本发明涉及中子探测，特别涉及一种基于迁移学习的中子能谱少道解谱系统。
背景技术：
1、中子能谱反映了中子通量和其能量分布的关系，是验证反应堆安全运行必不可少的监测参数，可以更精准地表征反应堆的功率分布、也是评价内部元器件辐照损伤和周边中子辐照剂量必不可少的物理参数，同时决定反应堆整体燃料利用效率，例如，反应堆中子能谱影响反应堆的增殖和嬗变功能，干扰其功率与燃耗深度等参数，从而影响到反应堆的经济性；反应堆中子能谱影响反应堆功率、反应性系数与瞬发中子寿命等，不恰当的中子能谱会干扰到反应堆的安全控制与运行。
2、精准准确测量中子能谱对提高新型核能系统设计的经济安全性、中子学实验研究等影响深远。核领域把测量中子能谱的测量设备称为中子谱仪，大多数中子谱仪的测量原理是使用中子与其它原子发生不同作用而产出次级带电粒子，从而探测记录中子。目前主流的能谱测量方法有多球中子谱仪、飞行时间法谱仪、活化片法谱仪、反冲质子谱仪和核反应谱仪等，但是现有的这些技术往往存在一定的局限性，例如，多球中子谱仪体积大且会受原始辐射场干扰、活化片法谱仪很难实现在线解谱、飞行时间法谱仪长度无法满足灵活布置要求、反冲质子谱仪在低能区无响应、核反应谱仪种类较多，大多数成本较高，单一探测器测量范围有限。
3、利用实验测量得到的中子信息反向推导中子能谱的操作称之为中子解谱，大多数中子谱仪需要中子解谱算法的支持，比如多球中子谱仪等，先进的中子解谱技术需要满足一些条件：解谱准确度足够高、解谱速度足够快、解谱能域范围足够广。
4、中子解谱算法的准确度直接影响到中子能谱测量的准确度，目前的中子能谱测量方法存在一定的局限性，单项测量技术难以平衡测量准确度、速度和能域宽度。从硬件上提升能谱测量的准确度代价较大，从中子解谱算法上提升能谱测量的准确度较为实际。先进核能系统的中子能谱复杂多变且平均能量高，大大提高了能谱测量的难度。不同类型反应堆采用的构造方式、冷却方法、布局材料和核燃料截然不同，因此其中子能谱也大相径庭，且覆盖能域范围差别很大，反应堆内部环境多变且中子能谱复杂，因此精准地测量反应堆宽能域中子能谱始终是一项棘手的任务，而反应堆宽能域中子能谱在线测量更是难以实现。
5、由于反应堆能谱测量空间有限，探测器的数量不宜多、体积不宜大，同时为了减少探测器对原始辐射场的干扰，宜采用少道解谱原理对反应堆宽能域能谱进行测量。少道解谱是指通过少量探测器或计数道测量出的信息来反向推导中子能谱的过程，具有一定的可靠性，本专利设计的中子能谱测量方法正是基于少道解谱原理设计的。
6、反应堆环境特征要求探测器具有通畅性、便于识别γ粒子、抗高温辐照以及小体积等特点，如需实现在线测量，还要求探测器具有实时反馈信号的能力。总的来说，现阶段依旧缺乏足够小型化，低成本的反应堆宽能域中子能谱在线测量技术。
技术实现思路
1、为了提升反应堆宽能域中子能谱测量的准确度和效率，本发明提出一种基于迁移学习的中子能谱少道解谱方法，实现对探测位置中子能谱的准确高效测量。该系统可通过探测器子系统和少道解谱子系统快速准确地测量复杂结构探测位置的中子能谱，提高反应堆宽能域能谱在线测量技术的准确度和速度，为反应堆设计与物理分析提供关键运行参数，同时为新型核能系统的中子学实验提供有力支撑。
2、本发明的技术方案为：一种基于迁移学习的中子能谱少道解谱系统，其包括：探测器子系统和少道解谱子系统，其中，
3、探测器子系统的中子探头包括3个中子灵敏区，分别为热中子灵敏区、超热中子灵敏区和快中子灵敏区，每个中子灵敏区填充相应的中子灵敏材料；所述中子探头设置于待测反应堆内，组合不同中子灵敏区的测量值确定测量数据，所述测量数据通过通信系统被发送至少道解谱子系统；
4、少道解谱子系统基于所述测量数据，利用基于迁移学习的解谱方法，反演出所述中子探头探测位置处的中子能谱，得到解出谱。
5、进一步的，热中子灵敏区(1)填充235u材料，超热中子灵敏区(2)填充10b材料，快中子灵敏区(3)填充238u材料；每个中子灵敏区之间使用金属外壳分隔；所述超热中子灵敏区(2)的材料外围覆盖镉材料。
6、进一步的，每个中子灵敏区响应函数确定方法为：利用蒙特卡罗方法计算各个中子灵敏区的响应函数，所述响应函数反映出探测器子系统计数值与其所在探测位置中子能谱之间的映射关系；所述响应函数表达式：
7、r(en)＝t*σ*as*n*v (1)
8、式中，r(en)为响应函数，t为蒙特卡罗程序计算的中子注量，σ为材料的微观截面，as为中子源面积，n为材料的原子密度，v为灵敏体积。
