1.一种核设施源项活度智能反演方法，其特征在于，包括： 对源项进行分区，构建源项几何模型并进行辐射场计算； 从计算结果中提取空间辐射场数据和源项分区活度数据作为训练样本，构建并训练卷积神经网络模型； 将实际的辐射场剂量矩阵进行变换处理后输入至训练好的所述卷积神经网络模型，对源项活度进行预测； 根据源项分区还原预测的所述源项活度的三维分布，输出反演的源项活度数据。 2.根据权利要求1所述的核设施源项活度智能反演方法，其特征在于，对源项进行分区，构建源项几何模型并进行辐射场计算，具体包括： 根据源项分布情况，对所述源项进行网格划分； 根据划分为多个区域后的所述源项，采用蒙特卡罗粒子输运计算程序构建源项几何模型； 对所述源项几何模型产生的多组不同源项几何参数进行随机抽样，批量产生蒙特卡罗计算文件； 调用蒙特卡罗粒子输运计算程序进行辐射场计算。 3.根据权利要求2所述的核设施源项活度智能反演方法，其特征在于，在构建卷积神经网络模型之前，还包括： 对所述训练样本的一维向量三维网格化； 对三维网格化后的样本进行粗化或细化处理； 对粗化或细化处理后的样本加入高斯白噪声。 4.根据权利要求3所述的核设施源项活度智能反演方法，其特征在于，构建并训练卷积神经网络模型，具体包括： 构建卷积神经网络模型，选取合适的卷积层数，确定全连接网络部分的隐含层节点数； 设置训练集、验证集和测试集之间的比例，选取最优学习率、传递函数和训练函数； 反复调整合适的超参数训练所述卷积神经网络模型，直到所述测试集的误差满足预期，达到终止训练条件。 5.根据权利要求4所述的核设施源项活度智能反演方法，其特征在于，将实际的辐射场剂量矩阵进行变换处理，具体包括： 判断实际的辐射场剂量矩阵是否比所述卷积神经网络模型的输入矩阵分辨率高； 若是，则对所述剂量矩阵进行缩小变换； 若否，则对所述剂量矩阵进行放大变换。 6.根据权利要求5所述的核设施源项活度智能反演方法，其特征在于，还包括： 验证反演结果与实际值之间的误差；当最大绝对误差的范围在30％以内时，确定所述反演结果可接受。 7.一种核设施源项活度智能反演装置，其特征在于，包括： 仿真计算模块，用于对源项进行分区，构建源项几何模型并进行辐射场计算； 模型训练模块，用于从计算结果中提取空间辐射场数据和源项分区活度数据作为训练样本，构建并训练卷积神经网络模型； 数据预测模块，用于将实际的辐射场剂量矩阵进行变换处理后输入至训练好的所述卷积神经网络模型，对源项活度进行预测； 数据还原模块，用于根据源项分区还原预测的所述源项活度的三维分布，输出反演的源项活度数据。 8.根据权利要求7所述的核设施源项活度智能反演装置，其特征在于，还包括： 样本预处理模块，用于对所述训练样本的一维向量三维网格化；对三维网格化后的样本进行粗化或细化处理；对粗化或细化处理后的样本加入高斯白噪声。 9.一种核设施源项活度智能反演设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至6任一项所述的核设施源项活度智能反演方法。 10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的核设施源项活度智能反演方法。
