Neutron and Gamma-Ray Pulse Shape Discrimination

本数据集由成都理工大学地质灾害防治与地质环境保护国家重点实验室创建，专注于中子与伽马射线脉冲形状鉴别。数据集包含原始及噪声增强的中子与伽马射线脉冲信号，以及多种脉冲形状鉴别算法的源代码，旨在评估这些算法在不同噪声条件下的性能。创建过程中使用了241AmBe同位素中子源和EJ299-33塑料闪烁体，通过数字示波器采集信号。该数据集广泛应用于粒子物理、核物理、气象学、天文学及原子反应堆监测等领域，以提高中子检测的准确性。This dataset was created by the State Key Laboratory of Geohazard Prevention and Geoenvironment Protection, Chengdu University of Technology, focusing on neutron and gamma-ray pulse shape discrimination. It contains both raw and noise-augmented neutron and gamma-ray pulse signals, as well as source codes of multiple pulse shape discrimination algorithms, aiming to evaluate the performance of these algorithms under different noise conditions. During its creation, a ²⁴¹AmBe isotope neutron source and an EJ299-33 plastic scintillator were used, and signals were collected via a digital oscilloscope. This dataset is widely applied in fields including particle physics, nuclear physics, meteorology, astronomy, and nuclear reactor monitoring to improve the accuracy of neutron detection.

搜集汇总

数据集介绍

构建方式

该数据集通过使用241AmBe同位素中子源生成中子和伽马射线叠加场，并使用EJ299-33塑料闪烁体和数字示波器（TPS2000B）收集脉冲信号。原始信号通过傅里叶滤波器进行滤波以去除低频噪声，并添加高斯噪声以模拟高噪声条件。数据集还包含了多种脉冲形状区分方法的源代码，包括零交叉（ZC）、电荷比较（CC）、下降沿百分比斜率（FEPS）、频率梯度分析（FGA）、脉冲耦合神经网络（PCNN）、梯形梯度（LG）和异构准连续尖峰皮质模型（HQC-SCM）。

特点

该数据集的特点在于其包含了多种脉冲形状区分方法的源代码和性能评估代码，使得研究者可以轻松比较不同方法的性能。此外，数据集还包含了抗噪声性能评估代码，允许研究者验证每种方法在不同噪声水平下的性能。数据集提供了中子和伽马射线脉冲信号的三种类型：原始、滤波和噪声增强信号。每种类型的信号都包含了中子和伽马射线脉冲信号。

使用方法

使用该数据集的方法包括：1. 运行'main.m'程序，使用所有脉冲形状区分方法对原始信号进行区分，并生成直方图。2. 使用自动双高斯分布拟合过程，并使用三西格玛点作为分布的终点。3. 计算每个方法的区分因子，并使用这些因子生成直方图。4. 使用公式计算每个方法的性能指标（FOM）值。5. 运行'Anti-noise.m'程序，在添加了高斯噪声的原始中子和伽马射线脉冲信号上执行脉冲形状区分实验。6. 对每种方法和噪声水平执行100次独立的区分过程，以获得每种方法在不同噪声下的平均性能。7. 输出包含所有方法的FOM值、平均FOM值和失败计数的MAT文件。

背景与挑战

背景概述

脉冲形状判别（PSD）作为一种信号处理技术，已在多种领域得到应用，如表面背景抑制、核与电子反冲判别以及中子与伽马射线的判别。本数据集由王凯民、刘浩然、李鹏、刘明哲和左卓等人于2024年4月8日创建，旨在为中子与伽马射线脉冲形状判别实验提供一组公开可访问的数据集。该数据集包括中子与伽马射线脉冲信号，以及用于评估脉冲形状判别性能的几种传统和新兴的脉冲形状判别算法，如零交叉（ZC）、电荷比较（CC）、下降沿百分比斜率（FEPS）、频率梯度分析（FGA）、脉冲耦合神经网络（PCNN）、梯形梯度（LG）以及异构准连续脉冲皮质模型（HQC-SCM）。此外，该数据集还提供了上述所有脉冲形状判别方法的源代码，以及用于示意图脉冲形状判别性能评估和抗噪声性能评估的源代码。这些特点使得研究人员能够使用标准程序评估这些方法，并评估它们在各种噪声条件下的抗噪声能力。总之，该数据集为进行脉冲形状判别实验和性能评估提供了一套全面的资源。

当前挑战

该数据集面临的挑战包括：1）在原始脉冲信号和噪声增强数据集下，评估脉冲形状判别算法的性能；2）构建过程中所遇到的挑战。在原始脉冲信号和噪声增强数据集下，脉冲形状判别算法的性能评估是一个重要的问题。由于噪声的存在，脉冲信号的形状特征可能会发生变化，从而影响判别算法的性能。因此，研究人员需要开发鲁棒的脉冲形状判别算法，以在各种噪声条件下实现准确的粒子判别。此外，构建过程中还可能遇到数据收集、信号处理和算法实现等方面的挑战。例如，数据收集过程中可能存在信号丢失或噪声干扰等问题，信号处理过程中可能需要进行复杂的滤波和特征提取等操作，算法实现过程中可能需要考虑计算复杂度和内存消耗等问题。因此，研究人员需要克服这些挑战，以确保数据集的质量和可用性。

常用场景

经典使用场景

脉冲形状甄别技术在核物理学、气象学、天文学以及核反应堆等领域中扮演着关键角色。该技术通过分析中子和伽马射线的脉冲形状特征，从而实现对这两种粒子的有效区分。该数据集为研究者提供了丰富的脉冲信号资源，包括原始信号、过滤信号和噪声增强信号，以及多种甄别方法的源代码。这些资源使得研究者可以轻松地对不同甄别方法进行比较和评估，从而推动脉冲形状甄别技术的发展。

衍生相关工作

基于该数据集，研究者可以进一步开展脉冲形状甄别技术的研究。例如，可以探索新的甄别方法，以提高甄别精度和抗干扰能力；可以研究甄别方法的参数优化问题，以提高算法的鲁棒性；可以开发基于该数据集的甄别系统，以提高实际应用中的甄别效果。此外，该数据集还可以用于其他相关领域的研究，如信号处理、模式识别等。因此，该数据集具有重要的研究价值和应用前景。

数据集最近研究

最新研究方向

在粒子物理学、气象学、天文学和核反应堆等领域，准确区分中子和伽马射线的脉冲形状对于精确探测和监测具有重要意义。该数据集提供了中子和伽马射线脉冲信号，以及用于脉冲形状区分的各种传统和最新算法的源代码。这些算法包括零交叉（ZC）、电荷比较（CC）、下降边缘百分比斜率（FEPS）、频率梯度分析（FGA）、脉冲耦合神经网络（PCNN）、阶梯梯度（LG）和非连续异质尖峰皮层模型（HQC-SCM）。该数据集还提供了用于评估脉冲形状区分性能和抗噪声性能的源代码。这为研究人员提供了一个全面的资源，用于进行脉冲形状区分实验和性能评估。该数据集有助于比较新开发的脉冲形状区分方法与现有方法，从而推动该领域的发展。

相关研究论文

• Dataset for neutron and gamma-ray pulse shape discrimination

  成都理工大学地质灾害防治与地质环境保护国家重点实验室 · 2024年