针对高浓缩铀部件外加的反射层材质及厚度之效应可以巧妙避开核查这一问题,依据252Cf中子源驱动噪声分析法原理,采用蒙特卡罗方法模拟研究了高浓缩球形金属铀部件的不同材料、厚度的反射层的效应,获得了相应的时间关联符合计数分布和中子产额。研究结果表明,对同一材料的反射层,反射层厚度愈大,中子产额愈大,即反射效果愈好。对于同一厚度的反射层,反射层材料的密度愈大,中子产额愈大,反射效果愈好。

针对基于传统核材料识别系统中特征值易受系统噪声影响且精确度不够的问题, 将高阶统计特征概念引入252Cf源驱动核系统特征提取和识别之中, 提出了一种基于互相关函数与高阶统计特征的252Cf源驱动核材料富集度识别方法。通过互相关运算及高阶统计分析, 得到核系统信息的三维特征图像, 并在此基础上开展了待测核材料(235U)的富集度实验研究与分析识别工作。实验研究结果表明, 该识别方法能够较好地降低背景辐射噪声与电子学系统噪声。与传统识别方法相比, 对于核部件富集度变化, 该算法的敏感性与鲁棒性均有大幅提高。

针对探测器通道和待测核材料探测通道之间相对几何位置与待测核材料富集度变化之间的相互关系问题，开展了基于探测通道间协方差幅值进行核材料富集度判别的研究工作。实验中，选取富集度分别为85.15%，90.15%和93.15%的235U核材料，模拟研究了多个位置不同的探测通道所得到的协方差运算结果。研究结果表明:随着235U核材料富集度的增加，互相关的幅值也随之增大并与国外文献结果相吻合，率先在国内证明了基于探测器相对几何位置变化的探测通道互相关幅值可以推断核材料富集度的可行性。

以252Cf中子源驱动噪声分析测量法为依据，利用中子脉冲信号自相关函数与被测核材料(252U)质量的关系，设计了一种基于神经网络的核材料质量识别方法，探索借助时域特征进行质量识别的有效性。利用平稳小波变换抑制中子统计涨落对自相关函数带来的影响，利用分布式Elman神经网络对不同质量核材料的自相关函数样本进行训练和识别，并研究了有限样本前提下不同子网个数对最终识别结果所造成的影响。对4种核材料质量共计120组样本进行的实验，结果表明：在理想实验条件下，平稳小波变换抑制了统计涨落对信号自相关函数的影响；分布式Elman神经网络能够较好地识别自相关函数的特征，分辨不同质量的核材料，平均识别误差小于0.1。