一种脉冲X射线能谱测量的解谱方法和装置

摘要

一种脉冲X射线能谱测量的解谱方法和系统，应用于超短超强激光装置产生的脉冲X射线，方法包括：将预定数量的实验数据和模拟数据组合成第一数据集，从所述第一数据集中选择部分数据作为神经网络模型的训练数据集；利用该训练数据集对所述神经网络模型进行训练；根据实时采集的超短超强激光装置中的诊断物理参数，利用诊断物理参数和所述训练好的神经网络模型计算得到预测能谱；根据所述预测能谱通过预先设置的解谱算法得到脉冲X射线能谱。

说明书

技术领域

本申请涉及能谱解谱领域，尤指一种脉冲X射线能谱测量的解谱方法和装置。

背景技术

脉冲X射线能谱诊断是超短超强激光装置等离子体诊断、状态监测以及辐射防护的重要组成部分。超短超强激光与靶物质相互作用时，脉冲激光在极短时间内将靶表面原子电离，形成高温高密度等离子体，主脉冲激光与等离子体耦合，通过不同加速机制将能量传递给电子，电子与靶相互作用产生脉冲X射线。

脉冲X射线具有脉冲时间短(～ps)、注量大(～10

因此，针对不同能量的脉冲X射线发展了不同原理的能谱测量方式，低能(eV～keV)X射线常采用晶体衍射法进行测量，高能(数MeV～数十MeV)X射线采用康普顿散射法或活化法进行测量，对于激光惯性约束聚变、激光装置运行状态监测以及X射线成像等场景下，研究者更关心的中能(keV～数MeV)X射线则主要使用吸收法进行测量。一些技术中很难满足超短超强激光装置内脉冲X射线能谱实时、准确测量的需求，因此，亟待需要一种应用于超短超强激光装置脉冲X射线能谱实时解谱方法。

发明内容

本申请提供了一种脉冲X射线能谱测量的解谱方法及装置，利用神经网络模型和解谱算法，可以实时获得脉冲X射线在靶室内、外的准确分布，解决传统迭代方法对初始谱准确度依赖问题，以及无法对脉冲X射线实时解谱的问题。

本申请提供了一种脉冲X射线能谱测量的解谱方法，应用于超短超强激光装置产生的脉冲X射线，所述方法包括：

将预定数量的实验数据和模拟数据组合成第一数据集，从所述第一数据集中选择部分数据作为神经网络模型的训练数据集；

利用该训练数据集对所述神经网络模型进行训练；

根据实时采集的超短超强激光装置中的诊断物理参数，利用诊断物理参数和所述训练好的神经网络模型计算得到预测能谱；

根据所述预测能谱通过预先设置的解谱算法得到脉冲X射线能谱。

一种示例性的实施例中，所述模拟数据是通过下述步骤获得：

利用等离子体数值模拟方法确定超热电子在靶表面等离子体内不同时刻的电子分布信息，对不同时刻电子分布信息进行拟合计算，确定最终特征温度；

将所确定的最终特征温度对应时刻的电子分布信息作为电子源项，并将该电子源项输入到预置的蒙特卡罗计算模型中，计算出该时刻的脉冲X射线能谱，将该时刻计算得到的脉冲X射线能谱作为该模拟条件对应的脉冲X射线能谱；

将计算所得的脉冲X射线能谱作为模拟数据。

一种示例性的实施例中，所述利用等离子体数值模拟方法确定超热电子在靶表面等离子体内不同时刻的电子分布信息之前，方法还包括:

