导读:本文包含了粒子鉴别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:粒子,步长,神经网络,波形,脉冲,算法,梯度。
粒子鉴别论文文献综述
易晗,赵映潭,蒋伟,樊瑞睿,白怀勇[1]（2018）在《屏栅电离室在~6Li(n,t)~4He反应测量中的粒子鉴别方法研究》一文中研究指出在CSNS反角白中子源(Back-n)带电粒子探测器阵列(LPDA)开展了~6Li(n, t)~4He双微分截面的测量实验。LPDA系统由叁种探测器组成,其中之一是具有粒子识别能力的屏栅电离室(GIC)。屏栅电离室的阳极和阴极波形经过通用电子学数字化之后被保存并进行离线分析。离线数据分析包括两个主要步骤,第一步是数字信号处理,包括RC-CR滤波、带通滤波,数字CFD等等。通过数字滤波,提高了信号的信噪比和定时精度。离线数据分析的第二步是氚核甄别,为提高甄别效率,使用多变量分析工具包(TMVA)进行分析。经过TMVA的训练和测试,氚核甄别效率达到98%,提高了数据分析结果的可信度。(本文来源于《第十九届全国核电子学与核探测技术学术年会论文集》期刊2018-10-15）
刘晓华,付秀华,田野,黄盛锋,舒伟平[2]（2018）在《一种基于双向鉴别信息的粒子滤波跟踪方法》一文中研究指出为提高对复杂背景下目标的跟踪精度,提出一种基于双向鉴别信息的粒子滤波目标跟踪方法。首先在视频图像序列的第一帧中,同时给目标和背景建立模型。然后以粒子滤波为跟踪框架,对每个粒子进行操作时,采用基于扩展的局部不变特征分别描述目标区域和背景区域。最终通过目标和背景的双向鉴别信息,获取目标的跟踪结果。实验结果表明,此方法在不需要太多数目粒子的条件下依然可以达到很好的跟踪效果。(本文来源于《长春理工大学学报(自然科学版)》期刊2018年03期）
赵圣鹰[3]（2017）在《基于微结构气体探测器的粒子鉴别的研究》一文中研究指出微结构气体探测器广泛地应用于各种粒子物理与核物理领域的实验研究以及核技术应用之中,径迹探测技术和宇宙射线、快中子成像技术都面临着粒子鉴别的问题,因此我们探索通过对不同信号时间信息的分析,进行信号鉴别的技术。首先,我们基于叁层GEM进行了鉴别X射线和宇宙射线的实验。实验结果表明利用时间信息可以鉴别出97%的X射线及宇宙射线μ子,证实了利用时间信息鉴别粒子的可行性和有效性。这个方法可以推广到带电粒子与光子的鉴别上。利用这个方法可以提高探测数据的质量,提高径迹探测的精确度。其次,我们设计了双层GEM与Micromegas级联的新型混合式微结构气体探测器来提高粒子鉴别能力,通过Garfield++软件对设计的探测器进行了性能模拟。模拟结果表明,新型探测器不仅可以大幅度降低信号的上升时间提高粒子鉴别能力,而且在时间空间分辨上也优于叁层GEM探测器,还可以减小Micromegas打火率及正离子反馈,是一个易于制造且极具发展潜力的新型微结构气体探测器。(本文来源于《兰州大学》期刊2017-05-01）
朱金涛[4]（2014）在《基于脉冲波形分析的带电粒子鉴别方法研究》一文中研究指出带电粒子探测技术在辐射防护、环境监测、粒子事件预报以及核素分析等领域应用普遍。由于种类多样,在对带电粒子进行探测时必须进行粒子鉴别,也就是要测出其原子序数Z和质量数A。目前,人们已经提出了许多种鉴别方法,而脉冲波形分析法(PSA)由于包含丰富的粒子信息,成为带电粒子鉴别方法的研究重点。本文基于实验事实,将频域分析引入带电粒子鉴别领域,提出了一种频率比值分析法(FRA)。