量热传感器中近重合事件识别算法
数据分析、统计与概率
2017-02-03 v1 仪器与探测器
摘要
对于高到达率实验，可靠识别近重合事件至关重要。对于直接测量中微子质量（如 HOLMES）的量热测量，未识别的脉冲堆积预期是实验误差的主要来源。尽管维纳滤波可用于识别堆积，但由于探测器非线性引起的脉冲形状变化、对子采样到达时间的读出依赖，以及从平滑数据恢复 Dirac delta 函数的病态反卷积问题带来的稳定性问题，它会出错。由于这些因素，我们开发了一种利用奇异值分解的处理方法，以 (1) 在训练数据中分离单脉冲记录与堆积记录，以及 (2) 构建单脉冲记录的模型，该模型考虑随幅度、到达时间和基线电平变化的脉冲形状，适用于检测近重合事件。我们表明，由此产生的处理进展可以降低探测器与读出系统所需的性能规格，或者等效地，启用更大的传感器阵列和对中微子质量更好的约束。
引用
@article{arxiv.1512.01608,
title = {Algorithms for Identification of Nearly-Coincident Events in Calorimetric Sensors},
author = {B. Alpert and E. Ferri and D. Bennett and M. Faverzani and J. Fowler and A. Giachero and J. Hays-Wehle and M. Maino and A. Nucciotti and A. Puiu and D. Swetz and J. Ullom},
journal= {arXiv preprint arXiv:1512.01608},
year = {2017}
}
备注
To appear in J. Low Temperature Physics. 11 pages