スペクトル解析のための高度パターン認識システム
スペクトルデータの迅速かつ非常に正確な解析の工程において、パターン認識のための直線走査（ＬＩＮＳＣＡＮ）方法と高度ピーク検出方法の両方を含む。一つまたは両者の方法は、化学物質、生物、放射線物質、原子力および爆発物の検出および識別を補助するため使用される。 種々のターゲットのスペクトルは二つのスペクトル解析方法によって解析されることが可能である。これら二つの方法は、二重確認、より優れた正確性、および誤検出と検出漏れを減少するため、単独での遂行で可能なことと比較して、結合されることが可能である。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は概して、化学物質、生物、放射線物質、原子力および爆発物を含む有害なターゲット材の検出および識別のシステムおよび方法に関し、およびより詳細には、化学物質、生物、放射線物質、原子力および爆発物、またはスペクトルを使用する他のいずれの型のターゲット検索（信号対エネルギー、信号対波長など）のための複素スペクトルを解析することによって、ターゲット材を検出および識別するシステムおよび方法に関する。
【背景技術】
【０００２】
化学物質、生物、放射線物質、原子力および爆発物、またはスペクトルを使用する他のいずれの型のターゲット検索（信号対エネルギー、信号対波長など）のための複素スペクトルの解析への現在の試みは、国土安全および生物学的試験などの様々な適用で必要とされる微量の迅速かつ非常に正確な検索、識別、かつ／また定量化ができない。多くのパターン認識システムは研究所環境で十分な識別およびデータ精製を実行することが可能である一方、複合的な環境で広範囲のスペクトル干渉を実行する能力は課題である。現在の問題の例は、貨物に存在する放射線物質の検出、識別、および検証、および積荷目録の貨物を含む天然起源放射性物質（ＮＯＲＭ）と危険または不法の放射線貨物とを識別する能力である。他の例は、微量でも致死の可能性のあるような生物学的脅威の検出および識別の能力である。
【０００３】
従って、上記の先行技術の問題を克服する必要がある。
【発明の概要】
【課題を解決するための手段】
【０００４】
迅速かつ非常に正確なスペクトルデータの解析を達成するため、パターン認識のための直線走査（ＬＩＮＳＣＡＮ）方法および高度なピーク検出方法の両方がここで提供される。 一方または両者のパターン認識処理は、化学物質、生物、放射線物質、原子力および爆発物の可能な限りの検出を支援するため、本発明の代替的な実施例によるシステムで使用される。スペクトルはこれらの様々なターゲット材によって非常に異なり（最も一般的に化学物質および生物のためには赤外線）、および放射線物質をターゲットにはガンマ線である。本発明の代替的な実施例は、いずれのスペクトルを、例えば超音波などでも、解析するために一つ以上のこれらの処理を適用する。
【発明の効果】
【０００５】
本発明の一実施例により二つのスペクトル解析方法は、二重確認、より優れた正確性、および誤検出と検出漏れを減少するため、単独での遂行で可能なことと比較して、結合される。
【０００６】
これらのパターン認識方法の使用はまた、スペクトルの自己相関および相互相関の使用も提案する。使用されるスペクトルはターゲット材および予想バックグラウンド（ホワイトまたはカラー）を表さなければならない。ＬＩＮＳＣＡＮ方法では、それらのスペクトル自体（好ましくは予想されるホワイトおよびカラーのノイズスペクトルを含む）は、いくつかの超空間で非負数の単純なベクトル（１がそれぞれの計測されるスペクトル瓶）である。それらベクトルは直ちに正規直交されることが可能である。つまり、物質および両方の型のバックグラウンドそれぞれの瓶の新規の疑似スペクトル（実数の―正数または負数）値は、他のガンマ線スペクトルの予想スペクトルで相互相関される影響がゼロである前に、計算されることが可能である。測定スペクトルを疑似スペクトルで相関すると、ターゲット材の存在の量に比例すべき数を生成する。高度ピーク検出方法（ＡＰＤ）はスペクトル解析と別の方法を提供し、およびＬＩＮＳＣＡＮの結果を検証するために使用されることが可能である。
【０００７】
他の実施例では、展開される第一方法は検出漏れ結果の減少に集中することが可能であり、同様に展開される第二方法はさらに誤検出を減少させ、従って誤検出と検出漏れ全体にわたって大幅に削減する。
【０００８】
特定の適用では、化学物質、生物、放射線物質、原子力および爆発物の検出、識別、かつまた定量化に提供されるスペクトルは、ターゲット材の複雑な結合（ターゲットと見なされる物質のリストの要素）、原因不明のバックグラウンドノイズ、およびターゲット材のリストにない他の物質から得られる。
【０００９】
さらに、アイソトープ（放射性物質）検出および識別などのいくつかの場合では、クレートまたはトラックなどの物理的物質は、それら物体が存在しないと検出されうるバックグラウンド放射を吸収することが可能である。本発明のパターン認識の使用の一例は、いずれのターゲット材の存在、および指摘される不明の物質およびバックグラウンドの問題に関わらず、ゼロ閾値想定に基づくその物質のおよその量を決定するための、ガンマ線スペクトルの検出および識別である。もちろん、閾値の本質および量は通常不明であるので、放射性物質はこれらの方法（または他の）が示唆するものよりも多く存在しうる。
【００１０】
本発明の他の実施例により、二次物質の存在または不在の検出がターゲット材の識別のため使用される。二次物質識別の例は以下の通りである。炭素菌の赤外線サーチのためには、兵器化して使用される炭素菌として知られる化学物質の微量の存在での炭素菌の種の識別は、危険物質を区別することが可能である。他の例は、物質の識別がガンマ線スペクトルによって解決されない場合の、更なる識別を提供するアルファ線および中性子線の検出である。
【００１１】
本発明の他の実施例は、ターゲット材の検出および識別を非常に迅速に、かつＡＳＩＣ、ＤＳＰ、または同様の手頃なコンピュータで遂行する。
【００１２】
本発明の他の実施例は、誤検出率と検出漏れ率の間のトレードオフ上でユーザー制御を提供する。
【図面の簡単な説明】
【００１３】
【図１】アイソトープ検出および識別のための複素スペクトルの図である。
【図２】例としてアイソトープスペクトルを解析することにより示されるパターン認識のＬＩＮＳＣＡＮ方法を使用するための一連の工程を説明するフロー図である。
【図３】例としてアイソトープスペクトルを使用する、パターン認識のＬＩＮＳＣＡＮ方法のための習得工程の例を示すフロー図である。
【図４】例としてアイソトープスペクトルを使用する、パターン認識のＬＩＮＳＣＡＮ方法のために使用される工程の例を示すフロー図である。
【図５】例としてアイソトープスペクトルを使用する、パターン認識の高度ピーク検出方法のために使用される工程の例を示すフロー図である。
【発明を実施するための形態】
【００１４】
本明細書が本発明を新奇のものとみなす特徴を定める特許請求の範囲を含むと同時に、本発明は、参照数字が繰越される図面と併せて追随する説明を考慮することにより、より良く理解されると考えられる。開示される実施例は、本発明の例にすぎず、様々な形に体化されることが可能であることが理解されるものとする。従って、本文中に開示される明細書の機能的な詳細は、制限されるものではなく特許請求の範囲に基づくものとして、および事実上いずれの適切な詳細の構造で本発明を様々に使用するため、通常の同業者の指導の基準を代表するものとして表される。さらに、本文中で使用される用語および表現は制限を意図するものではなく、本発明のより理解しやすい説明を提供するためのものである。
【００１５】
本発明の代替的な実施例は、ターゲット材の検出および識別するスペクトルデータの解析のため、様々なソフトウェア方法を利用する。直線走査（ＬＩＮＳＣＡＮ）方法および高度なピーク検出（ＡＰＤ）方法が情報処理システムによって使用される。これらの複合的なパターン認識方法は個別に、または識別、および化学物質、生物、放射線物質、原子力および爆発物の迅速かつ正確な検出、および定量化を広範囲の適用ができるよう結合して使用される。
【００１６】
これらのパターン認識方法の使用はまた、スペクトルの自己相関および相互相関の使用も提案する。使用されるスペクトルはターゲット材および予想バックグラウンド（ホワイトまたはカラー）を表さなければならない。
【００１７】
ＬＩＮＳＣＡＮ方法では、それらのスペクトル自体（好ましくは予想されるホワイトおよびカラーのノイズスペクトルを含む）は、いくつかの超空間で非負数の単純なベクトル（１がそれぞれの計測されるスペクトル瓶）である。それらベクトルは直ちに正規直交されることが可能である。つまり、物質および両方の型のバックグラウンドそれぞれの瓶の新規の疑似スペクトル（実数の―正数または負数）値は、他のガンマ線スペクトルの予想スペクトルで相互相関される影響がゼロである前に、計算されることが可能である。測定スペクトルを疑似スペクトルで相関すると、ターゲット材の存在の量に比例すべき数を生成する。高度ピーク検出方法（ＡＰＤ）はスペクトル解析と別の方法を提供し、およびＬＩＮＳＣＡＮの結果を検証するために使用されることが可能である。他の実施例では、展開される第一方法は検出漏れ結果の減少に集中することが可能であり、同様に展開される第二方法はさらに誤検出を減少させ、従って誤検出と検出漏れ全体にわたって大幅に削減する。
【００１８】
後述される例は、本発明の様々な態様を説明するため、大部分が放射線アイソトープの検出および識別のための方法で例証される。例は放射線物質の検出、識別、および定量化のために使用される方法を以下に例証すると同時に、これらの同様の原理はまた、化学物質、生物、音響、原子力、および爆発物の検出、およびスペクトルを使用して検出されるターゲットのいずれの他の状況に適用されることも可能である。
