基于混合动态贝叶斯网络的快速核素识别方法研究及其在辐射监测中的应用

针对复杂辐射环境中核素识别速度慢、准确率低的问题，研究人员提出基于混合动态贝叶斯网络（HDBN）的建模方法，通过蒙特卡洛模拟和概率传播算法优化参数，实现单核素（91.3%准确率）及多核素（如137 Cs 81%检出率）的高效识别。该研究为辐射安全监测提供了创新技术路径。

　　

在国防、医疗等涉及放射性物质的领域，快速准确识别核素是保障公共安全的关键。然而传统方法面临两大困境：一是依赖大量脉冲数据积累，难以应对低计数率场景；二是现有算法对康普顿散射（Compton scattering）效应建模不足，导致高背景干扰下性能骤降。更棘手的是，硬件时间分辨率限制使得基于时序分析的先进方法难以普及。

中国研究人员在《Applied Radiation and Isotopes》发表的研究中，创新性地将探测器输出脉冲序列视为单能射线（monoenergetic rays）的能量事件模型序列，构建混合动态贝叶斯网络（Hybrid Dynamic Bayesian Network, HDBN）框架。通过蒙特卡洛模拟计算各脉冲事件对应不同单能射线的置信度，结合改进的交互卡尔曼滤波（Interactive-Kalman filtering）算法动态更新参数，最终实现仅需少量脉冲即可完成核素鉴别的突破。

关键技术包括：1) 基于探测器能谱响应的HDBN建模；2) 单能射线独立处理通道设计；3) 序贯检验（sequential test）驱动的贝叶斯似然比实时更新；4) 真实背景噪声模型构建。研究采用Geant4模拟工具验证性能，测试场景涵盖单核素至五核素混合体系。

研究结果
事件模型序列
通过将特征能量区（ROI）计数归因于特定单能射线，建立能量-核素映射关系，解决康普顿散射导致的能谱重叠问题。

实施过程
分布式架构下，先验模型训练模块初始化转移概率，能量判别模块采用阈值分割，参数估计模块通过滤波算法优化隐含状态变量，检测决策模块实现实时核素判定。

讨论
在背景噪声与目标核素强度比1:7时，单核素识别准确率达91.3%；双核素体系（⁶⁰
Co与¹³⁷
Cs强度比10:1）中¹³⁷
Cs检出率81%；五核素混合时¹³³
Ba识别率高达99.6%，非目标核素误报率<0.8%。

结论
该研究首次将HDBN引入辐射探测领域，通过能量序列分析替代传统时序依赖方法，在保持⁶⁰
Co接近100%检出率的同时，显著提升弱信号核素（如²²
Na 81.3%）的识别能力。所提出的四模块并行架构为便携式辐射监测设备开发奠定理论基础，尤其适用于核应急响应等低计数率场景。

作者贡献
WenMing Xia负责理论与资源支持；Junjun Chen完成算法实现；Zifu Hao进行可视化验证；Junjun Gong参与方法论设计；Yuhang Zhang主导模型构建与论文撰写。研究声明无利益冲突。