РЕШЕНИЕ ЗАДАЧИ МНОГОМЕТОЧНОЙ КЛАССИФИКАЦИИ ДЛЯ ИДЕНТИФИКАЦИИ РАДИОНУКЛИДОВ
DOI:
https://doi.org/10.30837/1563-0064.1.2018.152797Ключевые слова:
идентификация нуклидов, много-меточная классификация, метод k ближайших соседей, наивный байесовский классификатор, метод опорных векторов и деревья решенийАннотация
Описывается определение изотопного состава радио-активных источников, состоящих из одного до пяти нуклидов (57Co, 137Cs, 131I, 133Ba и 241Am), по спектрам их гамма-излучения. Для получения спектров используется программа, разработанная на базе библиотек Geant4. Задача идентификации нуклидов рассматри- вается как задача многометочной классификации. Поставленная задача преобразовывается в набор задач однометочной классификации, для решения которых используются такие методы классификации, как метод k ближайших соседей, наивный байесовский классификатор, метод опорных векторов и деревьярешений.
Библиографические ссылки
Routti J.T. and Prussin S.G. Photopeak Method for the Computer Analysis of Gamma-Ray Spectra from Semi-conductor Detectors // Nuclear Instruments and Methods. 1969. Vol. 72, Iss. 2. P. 125-142.
Brutscher J., Arlt R., Czock K.H. Isotope Identification Software for Gamma Spectra Taken with CdZnTe Detectors // Nuclear Instruments and Methods in Physics Research A. 2001. Vol. 458. P. 189-195.
Yoshida E., Shizuma K., Endo S., Oka T. Application of Neural Networks for the Analysis of Gamma-Ray Spectra Measured with a Ge Spectrometer // Nuclear Instruments and Methods in Physics Research A. 2002. Vol. 484. P. 557-563.
Chen L. and Wei Y.-X. Nuclide Identification Algorithm Based on K-L Transform and Neural Networks // Nuclear Instruments and Methods in Physics Research A. 2009. Vol. 598. P. 450-453.
Alazaidah R. and Ahmad F.K. Trending Challenges in Multi Label Classification // International Journal of Advanced Computer Science and Applications. 2016. Vol. 7, No. 10. P. 127-131.
Herrera F., Charte F., Rivera A.J., del Jesus M.J. Multilabel Classification. Problem Analysis, Metrics and Techniques. Springer International Publishing Switzerland, 2016, 194 p.
Tsoumakas G. and Katakis I. Multi-Label Classification: An Overview // International Journal of Data Warehousing and Mining. 2007. Vol. 3, No. 3. P. 1-13.
Skrypnyk A.I. Artificial Neural Networks in Gamma-Spectrum Based Radionuclide Identification // Telecommunications and Radio Engineering. 2016. Vol. 75, Iss. 12. P. 1121-1128.
Sorower M.S. A Literature Survey on Algorithms for Multi-Label Learning // Technical Report. Oregon State University, Corvallis, OR, USA. 2010.
Read J., Pfahringer B., Holmes G., Frank E. Classifier Chains for Multi-Label Classification // Machine Learning. 2011. Vol. 85. P. 333-359.
Gibaja E. and Ventura S. A Tutorial on Multilabel Learning // ACM Computing Surveys. 2015. Vol. 47, No. 3. Article 52, P. 1-38.
Tsoumakas G., Katakis I., Vlahavas I. Data Mining and Knowledge Discovery Handbook. Springer, Chapter Mining Multi-label Data, 2010. Р. 667–685.
Zhang M.-L. and Zhou Z.-H. A Review on MultiLabel Learning Algorithms // IEEE Transactions on Knowledge and Data Engineering. 2014. Vol. 26, Iss. 8. P. 1819-1837.
Agostinelli S. et al. Geant4—a Simulation Toolkit // Nuclear Instruments and Methods in Physics Research A. 2003. Vol. 506, Iss. 3. P. 250-303.
Allison J. et al. Geant4 Developments and Applications // IEEE Transactions on Nuclear Science 2006. Vol. 53, Iss. 1. P. 270-278.
Skrypnyk A.I. and Khazhmuradov M. A. Monte-Carlo Simulation of Response of Semiconductor Detectors for Radionuclide Identification Devices // Problems of Atomic Science and Technology. 2015. No. 3(97). Series: Nuclear Physics Investigations (64). P. 89-94.
Pedregosa F. et al. Scikit-learn: Machine Learning in Python // Journal of Machine Learning Research. 2011. Vol. 12. P. 2825-2830.
Szymanski P. and Kajdanowicz T. Scikit-multilearn: A Scikit-Based Python Environment for Performing MultiLabel Classification // ArXiv e-prints. 2017.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2019 Радиоэлектроника и информатика
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-ShareAlike» («Атрибуция — Некоммерческое использование — На тех же условиях») 4.0 Всемирная.
The author(s) of a manuscript agree that if the manuscript is accepted for publication in “Radioelectronics&Informatics Journal”, the published article will be copyrighted using a Creative Commons “Attribution-Non Commercial-Share Alike” license. This license allows the author(s) to retain the copyright, but also allows others to freely copy, distribute, and display the copyrighted work, and derivative works based upon it, under certain specified conditions.