【００１９】
図１を参照に、アイソトープ識別のための分野環境の配置図が、物体および動作として示される。本発明の実施例によって、ガンマ放射線１０１は検出器、またはガンマ線と検出器の相互作用を関連エネルギー１０２に変換する一連の検出器１０５によって、測定される。エネルギーはその後、エネルギー対強度確率によって解析１１０のため複合放射線スペクトル記録１０４として、表示を生成するヒストグラムに保存される。
【００２０】
収集されたスペクトルは、存在しうるターゲットアイソトープ１０７を推定するため計算されることが必要な物理的処理の和である。これらの物理的処理は、ターゲットの不在が生じうるガンマ放射線などバックグラウンド１０３放射を含む。ガンマ線はどこかに存在する非ターゲット材（時にはターゲットとして同じ材料であることもある）から生じる。バックグラウンドのほとんどは材料の近隣から生じるが、いくつかは空間から生じる。バックグラウンドは空間的および時間的に可変である。
【００２１】
ターゲットアイソトープ１０７は、ポワソン確率分布による比率統制で不規則に衰え、および予測可能なエネルギーおよび可能性で複数のガンマ線光子を放出する。この工程で生成されるものはまた、電子によって低いエネルギー拡散されるガンマ線−コンプトン錯乱放射線１０９である。既知の一連のMアイソトープI1、I2．．．IMがあることを前提とする。それぞれ、平均的に既知のガンマ線スペクトルを生成する。これらの工程は予測可能であり、およびモデル化されることが可能である。また、コンピュータシミュレーションも利用可能であることを前提とする。
【００２２】
検出器および電子機器は、個別のガンマ線光子のエネルギーの正確な値を不明瞭にする自然ノイズ１０６を導入することによる測定（スペクトルヒストグラム）エラーの一因となる。単純化するため、検出器要素間の変動、非線形検出器反応などは無視している。代わりに、ノイズは追加式で、および二つの部分―ホワイトおよびカラーから成ることを前提とする。
【００２３】
これらの要因のすべてが測定されるスペクトルの一因となるが、任務は、他の要因を無視または少なくとも克服する間の、大量のターゲット材の存在を発見することである。
【００２４】
複雑性要因：これらに含まれる複数の他の複雑性要因がある。
・予測不可能なコンプトン錯乱パターン。実験的に、コンプトン錯乱エネルギーパターンは設定詳細、物理的環境などによって異なる。これは他のアイソトープからの信号としてなりすますことが可能なため、重要である。
・非線形検出器応答。容易、頻繁で正確な仮定は、すべてのアイソトープおよびすべての他の信号ソースからの要因の単純な和からの計測データ結果である。いくつかの検出機の係数率が十分に高い場合、エネルギーの二倍の光子を記録するため生じる積分時間で二つの光子が検出されうる。それほど頻繁ではないが、これは三倍のエネルギーを引き起こす。ショットノイズは信号依存である。電子機器に関連する他の非線形性の場合がよくある。信号を見かけのガンマ線エネルギーに変換する電子機器はノイズが多い―同じ入力で異なる結果を生じうる他の影響となる。
【００２５】
本発明の一実施例は、ターゲット化学物質、生物、放射線物質、原子力および爆発物、音響、および他のスペクトルを検出、識別、定量化のため、複素スペクトルからの情報を使用する複合ソフトウェア解析方法を提供する。
【００２６】
ＬＩＮＳＣＡＮ方法
図３は、ＬＩＮＳＣＡＮの比較データベースを設立するための既知のソースからスペクトルを獲得するパターン認識システムのために使用される、習得工程を説明する。ターゲットのアイソトープまたはシステムが識別するよう設計される物質の一連のスペクトル画像は、検出器ハードウェアによって実況中継サンプルから、またはトレーニングサンプルデータベース３０１を装着するコンピュータシミュレーションから収集される。同様に、後に覆われる解析フェーズに適用されるノイズフィルタ３０２は、特徴集合３０５に保存されるのと同様に一連のサンプルをより識別可能にかつランダムを少なく生成するよう、トレーニングサンプルそれぞれに適用される。
【００２７】
特徴集合のこれらのサンプルそれぞれは、類似を識別する関係相関マトリクスを作るためあらゆる他のサンプルと相互相関３０３される。このマトリクスの行列反転３０４は、それら類似の影響を最小化し、およびすべての識別特徴の和の値が１になるよう定量化する。この行列反転はその後、ＬＩＮＳＣＡＮデータベース３０８に特徴フィルタ３０６として保存される。パターンそれぞれの閾値は、識別感度のユーザーコントロールができるよう発生データベースに設定される。これらの閾値は、閾値３０７としてＬＩＮＳＣＡＮデータベースの中にコピーされる。
【００２８】
いくつかの場合で、一つ以上のこれらのステップを除外するのに十分でありうること、およびさらなる解析が出力で実行されることが可能であることが分かる。この特許はそれら変化形を明白に含みかつ請求する。
【００２９】
図２および４は、ＬＩＮＳＣＡＮによって実行されるものとして、スペクトル解析の全体の工程および要素を示す。スペクトル２０１の収集後、図１および関連する本文に説明されるように、データは以下の方法によって前処理および標準化される。情報が利用可能である場合、バックグラウンド除去法が解析のバックグラウンドノイズ２０４を削減するため使用されるべきである。バックグラウンド除去法２０２は、信号の非バックグラウンドコンテンツの優れた予測に必要不可欠である。これを行う方法はいくつかある。サンプルそれぞれの解析時間に近接して、積分時間を拡大縮小し、必要であれば除去するのと同時に、試験用ターゲットの不在でスペクトルを測定することが可能である。予想バックグラウンドの評価に時間がかかる場合、バックグラウンドに指定する重さを決定する測定スペクトルで相互相関されることが可能である。
【００３０】
ノイズは弱いソースからのマスク信号に広くかつ高く生じ、および一つ以上の他のアイソトープとして誤認されうるため、コンプトン錯乱ノイズ２０５の最小化は重大である。本アプローチは、シャープピークを強調しかつブロードシェイプを重視しないいくつかの方法を使用する。これを行うためにアンシャープマスキング、分化、輪郭強調に基づくコンボリューションなどを含む、多くの方法がある。これを行う前に、スペクトルをスムージングすることもまた価値がありうる―フィルタ計算で小さい不規則変動の影響を軽減するため、順序フィルタリング、コンボリューション、数理形態学、ガウス相違（ＤＯＧ）などを使用する。
【００３１】
必要に応じて、計算ハードウェアの価格および制約にもよるが、データは標準化され、かつスケーリングファクターは保存される。標準化は前処理ステップで最も重要でないものである。不動点操作が使用される場合のみ有益で、および浮動小数点操作のみが使用される場合は不要である。標準化の単純な方法は、スペクトルの最高値を１（または他の標準値）に設定し、同じファクターにより他のすべての値を縮小拡大することである。
【００３２】
これらのことが終了すると、S1(E)としてみなされる、第一の訂正済みスペクトル２０３を得る。そこで、式（数１）、
に近づけることを試みる。
式中、
wkはアイソトープlkの重さである。
Ik(E)はlkのエネルギースペクトルである。
W(E) = 1 はホワイトノイズを示す。
C(E) はカラーノイズの予想スペクトルである。
グラム・シュミット［例：ウォルター・ホフマン著“グラム・シュミットのための反復アルゴリズム” ComputinＧ 41 , 335=348（２００５年）］、またはコーフィールド‐マローニ［Ｈ．Ｊ．コーフィールドおよびＷ．Ｔ．マローニ著 “光学式文字認識での改良識別” Appl. Opt. 8, 2354 （１９６９年）］の直交化法を使用することができる。
いずれも、al Eチャンネルを超えるφj(E)×S1(E)の和がwjであるような関数φ/E)を作り出す。
【００３３】
このように、それぞれの要素の重さおよび二つのノイズタイプの第一予測を得ることができる。
【００３４】
この時点で終了しても十分なときもあるが、他に行えることがある
【００３５】
表示スペクトルSl(E)を形成するため予想スペクトル２１４および計算重量２０６を使用することが可能である。その後、エラースペクトルを計算（数２）する。
【００３６】
理想的には、ε(E)はホワイトノイズを意味する０であるべきである。いずれの多くの偏差は、このリストにないアイソトープの出現など重要なエラーを示す。
【００３７】
いずれのアイソトープが非線形検出器２０７およびノイズの影響によるミスを生じがちである十分な強度を有するかを決定にする重量もまた、使用する。非線形が示唆される場合、非線形を考慮して指示重量で予測されるスペクトルを除去する（データは実験的におよび事前設定されて決定する）。結果の信号は第二訂正済みスペクトル２０８である。このスペクトルはその後、前述のように解析されることが可能である。
【００３８】
残りのタスクは、いくつかのアイソトープの存在を報告するときの決定である。サンプルノイズは少なくとも、すべてのアイソトープにゼロ以外の重量を与える。報告閾値をゼロまたは他の非常に低い値に設定する場合、多くの誤警報を受ける。一方、閾値を非常に高く設定する場合は、非常に多くの検出漏れがある。それら二つの望ましくない結果の間のトレードオフ（交換）は、それ自体はこの特許の主題とならない様々な既知の方法で制御されることが可能である。
【００３９】
好適な実施例は以下の通りである。
・スペクトルを収集し、およびサンプルが測定装置に挿入される直前、またはターゲットが獲得されると同時に導入されるすべての物理的処理の新規のスペクトル４０１を作り出すための動的平均の時間をかけて、測定されるバックグラウンドに基づく予測バックグラウンドコンテンツを除去する。
・下記のフィルタなどの解析に信号を最大化するため、このスペクトルにノイズフィルタ４０２を適用する。