根据实验数据中的超短超强激光功率密度，确定经验特征温度；

将该经验特征温度乘以预定比例参数得到初始特征温度；

对初始特征温度加上预先设置的增量得到第2个特征温度；

第i特征温度由第i-1个特征温度加上所述预先设置的增量得到；其中，i为大于等于3的整数；

第i特征温度的最大值不超过截止特征温度；所述截止特征温度为经验特征温度的κ倍，其中，κ为3、4或5。

一种示例性的实施例中，所述对不同时刻电子分布信息进行拟合计算，确定最终特征温度，包括：

获取从激光脉冲开始到激光脉冲结束不同时刻的电子分布信息，并确定初始特征温度到截止特征温度之间多个特征温度所对应的电子分布信息；

对所获取的电子分布信息数据点集分别利用玻尔兹曼、麦克斯韦和相对论麦克斯韦分布拟合算法进行拟合；

分别计算每条拟合电子能谱数据曲线的拟合程度优劣值；

选择拟合程度优劣值中最小值所对应的拟合算法形成的曲线作为最优的拟合电子能谱数据曲线；

确定不同时刻下对应的最优拟合电子能谱数据曲线及对应的特征温度，选择绝对值最大的特征温度，将该绝对值最大的特征温度作为最终特征温度。

一种示例性的实施例中，所述利用该训练数据集对所述神经网络模型进行训练后，方法还包括：

从所述第一数据集中剩余部分数据作为神经网络模型的测试数据集；

并利用评价参数对神经网络模型进行判断；

当该神经网络模型的评价参数小于预先设置的评价参数阈值时，确定该神经网络模型为训练好的神经网络模型；

其中，所述评价参数为：

式中，λ

一种示例性的实施例中，所述诊断物理参数包括以下至少一个：激光能量、脉冲宽度、聚焦尺寸、能量集中度、入射角度、激光极化方式、靶材厚度与质量数、预等离子体密度分布。

一种示例性的实施例中，所述根据所述预测能谱通过预先设置的解谱算法得到脉冲X射线能谱后，方法还包括：

将解谱得到的脉冲X射线能谱与神经网络计算得到的预测能谱进行比较判断；

当解谱得到的脉冲X射线能谱与预测能谱的差异大于预设值时，再判断大于预设值的数据组数量是否达到总数据特定百分比；

当达到总数据特定百分比时，将该数据组中的数据更新到第一数据集；

根据更新后的第一数据集，重新进行神经网络模型训练。

一种示例性的实施例中，将通过预先设置的解谱算法得到的脉冲X射线能谱进行展示。

一种示例性的实施例中，所述判断大于预设值的数据组数量是否达到总数据特定百分比后，方法还包括：

当判断大于预设值的数据组数量未达到总数据特定百分比时，将该数据组中的数据进行存储。

本申请还提供了一种脉冲X射线能谱测量的解谱装置，装置包括：存储器和处理器；其特征在于，所述存储器用于保存脉冲X射线能谱测量的解谱的程序，所述处理器用于读取执行所述用于脉冲X射线能谱测量的解谱的程序，执行上述实施例中任一项所述的脉冲X射线能谱测量的解谱方法。

与相关技术相比，本申请提供一种脉冲X射线能谱测量的解谱方法和装置，应用于超短超强激光装置产生的脉冲X射线，方法包括：将预定数量的实验数据和模拟数据组合成第一数据集，从所述第一数据集中选择部分数据作为神经网络模型的训练数据集；利用该训练数据集对所述神经网络模型进行训练；根据实时采集的超短超强激光装置中的诊断物理参数，利用诊断物理参数和所述训练好的神经网络模型计算得到预测能谱；根据所述预测能谱通过预先设置的解谱算法得到脉冲X射线能谱。本申请利用神经网络模型，可以实时获得脉冲X射线在靶室内、外的准确分布，解决传统迭代方法对初始谱准确度依赖问题，以及无法对脉冲X射线实时解谱的问题。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。

附图说明

附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。

图1为本申请实施例的脉冲X射线能谱测量的解谱方法流程图；

图2为本申请实施例的脉冲X射线能谱测量的解谱装置示意图；

图3为本申请实施例的脉冲X射线能谱测量的解谱系统示意图；

图4为一示例性实施例中结合蒙特卡罗与PIC方法的更新型神经网络应用于超短超强激光装置脉冲X射线实时能谱测量的解谱方法流程图。

具体实施方式

本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。

本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。

此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。

脉冲X射线具有脉冲时间短(～ps)、注量大(～10

一些技术中针对中能(keV～数MeV)X射线采用基于吸收法的谱仪，该谱仪具有体积小、结构简单，可测量X射线绝对注量等优势，国内外超短超强激光装置大多配备了基于吸收法的脉冲X射线谱仪。该基于吸收法的脉冲X射线谱仪通过选择适合的解谱方法，可用于超短超强激光装置靶室内、外的中能区脉冲X射线能谱的空间分布测量。

