Performance of artificial neural networks and genetical evolved artificial neural networks unfolding techniques

 

J.M. Ortíz–Rodríguez^{a, c,*}, M.R. Martínez–Blanco^b, H.R. Vega–Carrillo^b, E. Gallego Díaz^d, A. Lorente Fillol^d, R. Méndez Villafañe^e, J.M. Los Arcos Merino^e, J.E. Guerrero Araque^e

 

^a Ingeniería Eléctrica,*e–mail: morvymm@yahoo.com.mx

^b Estudios Nucleares, Universidad Autónoma de Zacatecas, Apartado Postal 336, Zacatecas, 98000, México.

^c Depto. de Electrotecnia y Electronica Escuela Politécnica Superior, Avda. Menéndez Pidal s/n, Córdoba, España.

^d Universidad Politécnica de Madrid, Depto. de Ingeniería Nuclear, ETSI Industriales, C. José Gutiérrez Abascal, 2, Madrid, 28006, España.

^e CIEMAT, Laboratorio de Metrología de Radiaciones Ionizantes, Avda. Complutense, 22, 28040, Madrid, España.

 

Recibido el 10 de marzo de 2010
Aceptado el 31 de agosto de 2010

 

Abstract

With the Bonner spheres spectrometer neutron spectrum is obtained through an unfolding procedure. Monte Carlo methods, Regularization, Parametrization, Least–squares, and Maximum Entropy are some of the techniques utilized for unfolding. In the last decade methods based on Artificial Intelligence Technology have been used. Approaches based on Genetic Algorithms and Artificial Neural Networks have been developed in order to overcome the drawbacks of previous techniques. Nevertheless the advantages of Artificial Neural Networks still it has some drawbacks mainly in the design process of the network, vg the optimum selection of the architectural and learning ANN parameters. In recent years the use of hybrid technologies, combining Artificial Neural Networks and Genetic Algorithms, has been utilized to. In this work, several ANN topologies were trained and tested using Artificial Neural Networks and Genetically Evolved Artificial Neural Networks in the aim to unfold neutron spectra using the count rates of a Bonner sphere spectrometer. Here, a comparative study of both procedures has been carried out.

Keywords: Neutron spectrometry; neural networks; evolutive algorithms.

 

Resumen

Con el espectrométro de esferas Bonner se puede obtener el espectro a través de un procedimiento de reconstrucción. Los métodos Montecarlo, de Regularización, de parametrización, de mínimos cuadrados, de la máxima entropía son algunas de las técnicas utilizadas para la reconstrucción. En la última década, se han utilizado los métodos basados en la tecnología de Inteligencia Artificial. Se han desarrollado métodos basados en Algoritmos Genéticos y Redes Neuronales Artificiales en un intento de resolver las desventajas de las técnicas mencionadas. Sin embargo, a pesar de la ventajas de las redes neuronales, las mismas presentan algunos inconvenientes principalmente en lo que se refiere al proceso de diseño de de las redes, por ejemplo, la selección óptima de los parámetros de arquitectura y aprendizaje. En anos recientes, también se ha utilizado tecnologías híbridas, combinando las redes neuronales y los algoritmos genéticos. En éste trabajo, se diseñaron y entrenaron varias topologéas de redes neuronales y redes neuronales evolucionadas genéticamente con el objetivo de reconstruir espectros de neutrones utilizando las tasas de conteo de un espectrómetro de esferas Bonner. Aquí se realiza un estudio comparativo de ambos procedimientos.

Descriptores: Espectrometría de neutrones; redes neuronales; algoritmos evolutivos.

 

PACS: 29.30.Hs; 29.40–n; 07.05–Mh

 

DESCARGAR ARTÍCULO EN FORMATO PDF

 

References

1. H.R. Vega–Carrillo, V.M. Hernández–Dávila, E. Manzanares–Acuna, E. Gallego, A. Lorente, and M.P. Iñiguez, Radiation Protection Dosimetry 126 (2007) 408.         [ Links ]

2. S. Haykin, Neural Networks: A comprehensive foundation. Prentice Hall Inc. (1999).         [ Links ]

3. J.M. Ortiz–Rodríguez, M.R. Martínez–Blanco, and H.R. Vega–Carrillo, Electronics, Robotics andAutomotive Mechanics Conference 2 (2006) 131.         [ Links ]

4. J.M. Ortiz–Rodríguez, M.R. Martínez–Blanco, E. Gallego Díaz and H.R. Vega–Carrillo, Electronics, Robotics and Automotive Mechanics Conference, 4 (2008) 387.         [ Links ]

5. NeuroGenetic Optimizer. http://www.biocompsystems.com        [ Links ]

6. M.R. Martínez–Blanco, J.M. Ortiz–Rodríguez, and H.R. Vega–Carrillo, Electronics, Robotics and Automotive Mechanics Conference 0 (2009) 131.         [ Links ]

7. J.M. Ortiz–Rodríguez, M.R. Martínez–Blanco, E. Gallego Díaz, and H.R. Vega–Carrillo, Electronics, Robotics and Automotive Mechanics Conference 5 (2009) 112.         [ Links ]