スリーワイドウィンドウメジアンフィルタでスムージングする。
Eおよび積の逆フーリエ変換によって、フーリエ変換を拡大することにより分化する。その後、絶対値を取る。これをスペクトルS1(E)と呼ぶ。
・グラム・シュミット方法を使用して重量を計算する。
スペクトルは特徴集合４１３で相互相関４０５される。これは測定スペクトルとトレーニングスペクトルの間の類似性を識別する。
トレーニングスペクトル内で重複する類似を除外し、実際に測定されるそれぞれの量に関する一連の重さの違いの識別の和を拡大縮小する、マトリクス特徴フィルタ４１１によって相関ベクトルが増やされる４０６。
・構成された閾値４０９以下の量測定をゼロにする。
・識別された物質の予測スペクトルを構築し、および解析されているフィルタスペクトルからの推定を除去４０７するため、計算された量を特徴集合に再適用する。
・前の計算の残余は自己相関されるか、または追加信号が存在４０８する可能性を推定する他の方法となる。
【００４０】
高度ピーク検出方法
高度ピーク検出（ＡＰＤ）方法は、物質の検出、識別、および定量化のため、複雑なピークや異なるピークをともに有する様々な適用に使用される。図５はＡＰＤ方法の工程フローを説明する。下記では、ＡＰＤ方法が作用する例としてアイソトープスペクトル解析を使用する。
【００４１】
ガンマ線スペクトル解析でピーク検出を行うための、かなり明白な二つの理由がある。第一に、頻繁な再較正が必要とされるスペクトル測定装置で、十分な変動性およびドリフトがある。二つの点―一つは低エネルギーの、一つは高エネルギーの―を作り出す再較正ソースを使用する。低エネルギーガンマ線はスペクトル的に分解できないが、既定および継続される偏向が十分にできる強さである。高エネルギーピーク（実際にはガンマからではなく、ガンマとしてなりすます同じ検出器を励起するアルファから）は、ピークが正確に適合されることができる増幅率調節に理想的である。離散推定エネルギーに極めて近接する離散信号がある。どのピークが示唆されたエネルギーに関して適合するのかわからない。つまり、エネルギーの拡大縮小は不確定であり、および 決定的ピークを得ることはない（かわりにピークに近いサンプル値はある）。それらサンプル値に最も誘導しそうなピークがわからないのであれば、それによって示唆されたエネルギーを適切な値にするよう適用されるのに必要なスケールファクターが何であるかがわかりうる。その後、滑らかな曲線に分離データを適合し（例としてスプラインまたはＤＯＧによって）、および次の解析のため既定のエネルギーで再サンプリングする、スケールファクターを適用する。第二に、前述した較正が終了すると、識別および定量化の目的でいずれの信号の正確なピークエネルギーを確定することが重要である。
【００４２】
システムのエネルギー地点拡散機能（単一エネルギーガンマ線に示唆される応答曲線）がガンマ線エネルギーによって変わることにより、作業はより困難になる。曲線は適合するよう修正されない。応答曲線は複数の要因を有するため、ガウス形状になりうることを提言する中心極限定理を呼び出す。実験的に、これはほぼ正確に現れる。較正のため、整合性はいずれの場合の正確な記述より重要である。そういうわけで、ガウス形状を使用する傾向にある。ガウス曲線はその後、三つのパラメータを有する：Ａ（高さ調節ファクター）、ｍ（曲線のエネルギーを意味する）、およびσ（その標準偏差）。エネルギーｍによって劇的によって変化するσは、前述した二つの目的に有効なピーク値である。Ａは存在による放射線の存在の量を測定し、および少量の物質の存在を検出および示唆するための閾値を設定するのに役立つ。
【００４３】
好ましいアプローチの第一ステップは、いくつかのおおよその適合を見つけることである。これは、例としてそれぞれが低、中、および高エネルギー範囲である、異なるσ値のガウス分布でのコンボリューション、または相関（ガウス分布のための完全に同一の操作）によってなされることが可能である。これらは可能な開始適合を与えるために閾値化されることが可能である―１がそれぞれの実数ピークである。それらガウス分布は最適適合より少なくなるが、適合は反復方法によって改良されることが可能である。
【００４４】
代替的なパターン認識方法
ここで一つの単純な反復改良アルゴリズム―勾配追跡の変化形―を説明する。
【００４５】
性能指数を最適化することから始める。最小二乗は初めに指示されたピークの周辺のいくつかの事前合意された数のためのサンプル値S(Ei)の間の差。これを規定設定Ｂと呼ぶ。ガウス分布がＧ°A,m,σまたはのちに改良された予測ＧkA,m,σであろうと、パラメータＡ、ｍ、σおよび同様にＢのすべての点でガウス分布を評価することが可能である。エネルギーEiでは、差（数３）がある。
【００４６】
Ｂを超えるこれらの差の二乗の和はＳと呼ばれることが可能であり、および最小化するために求める量である。また、Ｂより上に合計された積S(Ei) ＧkA,m,σ (Ei)である相互相関ＣＣを計算することもありうる。ＣＣの最大化は差の二乗の和を最小化するものとする同一の結果を得る。例証のため、二乗の差の和の最小化を検討する―Ｆと呼ぶ量（性能指数）。 従って、Ｆを最も低い可能な値に動かすパラメータＡ、ｍ、およびσに変化を探す（常にＦ＞０であることに注意）。
【００４７】
相関関数を使用する場合、適合が完全である場合値が常に正数および０になりうる性能指数を与えるため、自己相関の和から相関関数を二回引かなければならない。
【００４８】
開始適合はF0と呼ぶ開始Fを与える。Fをできるだけ０に近づけるよう動かすため、パラメータを変えたい。正しくないが便利な二つの仮説を挙げる。
Fはすべての三つのパラメータで線形に変化する。
パラメータはそれぞれ、-F/3から新しい値に変える一因となるべきである。
それではどのくらいAを、それから-F/3によってＦを変えるべきであろうか。
(3F/3A) ΔA = -F/3
または、
ΔA = -F/[3(3F/3A)].
のように、ΔAになるようAを変えたい。
残念ながら、変動関数がわからないので、
δA = A/100
のような微小摂動をつくる。
すると、δF の結果を変えるものがわかる。その後、
ΔA = -FδA/ 3δF
または、
(ΔA) = -AF/[300(δF)].
を使用する。
【００４９】
他の二つのパラメータを変える同様のアプローチもまたなされる。
【００５０】
それら三つのパラメータの変更は、同時に新規の値Fで新しいガウス分布を引き出す。これは同様の方法で改良されることが可能である。
【００５１】
この工程はある停止条件に合うまで続ける。つまり四回目の後停止しうる。または改良が効果的に終了すると停止しうる。
【００５２】
図８ではピーク検出の工程が示される。放射線アイソトープ識別などの適用では、収集されるデータでの主要な識別特徴は、重心が元のエネルギー、波長、または物質によって放出または吸収される他のそのような値に直接関係する、データに位置するピークである。ノイズまたは環境または電子機器の自然変化のため、これらのピークは様々な形および解像度を有し、かつソースの厳密値が不明瞭である。また、収集方法は度数分布または吸収値でありうるため、収集時間の期間または物質が観測されるランダム性に関連した強度に、確立差異がある。
【００５３】
これら物質の識別を補助するため、できる限りのノイズを無視し、およびスペクトルを検出器のハードウェア能力を最大限に表す既知のピーク関数（ガウス分布のような）に分解する工程を適用。
【００５４】
まずスペクトルは、計算の作用および評価されなければならない暫定ピークの数の最小化から局地化された確立差異を減少させるようスムージングされる。スムージングされたスペクトルは、分離一次導関数を使用して、および第一導関数がＸ軸を交差する点に配置することにより、極大にスキャンされる。これらの点は、確認のためさらに評価が必要な暫定ピークのリストに入れられる。
【００５５】
ピークの暫定リストを作成後、ピークはそれぞれ予想ピーク関数型（ガウス分布など）の曲線適合アルゴリズム（勾配追跡の変化形のような）で評価される。適合工程の間に変換されないピーク、およびハードウェアまたはソースの予想範囲を超える値に適合するピークは、暫定リストから除かれる。
【００５６】
それぞれのピークはその後、ガンマ放射のポアソン統計などの収集方法の特性を利用して、確実性を試験される。ポワソンランダムの可能性から予想されることの可能な確立差異と比較して、ピークが強度測定線、バックグラウンド強度、およびオーバーラップピーク強度を超えることがいかに顕著であるかが計算される。閾値は、システムが誤検出と検出漏れを、ユーザーが容認できる値に均衡を保つことについての信頼性の厳格さに影響を与える。
【００５７】
検証されたピークはそれぞれ、ソース値への近接によって既知の物質のリスト、および可能なソースを識別するための測定での信頼性に対してさらに詳しく追及され、およびその後、それぞれの可能なソースは、誤検出と検出漏れを容認できる周期に均衡を保つため閾値によって調整されることの可能な信頼値を計算される。信頼性があるが識別不能のピークが結果として生じた場合は、属する物質は、強度がすべての識別不能の全強度である識別解析結果に追加される。
【００５８】
（数１）
S1(E) = w1l1 (E) + w2I2(E) + ... + wwW(E) + wcC(E)
（数２）
ε(E) = S1 (E) - Sl (E)
（数３）
dik = S(Ei) - ＧkA,m,σ (Ei)
【産業上の利用可能性】
【００５９】
本発明の実施例の検討は、パーソナルコンピュータ、ワークステーションなど、またはその同等のいずれの情報処理システムに適用されることが可能であることが、注目されるべきである。
【００６０】