基于吸收法的脉冲X射线谱仪中应用最广泛的解谱方法主要是最小二乘法和最大熵法；一些技术中，这两种方法虽然已发展较为成熟，但解谱速度慢是此类方法的主要局限。随着人工智能技术的发展，深度学习等技术已经应用于核测量领域，可以快速给出预测结果，而该深度学习所预测的结果准确性主要取决于数据集的维度和准确性。上述方法均无法满足超短超强激光装置内脉冲X射线能谱实时、准确测量的需求；基于上述存在的问题，分析原因如下：

一、随着激光装置的不断发展和升级，打靶频率也迅速增加，一些在低功率密度(10

采用最大熵法或最小二乘法实质均属于迭代法，若采用基于个人经验输入初始谱或者采用均匀分布谱作为解谱程序的输入参数，将增加参数空间搜索耗用时间，甚至难以达到预先设置的收敛阈值，增加迭代次数，或在既定迭代次数上无法给出理想收敛结果。

二、结合超短超强激光装置本身特性，影响最终脉冲X射线能谱分布的因素众多，如：目前实验中不可避免地存在能量或时间抖动现象，致使等离子体状态发生改变，最终影响X射线谱分布。在解谱方法研究中，以使用较为广泛的SAND-II算法为例，一些研究结果表明解谱结果与输入谱的准确性有着直接关系，基于人工经验手动输入的能谱将在一定程度上降低解谱的准确性。基于物理实验条件的合理推测能谱，缩小解空间范围，不仅将极大的缩短解谱所用时间，进一步地同时满足准确测量需求。

在超短超强激光与靶作用实验中，参数调控是必要组成，为了获得理想散度、能量、电荷量以及准单能的粒子束，或实现某种加速机制，必须不断调节包括激光能量、预脉冲激光能量、脉冲宽度、入射角度、极化方向、聚焦峰值功率、靶材物理状态(固态、气态或两者配合)、靶材质量数、外观形状等一系列参数。神经网络可基于大量可靠训练数据给出合理预测值，但在预测未涵盖于训练集中的情况时表现较差。显然不论是从实验数据或模拟数据的完备性而言，无法提供给神经网络足够训练集。因此，在超短超强激光与靶作用实验的脉冲X射线谱预测中，传统神经网络模型只能在训练集范围给出合理假设，其普适性有待进一步优化。基于上述问题，申请人基于实验条件，如激光功率密度、靶材，对实验数据进行分类处理，提高神经网络预测准确性，给出合理的能谱分布，提高输入谱的准确度。

通过上述分析，提出一种应用于超短超强激光装置脉冲X射线能谱实时解谱方法及系统。

本公开实施例提供了一种脉冲X射线能谱测量的解谱方法，如图1所示，方法包括步骤S100-S130，

S100.将预定数量的实验数据和模拟数据组合成第一数据集，从所述第一数据集中选择部分数据作为神经网络模型的训练数据集；

S110.利用该训练数据集对所述神经网络模型进行训练；

S120.根据实时采集的超短超强激光装置中的诊断物理参数，利用诊断物理参数和所述训练好的神经网络模型计算得到预测能谱；

S130.根据所述预测能谱通过预先设置的解谱算法得到脉冲X射线能谱。

在本实施例中，该方法可以应用于超短超强激光装置产生的脉冲X射线。超短超强激光装置是指功率密度在10

一种示例性的实施例中，对超短超强激光装置中实验数据进行分类，可以根据激光功率密度大小和靶材性质将实验数据分类，针对每一类数据分别进行神经网络模型的训练；比如，将实验数据分为4类：第一类为功率密度在10

