基于差异随机采样(DRS)的伽马辐射场高效重建方法研究及其在核设施安全监测中的应用

《Radiation Physics and Chemistry》：Discrepancy-Randomness Sampling (DRS) for Gamma Radiation Field Reconstruction

本文提出了一种创新的差异随机采样(DRRS)方法，通过结合差异引导的贪婪选择和随机探索策略，在已知屏蔽结构但源项未知条件下优化传感器布点。该方法基于压缩感知(CS)理论框架，采用非负最小绝对收缩选择算子(NNLASSO)进行权重估计，在三种典型屏蔽场景（开放体积源、L形屏蔽点源、迷宫式屏蔽点源）中相比随机采样(RS)分别减少12%、40%和13%的采样点需求，显著提升了伽马辐射场重建精度与误差分布均匀性。

　　

Section snippets

Compressed Sensing-Based Gamma Radiation Field Reconstruction Method

压缩感知(Compressed Sensing, CS)技术通过利用信号在特定变换域的稀疏特性，能够以远少于传统采样方法的数据点实现原始信号的精确重建。该方法将信号投影到不相干的随机测量矩阵上，并应用稀疏重建算法，可实现精准的信号恢复（Candes和Wakin，2008）。

构建物理信息稀疏字典是关键前提。本研究遵循Chao等人（2020）的方法...

Experiments and results

为评估提出的DRS方法，我们设计了如图2所示的三种测试场景：(a) 开放体积源，(b) L形屏蔽点源，(c) 迷宫式屏蔽点源。每个场景均在400厘米×100厘米×400厘米的立方空间内通过蒙特卡洛方法进行模拟，离散化为20×5×20的网格，步长统一为20厘米，共生成2,000个已知测量点。每个蒙特卡洛模拟使用1×10⁸个粒子，确保统计波动可忽略不计。

Discussion

测试结果表明，与随机采样相比，提出的DRS方法能够基于预测不确定性动态布点，优先选择变异较强或信息更丰富的区域。这使得采样点分布更精准反映辐射场的真实空间特征，显著提升了重建精度。

在复杂度递增的辐射场场景评估中，DRS方法展现出卓越的适应性——就像智能侦察兵能自动锁定"热点区域"进行重点探测。特别是在L形屏蔽场景中，其采样点需求直降40%，宛若给辐射场测绘装上了"智能导航系统"。

Conclusion

在辐射场测量与重建任务中，核心挑战是如何在有限资源下优化采样点布局。虽然现有随机采样方法能部分捕捉辐射场空间特征，但在复杂或高变异场景中易出现信息捕获不足或误差分布不均的问题。本研究提出的DRS方法通过差异性与随机性的巧妙平衡，为核设施辐射监测提供了更智能的解决方案。