情報処理システムは例として、コンピュータを含む。コンピュータは、メインメモリ（例：揮発性メモリ）、非揮発性の記憶インターフェース、端末インターフェース、およびネットワークアダプタハードウェアに通信的に接続されるプロセッサを有する。システム・バスはこれらのシステムコンポーネントに相互接続する。非揮発性記憶インターフェースは、情報処理システムへのデータ記憶装置などの大容量記憶装置に接続するために使用される。データ記憶装置は、データかつ／またプログラムをＣＤまたはＤＶＤまたはフロッピーディスクに保存し、およびそこからデータかつ／またプログラムをから読み取る、例としてＣＤドライブを含む（すべて図示せず）。
【００６１】
一実施例では、メインメモリは上記の新規の方法を実行するコンピュータプログラムインストラクションを選択的に含む。これらのコンピュータプログラムインストラクションはメインメモリに備わることが可能であり、代替的にこれらのコンピュータプログラムインストラクションは、情報処理システム内のハードウェアかつ／またファームウェアに実装されることが可能である。
【００６２】
実施例による操作システムは、メインメモリに含まれることが可能であり、およびＬｉｎｕｘ、ＷｉｎｄｏｗｓＸＰ、およびウィンドウズ・サーバーオペレーティングシステムなどマルチタスク操作システムに適合されることが可能である。本発明の種々の実施例は、いずれの他の適切な操作システム、カーネル、または他の適合するコントロールソフトウェアを使用することが可能である。本発明のいくつかの実施例は、オブジェクト指向フレームワーク機構など、操作システム（図示せず）のコンポーネントのインストラクションを、情報処理システム内に設置されるいずれのプロセッサに実行させることができる、アーキテクチャを使用する。ネットワークアダプタハードウェアは、いずれの通信ネットワークにインターフェースを提供するため使用される。例として、ＴＣＰ／ＩＰ通信を経由して通信するため、イーサネットネットワークが使用されることが可能である。他の例として、インターネットなど広域ネットワークが、インターネットを経由して通信できるネットワークアダプタハードウェアに連結されることが可能である。
【００６３】
本発明の種々の実施例は完全機能的コンピュータシステムに関して説明されるが、特定の実施例は、以下の：フロッピーディスク、ＣＤ−ＲＯＭ、ＤＶＤ、適切なメモリ装置、非揮発性メモリ装置、いずれの型の記録可能媒体など：のようないずれの一つ以上のコンピュータ可読媒体を通して、またはいずれの型の電子通信機構を通して、プログラム製品として保存かつ／また分配される能力があることが理解される。
【００６４】
本発明の特定の実施例が開示されたが、本発明の精神および範囲を逸脱しない限り特定な実施例に変更がなされることが可能であることは、一般的な同業者に理解される。従って、本発明の範囲は特定の実施例に限定されるものではなく、およびいずれのおよびすべてのそのような適用、修正、および本発明の範囲内の実施例は添付の特許請求の範囲に含まれることを意図する。
【符号の説明】
【００６５】
１０１ガンマ放射線
１０２ガンマ関連エネルギー
１０３バックグラウンド放射
１０４放射線スペクトル
１０５検出器配列
１０６ノイズ
１０７放射能物質
１０８パルス高さ解析を使用してヒストグラムを生成
１０９コンプトン錯乱
１１０スペクトル解析
２０１放射線スペクトル
２０２バックグラウンド除去（選択式）
２０３第一訂正済みスペクトル
２０４バックグラウンドノイズ
２０５ノイズフィルタ
２０７非線形試験
２０８第二訂正済みスペクトル
２１４予測スペクトル
３０１トレーニングサンプルデータベース
３０２ノイズフィルタ
３０３相互相関
３０４マトリクス反転
３０５特徴集合
３０６集合フィルタ
３０７閾値
４０１スペクトル
４０２ノイズフィルタ
４０３ＬＩＮＳＣＡＮ解析
４０４ＬＩＮＳＣＡＮデータベース
４０５相互相関
４０６マトリクス増殖
４０７識別を除去
４０８信号テスト
４０９閾値より上
４１０解析結果
４１１特徴フィルタ
４１２閾値
４１３特徴集合
５０１スペクトル
５０２スムージングカーネルを適用
５０３第一派生物を計算
５０４ゼロ交差を負勾配に設置
５０５暫定ピークそれぞれを曲線適合
５０６それぞれのピークの信頼性を計算、および信頼性の低いピークを識別リストから除外
５０７ピーク重心を検査
５０８それぞれの物質の信頼性を計算、および信頼性の低い識別をリストから除外
５０９解析結果
５１０信頼性閾値
５１１参照データベース
５１２信頼性閾値
【技術分野】
【０００１】
本発明は概して、化学物質、生物、放射線物質、原子力および爆発物を含む有害なターゲット材の検出および識別のシステムおよび方法に関し、およびより詳細には、化学物質、生物、放射線物質、原子力および爆発物、またはスペクトルを使用する他のいずれの型のターゲット検索（信号対エネルギー、信号対波長など）のための複素スペクトルを解析することによって、ターゲット材を検出および識別するシステムおよび方法に関する。
【背景技術】
【０００２】
化学物質、生物、放射線物質、原子力および爆発物、またはスペクトルを使用する他のいずれの型のターゲット検索（信号対エネルギー、信号対波長など）のための複素スペクトルの解析への現在の試みは、国土安全および生物学的試験などの様々な適用で必要とされる微量の迅速かつ非常に正確な検索、識別、かつ／また定量化ができない。多くのパターン認識システムは研究所環境で十分な識別およびデータ精製を実行することが可能である一方、複合的な環境で広範囲のスペクトル干渉を実行する能力は課題である。現在の問題の例は、貨物に存在する放射線物質の検出、識別、および検証、および積荷目録の貨物を含む天然起源放射性物質（ＮＯＲＭ）と危険または不法の放射線貨物とを識別する能力である。他の例は、微量でも致死の可能性のあるような生物学的脅威の検出および識別の能力である。
【０００３】
従って、上記の先行技術の問題を克服する必要がある。
【発明の概要】
【課題を解決するための手段】
【０００４】
迅速かつ非常に正確なスペクトルデータの解析を達成するため、パターン認識のための直線走査（ＬＩＮＳＣＡＮ）方法および高度なピーク検出方法の両方がここで提供される。 一方または両者のパターン認識処理は、化学物質、生物、放射線物質、原子力および爆発物の可能な限りの検出を支援するため、本発明の代替的な実施例によるシステムで使用される。スペクトルはこれらの様々なターゲット材によって非常に異なり（最も一般的に化学物質および生物のためには赤外線）、および放射線物質をターゲットにはガンマ線である。本発明の代替的な実施例は、いずれのスペクトルを、例えば超音波などでも、解析するために一つ以上のこれらの処理を適用する。
【発明の効果】
【０００５】
本発明の一実施例により二つのスペクトル解析方法は、二重確認、より優れた正確性、および誤検出と検出漏れを減少するため、単独での遂行で可能なことと比較して、結合される。
【０００６】
これらのパターン認識方法の使用はまた、スペクトルの自己相関および相互相関の使用も提案する。使用されるスペクトルはターゲット材および予想バックグラウンド（ホワイトまたはカラー）を表さなければならない。ＬＩＮＳＣＡＮ方法では、それらのスペクトル自体（好ましくは予想されるホワイトおよびカラーのノイズスペクトルを含む）は、いくつかの超空間で非負数の単純なベクトル（１がそれぞれの計測されるスペクトル瓶）である。それらベクトルは直ちに正規直交されることが可能である。つまり、物質および両方の型のバックグラウンドそれぞれの瓶の新規の疑似スペクトル（実数の―正数または負数）値は、他のガンマ線スペクトルの予想スペクトルで相互相関される影響がゼロである前に、計算されることが可能である。測定スペクトルを疑似スペクトルで相関すると、ターゲット材の存在の量に比例すべき数を生成する。高度ピーク検出方法（ＡＰＤ）はスペクトル解析と別の方法を提供し、およびＬＩＮＳＣＡＮの結果を検証するために使用されることが可能である。
【０００７】
他の実施例では、展開される第一方法は検出漏れ結果の減少に集中することが可能であり、同様に展開される第二方法はさらに誤検出を減少させ、従って誤検出と検出漏れ全体にわたって大幅に削減する。
【０００８】
特定の適用では、化学物質、生物、放射線物質、原子力および爆発物の検出、識別、かつまた定量化に提供されるスペクトルは、ターゲット材の複雑な結合（ターゲットと見なされる物質のリストの要素）、原因不明のバックグラウンドノイズ、およびターゲット材のリストにない他の物質から得られる。
【０００９】
さらに、アイソトープ（放射性物質）検出および識別などのいくつかの場合では、クレートまたはトラックなどの物理的物質は、それら物体が存在しないと検出されうるバックグラウンド放射を吸収することが可能である。本発明のパターン認識の使用の一例は、いずれのターゲット材の存在、および指摘される不明の物質およびバックグラウンドの問題に関わらず、ゼロ閾値想定に基づくその物質のおよその量を決定するための、ガンマ線スペクトルの検出および識別である。もちろん、閾値の本質および量は通常不明であるので、放射性物質はこれらの方法（または他の）が示唆するものよりも多く存在しうる。
【００１０】
本発明の他の実施例により、二次物質の存在または不在の検出がターゲット材の識別のため使用される。二次物質識別の例は以下の通りである。炭素菌の赤外線サーチのためには、兵器化して使用される炭素菌として知られる化学物質の微量の存在での炭素菌の種の識別は、危険物質を区別することが可能である。他の例は、物質の識別がガンマ線スペクトルによって解決されない場合の、更なる識別を提供するアルファ線および中性子線の検出である。
【００１１】
本発明の他の実施例は、ターゲット材の検出および識別を非常に迅速に、かつＡＳＩＣ、ＤＳＰ、または同様の手頃なコンピュータで遂行する。
【００１２】
本発明の他の実施例は、誤検出率と検出漏れ率の間のトレードオフ上でユーザー制御を提供する。
【図面の簡単な説明】
【００１３】
【図１】アイソトープ検出および識別のための複素スペクトルの図である。