一种示例性的实施例中，针对每一类数据，利用PIC方法计算模拟数据。其中，模拟数据是通过下述步骤获得：利用PIC等离子体方法确定超热电子在靶表面等离子体内不同时刻的电子分布信息，对不同时刻电子分布信息进行拟合计算，确定最终特征温度；将所确定的最终特征温度对应时刻的电子分布信息作为电子源项，并将该电子源项输入到预置的蒙特卡罗计算模型中，计算出该模拟条件下的脉冲X射线能谱；将计算所得的脉冲X射线能谱作为模拟数据。其中，超热电子信息具体包括超热电子在靶表面等离子体内的空间位置、与空间笛卡尔直角坐标系X、Y、Z坐标轴的正方向夹角以及夹角余弦值、超热电子的能量和动量、激光到超热电子能量转换效率以及权重信息等。在本实施例中，将该电子源项输入到预置的蒙特卡罗计算模型中，计算出该时刻的脉冲X射线能谱的实现过程如下：利用蒙特卡罗软件对所述超短超强激光装置靶室、靶物质的几何与材料进行全建模，将相空间文件作为辐射源项，计算靶室内、外典型位置的脉冲X射线能谱，靶室内按照350keV处脉冲X射线谱的注量(MeV

一种示例性的实施例中，利用PIC方法确定超热电子在靶表面等离子体内不同时刻的电子分布信息之前，方法还包括：第一步、根据实验数据中的超短超强激光功率密度，确定经验特征温度。在本实施例中，根据超短超强激光功率密度给定经验特征温度T

式中I为激光功率密度，W/cm

第二步、将该经验特征温度乘以预定比例参数得到初始特征温度；例如：T

第三步、对初始特征温度加上预先设置的增量得到第2个特征温度；

第i特征温度的最大值不超过截止特征温度；所述截止特征温度为经验特征温度的κ倍，其中，κ为3、4或5。在本步骤中，计算的过程如下：第i特征温度由第i-1个特征温度加上所述预先设置的增量得到；其中，i为大于等于3的整数。例如：步骤1.对初始特征温度T加上预先设置的增量ΔT得到第2个特征温度，并进一步判断第2个特征温度是否达到截止特征温度；未达到，执行步骤2；步骤2.将第2个特征温度加上预先设置的增量ΔT得到第3个特征温度；并判断第3个特征温度是否达到截止特征温度；未达到，执行步骤3；......步骤i-1.将第i-1个特征温度加上所述预先设置的增量ΔT得到第i特征温度，并进一步判断第i特征温度是否达到截止特征温度，如果达到截止特征温度则结束计算。在本实施例中，截止特征温度是经验特征温度的κ倍数，这里是递增的一个上限，即最大值也就是说T的最小值是5％T，最大是κT；最后选择的特征问题是位于(5％T，κT)区间内的一个温度值。例如：T

一种示例性的实施例中，所述对不同时刻电子分布信息进行拟合计算，确定最终特征温度，包括：获取初始特征温度到截止特征温度之间多个特征温度所对应的电子分布信息；对所获取的电子分布信息数据点集分别利用玻尔兹曼、麦克斯韦和相对论麦克斯韦分布拟合算法进行拟合；分别计算每条拟合电子能谱数据曲线拟合程度优劣系数值；选择拟合程度优劣系数值最小值所对应的拟合算法形成的曲线作为最优的拟合电子能谱数据曲线；确定该最优的拟合电子能谱数据曲线中不同时刻下的特征温度，确定绝对值最大的特征温度，将该绝对值最大的特征温度作为最终特征温度。在本实施例中，上述的过程可以包括以下步骤：

步骤1.对应某个时刻、取特征温度T，分别使用下述玻尔兹曼、麦克斯韦和相对论麦克斯韦分布对超热电子能谱进行拟合；

N(E)

N(E)

N(E)

上述三个拟合公式中N(E)

E为超热电子的动能，MeV；

A、B、C为常数，根据激光能量和激光到超热电子能量转换效率确定；

T为超热电子特征温度，MeV；

步骤2.依据下述定义对上述三种公式的拟合程度优劣进行计算并保存：

式中，N(E)

N(E)

步骤3.在初始特征温度和截止特征温度的区间范围内，比较

步骤4.在激光脉冲波长或激光与靶作用时间内，重复所述步骤1-3，比较不同时刻下的特征温度，选择绝对值最大的特征温度，并将该特征温度对应时刻的电子信息作为源项信息。

在步骤S100中，将预定数量的实验数据和模拟数据组合成第一数据集，从所述第一数据集中选择部分数据作为神经网络模型的训练数据集。例如：将计算所得到的模拟数据与超短超强激光装置实验数据所组成第一数据集，并进行分类，可以划分为四类：第一类为功率密度在10

