(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211245659.4 (22)申请日 2022.10.12 (71)申请人 南京航空航天大 学 地址 210001 江苏省南京市秦淮区御道街 29号 (72)发明人 方美华　王彪　张余炼　姚韵嘉　 宋定一　 (74)专利代理 机构 江苏圣典律师事务所 32 237 专利代理师 贺翔 (51)Int.Cl. G06F 30/25(2020.01) G06F 30/27(2020.01) G06N 3/08(2006.01) (54)发明名称 一种基于神经网络的航空辐射剂量快速反 演方法 (57)摘要 本发明公开了一种基于神经网络的航空辐 射剂量快速反演方法， 包括： 根据宇宙线特征设 置不同的入射粒子， 并基于蒙特卡罗方法， 构建 粒子在磁场和大气层中的输运模 型； 根据粒子输 运模型获得航空高度辐射环境参数； 根据航空辐 射环境参数采用注量—剂量转换系数对航空高 度辐射剂量进行计算， 并对计算得到的数据进行 预处理； 采用辐射剂量预处理数据对神经网络开 展训练和测试， 确定最优组合， 构建航空高度辐 射剂量反演的神经网络模型； 将空间天气参数输 入到训练好的神经网络模型中， 对航空高度辐射 剂量进行快速反演； 该快速 反演方法可对不同的 航空飞行、 不同的空间天气条件实现辐射剂量的 快速评估计算。 权利要求书2页 说明书6页 附图1页 CN 115310342 A 2022.11.08 CN 115310342 A 1.一种基于神经网络的航空辐射剂量快速反演方法， 其特 征在于， 包括： 步骤S1： 根据宇宙线特征设置不同的入射粒子， 并基于蒙特卡罗方法， 构建粒子在磁场 和大气层中的输运模型； 步骤S2： 根据粒子输运模型获得航空高度辐射环境参数； 其中， 航空高度辐射环境参数 包括muon子环境参数、 电子环境 参数、 质子环境 参数、 中子环境 参数中的一种或多种； 步骤S3： 根据航空辐射环境参数采用注量—剂量转换系数对航空高度辐射剂量进行计 算， 并对计算得到的数据进行 预处理； 步骤S4： 采用辐射剂量预处理数据对神经网络开展训练和测试， 确定最优组合， 构建航 空高度辐射剂量反演的神经网络模型； 步骤S5： 将空间天气参数输入到训练好的神经网络模型中， 对航空高度辐射剂量进行 快速反演。 2.根据权利要求1所述的航空辐射剂量快速反演方法， 其特征在于， 所述入射粒子在地 磁场中传输， 采用截止刚度方法。 3.根据权利要求1所述的航空辐射剂量快速反演方法， 其特征在于， 所述步骤S1进一步 包括： 设置不同的宇宙线入射条件； 所述宇宙线入射条件包括太阳活动参数、 时间、 地理位置 中的一项或多 项； 构建地磁场， 计算 地磁截止刚度， 建立 地磁截止刚度模型； 获取大气层顶多个位置的宇宙线辐射能谱及特 征； 对大气层顶多个位置的入射粒子的粒子能谱进行特征分析， 确定入射粒子的特征量矩 阵， 以及入射粒子的粒子种类、 能量、 方向； 采用基于蒙特卡罗方法的Geant4构建粒子在大气层中输运模型。 4.根据权利要求1所述的航空辐射剂量快速反演方法， 其特征在于： 所述神经网络模型 采用Adam梯度下降算法。 5.根据权利要求1所述的航空辐射剂量快速反演方法， 其特征在于， 所述步骤S4进一步 包括： 通过正向传播对输入训练集的训练样本执 行特征学习； 将所有训练样本向前传播到输出层后， 将估计值和真实值进行比较， 以均方误差作为 网络的损失函数 ， 以进行后向传播并更新 参数： （18） 式中， 表示模型输出， 表示网络结构参数， 为训练样本个数， 表示训练 集的输入， 表示训练集的输出； 在后向传播的过程中， 使用Adam算法最小化损失函数获得优化的网络结构； 训练完成后， 基于测试集对模型进行测试， 通过均 方根误差、 平均绝对误差对模型测试 性能和结果进行评估。权　利　要　求　书 1/2 页 2 CN 115310342 A 26.根据权利要求1所述的航空辐射剂量快速反演方法， 其特征在于： 所述入射粒子在大 气层中输运， 采用蒙特卡罗处 理入射粒子与大气原子的相互作用过程。 7.根据权利要求6所述的航空辐射剂量快速反演方法， 其特征在于： 所述大气层的大气 模型采用MISISE ‑00模型， MISISE ‑00模型的特征参量包括多个地理位置大气层的组成成 分、 密度参数。权　利　要　求　书 2/2 页 3 CN 115310342 A 3