【図２】例としてアイソトープスペクトルを解析することにより示されるパターン認識のＬＩＮＳＣＡＮ方法を使用するための一連の工程を説明するフロー図である。
【図３】例としてアイソトープスペクトルを使用する、パターン認識のＬＩＮＳＣＡＮ方法のための習得工程の例を示すフロー図である。
【図４】例としてアイソトープスペクトルを使用する、パターン認識のＬＩＮＳＣＡＮ方法のために使用される工程の例を示すフロー図である。
【図５】例としてアイソトープスペクトルを使用する、パターン認識の高度ピーク検出方法のために使用される工程の例を示すフロー図である。
【発明を実施するための形態】
【００１４】
本明細書が本発明を新奇のものとみなす特徴を定める特許請求の範囲を含むと同時に、本発明は、参照数字が繰越される図面と併せて追随する説明を考慮することにより、より良く理解されると考えられる。開示される実施例は、本発明の例にすぎず、様々な形に体化されることが可能であることが理解されるものとする。従って、本文中に開示される明細書の機能的な詳細は、制限されるものではなく特許請求の範囲に基づくものとして、および事実上いずれの適切な詳細の構造で本発明を様々に使用するため、通常の同業者の指導の基準を代表するものとして表される。さらに、本文中で使用される用語および表現は制限を意図するものではなく、本発明のより理解しやすい説明を提供するためのものである。
【００１５】
本発明の代替的な実施例は、ターゲット材の検出および識別するスペクトルデータの解析のため、様々なソフトウェア方法を利用する。直線走査（ＬＩＮＳＣＡＮ）方法および高度なピーク検出（ＡＰＤ）方法が情報処理システムによって使用される。これらの複合的なパターン認識方法は個別に、または識別、および化学物質、生物、放射線物質、原子力および爆発物の迅速かつ正確な検出、および定量化を広範囲の適用ができるよう結合して使用される。
【００１６】
これらのパターン認識方法の使用はまた、スペクトルの自己相関および相互相関の使用も提案する。使用されるスペクトルはターゲット材および予想バックグラウンド（ホワイトまたはカラー）を表さなければならない。
【００１７】
ＬＩＮＳＣＡＮ方法では、それらのスペクトル自体（好ましくは予想されるホワイトおよびカラーのノイズスペクトルを含む）は、いくつかの超空間で非負数の単純なベクトル（１がそれぞれの計測されるスペクトル瓶）である。それらベクトルは直ちに正規直交されることが可能である。つまり、物質および両方の型のバックグラウンドそれぞれの瓶の新規の疑似スペクトル（実数の―正数または負数）値は、他のガンマ線スペクトルの予想スペクトルで相互相関される影響がゼロである前に、計算されることが可能である。測定スペクトルを疑似スペクトルで相関すると、ターゲット材の存在の量に比例すべき数を生成する。高度ピーク検出方法（ＡＰＤ）はスペクトル解析と別の方法を提供し、およびＬＩＮＳＣＡＮの結果を検証するために使用されることが可能である。他の実施例では、展開される第一方法は検出漏れ結果の減少に集中することが可能であり、同様に展開される第二方法はさらに誤検出を減少させ、従って誤検出と検出漏れ全体にわたって大幅に削減する。
【００１８】
後述される例は、本発明の様々な態様を説明するため、大部分が放射線アイソトープの検出および識別のための方法で例証される。例は放射線物質の検出、識別、および定量化のために使用される方法を以下に例証すると同時に、これらの同様の原理はまた、化学物質、生物、音響、原子力、および爆発物の検出、およびスペクトルを使用して検出されるターゲットのいずれの他の状況に適用されることも可能である。
【００１９】
図１を参照に、アイソトープ識別のための分野環境の配置図が、物体および動作として示される。本発明の実施例によって、ガンマ放射線１０１は検出器、またはガンマ線と検出器の相互作用を関連エネルギー１０２に変換する一連の検出器１０５によって、測定される。エネルギーはその後、エネルギー対強度確率によって解析１１０のため複合放射線スペクトル記録１０４として、表示を生成するヒストグラムに保存される。
【００２０】
収集されたスペクトルは、存在しうるターゲットアイソトープ１０７を推定するため計算されることが必要な物理的処理の和である。これらの物理的処理は、ターゲットの不在が生じうるガンマ放射線などバックグラウンド１０３放射を含む。ガンマ線はどこかに存在する非ターゲット材（時にはターゲットとして同じ材料であることもある）から生じる。バックグラウンドのほとんどは材料の近隣から生じるが、いくつかは空間から生じる。バックグラウンドは空間的および時間的に可変である。
【００２１】
ターゲットアイソトープ１０７は、ポワソン確率分布による比率統制で不規則に衰え、および予測可能なエネルギーおよび可能性で複数のガンマ線光子を放出する。この工程で生成されるものはまた、電子によって低いエネルギー拡散されるガンマ線−コンプトン錯乱放射線１０９である。既知の一連のMアイソトープI1、I2．．．IMがあることを前提とする。それぞれ、平均的に既知のガンマ線スペクトルを生成する。これらの工程は予測可能であり、およびモデル化されることが可能である。また、コンピュータシミュレーションも利用可能であることを前提とする。
【００２２】
検出器および電子機器は、個別のガンマ線光子のエネルギーの正確な値を不明瞭にする自然ノイズ１０６を導入することによる測定（スペクトルヒストグラム）エラーの一因となる。単純化するため、検出器要素間の変動、非線形検出器反応などは無視している。代わりに、ノイズは追加式で、および二つの部分―ホワイトおよびカラーから成ることを前提とする。
【００２３】
これらの要因のすべてが測定されるスペクトルの一因となるが、任務は、他の要因を無視または少なくとも克服する間の、大量のターゲット材の存在を発見することである。
【００２４】
複雑性要因：これらに含まれる複数の他の複雑性要因がある。
・予測不可能なコンプトン錯乱パターン。実験的に、コンプトン錯乱エネルギーパターンは設定詳細、物理的環境などによって異なる。これは他のアイソトープからの信号としてなりすますことが可能なため、重要である。
・非線形検出器応答。容易、頻繁で正確な仮定は、すべてのアイソトープおよびすべての他の信号ソースからの要因の単純な和からの計測データ結果である。いくつかの検出機の係数率が十分に高い場合、エネルギーの二倍の光子を記録するため生じる積分時間で二つの光子が検出されうる。それほど頻繁ではないが、これは三倍のエネルギーを引き起こす。ショットノイズは信号依存である。電子機器に関連する他の非線形性の場合がよくある。信号を見かけのガンマ線エネルギーに変換する電子機器はノイズが多い―同じ入力で異なる結果を生じうる他の影響となる。
【００２５】
本発明の一実施例は、ターゲット化学物質、生物、放射線物質、原子力および爆発物、音響、および他のスペクトルを検出、識別、定量化のため、複素スペクトルからの情報を使用する複合ソフトウェア解析方法を提供する。
【００２６】
ＬＩＮＳＣＡＮ方法
図３は、ＬＩＮＳＣＡＮの比較データベースを設立するための既知のソースからスペクトルを獲得するパターン認識システムのために使用される、習得工程を説明する。ターゲットのアイソトープまたはシステムが識別するよう設計される物質の一連のスペクトル画像は、検出器ハードウェアによって実況中継サンプルから、またはトレーニングサンプルデータベース３０１を装着するコンピュータシミュレーションから収集される。同様に、後に覆われる解析フェーズに適用されるノイズフィルタ３０２は、特徴集合３０５に保存されるのと同様に一連のサンプルをより識別可能にかつランダムを少なく生成するよう、トレーニングサンプルそれぞれに適用される。
【００２７】
特徴集合のこれらのサンプルそれぞれは、類似を識別する関係相関マトリクスを作るためあらゆる他のサンプルと相互相関３０３される。このマトリクスの行列反転３０４は、それら類似の影響を最小化し、およびすべての識別特徴の和の値が１になるよう定量化する。この行列反転はその後、ＬＩＮＳＣＡＮデータベース３０８に特徴フィルタ３０６として保存される。パターンそれぞれの閾値は、識別感度のユーザーコントロールができるよう発生データベースに設定される。これらの閾値は、閾値３０７としてＬＩＮＳＣＡＮデータベースの中にコピーされる。
【００２８】
いくつかの場合で、一つ以上のこれらのステップを除外するのに十分でありうること、およびさらなる解析が出力で実行されることが可能であることが分かる。この特許はそれら変化形を明白に含みかつ請求する。
【００２９】
図２および４は、ＬＩＮＳＣＡＮによって実行されるものとして、スペクトル解析の全体の工程および要素を示す。スペクトル２０１の収集後、図１および関連する本文に説明されるように、データは以下の方法によって前処理および標準化される。情報が利用可能である場合、バックグラウンド除去法が解析のバックグラウンドノイズ２０４を削減するため使用されるべきである。バックグラウンド除去法２０２は、信号の非バックグラウンドコンテンツの優れた予測に必要不可欠である。これを行う方法はいくつかある。サンプルそれぞれの解析時間に近接して、積分時間を拡大縮小し、必要であれば除去するのと同時に、試験用ターゲットの不在でスペクトルを測定することが可能である。予想バックグラウンドの評価に時間がかかる場合、バックグラウンドに指定する重さを決定する測定スペクトルで相互相関されることが可能である。
【００３０】
ノイズは弱いソースからのマスク信号に広くかつ高く生じ、および一つ以上の他のアイソトープとして誤認されうるため、コンプトン錯乱ノイズ２０５の最小化は重大である。本アプローチは、シャープピークを強調しかつブロードシェイプを重視しないいくつかの方法を使用する。これを行うためにアンシャープマスキング、分化、輪郭強調に基づくコンボリューションなどを含む、多くの方法がある。これを行う前に、スペクトルをスムージングすることもまた価値がありうる―フィルタ計算で小さい不規則変動の影響を軽減するため、順序フィルタリング、コンボリューション、数理形態学、ガウス相違（ＤＯＧ）などを使用する。
