本發明涉及一種堆積波形甄別方法，具體涉及一種基于電荷積分法和knn算法的堆積脈沖波形甄別方法。
背景技術：
1、從輻射測量到粒子物理實驗，有效的脈沖形狀鑒別(pu?l?se?shape?d?i?scriminat?ion，psd)技術在許多應用中都是必不可少的。傳統的psd技術，如快速傅里葉變換、小波變換、電荷積分法、上升時間法等依據中子伽馬單波信號后沿衰減常數的差異，可以實現中子伽馬的單粒子波形甄別。
2、當探測器工作在高計數率條件下，一個輻射粒子進入探測器產生脈沖波形還未回到基線時，另一個輻射粒子進入探測器產生脈沖信號，導致脈沖信號堆積事件發生。堆積脈沖結構與單粒子波形有較大差異，使傳統的單粒子波形psd技術失效。當堆積事件占比較低時，可采用識別舍棄的方法處理。然而，當堆積波形占比較高時，為了減少堆積事件損失，如何從堆積事件中甄別出中子伽馬的特征信息特別重要，因此，需要發展一種堆積脈沖甄別方法。
3、現有的甄別方法中，往往隨機選擇中子伽馬單波信號用于人工構建堆積脈沖。而中子伽馬單波信號的數據庫往往含有較多的波形數據，隨機挑選中子伽馬單波信號，易導致差異較小甚至無明顯差異的中子伽馬單波信號被用于加工堆積事件，增加甄別方法的無效計算。因此，需要發展新的方法，防止差異小或無明顯差異的單粒子波形被重復挑選，同時提高甄別方法的計算效率。
技術實現思路
1、本發明的目的是解決現有堆積脈沖甄別方法易導致差異較小甚至無明顯差異的單粒子波形被重復挑選導致增加無效計算的技術問題，而提供了一種基于電荷積分法和knn算法的堆積脈沖波形甄別方法。
2、為了實現上述目的，本發明采用如下技術方案：
3、一種基于電荷積分法和knn算法的堆積脈沖波形甄別方法，其特殊之處在于，包括以下步驟：
4、s1、采集中子伽馬單波形混合信號，利用電荷積分法甄別中子伽馬單波形混合信號中的中子單波信號和伽馬單波信號，并構建中子伽馬單波信號樣本庫u1；
5、s2、將中子伽馬單波信號樣本庫u1中單波信號加工為待甄別數據集m1；所述待甄別數據集m1的堆積波形類別為n+n、n+γ、γ+n、γ+γ，其中n為中子單波信號，γ為伽馬單波信號；
6、s3、利用電荷積分法篩選中子伽馬單波信號樣本庫u1中的中子單波信號與伽馬單波信號，獲得中子伽馬單波信號樣本集u2；
7、s4、依據待甄別數據集m1與中子伽馬單波信號樣本集u2，構建甄別計算數據集m2；
8、s5、將待甄別數據集m1中待甄別的堆積波形與其對應甄別計算數據集m2中堆積波形的計算相似度，并根據相似度排序，利用knn算法在排序中挑選相似度最高的k個堆積樣本；將k個堆積樣本中數量最多的類別作為待甄別數據集m1的類別，完成堆積脈沖波形甄別。
9、進一步地，步驟s1具體為：
10、1.1、采集中子伽馬單波形混合信號；
11、1.2、定義中子伽馬單波形混合信號的起始時刻t1到終點t之間的幅值積分為電荷積分法的長窗積分值q1；中子伽馬單波形混合信號后沿50％峰值時刻t2到終點t之間的幅值積分為電荷積分法的短窗積分值q2；將短窗積分值q2與長窗積分值q1的比值作為甄別因子y；
12、1.3、根據甄別因子y對中子伽馬單波形混合信號進行甄別、記錄及標記，將標記后的中子單波信號和伽馬單波信號組成中子伽馬單波信號樣本庫u1。
13、進一步地，步驟s2具體為：
14、2.1、在中子伽馬單波信號樣本庫u1中隨機選擇一個中子單波信號作為第一波形，一個伽馬單波信號作為第二波形；
15、2.2、使第一波形與第二波形的峰位對齊后，后移第二波形，并記錄后移時間t；
16、2.3、將第一波形與后移后的第二波形相加，得到n+γ型堆積波形；所述堆積波形的組合類別還包括n+n、γ+n、γ+γ，其中n為中子單波信號，γ為伽馬單波信號；
17、2.4、按照步驟2.1至2.3的方法，直至獲得所有n+γ型堆積波形；
18、2.5、依次將n+n、γ+n、γ+γ的組合類別,按照步驟2.1至2.4的方法，分別加工中子伽馬單波信號樣本庫u1中的單波信號，并將其作為待甄別數據集m1。
