为此，本中心科研团队针对多核素和低计数谱的情况提出了一种具有特征增强器和一维神经网络的放射性核素识别方法。该方法中的训练数据集来自于Geant4生成的模拟数据。该方法通过特征增强器对输入的能谱数据进行预处理，并通过神经网络提取非线性信息，即使在低计数的情况下，也能很好地处理实验能谱。该方法在处理混合放射性核素光谱时，识别精度高、误判少。受能接触到的放射源的限制，实验中研究的核素数据库含8种核素，包括 7 种工业和医学上常用的核素(¹³³Ba、¹³⁷Cs、⁵⁷Co、²⁴¹Am、²²Na、^99mTc、⁶⁰Co)和 1 种用作特殊核材料的核素(²³⁵U)。通过识别混合核素如⁶⁰Co 和其他核素混合的谱，即使低能区存在散射干扰，该方法仍能准确识别核素。 

该工作得到了国家自然科学基金的资助，相关成果发表在Applied Radiation and Isotopes上。  

论文链接：Chunmiao Li, Shuangquan Liu*, Chao Wang, Xiaopan Jiang, Xiaoli Sun, Mohan Li and Long Wei*. A new radionuclide identification method for low-count energy spectra with multiple radionuclides. Applied Radiation and Isotopes. 2022, 185:110219