Resumen:
El objetivo de este proyecto de investigación fue analizar, diseñar e implementar una
herramienta basada en redes neurales de regresión generalizada (GRNN) para
predecir el espectro de neutrones y/o cálculo de 15 cantidades dosimétricas usando
las tasas de conteo procedentes de un sistema espectrométrico de esferas Bonner
como la única información. En las etapas de entrenamiento y prueba, se utilizó un
conjunto de datos de 251 espectros de neutrones, tomados de la compilación de la
Agencia Internacional de Energía Atómica. Tomando el 80 por ciento de datos para
entrenamiento y cincuenta espectros analizados en la etapa de prueba. La herramienta
científico-tecnológica diseñada a partir de la tecnología redes neuronales de regresión
generalizada capaz de resolver el problema de espectrometría de neutrones con alto
rendimiento y capacidad de generalización, fue diseñada bajo el entorno MATLAB.
Esta herramienta computacional automatiza el pre-procesamiento de información, las
etapas de entrenamiento y prueba, el análisis estadístico y el post-procesamiento de
la información. Se comparó el rendimiento de las redes neuronales de propagación
hacia delante entrenadas por medio del algoritmo de propagación inversa (RNAPAPI)
y GRNN en la solución del problema de espectrometría de neutrones, observando que
las GRNN tienen un desempeño mejor que el RNAPAPI.
Descripción:
The aim of this research was to analyze, design and implement a generalized
regression neural network to predict the neutron spectrum and to calculate 15
dosimetric quantities using the count rates, comming from a Bonner spheres
spectrometric (BSS) system as the only entrance information. A dataset of 251 neutron
spectra, compiled from the International Atomic Energy Agency, was used at training
and test stages. 80 percent of the whole data set was used for training the neural
networks and remaining 20 percent at test stage. The scientific-technological tool
designed from the generalized regression neural networks technology capable of
solving the problem of neutron spectrometry with high performance and generalization
capacity was designed under the MATLAB environment. This computational tool
automates the pre-processing of information, the stages of training and testing,
statistical analysis and post-processing of information. We compared the performance
of feed forward propagation neural networks trained by the back propagation algorithm
and generalized regression neural networks in the solution of the neutron spectrometry
problem, noting that GRNNs perform better than back propagación neural networks.