在S110中，利用步骤S100所选择的训练数据集对选择的神经网络模型进行训练；训练后，利用评价参数对训练后的神经网络模型进行判断；当该神经网络模型的评价参数小于预先设置的评价参数阈值时，确定该神经网络模型为训练好的神经网络模型；其中，所述评价参数为：

式中，λ

S120.根据实时采集的超短超强激光装置中的诊断物理参数，利用诊断物理参数和所述训练好的神经网络模型计算得到预测能谱；诊断物理参数包括以下至少一个：激光能量、脉冲宽度、入射角度、极化方向、靶材厚度与质量数，预等离子体密度分布。

一种示例性的实施例中，在步骤S130根据预测能谱通过预先设置的解谱算法得到脉冲X射线能谱后，将解谱得到的脉冲X射线能谱与神经网络计算得到的预测能谱进行比较判断；当解谱得到的脉冲X射线能谱与预测能谱的差异大于预设值时，再判断大于预设值的数据组数量是否达到总数据特定百分比；当达到总数据特定百分比时，将该数据组中的数据更新到第一数据集；根据更新后的第一数据集，重新进行神经网络模型训练。例如：首先计算预测能谱与通过预先设置的解谱算法得到脉冲X射线能谱之间的差异，当差异大于χ

式中f

f

||f

一种示例性的实施例中，将解谱得到的脉冲X射线能谱进行展示。

一种示例性的实施例中，当大于预设值的数据组数量未达到总数据特定百分比时，将该数据组中的数据进行存储。

本申请还提供了一种脉冲X射线能谱测量的解谱装置，如图2所示，所述装置包括：存储器210和处理器220；所述存储器用于保存脉冲X射线能谱测量的解谱的程序，所述处理器用于读取执行所述用于脉冲X射线能谱测量的解谱的程序，执行上述实施例中任一项所述的脉冲X射线能谱测量的解谱方法。

本申请还提供了一种脉冲X射线能谱测量的解谱系统，如图3所示，所述系统包括：数据准备模块300、神经网络训练模块310、解谱模块320、更新数据库与神经网络模块330。

数据准备模块300：首先对典型超短超强激光装置实验数据进行分类，依据激光功率密度大小和靶材性质将实验数据分为4类。进一步地，利用PIC方法模拟超短超强激光与靶物质相互作用情况下，超热电子在靶表面等离子体内不同时刻的电子分布信息，通过拟合方法获得特征电子温度，并将特征温度对应的电子分布信息作为蒙特卡罗软件的输入源项，最终获得靶室内、外的脉冲X射线能谱；将获得的脉冲X射线能谱作为模拟数据。最后，将预定数量的实验数据和模拟数据组合成第一数据集，从所述第一数据集中选择部分数据作为神经网络模型的训练数据集。

神经网络训练模块310：利用数据准备模块300获得的超短超强激光装置试验的实验数据与通过模拟算法获得的靶室内、外脉冲X射线能谱即模拟数据制作训练集和测试集后，选择一种神经网络模型进行训练。基于训练好的神经网络模型，以及同时接收的超短超强激光装置实时诊断实验参数，预测出靶室内、外典型位置的脉冲X射线的预测能谱，并将预测能谱发送至解谱模块。

解谱模块320：一方面接收神经网络系统传递的预测能谱，并将其作为初始能谱输入程序，基于迭代算法和初始输入能谱进行迭代解谱，另一方面测量得到实际的实验测量能谱，最后将神经网络预测能谱与实际的实验测量能谱输入更新数据库与神经网络模块。

更新数据库与神经网络模块330：一方面用于接收解谱系统传递的神经网络预测能谱与实际的实验测量能谱，并对两者进行比较，另一方面对预测能谱与测量能谱差异较大的情况进行数量统计，并判断是否需要更新神经网络模型。

