有效的衍射数据，然而常规的数据筛选方法在处理衍射图时存在准确度不高且效率低的问题。基于卷积神经网络的数据筛选方法具有流程自动化的优势，并且已经被证明相对于传统的“找点法”具有更高的分类准确度。因此在比较5种不同卷积神经网络筛选晶体学衍射图的准确度和效率的基础上，选择并构建一个准确率高且运行速率快的卷积神经网络数据筛选工具，用于不同蛋白质晶体样品衍射图的筛选。结果显示：MobileNets不仅具有ResNet、GoogleNet-Inception等大型网络相似的准确度，而且运行速率更快，为串行晶体学实验提供了一个有效便捷的数据筛选工具。
串行晶体学 卷积神经网络 机器学习 MobileNets Serial X-ray crystallography Convolutional neural network Machine learning MobileNets
1 成都大学电子信息与电气工程学院, 四川 成都 610106
2 数学地质四川省重点实验室(成都理工大学), 四川 成都 610059
3 成都大学计算机学院, 四川 成都 610106
4 成都大学科研处, 四川 成都 610106
在低计数率背景下X射线谱的高精度测量受X射线流的统计涨落影响, 统计涨落决定了给定探测器能量分辨率的理论极限, 而其他因素的影响则可以通过适当的噪声滤除和电子技术来降低。 以往关于能量分辨率的研究大多利用谱反卷积对获取到的能谱进行后处理, 从而降低特征峰的半高宽(FWHM)。 这些后处理方法是基于将获取到的能谱建模为输入能谱和探测器响应函数这两个随机变量的函数, 往往计算量极大, 执行效率低。 针对上述问题, 提出一种多脉冲局部平均(MPLA)算法对X射线光谱数据处理平台进行优化, MPLA算法是一种在线实时处理的谱获取方法, 该方法在动态窗口内对脉冲幅度值进行了平均。 MPLA算法涉及两项可变参数, 一是平均窗口的大小r, 另一项参数则是每一次平均的脉冲幅度数量n。 该算法的执行流程包含以下几个步骤, 首先读取第一个脉冲幅度并定位一个平均窗口, 读取成功后更新当前平均窗口的脉冲幅度和脉冲个数; 第二步, 读取下一个脉冲幅度, 每次更新后即对平均窗口内的脉冲个数进行判断, 当其小于预设的参数n时继续执行第三步, 反之则执行第四步; 第三步, 继续读取下一个脉冲幅度; 第四步, 对相应平均窗口内的脉冲幅度进行平均, 得出的平均数即为需要更新计数的道址, 然后再对取平均值的窗口内脉冲幅度和脉冲个数进行清零。 本文在理论推导部分研究了应用MPLA过程时原始概率密度函数(PDF)的转换, 推导了应用MPLA后得到的概率密度函数的解析表达式, 证明了MPLA概率密度转换后具有以下特征: (1)对称分布, MPLA保留了均值和对称性。 (2)对于单峰对称分布, MPLA减少方差, 锐化分布峰。 在实验环节中, 以铁矿样品为测量对象, 将采用MPLA算法处理后的结果与传统的成谱方法得到的结果进行对比, 结果表明在具有正态分布PDF的频谱峰值的典型情况下, 即使仅对两个脉冲高度进行平均, 变换后峰的FWHM也变窄。
多脉冲局部平均 X射线光谱 半高宽 高性能硅漂移探测器 Multi-pulse local average X-ray spectroscopy FWHM FAST-SDD
成都大学信息科学与工程学院, 四川 成都 610106
针对采用数字慢三角成形算法的高性能硅漂移探测器在开关复位型前放中出现的突变脉冲以及该类脉冲在成形后因幅度受损造成的特征峰漂移问题, 提出了一种基于突变脉冲修复的特征峰漂移校正算法, 该算法包括以下几个流程, 首先将该电路输出的弱电流信号经CR微分电路进行转换得到负指数信号, 然后负指数信号经三级放大电路放大后的幅度范围为0~2 V, 该幅度范围保持在后端模数转换器的处理范围中, 对放大后的负指数信号进行模数转换得到数字化的负指数脉冲序列, 通过对上述负指数脉冲序列的采样点进行判断, 当出现连续多个为零的采样点时就标记该脉冲为突变脉冲, 最后对突变脉冲分别调用快校正和慢校正算法进行修复, 并将修复后的负指数脉冲序列分别进行数字梯形成形, 其成形结果存储到FIFO中进行多道成谱。 实验以自制的铁矿样品为测量对象, 将未进行校正的原始谱与采用不同校正方法得到的谱图进行对比, 校正后铁和锶特征峰的影子峰所在道址区间的计数相比于未校正的原始谱的计数率有了明显的降低, 与此同时, 铁和锶两个特征峰所在道址区间的计数相比于不校正则有了明显的提高。 由于特征峰计数率的漂移正是产生影子峰的根本原因, 因此同一种元素在影子峰区域计数率的减小值与在特征峰区域计数率的增加值在数值上应趋于一致, 实验结果中铁元素的影子峰和特征峰所在区间快校正和慢校正前后的计数率差值基本符合这一趋势, 但锶元素影子峰和特征峰所在区间的快校正前后计数率差值相差较大, 不符合影子峰计数减小值即为特征峰计数增加值的规律。 造成这种结果的根本原因在于快校正对突变脉冲的修复不完整, 而慢校正可以较好地实现所有采样点的修复, 最后得出的修复效率也表明对于同样的区间, 慢校正法得到的修复效率更高, 对特征峰漂移的校正效果更好。 结果表明特征峰漂移校正算法可以有效地消除特征峰前面的影子峰, 实现对特征峰漂移的校正, 这对获取精细X射线谱具有重要意义。