【００３１】
必要に応じて、計算ハードウェアの価格および制約にもよるが、データは標準化され、かつスケーリングファクターは保存される。標準化は前処理ステップで最も重要でないものである。不動点操作が使用される場合のみ有益で、および浮動小数点操作のみが使用される場合は不要である。標準化の単純な方法は、スペクトルの最高値を１（または他の標準値）に設定し、同じファクターにより他のすべての値を縮小拡大することである。
【００３２】
これらのことが終了すると、S1(E)としてみなされる、第一の訂正済みスペクトル２０３を得る。そこで、式（数１）、
に近づけることを試みる。
式中、
wkはアイソトープlkの重さである。
Ik(E)はlkのエネルギースペクトルである。
W(E) = 1 はホワイトノイズを示す。
C(E) はカラーノイズの予想スペクトルである。
グラム・シュミット［例：ウォルター・ホフマン著“グラム・シュミットのための反復アルゴリズム” ComputinＧ 41 , 335=348（２００５年）］、またはコーフィールド‐マローニ［Ｈ．Ｊ．コーフィールドおよびＷ．Ｔ．マローニ著 “光学式文字認識での改良識別” Appl. Opt. 8, 2354 （１９６９年）］の直交化法を使用することができる。
いずれも、al Eチャンネルを超えるφj(E)×S1(E)の和がwjであるような関数φ/E)を作り出す。
【００３３】
このように、それぞれの要素の重さおよび二つのノイズタイプの第一予測を得ることができる。
【００３４】
この時点で終了しても十分なときもあるが、他に行えることがある
【００３５】
表示スペクトルSl(E)を形成するため予想スペクトル２１４および計算重量２０６を使用することが可能である。その後、エラースペクトルを計算（数２）する。
【００３６】
理想的には、ε(E)はホワイトノイズを意味する０であるべきである。いずれの多くの偏差は、このリストにないアイソトープの出現など重要なエラーを示す。
【００３７】
いずれのアイソトープが非線形検出器２０７およびノイズの影響によるミスを生じがちである十分な強度を有するかを決定にする重量もまた、使用する。非線形が示唆される場合、非線形を考慮して指示重量で予測されるスペクトルを除去する（データは実験的におよび事前設定されて決定する）。結果の信号は第二訂正済みスペクトル２０８である。このスペクトルはその後、前述のように解析されることが可能である。
【００３８】
残りのタスクは、いくつかのアイソトープの存在を報告するときの決定である。サンプルノイズは少なくとも、すべてのアイソトープにゼロ以外の重量を与える。報告閾値をゼロまたは他の非常に低い値に設定する場合、多くの誤警報を受ける。一方、閾値を非常に高く設定する場合は、非常に多くの検出漏れがある。それら二つの望ましくない結果の間のトレードオフ（交換）は、それ自体はこの特許の主題とならない様々な既知の方法で制御されることが可能である。
【００３９】
好適な実施例は以下の通りである。
・スペクトルを収集し、およびサンプルが測定装置に挿入される直前、またはターゲットが獲得されると同時に導入されるすべての物理的処理の新規のスペクトル４０１を作り出すための動的平均の時間をかけて、測定されるバックグラウンドに基づく予測バックグラウンドコンテンツを除去する。
・下記のフィルタなどの解析に信号を最大化するため、このスペクトルにノイズフィルタ４０２を適用する。
スリーワイドウィンドウメジアンフィルタでスムージングする。
Eおよび積の逆フーリエ変換によって、フーリエ変換を拡大することにより分化する。その後、絶対値を取る。これをスペクトルS1(E)と呼ぶ。
・グラム・シュミット方法を使用して重量を計算する。
スペクトルは特徴集合４１３で相互相関４０５される。これは測定スペクトルとトレーニングスペクトルの間の類似性を識別する。
トレーニングスペクトル内で重複する類似を除外し、実際に測定されるそれぞれの量に関する一連の重さの違いの識別の和を拡大縮小する、マトリクス特徴フィルタ４１１によって相関ベクトルが増やされる４０６。
・構成された閾値４０９以下の量測定をゼロにする。
・識別された物質の予測スペクトルを構築し、および解析されているフィルタスペクトルからの推定を除去４０７するため、計算された量を特徴集合に再適用する。
・前の計算の残余は自己相関されるか、または追加信号が存在４０８する可能性を推定する他の方法となる。
【００４０】
高度ピーク検出方法
高度ピーク検出（ＡＰＤ）方法は、物質の検出、識別、および定量化のため、複雑なピークや異なるピークをともに有する様々な適用に使用される。図５はＡＰＤ方法の工程フローを説明する。下記では、ＡＰＤ方法が作用する例としてアイソトープスペクトル解析を使用する。
【００４１】
ガンマ線スペクトル解析でピーク検出を行うための、かなり明白な二つの理由がある。第一に、頻繁な再較正が必要とされるスペクトル測定装置で、十分な変動性およびドリフトがある。二つの点―一つは低エネルギーの、一つは高エネルギーの―を作り出す再較正ソースを使用する。低エネルギーガンマ線はスペクトル的に分解できないが、既定および継続される偏向が十分にできる強さである。高エネルギーピーク（実際にはガンマからではなく、ガンマとしてなりすます同じ検出器を励起するアルファから）は、ピークが正確に適合されることができる増幅率調節に理想的である。離散推定エネルギーに極めて近接する離散信号がある。どのピークが示唆されたエネルギーに関して適合するのかわからない。つまり、エネルギーの拡大縮小は不確定であり、および 決定的ピークを得ることはない（かわりにピークに近いサンプル値はある）。それらサンプル値に最も誘導しそうなピークがわからないのであれば、それによって示唆されたエネルギーを適切な値にするよう適用されるのに必要なスケールファクターが何であるかがわかりうる。その後、滑らかな曲線に分離データを適合し（例としてスプラインまたはＤＯＧによって）、および次の解析のため既定のエネルギーで再サンプリングする、スケールファクターを適用する。第二に、前述した較正が終了すると、識別および定量化の目的でいずれの信号の正確なピークエネルギーを確定することが重要である。
【００４２】
システムのエネルギー地点拡散機能（単一エネルギーガンマ線に示唆される応答曲線）がガンマ線エネルギーによって変わることにより、作業はより困難になる。曲線は適合するよう修正されない。応答曲線は複数の要因を有するため、ガウス形状になりうることを提言する中心極限定理を呼び出す。実験的に、これはほぼ正確に現れる。較正のため、整合性はいずれの場合の正確な記述より重要である。そういうわけで、ガウス形状を使用する傾向にある。ガウス曲線はその後、三つのパラメータを有する：Ａ（高さ調節ファクター）、ｍ（曲線のエネルギーを意味する）、およびσ（その標準偏差）。エネルギーｍによって劇的によって変化するσは、前述した二つの目的に有効なピーク値である。Ａは存在による放射線の存在の量を測定し、および少量の物質の存在を検出および示唆するための閾値を設定するのに役立つ。
【００４３】
好ましいアプローチの第一ステップは、いくつかのおおよその適合を見つけることである。これは、例としてそれぞれが低、中、および高エネルギー範囲である、異なるσ値のガウス分布でのコンボリューション、または相関（ガウス分布のための完全に同一の操作）によってなされることが可能である。これらは可能な開始適合を与えるために閾値化されることが可能である―１がそれぞれの実数ピークである。それらガウス分布は最適適合より少なくなるが、適合は反復方法によって改良されることが可能である。
【００４４】
代替的なパターン認識方法
ここで一つの単純な反復改良アルゴリズム―勾配追跡の変化形―を説明する。
【００４５】
性能指数を最適化することから始める。最小二乗は初めに指示されたピークの周辺のいくつかの事前合意された数のためのサンプル値S(Ei)の間の差。これを規定設定Ｂと呼ぶ。ガウス分布がＧ°A,m,σまたはのちに改良された予測ＧkA,m,σであろうと、パラメータＡ、ｍ、σおよび同様にＢのすべての点でガウス分布を評価することが可能である。エネルギーEiでは、差（数３）がある。
【００４６】
Ｂを超えるこれらの差の二乗の和はＳと呼ばれることが可能であり、および最小化するために求める量である。また、Ｂより上に合計された積S(Ei) ＧkA,m,σ (Ei)である相互相関ＣＣを計算することもありうる。ＣＣの最大化は差の二乗の和を最小化するものとする同一の結果を得る。例証のため、二乗の差の和の最小化を検討する―Ｆと呼ぶ量（性能指数）。 従って、Ｆを最も低い可能な値に動かすパラメータＡ、ｍ、およびσに変化を探す（常にＦ＞０であることに注意）。
【００４７】
相関関数を使用する場合、適合が完全である場合値が常に正数および０になりうる性能指数を与えるため、自己相関の和から相関関数を二回引かなければならない。
【００４８】
開始適合はF0と呼ぶ開始Fを与える。Fをできるだけ０に近づけるよう動かすため、パラメータを変えたい。正しくないが便利な二つの仮説を挙げる。
Fはすべての三つのパラメータで線形に変化する。
パラメータはそれぞれ、-F/3から新しい値に変える一因となるべきである。
それではどのくらいAを、それから-F/3によってＦを変えるべきであろうか。
(3F/3A) ΔA = -F/3
または、
ΔA = -F/[3(3F/3A)].
のように、ΔAになるようAを変えたい。
残念ながら、変動関数がわからないので、
δA = A/100
のような微小摂動をつくる。
すると、δF の結果を変えるものがわかる。その後、
ΔA = -FδA/ 3δF
または、
(ΔA) = -AF/[300(δF)].
