1.一种核设施源项三维分布快速重建方法，其特征在于，包括： 采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场的计算； 从计算结果中提取空间辐射场数据和源项活度的三维分布数据，根据源项分布构建相同大小的源项位置矩阵，产生深度学习训练样本，构建并训练深度神经网络模型； 将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理后输入至训练好的所述深度神经网络模型，对源项活度的三维分布数据进行预测； 对输出的源项活度的三维分布数据结果与实际值之间的误差进行验证。 2.根据权利要求1所述的核设施源项三维分布快速重建方法，其特征在于，采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场和源项空间几何分布矩阵的计算，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程序构建源项几何模型； 采用蒙特卡罗粒子输运程序通用源SDEF卡，产生一定分布的源项数据； 将所述源项以外的区域设置为非感兴趣区域，在所述源项外部设置设定大小的立方体空间并进行网络划分，对划分后的所述立方体空间进行源项活度的三维分布的统计； 对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所述的核设施源项三维分布快速重建方法，其特征在于，在构建深度神经网络模型之前，还包括： 对所述空间辐射场数据和所述源项活度的三维分布数据进行三维网格化； 对三维网格化后的所述空间辐射场数据和所述源项活度的三维分布数据进行粗化或细化处理； 将处理后的所述空间辐射场和构建的所述源项位置矩阵作为输入训练样本； 将处理后的所述源项活度的三维分布数据作为输出训练样本； 对所述输出训练样本添加高斯白噪声。 4.根据权利要求3所述的核设施源项三维分布快速重建方法，其特征在于，构建深度神经网络模型，具体包括： 按特征提取、高级特征学习和特征合并三部分构建深度神经网络模型；其中，所述特征提取的部分由多个卷积层和降采样层的组合、跨层、上采样层和卷积层的组合共同组成，所述高级特征学习的部分由多个全连接层构成，所述特征合并的部分由一个乘积计算核构成。 5.根据权利要求4所述的核设施源项三维分布快速重建方法，其特征在于，所述特征提取的部分在降采样过程中，卷积核大小逐渐缩小、数量逐渐增加；在上采样过程中，卷积核的大小逐渐增大、数量逐渐减少； 所述高级特征学习的部分中本层的隐含层的节点数不小于下一层的隐含层的节点数。 6.根据权利要求5所述的核设施源项三维分布快速重建方法，其特征在于，训练深度神经网络模型，具体包括： 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； 根据收敛情况，通过调整超参数训练所述深度神经网络模型，直到所述测试集的误差满足预期，达到终止训练条件。 7.根据权利要求6所述的核设施源项三维分布快速重建方法，其特征在于，将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理，具体包括： 判断实际的辐射场剂量矩阵和源项位置矩阵是否比所述深度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。 8.一种核设施源项三维分布快速重建装置，其特征在于，包括： 仿真计算模块，用于采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场的计算； 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活度的三维分布数据，根据源项分布构建相同大小的源项位置矩阵，产生深度学习训练样本，构建并训练深度神经网络模型； 数据预测模块，用于将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理后输入至训练好的所述深度神经网络模型，对源项活度的三维分布数据进行预测； 数据验证模块，用于对输出的源项活度的三维分布数据结果与实际值之间的误差进行验证。 9.一种核设施源项三维分布快速重建设备，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7任一项所述的核设施源项三维分布快速重建方法。 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7任一项所述的核设施源项三维分布快速重建方法。
