研究基于改进的3D CNN的三维辐射场重建算法
Rongxi Ye1, Deqing Niu1, LinShan Li1
1Department of Intelligent Measurement and Control, Automation Research Institute Co., Ltd. of China South Industries Group Corporation, Address Line, Mianyang, 621000, Sichuan, China.
概括
一个改进的三维卷积神经网络 (3D CNN) 从稀疏的数据准确地重建辐射场. 这种人工智能模型有效地插入辐射分布,即使采样点最小,确保精确的3D辐射映射.
科学领域:
- 计算物理学的计算物理.
- 人工智能的人工智能是人工智能.
- 辐射检测检测辐射检测器
背景情况:
- 精确的辐射场重建对于各种应用至关重要.
- 稀少的数据在实现高保真现场重建方面带来了重大挑战.
- 当数据有限时,现有的方法往往在效率和精度方面扎.
研究的目的:
- 开发和验证一个改进的三维卷积神经网络 (3D CNN) 来从稀疏的数据中重建辐射场.
- 评估网络在不同辐射环境和数据采样密度的性能.
- 为了证明自我注意力集成CNN的有效性,用于插入和生成完整的辐射分布网.
主要方法:
- 将稀疏辐射数据点整合到结构化的三维矩阵中.
- 应用一个自我注意力集成的3D CNN用于数据插值和网格生成.
- 使用随机来源的辐射在非屏蔽和屏蔽环境中进行实验验证,并使用精细的网格配置.
主要成果:
- 在未屏蔽的环境中,5%的数据采样实现了4%的平均相对误差.
- 在屏蔽设置中,7%的数据采样导致大约11%的错误.
- 在精细的网格中,2%的抽样率将错误限制在6.58%上.
结论:
- 改进的3D CNN在精确的三维辐射场重建方面表现出高效率.
- 该模型成功地插入辐射分布网,即使具有非常稀疏的数据.
- 这种方法为在数据稀缺的情况下准确地绘制辐射地图提供了强大的解决方案.