论文构建了一个由全耗尽型硅探测器、前置放大器(CANBERRA Model 2003BT)、数据采集卡(CAEN V1729A)、高压电源(ORTEC 556)、快放大器(ORTEC 9302)组成的带电粒子探测平台。实验中完成了对α粒子和质子的测量。其中,α粒子由镀铀铜片衰变产生,而质子则由252Cf衰变产生的中子轰击聚乙烯膜产生。在得到实验数据后,又完成了无效数据剔除、基线消除、脉冲截取、归一化以及能量刻度等数据处理过程,再经过傅里叶变换后得到质子和α粒子的频谱特性曲线。分析两种粒子的频域特性,从而提出了一种频率比值分析方法(FRA),将第一个频率分量与直流分量的比值作为鉴别参数,进行质子和α粒子的鉴别。实验结果表明,FRA法的FOM值可以达到1.7以上,错误率低至1%以下。与时域的两种方法,电流脉冲峰值法和二阶矩法,以及频域的其它叁种方法相比,FRA法的鉴别性能最好。频率比值分析法(FRA)对带电粒子的鉴别效果好,抵抗噪声干扰的能力较强,计算量不大,在带电粒子探测领域有着广阔的应用前景。(本文来源于《国防科学技术大学》期刊2014-11-01）
王树旺,路永钢,陈旭荣[5]（2014）在《基于共轭梯度优化算法的BP神经网络在高能粒子鉴别等领域中的应用》一文中研究指出人工神经网络方法已被引入高能物理实验领域并被广泛地应用于夸克胶子喷注的鉴别、电子强子分辨、顶夸克和Higgs粒子的寻找等等。本文采用了一种改良的共轭梯度优化算法并应用于高能物理实验中粒子的鉴别。在该应用中,此算法既能实现每步迭代时在搜索方向上获得最优步长,又能避免目标函数陷入局部收敛点,从而使目标函数快速收敛,提高了算法的有效性。分析结果表明,我们改进后的BP算法显着地提高了粒子物理数据分析中的粒子鉴别能力。(本文来源于《原子核物理评论》期刊2014年03期）
朱金涛,刘国福,杨俊,张磊[6]（2014）在《带电粒子鉴别的脉冲波形分析法比较研究》一文中研究指出脉冲波形分析法是带电粒子鉴别的一种重要途径,由于其包含的粒子信息丰富,设备简单,因而得到越来越多的应用。本文采用一种简单的模型模拟了35MeV的Li-6与Li-7粒子垂直入射Si探测器后产生的电流波形,分别比较了积分电荷法、二阶矩法以及将两种方法混合起来的鉴别效果。(本文来源于《第十七届全国核电子学与核探测技术学术年会论文集》期刊2014-08-13）
王树旺[7]（2014）在《基于改进的BP算法在高能粒子鉴别中的应用与研究》一文中研究指出高能物理学(high-energy physics)是物理学研究发展的一个重要分支学科,它的主要工作是研究微观世界中比原子核更深层次物质的结构和性质,以及这些物质在极高的能量下可以相互转化的现象。高能物理学是建立在实验基础上的,通过大量的理论研究和实验找出产生这些现象的原因和规律,所以它又是基于理论和实验密切结合发展的一门学科[1]。在高能物理实验中,通常都需要记录,分析和处理大量的用来描述样本数据物理特性和系统特征的信息,由于实验样本数量巨大,并且数据都带有一定的随机性,使得实验样本形成了规模巨大、复杂的数据海洋。从而繁琐的海洋数据处理大大增加了高能物理实验的难度。因此,随着近年来人工神经网络技术的日趋成熟,经常被用于高能物理领域来处理复杂难辨的高能物理数据[2],以此来降低了高能物理实验的难度。神经网络在高能物理中的应用主要有两个方面：在线触发和离线分析。在线触发中,神经网络可用于制作探测器处理数据的芯片[3],并且其大量小单元的并行处理的能力能大大的提高鉴别速度。目前这种芯片已经被安装在很多的高能物理的实验器中。在离线处理方面,神经网络更是以其独特的并行计算能力被广泛地应用于数据处理中。