利用非负矩阵分解实现实时、自适应的放射性异常检测及同位素识别

《IEEE Transactions on Nuclear Science》：Real-Time, Adaptive Radiological Anomaly Detection and Isotope Identification Using Non-Negative Matrix Factorization

光谱异常检测与同位素识别算法在核不扩散应用中面临移动检测系统背景谱动态变化挑战，传统非负矩阵分解（NMF）因依赖静态背景模型导致误报率波动或灵敏度下降。本文提出自适应NMF算法，通过周期性更新背景模型实现环境适应性，在保持或提升检测性能的同时增强模型泛化能力。

　　

摘要：

光谱异常检测和同位素识别算法是核不扩散应用（如搜索行动）中的关键组成部分。在移动检测系统的情况下，这一任务尤其具有挑战性，因为观测到的伽马射线背景会发生变化，而预训练的背景模型可能无法有效应对这些变化。结果可能是算法的误报率超出预期，或者为了保持所需的误报率而牺牲了检测灵敏度。非负矩阵分解（NMF）是一种强大的光谱异常检测和识别工具，但与许多依赖数据驱动背景模型的类似算法一样，在其传统实现中，它无法实时更新以适应影响背景光谱特征的环境变化。我们开发了一种基于NMF的新算法，该算法能够定期更新其背景模型以适应不断变化的环境条件。这种自适应NMF算法对环境的假设较少，因此比现有的基于NMF的方法更具通用性，同时在模拟数据和真实世界数据集上的检测性能保持或超过了原有算法的水平。

引言

光谱异常检测和同位素识别算法是核不扩散应用中的关键组成部分，例如用于检测丢失、被盗或处于监管控制之外的放射性材料。这类算法已应用于国土安全[1]、[2]、[3]、[4]；污染监测与修复[5]、[6]；以及应急响应（例如，找回丢失的放射源）[7]、[8]等领域。