9、进一步的，利用基于迁移学习的解谱方法，反演出所述中子探头探测位置处的中子能谱，具体包括：
10、首先通过蒙特卡罗方法模拟出海量中子能谱数据，然后通过卷积计算出各个中子能谱对应的探测器子系统计数值c：
11、c＝∑r(ei)*ф(ei) (2)
12、式中，r(ei)为能量ei下的响应函数值，ф(ei)为能量ei下的中子注量值，脚标i为区分不同能量的编号；
13、将探测器子系统的一组计数值作为人工神经网络模型的输入层，将对应中子能谱中某特定能段下的中子通量值作为人工神经网络模型的输出层，人工神经网络模型的隐藏层为带有30个神经元节点的一层结构，激活函数为relu函数，构建若干组预测不同能段下中子通量的网络模型，以获取该计数值对应的中子能谱。
14、进一步的，所述人工神经网络模型的训练方法为：
15、模型使用反向传播算法对人工神经网络模型进行训练，训练方法为：
16、(1)使用前向传导公式执行前馈计算，获得第二层、第三层一直到输出层的激活值；
17、(2)对于输出层n，计算其残差：
18、δ(n)＝-(y-a(n))*f′(z(n))
19、(3)对于第i个中间层的神经元，计算其相应的残差：
20、δ(l)＝((w(l))t*δ(l+1))*f′(z(l))
21、(4)计算每一个神经元对应的偏导数值：
22、
23、(5)将计算出的偏导数带入对应权重w和偏差b的更新公式：
24、
25、上述的公式中，i代表人工神经网络模型的第i层，i＝1，2，…，n，n为层数，x是输入值，其为探测器子系统的计数值，y是输出值，其为某特定能段下的中子通量值，j(w，b；x，y)是代价函数，a(l)为第i层的样本值，f′为激活函数的导数，α是学习率，z(l)是第i层神经元的输出值，δ(l)是第i层的残差，w(l)是第i层神经元的权重，bi(l)是第i层第i个神经元的偏差，k是训练样本个数，代价函数如下式所示：
26、
27、将前序人工神经网络预测出的中子能谱作为预置谱，利用迁移学习算法对预置谱进行细粒度优化，使其向真实能谱靠近。
28、进一步的，所述人工神经网络模型训练完成后，进一步利用迁移学习算法对其进行优化，具体方法为：
29、将探测器子系统在某探测位置的计数值作为所述人工神经网络模型输入，其输出作为该计数值对应的中子能谱，将该中子能谱作为预置谱，利用迁移学习算法对预置谱进行优化，具体包括：
30、保留训练完成的人工神经网络模型，将每个预测能谱位置的特定特征值添加到先前的人工神经网络模型中，并将这些特征值和原人工神经网络模型的输出值共同作为输入数据来训练更深层次的人工神经网络结构；
31、将预置谱的每个能段下的中子通量值和真实能谱的波动偏差值作为该更深层次人工神经网络的输出层，隐藏层为带有20个神经元节点的一层结构，激活函数为relu函数，构建预测预置谱不同能段下中子通量波动偏差的网络模型，以获取预置谱对应的优化参数组；
32、将优化参数组导入对应的预置谱进行反向修正，以实现预置谱的自适应抗误差优化。
33、本发明与现有技术相比的优点在于：
34、(1)在本发明的一种基于迁移学习的中子能谱少道解谱系统中，探测器子系统采用的复合式中子探头的高响应覆盖能域范围宽，响应速率快，中子探头结构紧凑，有助于解决狭小空间下的宽能谱在线测量难题。
35、(2)在本发明的一种基于迁移学习的中子能谱少道解谱系统中，少道解谱子系统不受核能系统类型限制，结合迁移学习算法，有助于解决反应堆宽能域中子能谱的快速准确测量难题。
1.一种基于迁移学习的中子能谱少道解谱系统，其特征在于，其包括：探测器子系统(a)和少道解谱子系统(b)，其中，
2.根据权利要求1所述的解谱系统，其特征在于，热中子灵敏区(1)填充235u材料，超热中子灵敏区(2)填充10b材料，快中子灵敏区(3)填充238u材料；每个中子灵敏区之间使用金属外壳分隔；所述超热中子灵敏区(2)的材料外围覆盖镉材料。
3.根据权利要求1所述的解谱系统，其特征在于，每个中子灵敏区响应函数确定方法为：
4.根据权利要求3所述的解谱系统，其特征在于，利用基于迁移学习的解谱方法，反演出所述中子探头探测位置处的中子能谱，具体包括：
5.根据权利要求4所述的解谱系统，其特征在于，所述人工神经网络模型的训练方法为：
6.根据权利要求5所述的解谱系统，其特征在于，所述人工神经网络模型训练完成后，进一步利用迁移学习算法对其进行优化，具体方法为：
