一种用于 AstroSat CZTI 数据中伽马射线暴探测的机器学习方法
天体物理仪器与方法
2021-05-18 v3
摘要
我们提出了一种基于机器学习（ML）的方法，用于从 AstroSat 镉锌碲成像仪数据中自动探测 60 keV - 250 keV 范围内的伽马射线暴（GRB）候选事件。我们使用基于密度的空间聚类来探测超额功率，并对所有此类事件进行无监督层次聚类，以识别数据中存在的不同光变曲线。这种表示有助于理解仪器对各种 GRB 总体的灵敏度，并识别数据中主要的人为非天体物理噪声伪影。我们使用动态时间规整（DTW）进行模板匹配，从而确保所探测事件与已知典型 GRB 光变曲线在形态上的相似性。DTW 缓解了匹配滤波类搜索中常需要的密集模板库的需求。相似性度量的使用便于离群点检测，适用于捕获先前未建模的事件。我们简要讨论了使用该流水线探测到的 35 个长 GRB 候选事件的特征，并表明通过自适应分箱等微小修改，该方法对短 GRB 事件也敏感。用此类 ML 能力增强现有数据分析流水线，可减少对大量人工检查的需求，从而能够对其他天文台（如引力波探测器）收到的警报作出更快响应。
引用
@article{arxiv.1906.09670,
title = {A machine learning approach for GRB detection in AstroSat CZTI data},
author = {Sheelu Abraham and Nikhil Mukund and Ajay Vibhute and Vidushi Sharma and Shabnam Iyyani and Dipankar Bhattacharya and A. R. Rao and Santosh Vadawale and Varun Bhalerao},
journal= {arXiv preprint arXiv:1906.09670},
year = {2021}
}
备注
9 pages, 7 figures. Matches the published version in MNRAS