人工神经网络(Artificial Neural Networks,简写为ANN)是一种模拟人脑神经的网络结构,功能和互联特性,进行规模巨大的分布式信息存储和并行协同处理的智能系统。它具有独特的鲁棒性、自学习性、自组织性和自适应性等特性,具有很强的分类能力和任意精度逼近复杂非线性函数的能力。这对弥补现有科学技术的不足,以及更深入解决高复杂度的非线性问题有着重要意义。已经在诸多工程技术领域得到应用,如图像识别、信息处理、经济预测以及系统建模等。早在1988年,一些学者就将神经网络方法应用到高能物理实验中去分析和处理粒子具有的物理特征[4,5,6],例如夸克胶子喷注的识别[7,8,9]、电子强子分辨以及Higgs粒子的寻找等,并取得了令人满意的实验结果。目前,在实际应用中较成熟的神经网络模型是按误差逆向传递(Back-Propagation)算法学习的多层前馈网络(简称BP网络)。BP神经网络具有良好的学习能力和泛化能力,所以被大量应用于非线性建模、函数逼近、模式分类等方面。但是,传统的BP算法[10]在学习过程中,学习步长[11,12]的选取一般是人为确定的,并且是固定不变的,这是一个很大的缺点,究其原因,总误差、E是一个复杂度极高的非线性函数,很难利用传统的优化技术和解析方法得到最佳步长。如果学习步长选得太大,会使学习优化产生振荡甚至发散,如果学习步长选得太小,不仅会增加迭代次数,而且会陷入局部极小值,最终搜索不到最优点。所以如何确定每步迭代时的最佳步长,是长期以来研究的一个重要问题。另外,传统的BP算法采用的是负梯度算法,该算法存在收敛速率低,训练时间长等缺点,严重影响了BP神经网络在实际中的应用。针对传统BP算法的局限性,国内和国外不少学者提出了一些的改进算法,综合起来主要有叁种：一是基于数值计算的改进[13],如牛顿法和最小二乘法；二是基于梯度法的改进[14,15,16],如可变学速度的反向传播算法和学习速率的自适应调节算法；叁是混合算法[17],如BP算法和动态算法、模糊算法、遗传算法、或是其它算法之一混合。但是,由于算法使用不合适的初始参数选择和固定学习步长,多数的改进算法并不能获得理想结果。本文提出了一种改良的共轭梯度优化算法。该算法将采用搜索方向为共轭方向,并通过二次插值法确定最佳学习步长,克服了传统BP算法的缺陷。我们将该优化算法应用于高能物理实验中粒子的鉴别,在该应用中,此算法既能实现每步迭代时在学习搜索方向上获得最佳步长,又能避免目标函数陷入局部收敛点,从而使目标函数快速收敛,提高了算法的有效性。实验结果表明,使用改进后的BP优化算法显着地提高了粒子物理特性分析中的粒子鉴别能力。此外,本文还将该优化算法对Iris数据集和Seeds数据集进行分类实验,来进一步说明共轭梯度优化算法较强的有效性和适用性。这两个数据集是UCI机器学习数据库[18]中两个标准的测试数据集,被大量使用于分类和模式识别的研究中。同样也可以得到令人满意的分类结果。(本文来源于《兰州大学》期刊2014-04-01）
朱金涛,刘国福,杨云,罗晓亮[8]（2014）在《带电粒子鉴别方法的发展与现状》一文中研究指出简要介绍了传统的用于带电粒子鉴别的探测器望远镜方法和飞行时间法,详细叙述了脉冲波形分析法的原理及其发展与现状,对脉冲波形分析所采用的各种方法做了回顾和总结,并介绍了几种空间粒子探测器。最后,对带电粒子鉴别方法的前景作出了展望。(本文来源于《核电子学与探测技术》期刊2014年02期）