下面用一示例说明结合蒙特卡罗与PIC方法的更新型神经网络应用于超短超强激光装置脉冲X射线实时能谱测量的解谱方法的过程：

400.数据准备

对超短超强激光装置中实验数据进行分类，依据激光功率密度和靶材性质将实验数据分为四类：第一类为功率密度在10

410.计算模拟数据

对以上4类实验数据，分别基于PIC方法计算在所述步骤400中的所述超短超强激光与靶相互作用实验条件下超热电子在靶表面等离子体内不同时刻的分布信息；其中，利用所述PIC方法模拟获得超热电子信息并制作相空间文件，所述超热电子信息具体包括超热电子在靶表面等离子体内的空间位置、与空间笛卡尔直角坐标系X、Y、Z坐标轴的正方向夹角以及夹角余弦值、超热电子的能量和动量、激光到超热电子能量转换效率以及权重信息等。

420.计算电子源项

使用玻尔兹曼、麦克斯韦和相对论麦克斯韦分布对不同时刻电子能谱进行拟合，最终获得电子特征温度，选择特征温度最大值对应时刻电子信息作为电子源项；确定的电子源项过程如下：

4201.根据超短超强激光功率密度，给定经验特征温度T

式中I为激光功率密度，W/cm

λ为激光波长，μm；

4202.为初始特征温度T赋值，取T

4203.对应某个时刻、取特征温度T，使用下述玻尔兹曼、麦克斯韦和相对论麦克斯韦分布对超热电子能谱进行拟合；

N(E)

N(E)

N(E)

式中N(E)

E为超热电子的动能，MeV；

A、B、C为常数，根据激光能量和激光到超热电子能量转换效率确定；

T为超热电子特征温度，MeV；

4204.依据下述定义对三种分布的拟合程度优劣进行计算并保存：

式中N(E)

N(E)

4205.给特征温度T赋予增量ΔT，即T＝T+ΔT，增量大小可以取T

4206.在初始特征温度和截止特征温度T的区间范围内，比较

4207.在激光脉冲波长或激光与靶作用时间内，重复所述4201-4206步骤，比较不同时刻下的特征温度，选择绝对值最大的特征温度T，并将该特征温度对应时刻的电子信息作为源项信息；

430.解谱

利用蒙特卡罗软件对所述超短超强激光装置靶室、靶物质的几何与材料进行全建模，将相空间文件作为辐射源项，计算靶室内、外典型位置的脉冲X射线能谱，靶室内按照350keV处脉冲X射线谱的注量(MeV

440.神经网络训练

4401.对步骤430得到的脉冲X射线能谱结果与超短超强激光装置实验数据所组成第一数据集，并进行分类。分类包括：第一类为功率密度在10

4402.对训练后的神经网络进行评价，当其小于设定值时，认为神经网络达到要求；其中，人工神经网络的评价参数goodness为：

式中λ

M为吸收法探测器所测量到的实验值，为一具有m个数值的向量；A为探测器系统的响应概率，为一m×n的矩阵，矩阵中任一元素a

450.解谱

根据神经网络模型及超短超强激光与靶实验中诊断实验参数，计算出预测初始能谱，将预测初始能谱作为输入参数输至解谱程序，进行解谱得到测量出实际的实验测量结果；

460.更新数据库与神经网络

4601.通过下述公式给出预测初始能与实际的实验测量能谱之间的差异，当差异大于χ

χ

式中f

f

||f

4602.若差异数据量达到现有实验数据总量比例的β，将存储数据加入至神经网络数据库中，对神经网络模型进行更新；其中，β可以为20％，25％或30％。

本实施例中，结合蒙特卡罗与PIC方法的更新型神经网络应用于超短超强激光装置脉冲X射线实时能谱测量的解谱方法适用于超短超强激光装置中脉冲X射线能谱的实时解谱，较常规的吸收法谱仪，考虑能谱解谱的实时性以及解谱程序输入能谱的合理性；具体的实现效果如下：

一、PIC(Particle-In-Cell)等离子体数值模拟方法可用于强激光与等离子体相互作用过程的模拟计算，通过模拟带电粒子在自洽电磁场和外加电磁场中运动来研究等离子体集体效应的方法，可最终获得基于实验条件的X射线能谱。高功率密度打靶实验中，存在强烈的非线性与耦合现象，一定程度上限制了研究者对于物理机制的理解，所述PIC方法得到的X射线谱将大大缩小与真实谱分布差距，较人工经验猜测的初始X射线谱更加合理、准确，解决传统迭代方法对初始谱准确度依赖问题，进一步提高最终输出结果的可信度。