を使用する。
【００４９】
他の二つのパラメータを変える同様のアプローチもまたなされる。
【００５０】
それら三つのパラメータの変更は、同時に新規の値Fで新しいガウス分布を引き出す。これは同様の方法で改良されることが可能である。
【００５１】
この工程はある停止条件に合うまで続ける。つまり四回目の後停止しうる。または改良が効果的に終了すると停止しうる。
【００５２】
図８ではピーク検出の工程が示される。放射線アイソトープ識別などの適用では、収集されるデータでの主要な識別特徴は、重心が元のエネルギー、波長、または物質によって放出または吸収される他のそのような値に直接関係する、データに位置するピークである。ノイズまたは環境または電子機器の自然変化のため、これらのピークは様々な形および解像度を有し、かつソースの厳密値が不明瞭である。また、収集方法は度数分布または吸収値でありうるため、収集時間の期間または物質が観測されるランダム性に関連した強度に、確立差異がある。
【００５３】
これら物質の識別を補助するため、できる限りのノイズを無視し、およびスペクトルを検出器のハードウェア能力を最大限に表す既知のピーク関数（ガウス分布のような）に分解する工程を適用。
【００５４】
まずスペクトルは、計算の作用および評価されなければならない暫定ピークの数の最小化から局地化された確立差異を減少させるようスムージングされる。スムージングされたスペクトルは、分離一次導関数を使用して、および第一導関数がＸ軸を交差する点に配置することにより、極大にスキャンされる。これらの点は、確認のためさらに評価が必要な暫定ピークのリストに入れられる。
【００５５】
ピークの暫定リストを作成後、ピークはそれぞれ予想ピーク関数型（ガウス分布など）の曲線適合アルゴリズム（勾配追跡の変化形のような）で評価される。適合工程の間に変換されないピーク、およびハードウェアまたはソースの予想範囲を超える値に適合するピークは、暫定リストから除かれる。
【００５６】
それぞれのピークはその後、ガンマ放射のポアソン統計などの収集方法の特性を利用して、確実性を試験される。ポワソンランダムの可能性から予想されることの可能な確立差異と比較して、ピークが強度測定線、バックグラウンド強度、およびオーバーラップピーク強度を超えることがいかに顕著であるかが計算される。閾値は、システムが誤検出と検出漏れを、ユーザーが容認できる値に均衡を保つことについての信頼性の厳格さに影響を与える。
【００５７】
検証されたピークはそれぞれ、ソース値への近接によって既知の物質のリスト、および可能なソースを識別するための測定での信頼性に対してさらに詳しく追及され、およびその後、それぞれの可能なソースは、誤検出と検出漏れを容認できる周期に均衡を保つため閾値によって調整されることの可能な信頼値を計算される。信頼性があるが識別不能のピークが結果として生じた場合は、属する物質は、強度がすべての識別不能の全強度である識別解析結果に追加される。
【００５８】
（数１）
S1(E) = w1l1 (E) + w2I2(E) + ... + wwW(E) + wcC(E)
（数２）
ε(E) = S1 (E) - Sl (E)
（数３）
dik = S(Ei) - ＧkA,m,σ (Ei)
【産業上の利用可能性】
【００５９】
本発明の実施例の検討は、パーソナルコンピュータ、ワークステーションなど、またはその同等のいずれの情報処理システムに適用されることが可能であることが、注目されるべきである。
【００６０】
情報処理システムは例として、コンピュータを含む。コンピュータは、メインメモリ（例：揮発性メモリ）、非揮発性の記憶インターフェース、端末インターフェース、およびネットワークアダプタハードウェアに通信的に接続されるプロセッサを有する。システム・バスはこれらのシステムコンポーネントに相互接続する。非揮発性記憶インターフェースは、情報処理システムへのデータ記憶装置などの大容量記憶装置に接続するために使用される。データ記憶装置は、データかつ／またプログラムをＣＤまたはＤＶＤまたはフロッピーディスクに保存し、およびそこからデータかつ／またプログラムをから読み取る、例としてＣＤドライブを含む（すべて図示せず）。
【００６１】
一実施例では、メインメモリは上記の新規の方法を実行するコンピュータプログラムインストラクションを選択的に含む。これらのコンピュータプログラムインストラクションはメインメモリに備わることが可能であり、代替的にこれらのコンピュータプログラムインストラクションは、情報処理システム内のハードウェアかつ／またファームウェアに実装されることが可能である。
【００６２】
実施例による操作システムは、メインメモリに含まれることが可能であり、およびＬｉｎｕｘ、ＷｉｎｄｏｗｓＸＰ、およびウィンドウズ・サーバーオペレーティングシステムなどマルチタスク操作システムに適合されることが可能である。本発明の種々の実施例は、いずれの他の適切な操作システム、カーネル、または他の適合するコントロールソフトウェアを使用することが可能である。本発明のいくつかの実施例は、オブジェクト指向フレームワーク機構など、操作システム（図示せず）のコンポーネントのインストラクションを、情報処理システム内に設置されるいずれのプロセッサに実行させることができる、アーキテクチャを使用する。ネットワークアダプタハードウェアは、いずれの通信ネットワークにインターフェースを提供するため使用される。例として、ＴＣＰ／ＩＰ通信を経由して通信するため、イーサネットネットワークが使用されることが可能である。他の例として、インターネットなど広域ネットワークが、インターネットを経由して通信できるネットワークアダプタハードウェアに連結されることが可能である。
【００６３】
本発明の種々の実施例は完全機能的コンピュータシステムに関して説明されるが、特定の実施例は、以下の：フロッピーディスク、ＣＤ−ＲＯＭ、ＤＶＤ、適切なメモリ装置、非揮発性メモリ装置、いずれの型の記録可能媒体など：のようないずれの一つ以上のコンピュータ可読媒体を通して、またはいずれの型の電子通信機構を通して、プログラム製品として保存かつ／また分配される能力があることが理解される。
【００６４】
本発明の特定の実施例が開示されたが、本発明の精神および範囲を逸脱しない限り特定な実施例に変更がなされることが可能であることは、一般的な同業者に理解される。従って、本発明の範囲は特定の実施例に限定されるものではなく、およびいずれのおよびすべてのそのような適用、修正、および本発明の範囲内の実施例は添付の特許請求の範囲に含まれることを意図する。
【符号の説明】
【００６５】
１０１ガンマ放射線
１０２ガンマ関連エネルギー
１０３バックグラウンド放射
１０４放射線スペクトル
１０５検出器配列
１０６ノイズ
１０７放射能物質
１０８パルス高さ解析を使用してヒストグラムを生成
１０９コンプトン錯乱
１１０スペクトル解析
２０１放射線スペクトル
２０２バックグラウンド除去（選択式）
２０３第一訂正済みスペクトル
２０４バックグラウンドノイズ
２０５ノイズフィルタ
２０７非線形試験
２０８第二訂正済みスペクトル
２１４予測スペクトル
３０１トレーニングサンプルデータベース
３０２ノイズフィルタ
３０３相互相関
３０４マトリクス反転
３０５特徴集合
３０６集合フィルタ
３０７閾値
４０１スペクトル
４０２ノイズフィルタ
４０３ＬＩＮＳＣＡＮ解析
４０４ＬＩＮＳＣＡＮデータベース
４０５相互相関
４０６マトリクス増殖
４０７識別を除去
４０８信号テスト
４０９閾値より上
４１０解析結果
４１１特徴フィルタ
４１２閾値
４１３特徴集合
５０１スペクトル
５０２スムージングカーネルを適用
５０３第一派生物を計算
５０４ゼロ交差を負勾配に設置
５０５暫定ピークそれぞれを曲線適合
５０６それぞれのピークの信頼性を計算、および信頼性の低いピークを識別リストから除外
５０７ピーク重心を検査
５０８それぞれの物質の信頼性を計算、および信頼性の低い識別をリストから除外
５０９解析結果
５１０信頼性閾値
５１１参照データベース
５１２信頼性閾値
【特許請求の範囲】
【請求項１】
スムージング、再サンプリング、およびガウス分布またはローレンツなどのピーク関数でスペクトルのコンボリューションのようないくつかの曲線適合操作によって初めに示唆されるピークそれぞれに適応できる曲線適合の工程。
【請求項２】
スムージングはコンボリューションによって行われる、請求項１に記載の工程。
【請求項３】
スムージングは曲線適合によって行われる、請求項１に記載の工程。
【請求項４】
特定のピークの最終曲線適合は、性能指数が最大化または最小化されることにより、勾配の降下または上昇によって行われる、請求項１に記載の工程。
【請求項５】
特定のピークの最終曲線適合工程は、発展的方法によって行われる、請求項１に記載の工程。
【請求項６】
特定のピークの最終曲線適合は、シミュレーテッドアニーリングによって行われる、請求項１に記載の工程。
【請求項７】
ピーク検出は、解析のためのスペクトルを提供するのに使用される検出器の較正のための参照信号位置を識別するため使用される、請求項１に記載の工程。
【請求項８】
情報処理システムのソフトウェアインストラクションを含むコンピュータ可読媒体において、ソフトウェアインストラクションは、
観測エネルギースペクトルの一因となる様々なアイソトープの強度を識別および定量化するよう設計される一連のソフトウェア操作から構成され、その順序は、
ノイズを除去しコンプトン錯乱の影響を最小化する前処理ステップ、
続いて、前記一連のアイソトープおよび予測されるノイズスペクトルからの要因の線形和としての結果のスペクトル派生信号の適合、および、
続いて、アイソトープの報告の是非、および非常に高い放射線レベルからの影響が削減され、かつ非線形が生じるミスが軽減される、一つ以上の段階の必要の有無の決定する適合によって決定される重量の解析、
を含む。
【請求項９】
バックグラウンド除去法は、信号プラスノイズ測定をするのにとられる時間によって除去されるスペクトルの大きさを標準化する、請求項８に記載のコンピュータ可読媒体。
【請求項１０】
バックグラウンド除去法は、ノイズスペクトルと測定信号プラスノイズスペクトルの間の相互相関によって除去されるスペクトルの大きさを標準化する、請求項８に記載のコンピュータ可読媒体。
【請求項１１】
コンプトン錯乱軽減工程は、観測エネルギースペクトルの分化によって実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１２】
コンプトン錯乱軽減工程は、観測エネルギースペクトルの分化に続いて、少なくとも一つの分化信号の絶対値、および分化信号の絶対値の関数を取ることによって実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１３】
コンプトン錯乱軽減工程は、アンシャープマスキングをスペクトルに適用することにより実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１４】
コンプトン錯乱軽減工程は、アンシャープマスキングを観測エネルギースペクトルに適用することにより実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１５】
コンプトン錯乱軽減工程は、アンシャープマスキングを観測エネルギースペクトルに適用し、および少なくとも一つのアンシャープマスキング信号の絶対値とアンシャープマスキング信号の絶対値の二乗を取ることにより実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１６】
コンプトン錯乱軽減工程は、コンボリューションをソーベルカーネルなどの輪郭強調カーネルで観測エネルギースペクトルに適用することにより実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１７】
コンプトン錯乱軽減工程は、シャープラインを強調する前にスムージングを適用することにより実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１８】
