一种用于探测引力波暂现源的学习方法

我们研究了用于探测短时长且建模不佳的引力暂现源的二次探测器类（即统计量是数据的双线性函数）。我们指出，所有此类探测方法都等价于将信号通过滤波器组并线性组合其输出能量。现有的关于滤波器组与权重参数选择的方法基本上依赖于以下两种思想：(i) 基于信号与噪声的（可能是非信息性的）统计模型使用似然函数，(ii) 使用蒙特卡洛模拟来调整参数化滤波器，以在固定误报率的情况下获得最佳探测概率。我们提出第三种方法，据此滤波器组是从一组训练数据中“学习”得到的。这一观点带来的副产品是，与先前方法相反，(i) 在信号存在时不要求对数据概率密度函数的显式描述，且 (ii) 我们使用的滤波器是非参数的。该学习过程可描述为一个两步过程：首先，利用训练数据估计信号的均值与协方差；其次，寻找使“仅噪声”与“信号+噪声”假设之间称为偏移(deflection)的对比准则最大化的滤波器。偏移与信噪比同量纲，并使用第一步估计的量。我们将这一新颖方法应用于超新星核塌缩的探测问题。我们使用 Dimmelmeier 等人近期提供的波形目录来训练我们的算法。若参考信号可靠，我们期望此类探测器在该特定问题上具有更好的性能。