基于朴素高斯贝叶斯分类的有监督机器学习方法，用于正电子湮没寿命谱(PALS)中的形状敏感探测器脉冲判别

摘要：获得高质量、无伪影的正电子寿命谱是进行深入分析的关键，即正确的寿命谱分解以获取真实信息。自引进数字正电子寿命谱仪以来，这通常是通过应用探测器脉冲识别来实现的并且借助于基于软件的脉冲滤波，对探测器脉冲的面积和或形状进行滤波。

在这里，我们提出了一种新的基于监督的形状敏感探测器脉冲识别方法基于完全正态分布朴素贝叶斯分类模型的机器学习。一般的朴素Bayes方法在许多实际问题中得到了广泛的应用，例如著名的应用用于电子邮件垃圾邮件过滤、文本分类或文档分类。他们的算法相对简单与更复杂的训练方法相比，执行速度更快，这在高维数据集上预测，即探测器脉冲。在这项研究中，我们发现低数量少于20个标记的训练脉冲足以在应用时获得可比的结果物理过滤。因此，我们的方法是一种潜在的替代方法。

关键词：寿命谱、脉象鉴别、监督机器学习、探测器脉冲、朴素贝叶斯、             正电子光谱学

一、简介

正电子湮没寿命谱(PALS)为广泛的无损微结构研究提供了有力的工具。材料科学领域从金属[5-10]、半导体[11,12]到聚合物[13,14]和多孔玻璃[15,16]。这个反电子(正电子)的寿命直接通过伴随其产生的伽马射线(例如，���+使用22Na衰变) 用光电倍增管与电子湮灭附加闪烁体(如BaF2，L(Y)SO，plastic)用于检测时间分辨采集和转换的波形数字化模拟输出信号[17–21]的仪器。

测得的寿命服从指数分布，其衰减常数的倒数，表示相应的特征寿命，它与类原子有同样的缺陷(例如空位或纳米大小的孔).1多指数衰变的分解，意味着从分析中得到的相关信息，是病态的。解决这个问题的基本困难是由于(1)数据不完整和(2)噪声[22,23]。因此，高质量非伪影寿命谱的获取是定量分析的关键，通常通过区分探测器脉冲的形状和/或面积来管理应用基于软件的过滤器[24–26]。因此，奇数脉冲(例如尖峰脉冲)或多次出现信号以及在触发事件的相关数字化仪读数范围(扫描)可以是在生成结果之前检测到并进一步拒绝寿命谱。这不仅会导致手工艺品的消失但也导致了峰本比的显著增加，导致更可靠的寿命谱分解。这在最近的一份出版物中显示[26]。

在这项工作中，我们提出了一种新的方法，利用基于朴素高斯贝叶斯分类的监督机器学习来区分侦测脉冲的形状(ML)。这种简单的方法为识别(过滤)的探测器脉冲以及由此产生的高质量寿命谱，