基于声纹识别技术的脉冲中子-伽马波形鉴别新方法

为解决脉冲中子辐射场中粒子数量有限且反应过程不可重复导致的波形鉴别难题，中国原子能科学研究院团队创新性地将声纹识别(VI)技术引入中子/伽马脉冲形状鉴别(PSD)领域。通过梅尔频率倒谱系数(MFCC)特征提取、通用背景模型(UBM)训练及高斯混合模型(GMM)自适应优化，该研究在仅1000个小样本训练集下实现99%的鉴别准确率，为强脉冲辐射场实时监测提供了高精度、强泛化性的新方案。

　　

在新能源开发和公共安全领域，中子探测技术如同"辐射世界的显微镜"，却长期被伽马射线干扰所困扰。传统脉冲形状鉴别(PSD)方法如同用筛子过滤泥沙——当遇到脉冲中子源产生的有限样本或不可重复反应时，这些方法往往"力不从心"。更棘手的是，现有机器学习算法需要数万训练样本，而强脉冲辐射场可能仅能提供千量级波形，这就像要求厨师用极少的食材烹制满汉全席。

中国原子能科学研究院团队独辟蹊径，将生物识别领域的声纹识别(VI)技术"跨界"应用于辐射探测。研究者们创造性地将中子/伽马波形视为特殊"声纹"，通过五步精密操作实现突破：首先用梅尔频率倒谱系数(MFCC)提取波形"声学指纹"，接着建立混合场的通用背景模型(UBM)，再通过最大后验概率(MAP)自适应训练中子/伽马高斯混合模型(GMM)，最后完成模型验证与应用。实验采用600 kV ns脉冲中子发生器(CPNG-6)产生的D(d,n)³
He反应中子，配合Φ25×5 mm茋晶体探测器获取波形数据。

Implementation principle
研究团队建立的理论框架显示，将中子/伽马波形类比为两类"说话人"的声纹时，VI技术的核心算法可直接迁移。通过MFCC的26维特征空间转换，原本重叠的波形特征在倒谱域呈现明显可分性，这如同为混乱的声波谱系建立了"分子条形码"。

Waveform acquisition
实验设计凸显极端条件适应性：CPNG-6产生的2.5 MeV单能中子与周围介质作用产生的伽马形成混合场，探测器信号经500 MHz采样率数字化后，每个波形包含1024个时间节点数据。这种高时空分辨率采集为后续特征挖掘奠定基础。

Conclusions
该研究最终构建的VI-PSD算法展现出三大突破性优势：一是仅需700标记样本即可达到99%准确率，比传统电荷积分法提升近10%；二是对幅度<100 mV的微弱信号仍保持93.2%识别率，解决GMM模型在小信号上的固有缺陷；三是单波形处理时间仅1.2 ms，满足脉冲场实时监测需求。这些突破为惯性约束聚变等不可重复核反应过程提供了新型诊断工具。

讨论部分着重指出，该方法开创了"以声辨粒"的新范式：通过声学特征提取技术处理辐射波形，不仅克服了小样本限制，更首次实现波形信息的全维度利用。相比文献报道的ANN、SVM等方法，VI-PSD在相同样本量下将误判率降低至1/15。未来结合FPGA硬件加速，该技术有望成为脉冲辐射场监测的新标准，特别是在核安保和聚变诊断等极端场景中展现独特价值。论文中强调的UBM-GMM-MAP技术路线，为其他小样本辐射鉴别问题提供了普适性框架。