崔向丽,陈旭荣,喻梅凌,周庆国[9]（2013）在《基于Bagging算法的神经网络在粒子鉴别中的应用》一文中研究指出分析了神经网络方法和bagging算法在实验高能物理和核物理数据分析中的应用现状。分别对神经网络方法和bagging算法的基本原理进行了介绍。以蒙特卡罗产生器产生的夸克胶子喷注样本为例,详细讨论了神经网络方法以及bagging算法与神经网络结合对粒子鉴别中信号和背景区分问题的应用过程,并对结果进行了讨论和分析。实验结果表明,应用bagging算法后,神经网络能够较大幅度地提高实验高能物理和核物理数据分析中粒子鉴别的精度,以及能够得到较高的信噪比。(本文来源于《原子核物理评论》期刊2013年04期）
毕艳兰,任小娜,彭丹,杨国龙,张林尚[10]（2013）在《粒子群最小二乘支持向量机结合偏最小二乘法用于芝麻油质量的鉴别》一文中研究指出结合粒子群最小二乘支持向量机(PSO-LSSVM)与偏最小二乘法(PLS)提出一种基于气相色谱技术的新方法,对芝麻油进行真伪鉴别,并对掺伪品中掺假比例进行定量分析。采用主成分分析法(PCA)对857个样本的脂肪酸色谱数据进行分析,优选主成分作为最小二乘支持向量机(LSSVM)的输入向量。利用粒子群算法(PSO)优化LSSVM,构建芝麻油掺伪鉴别的两级分类模型,同时运用PLS建立掺伪芝麻油中掺伪油脂的定量校正模型,两级分类模型的准确率分别达到了100%和98.7%,定量分析模型的平均预测标准偏差(RMSEP)为3.91%。结果表明,本方法的鉴别准确性和模型泛化能力均优于经典的BP神经网络和支持向量机(SVM),可用于食用油脂加工和流通环节的质量控制,为食用油质量的准确鉴定提供了一条有效途径。(本文来源于《分析化学》期刊2013年09期）
粒子鉴别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为提高对复杂背景下目标的跟踪精度,提出一种基于双向鉴别信息的粒子滤波目标跟踪方法。首先在视频图像序列的第一帧中,同时给目标和背景建立模型。然后以粒子滤波为跟踪框架,对每个粒子进行操作时,采用基于扩展的局部不变特征分别描述目标区域和背景区域。最终通过目标和背景的双向鉴别信息,获取目标的跟踪结果。实验结果表明,此方法在不需要太多数目粒子的条件下依然可以达到很好的跟踪效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
粒子鉴别论文参考文献
[1].易晗,赵映潭,蒋伟,樊瑞睿,白怀勇.屏栅电离室在~6Li(n,t)~4He反应测量中的粒子鉴别方法研究[C].第十九届全国核电子学与核探测技术学术年会论文集.2018
[2].刘晓华,付秀华,田野,黄盛锋,舒伟平.一种基于双向鉴别信息的粒子滤波跟踪方法[J].长春理工大学学报(自然科学版).2018
[3].赵圣鹰.基于微结构气体探测器的粒子鉴别的研究[D].兰州大学.2017
[4].朱金涛.基于脉冲波形分析的带电粒子鉴别方法研究[D].国防科学技术大学.2014
[5].王树旺,路永钢,陈旭荣.基于共轭梯度优化算法的BP神经网络在高能粒子鉴别等领域中的应用[J].原子核物理评论.2014
[6].朱金涛,刘国福,杨俊,张磊.带电粒子鉴别的脉冲波形分析法比较研究[C].第十七届全国核电子学与核探测技术学术年会论文集.2014
[7].王树旺.基于改进的BP算法在高能粒子鉴别中的应用与研究[D].兰州大学.2014
[8].朱金涛,刘国福,杨云,罗晓亮.带电粒子鉴别方法的发展与现状[J].核电子学与探测技术.2014
[9].崔向丽,陈旭荣,喻梅凌,周庆国.基于Bagging算法的神经网络在粒子鉴别中的应用[J].原子核物理评论.2013
[10].毕艳兰,任小娜,彭丹,杨国龙,张林尚.粒子群最小二乘支持向量机结合偏最小二乘法用于芝麻油质量的鉴别[J].分析化学.2013
论文知识图