特征峰漂移 X射线光谱 脉冲修复 高性能硅漂移探测器 Characteristic peak drift X-ray spectroscopy Pulse repair FAST-SDD 光谱学与光谱分析
2020, 40(11): 3633
1 成都理工大学核技术与自动化工程学院, 四川 成都 610059
2 成都大学信息科学与工程学院, 四川 成都 610106
X射线荧光分析中相邻峰重叠的分解问题是十分常见的, 谱峰重叠为谱的进一步定性分析和定量分析都带来了困难, 而通过硬件手段来减少谱峰重叠的发生往往受资金和工作条件的制约, 通常会选择通过数学手段得到重叠谱中各个子峰的相关信息来完成重叠谱的分解。 结合光谱形成过程的随机物理特性, 提出了一种基于高斯混合模型(GMM)的参数独立模型和参数关联模型, 以及基于这两种模型和差分进化算法的重叠峰分解方法。 GMM模型参数构成了差分进化算法个体基因, 给出了目标函数的快速算法, 通过随机生成初始种群, 以种群中每个个体的适应度值和各个个体参数的约束条件为选择标准, 避免了初值不当带来的局部收敛问题, 并且将所有测量的随机数据参与到个体适应度值的运算当中, 避免了原谱数据的损失。 对模型参数相互独立和模型参数相关联两种情况进行了解谱分析, 首先, 对三峰重叠和四峰重叠进行仿真模拟分析, 分解结果表明, 基于GMM参数关联模型的解谱精度较GMM参数独立模型的解谱精度更高, 三峰重叠时, 参数独立模型和参数关联模型分别得到的权重最大误差为8.15%和2%, 峰位最大误差为0.30%和0.06%, 标准差的最大误差为7.5%和1.35%。 四峰重叠时, 参数独立模型和参数关联模型分别得到的权重最大误差为8.3%和4.3%, 峰位最大误差为0.12%和0.13%, 标准差的最大误差为5.04%和0.45%。 然后通过实测三峰重叠谱的解谱分析表明, 用这两种模型进行重叠谱的分解, 分解结果相对误差和待测量元素的含量有关, 随着待测元素含量的降低, 分解结果精度会降低。 仿真和实测都表明, 基于高斯混合模型和运用差分进化算法的重叠谱进行解谱时, 如果能够提前得到各个相互重叠小峰权重、 均值、 标准差之间的关系, 建立GMM参数关联模型, 减少寻优个体参数个数, 对提高复杂峰的分解精度是非常重要的。
差分进化算法 GMM参数独立模型 GMM参数关联模型 重叠峰的分解 Differential evolution algorithm GMM parameters of the independent model GMM parameters correlation model Decomposition of the overlapping peaks 光谱学与光谱分析
2020, 40(7): 2301
湖南师范大学生命科学学院, 湖南 长沙 410081
本工作旨在探讨贴壁培养细胞台盼蓝拒染试验的方法, 为其合理应用提出建议。用正常培养及NaN3作致死处理的人视网膜色素上皮细胞株-19, 进行原位贴壁细胞和培养体系上悬液中细胞的台盼蓝拒染实验, 并比较其原位法与计数板法所测活细胞率。与计数板法相似, 随染液浓度增高或染色时间延长, 原位台盼蓝拒染实验的活细胞率检测值逐渐增加。培养体系上悬液中脱落细胞的存活率显著低于贴壁的细胞, NaN3处理使脱落细胞增加。因此, 对于贴壁牢固的培养细胞, 原位台盼蓝染色是检测活细胞率的实用方法。根据细胞从培养表面上消化下来的难易程度和脱落到培养上悬液中的数目多少, 可选用原位染色法或/和计数板法台盼蓝拒染试验, 从而检测贴壁培养细胞的总存活率。
台盼蓝染色 贴壁培养细胞 活细胞率 细胞计数 trypan blue staining cultured adherent cell percent cell survival cell count
1 中国科学院 上海应用物理研究所，上海 201800
2 中国科学院 研究生院，北京10049
介绍了多重衍射的基本原理，包括多重衍射的指标化、衍射光强度的计算和入射光方向的确定，并根据晶体多重衍射现象提出了入射X光能量的标定方法。从理论上讲，使用该标定方法在角度扫描精度为1″时，光子能量标定精度可达到1 eV。在上海光源14B衍射光束线上对提出的标定方法进行了实验验证，在10 keV处用Si(111)为主衍射收集了180°Φ扫描衍射谱，对其中的衍射谷进行了指标化，并根据指标化的结果计算得到标定能量为10.06 keV。该实验结果与理论结果相符，验证了在角度扫描精度满足实验要求时，通过该标定方法可进行高精度的光子能量标定。
多重衍射 同步辐射 光子能量标定 Φ扫描 衍射谷 multiple diffraction synchrotron radiation photon energy calibration Φ scanning diffraction glitch