スムージングはコンボリューションによって行われる、請求項１７に記載のコンピュータ可読媒体。
【請求項１９】
スムージングは少なくとも一つの順序フィルタリングおよびメジアンフィルタリングによって行われる、請求項１７に記載のコンピュータ可読媒体。
【請求項２０】
スムージングは数理形態学によるコンボリューションによって行われる、請求項１７に記載のコンピュータ可読媒体。
【請求項２１】
アイソトープの曲線適合および予測ノイズスペクトルはグラム・シュミットの直交化法を使用して生じる、請求項８に記載のコンピュータ可読媒体。
【請求項２２】
アイソトープの曲線適合および予測ノイズスペクトルはコーフィールド‐マローニの直交化法を使用して生じる、請求項８に記載のコンピュータ可読媒体。
【請求項２３】
曲線適合によって決定される重量は、検出漏れ決定基準に対して誤検出が合うよう設定される値に閾値化される、請求項８に記載のコンピュータ可読媒体。
【請求項２４】
重量は、いずれかが非線形誘導エラーの存在がありうると示唆するのに十分な高さである場合に決定するよう試験される、請求項８に記載のコンピュータ可読媒体。
【請求項２５】
重量で示唆されるいずれの非線形の影響は、非線形を補正するよう計算されおよび除去される、請求項２４に記載のコンピュータ可読媒体。
【請求項２６】
示唆されるいずれの非線形の影響は、濃度分析が終了する前にスペクトルに補正が計算および減算されることによって直線化される、請求項２４に記載のコンピュータ可読媒体。
【請求項２７】
一連のソフトウェア操作は、化学物質、生物、放射線物質、原子力および爆発物のいずれの一つかそれ以上を検出、識別、および定量化する情報処理システムによって使用される、請求項８に記載のコンピュータ可読媒体。
【請求項２８】
コンピュータインストラクションを含むコンピュータ可読媒体を含む情報処理システムにおいて、インストラクションは、
（ａ）スムージング、再サンプリング、およびガウス分布またはローレンツなどのピーク関数でスペクトルのコンボリューションなどいくつかの単純な曲線適合操作によって初めに表示されるピークそれぞれに曲線を適合させる工程、および、
（ｂ）観測エネルギースペクトルの一因となる様々なアイソトープの強度を識別および定量化するよう設計される一連のソフトウェア操作から構成され、その順序は、
ノイズを除去し、およびコンプトン錯乱の影響を最小化する工程ステップ、
続いて、結果のスペクトル派生信号を既定の一連のアイソトープおよび予測ノイズスペクトルからの要因の線形和として適合、および
続いて、アイソトープの報告の是非、および非常に高い放射線レベルからの影響が削減され、かつ非線形が生じるミスが軽減される、一つ以上の段階の必要の有無の決定する適合によって決定される重量の解析を含み、および、
（ａ）と（ｂ）のいずれも、より優れた正確性を可能にするため二重確認方法として使用される。
【請求項２９】
（ａ）と（ｂ）のいずれも、検出漏れを最適化するため（ａ）の、および検出漏れと誤検出をともに減少させる全体的な影響のため、さらに誤検出を最適化するため（ｂ）の使用により、より優れた正確性を作り出すよう使用される、請求項２８に記載の情報処理システム。
【請求項１】
スムージング、再サンプリング、およびガウス分布またはローレンツなどのピーク関数でスペクトルのコンボリューションのようないくつかの曲線適合操作によって初めに示唆されるピークそれぞれに適応できる曲線適合の工程。
【請求項２】
スムージングはコンボリューションによって行われる、請求項１に記載の工程。
【請求項３】
スムージングは曲線適合によって行われる、請求項１に記載の工程。
【請求項４】
特定のピークの最終曲線適合は、性能指数が最大化または最小化されることにより、勾配の降下または上昇によって行われる、請求項１に記載の工程。
【請求項５】
特定のピークの最終曲線適合工程は、発展的方法によって行われる、請求項１に記載の工程。
【請求項６】
特定のピークの最終曲線適合は、シミュレーテッドアニーリングによって行われる、請求項１に記載の工程。
【請求項７】
ピーク検出は、解析のためのスペクトルを提供するのに使用される検出器の較正のための参照信号位置を識別するため使用される、請求項１に記載の工程。
【請求項８】
情報処理システムのソフトウェアインストラクションを含むコンピュータ可読媒体において、ソフトウェアインストラクションは、
観測エネルギースペクトルの一因となる様々なアイソトープの強度を識別および定量化するよう設計される一連のソフトウェア操作から構成され、その順序は、
ノイズを除去しコンプトン錯乱の影響を最小化する前処理ステップ、
続いて、前記一連のアイソトープおよび予測されるノイズスペクトルからの要因の線形和としての結果のスペクトル派生信号の適合、および、
続いて、アイソトープの報告の是非、および非常に高い放射線レベルからの影響が削減され、かつ非線形が生じるミスが軽減される、一つ以上の段階の必要の有無の決定する適合によって決定される重量の解析、
を含む。
【請求項９】
バックグラウンド除去法は、信号プラスノイズ測定をするのにとられる時間によって除去されるスペクトルの大きさを標準化する、請求項８に記載のコンピュータ可読媒体。
【請求項１０】
バックグラウンド除去法は、ノイズスペクトルと測定信号プラスノイズスペクトルの間の相互相関によって除去されるスペクトルの大きさを標準化する、請求項８に記載のコンピュータ可読媒体。
【請求項１１】
コンプトン錯乱軽減工程は、観測エネルギースペクトルの分化によって実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１２】
コンプトン錯乱軽減工程は、観測エネルギースペクトルの分化に続いて、少なくとも一つの分化信号の絶対値、および分化信号の絶対値の関数を取ることによって実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１３】
コンプトン錯乱軽減工程は、アンシャープマスキングをスペクトルに適用することにより実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１４】
コンプトン錯乱軽減工程は、アンシャープマスキングを観測エネルギースペクトルに適用することにより実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１５】
コンプトン錯乱軽減工程は、アンシャープマスキングを観測エネルギースペクトルに適用し、および少なくとも一つのアンシャープマスキング信号の絶対値とアンシャープマスキング信号の絶対値の二乗を取ることにより実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１６】
コンプトン錯乱軽減工程は、コンボリューションをソーベルカーネルなどの輪郭強調カーネルで観測エネルギースペクトルに適用することにより実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１７】
コンプトン錯乱軽減工程は、シャープラインを強調する前にスムージングを適用することにより実行される、請求項８に記載のコンピュータ可読媒体。
【請求項１８】
スムージングはコンボリューションによって行われる、請求項１７に記載のコンピュータ可読媒体。
【請求項１９】
スムージングは少なくとも一つの順序フィルタリングおよびメジアンフィルタリングによって行われる、請求項１７に記載のコンピュータ可読媒体。
【請求項２０】
スムージングは数理形態学によるコンボリューションによって行われる、請求項１７に記載のコンピュータ可読媒体。
【請求項２１】
アイソトープの曲線適合および予測ノイズスペクトルはグラム・シュミットの直交化法を使用して生じる、請求項８に記載のコンピュータ可読媒体。
【請求項２２】
アイソトープの曲線適合および予測ノイズスペクトルはコーフィールド‐マローニの直交化法を使用して生じる、請求項８に記載のコンピュータ可読媒体。
【請求項２３】
曲線適合によって決定される重量は、検出漏れ決定基準に対して誤検出が合うよう設定される値に閾値化される、請求項８に記載のコンピュータ可読媒体。
【請求項２４】
重量は、いずれかが非線形誘導エラーの存在がありうると示唆するのに十分な高さである場合に決定するよう試験される、請求項８に記載のコンピュータ可読媒体。
【請求項２５】
重量で示唆されるいずれの非線形の影響は、非線形を補正するよう計算されおよび除去される、請求項２４に記載のコンピュータ可読媒体。
【請求項２６】
示唆されるいずれの非線形の影響は、濃度分析が終了する前にスペクトルに補正が計算および減算されることによって直線化される、請求項２４に記載のコンピュータ可読媒体。
【請求項２７】
一連のソフトウェア操作は、化学物質、生物、放射線物質、原子力および爆発物のいずれの一つかそれ以上を検出、識別、および定量化する情報処理システムによって使用される、請求項８に記載のコンピュータ可読媒体。
【請求項２８】
コンピュータインストラクションを含むコンピュータ可読媒体を含む情報処理システムにおいて、インストラクションは、
（ａ）スムージング、再サンプリング、およびガウス分布またはローレンツなどのピーク関数でスペクトルのコンボリューションなどいくつかの単純な曲線適合操作によって初めに表示されるピークそれぞれに曲線を適合させる工程、および、
（ｂ）観測エネルギースペクトルの一因となる様々なアイソトープの強度を識別および定量化するよう設計される一連のソフトウェア操作から構成され、その順序は、
ノイズを除去し、およびコンプトン錯乱の影響を最小化する工程ステップ、
続いて、結果のスペクトル派生信号を既定の一連のアイソトープおよび予測ノイズスペクトルからの要因の線形和として適合、および
続いて、アイソトープの報告の是非、および非常に高い放射線レベルからの影響が削減され、かつ非線形が生じるミスが軽減される、一つ以上の段階の必要の有無の決定する適合によって決定される重量の解析を含み、および、
（ａ）と（ｂ）のいずれも、より優れた正確性を可能にするため二重確認方法として使用される。
【請求項２９】
（ａ）と（ｂ）のいずれも、検出漏れを最適化するため（ａ）の、および検出漏れと誤検出をともに減少させる全体的な影響のため、さらに誤検出を最適化するため（ｂ）の使用により、より優れた正確性を作り出すよう使用される、請求項２８に記載の情報処理システム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図２】
【図３】
【図４】
【図５】
【公表番号】特表２０１０−５１７０１５（Ｐ２０１０−５１７０１５Ａ）
【公表日】平成２２年５月２０日（２０１０．５．２０）
【国際特許分類】
【出願番号】特願２００９−５４６５０５（Ｐ２００９−５４６５０５）
【出願日】平成２０年１月１７日（２００８．１．１７）
【国際出願番号】ＰＣＴ／ＵＳ２００８／０５１２６３
【国際公開番号】ＷＯ２００８／０８９３０４
【国際公開日】平成２０年７月２４日（２００８．７．２４）
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．フロッピー
２．Ｌｉｎｕｘ
３．ウィンドウズ
４．ＷｉｎｄｏｗｓＸＰ
【出願人】（５０８１４４８９７）イノベイティブ アメリカン テクノロジー， インコーポレイテッド (4)
【Ｆターム（参考）】
【公表日】平成２２年５月２０日（２０１０．５．２０）
【国際特許分類】
【出願日】平成２０年１月１７日（２００８．１．１７）
【国際出願番号】ＰＣＴ／ＵＳ２００８／０５１２６３
【国際公開番号】ＷＯ２００８／０８９３０４
【国際公開日】平成２０年７月２４日（２００８．７．２４）
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．フロッピー
２．Ｌｉｎｕｘ
３．ウィンドウズ
４．ＷｉｎｄｏｗｓＸＰ
【出願人】（５０８１４４８９７）イノベイティブ アメリカン テクノロジー， インコーポレイテッド (4)
【Ｆターム（参考）】
[ Back to top ]