241Am-9Be 数据集和 238Pu-9Be 数据集

本文介绍了用于辐射检测的脉冲形状鉴别（PSD）算法的综合调查和基准测试，将近六十种方法分为统计（时域、频域、基于神经网络的）和先验知识（机器学习、深度学习）两大类。论文在两个标准化数据集上实现了所有算法并进行评估：一个来自 241Am-9Be 源的无标签数据集和一个来自 238Pu-9Be 源的时间飞行标签数据集。评估指标包括性能指标（FOM）、F1 分数、ROC-AUC 和方法间相关性。研究结果表明，深度学习模型，特别是多层感知器（MLPs）和结合统计特征与神经回归的混合方法，通常优于传统方法。This paper presents a comprehensive survey and benchmarking of pulse shape discrimination (PSD) algorithms for radiation detection. Nearly sixty methods are categorized into two major classes: statistical methods (including time-domain, frequency-domain, and neural network-based approaches) and prior knowledge-based methods (covering machine learning and deep learning techniques). All algorithms are implemented and evaluated on two standardized datasets: an unlabeled dataset from a 241Am-9Be source, and a time-of-flight labeled dataset from a 238Pu-9Be source. Evaluation metrics include figure of merit (FOM), F1-score, ROC-AUC, and inter-method correlation. The study's findings demonstrate that deep learning models, particularly multi-layer perceptrons (MLPs) and hybrid methods combining statistical features and neural regression, generally outperform traditional approaches.

搜集汇总

数据集介绍

构建方式

241Am-9Be和238Pu-9Be数据集的构建基于高精度的辐射探测技术。241Am-9Be数据集通过EJ299-33塑料闪烁体和TPS2000B示波器采集，经过严格预处理去除噪声和异常信号，最终包含9,414个脉冲。238Pu-9Be数据集则采用飞行时间(TOF)技术，结合YAP:Ce伽马射线探测器和NE213A快中子探测器，通过符合测量验证粒子标签，包含21,001个脉冲，并划分为验证集、训练集和测试集，确保了数据的多样性和可靠性。

使用方法

数据集支持多种辐射探测算法的开发与评估。研究者可利用241Am-9Be数据集开发统计PSD方法（如电荷比较、傅里叶变换），或基于238Pu-9Be数据集训练深度学习模型（如MLP、CNN）。配套的开源工具箱（Python/MATLAB）提供了近60种算法的实现，支持FOM、F1-score、ROC-AUC等多维度评估。数据集特别适合研究混合辐射场中的粒子鉴别，可应用于核反应堆监测、辐射安全等领域。

背景与挑战

背景概述

241Am-9Be和238Pu-9Be数据集是用于脉冲形状鉴别（PSD）研究的标准化数据集，由成都理工大学核技术与自动化工程学院的研究团队创建并公开。这些数据集在辐射探测领域具有重要价值，特别是在区分中子与伽马射线的应用中。数据集的核心研究问题是通过分析有机闪烁体探测器产生的电脉冲的时间特性，实现高效的粒子鉴别。该数据集为PSD算法的开发与评估提供了统一平台，推动了深度学习等先进技术在核辐射探测领域的应用。

当前挑战

该数据集面临的主要挑战包括：1) 领域问题方面，需解决低信噪比条件下中子与伽马脉冲的精确区分，以及不同能量阈值下的鉴别稳定性问题；2) 构建过程中，需克服脉冲信号的时间特性提取、混合辐射场中粒子相互作用的复杂性，以及TOF（飞行时间）标记数据的准确获取等挑战。此外，传统评价指标FOM在无标记数据场景下的局限性，以及深度学习模型对脉冲信号局部特征捕获不足等问题也亟待解决。

常用场景

经典使用场景

241Am-9Be和238Pu-9Be数据集在脉冲形状鉴别（PSD）研究中扮演了关键角色，尤其在辐射探测领域的中子-伽马射线区分任务中。这些数据集通过提供标准化的脉冲波形数据，使得研究人员能够开发和验证各种PSD算法。241Am-9Be数据集主要用于无监督学习方法，而238Pu-9Be数据集则因其带有飞行时间标记，适用于监督学习任务。这些数据集的使用场景包括核反应堆监测、放射性药物开发以及基础物理研究，其中精确区分中子与伽马射线对于实验结果的准确性至关重要。

解决学术问题

该数据集解决了辐射探测中粒子识别的核心科学问题，特别是中子与伽马射线的精确区分。通过提供具有明确物理特性的脉冲波形数据，研究人员能够验证不同PSD算法的有效性，包括传统的统计方法和新兴的深度学习模型。数据集的存在填补了文献中缺乏统一评估平台的空白，使得不同算法能够在相同条件下进行公平比较。此外，数据集还促进了新型混合方法的发展，如结合统计特征与神经网络回归的模型，显著提升了粒子识别的准确性和鲁棒性。

实际应用

在实际应用中，241Am-9Be和238Pu-9Be数据集为辐射监测系统提供了关键的技术支持。例如，在核设施安全监测中，基于这些数据集开发的PSD算法能够实时区分环境中的中子和伽马辐射，从而有效识别潜在的核泄漏或异常辐射事件。在医学领域，这些数据有助于优化放射性药物的剂量控制，确保治疗的安全性和有效性。此外，数据集还被用于开发开源工具箱，支持研究社区快速实现和验证新的PSD算法，推动了技术的快速迭代和实际部署。

数据集最近研究

最新研究方向

近年来，241Am-9Be和238Pu-9Be数据集在辐射探测领域的研究取得了显著进展，特别是在脉冲形状鉴别（PSD）算法的开发与优化方面。最新的研究方向主要集中在深度学习模型的应用，尤其是多层感知器（MLPs）和混合方法，这些方法结合了统计特征与神经回归，显著提升了中子与伽马射线的鉴别性能。前沿研究还探讨了不同能量阈值下的算法性能，以及FOM（品质因数）以外的替代评估指标，如F1分数和ROC-AUC，以更全面地评估算法的分类能力。此外，开源工具箱的发布促进了研究的可重复性，并为PSD技术的进一步发展提供了有力支持。这些进展在核反应堆监测、放射性药物和基础物理等领域具有重要的应用价值和科学意义。

相关研究论文

• Pulse Shape Discrimination Algorithms: Survey and Benchmark

  成都理工大学 · 2025年