19、進一步地，步驟s3具體為：
20、3.1、以長窗積分值q1和短窗積分值q2為參數，篩選中子伽馬單波信號樣本庫u1中的中子單波信號與伽馬單波信號；
21、3.2、將長窗積分值q1等分為n個區間，其間隔δq1＝q1/n，n的取值大于等于40；
22、3.3、取間隔δq1對應的短窗積分值q2，將短窗積分值q2等分為m個區間，其間隔δq2＝q2/m，m的取值大于等于4；
23、3.4、在n*m個區間內的每個區間挑選一個單波信號，組成中子伽馬單波信號樣本集u2。
24、進一步地，步驟s4具體為：
25、4.1、從待甄別數據集m1中任選一個堆積波形作為參考波形；
26、4.2、從中子伽馬單波信號樣本集u2中隨機選擇一個中子單波信號作為第一波形，一個伽馬單波信號作為第二波形；
27、4.3、使第一波形乘以峰值因子k1，第二波形乘以峰值因子k2，并將第二波形后移與參考波形相同的時間間隔；再將移動后的第一波形與第二波形相加，獲得n+γ型堆積波形；
28、4.4、將步驟4.3中所得n+γ型堆積波形的峰值與步驟4.1中所得參考波形的峰值相比，判斷堆積波形的峰值與參考波形的峰值差值是否小于等于1％，若是，則執行步驟4.5；若否，則通過步長調整峰值因子k1、k2，返回步驟4.3；
29、4.5、重復步驟4.2至4.4的方法，使第一個波形遍歷一次中子伽馬單波信號樣本集u2的全部中子波形，第二個波形遍歷一次中子伽馬單波信號樣本集u2的全部伽馬波形，獲得該參考波形對應的甄別計算子集，并標記；
30、4.6、依次按照n+n、γ+n、γ+γ的組合類別,重復步驟4.1-步驟4.5的方法，遍歷待甄別數據集m1中的所有堆積波形，為待甄別數據集m1中所有堆積波形加工甄別計算集，并將其作為甄別計算集m2。
31、進一步地，步驟s5具體為：
32、5.1、利用歐式距離計算待甄別數據集m1中任意一個堆積波形與其對應甄別計算數據集m2中堆積波形的相似度，并從大到小進行排序；
33、5.2、利用knn算法在排序后的甄別計算數據集m2中挑選k個堆積樣本；
34、5.3、重復步驟5.1和5.2，為待甄別數據集m1中每一個堆積波形在甄別計算數據集m2中挑選k個最相似的堆積樣本；將k個堆積樣本中最多的類別作為待甄別數據集m1的類別，完成堆積脈沖波形甄別。
35、進一步地，步驟1.1中，采用芪晶體+光電倍增管+示波器的探測系統采集中子伽馬單波形混合信號，且采集中子伽馬單波形混合信號時記錄大于兩個脈沖時間尺度的采樣點。
36、進一步地，步驟4.4中，所述通過步長調整峰值因子k1和k2，具體為：
37、使峰值因子k1和k2分別與步長相加后，得到新的峰值因子k1*、k2*，更新峰值因子k1＝k1*、k2＝k2*。
38、進一步地，步驟2.2中，所述后移時間t取值為10～40ns；
39、步驟3.2中，所述n＝50；
40、步驟3.3中，所述m＝4。
41、進一步地，步驟4.3中，所述峰值因子k1和k2的初始值為1；
42、步驟4.4中，所述步長為0.001；
43、步驟5.2中，所述k＝11。
44、本發明的有益效果：
45、1、本發明一種基于電荷積分法和knn算法的堆積脈沖波形甄別方法，利用電荷積分法實現對中子單波信號與伽馬單波信號的甄別，并基于電荷積分法的長窗積分值與短窗積分值的差異，將長窗積分值和短窗積分值作為挑選單粒子波形(即中子單波信號或伽馬單波信號)的特征參數，防止差異小或無明顯差異的單粒子波形被重復挑選用于堆積波形的加工問題。
46、2、本發明一種基于電荷積分法和knn算法的堆積脈沖波形甄別方法，采用挑選的中子伽馬單波信號樣本集u2，為待甄別數據集m1中的每一個堆積波形加工甄別計算數據集m2。將待甄別數據集m1中的堆積波形依次與其對應的甄別計算數據集m2的所有類別進行相似性比較，挑選與待甄別數據集m1中堆積波形最相似的k個堆積樣本。如果k個最相似的堆積樣本中的大多數屬于某一個類別，則該待甄別數據集m1被分類到該類別，減少了無意義重復計算。