二、在不同功率密度下，超短超强激光与等离子体相互作用对应不同的物理加速机制与激光-热电子转换效率，另外不同质量数靶材对应不同轫致辐射比例，会导致脉冲X射线谱不同特征温度以及特征X射线。通过对实验数据类型的分类可获得更接近真实分布的脉冲X射线，缩短解谱所需时间，提高解谱精度。

三、由于激光功率密度和靶材会直接影响靶表面超热电子的分布，包括数量、能量等超热电子信息，所以对超热电子信息进行采集，通过进一步对超热电子信息的拟合与分析可获得最大特征温度所对应电子分布，从而准确得到脉冲X射线分布。进一步地，由于电子信息对应最大特征温度，可为激光装置周围人员提供辐射安全评价参考，满足辐射防护设计中保守性的原则。

四、通过PIC方法耦合MC蒙特卡罗方法获得脉冲X射线能谱的时间较长，采用神经网络方法对具有一定完备性数据集进行训练，以激光参数作为输入，X射线谱作为输出，大大减小了解谱算法解空间搜索所用时间，提高解谱速度。

五、神经网络对于非线性问题具有较好的表现而被广泛应用，但其预测结果的可靠性与合理性极大程度上取决于训练数据的完备性与真实性。考虑到超短超强激光与靶作用场景同其它应用场景下X射线解谱需求的不同，进一步地依据一定条件对本方法中训练数据库与神经网络模型进行更新，即将实验数据与模拟数据相结合，进一步地优化神经网络，并充分利用神经网络的泛化能力，满足实际工程需求。

通过上述五个方面，该解谱方法可以满足超短超强激光装置中脉冲X射线能谱实时测量的需求。

下面又一示例说明结合蒙特卡罗与PIC方法的更新型神经网络应用于超短超强激光装置脉冲X射线实时能谱测量的解谱方法的过程，如图4所示：

1是对激光实验条件下得到的参数进行分类和使用PIC软件模拟模拟超短超强激光与靶物质相互作用情况下，超热电子在靶表面等离子体内不同时刻的分布信息；

2是通过PIC方法获得靶表面等离子体内不同时刻的分布信息，通过拟合方法获得最大特征电子温度，并将该特征温度所对应时刻的电子信息制作相空间文件。以相空间为模拟源项，使用蒙特卡罗方法计算脉冲X射线能谱。

3是对激光实验参数数据库中的数据以及脉冲X射线谱数据组合为数据集；按激光功率密度与靶材性质对数据集中的数据进行分类，一部分数据作为训练集，一部分作为测试集；

4是选择神经网络进行训练，验证训练的神经网络模型是否达到目标以确定神经网络模型；

5是达到目标，确定(更新)神经网络模型；

6是利用诊断设备对激光装置的数据进行采集(采集的是诊断装置中的诊断物理参数)；

7是将数据集成输入神经网络计算模型中；

8是利用更新人工神经网络模型结合实验参数输入给出预测脉冲X射线能谱；

9是将预测脉冲X射线能谱作为初始能谱输入解谱迭代程序；

10是通过解谱迭代程序输出脉冲X射线能谱；

11是将解谱得到的脉冲X射线能谱进行展示；

12是将解谱程序输出结果与神经网络给定预测脉冲X射线能谱进行比较；

13是比较解谱程序输出结果与神经网络预测脉冲X射线能谱差异，并做下一步判断；

14是判断差异较大数据组数量未达到总数据特定百分比时，存储数据；

15是判断差异较大数据组数量超过总数据特定百分比，将数据加入训练、测试数据集中，并重新对神经网络模型进行更新、验证。

本实施例，步骤1、2为数据处理部分，步骤3、4、5为模型更新部分，步骤6-15为解谱输出部分。本实施例具有如下技术效果：

通过建立激光与靶物质相互作用物理模型、蒙特卡罗输运模型、以及建立激光打靶实验参数与脉冲X射线能谱之间的神经网络模型，可以实时获得脉冲X射线在靶室内外的准确分布，解决传统迭代方法对初始谱准确度依赖问题，以及无法对脉冲X射线实时解谱的问题。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。