DOI: https://doi.org/10.30837/1563-0064.1.2018.152797

РЕШЕНИЕ ЗАДАЧИ МНОГОМЕТОЧНОЙ КЛАССИФИКАЦИИ ДЛЯ ИДЕНТИФИКАЦИИ РАДИОНУКЛИДОВ

Анна Ивановна Скрыпник, Дмитрий Владимирович Федорченко, Манап Ахмадович Хажмурадов

Аннотация


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.


Ключевые слова


идентификация нуклидов; много-меточная классификация; метод k ближайших соседей; наивный байесовский классификатор; метод опорных векторов и деревья решений

Полный текст:

PDF(Русский)

Литература


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.


Ссылки

  • На текущий момент ссылки отсутствуют.


Copyright (c) 2019 Радиоэлектроника и информатика

Creative Commons License
Эта работа лицензирована Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.