应用字典学习去除 LIGO 的 blip 噪声瞬态
广义相对论与量子宇宙学
2020-07-15 v2
摘要
引力波探测器的数据流受到仪器和环境来源的瞬态噪声特征（或称“glitches”）的污染。本工作中，我们研究利用全变分方法和学习字典来减轻数据中这些瞬态的影响。我们聚焦于一种特定类型的瞬态——“blip” glitches，因为这是 LIGO 探测器中最常见的 glitch 类型，且其波形易于识别。我们随机选取了来自先进 LIGO O1 运行、由公民科学项目 Gravity Spy 提供的分散在数据中的 80 个 blip glitches。我们的结果表明，字典学习方法在所有分析案例中都是建模并减去大部分 glitch 贡献的有效途径，尤其在低于 kHz 的频率下。当采用具有不同原子长度的字典组合时，glitch 的高频成分去除效果最佳。作为进一步示例，我们将该方法应用于 LIGO-Livingston 数据中双中子星信号 GW170817 并合时刻附近的可见 glitch，获得了令人满意的结果。本文是我们利用变分方法自动分类并减去所有类别引力波 glitches 的持续计划的第一步。
引用
@article{arxiv.2002.11668,
title = {Application of dictionary learning to denoise LIGO's blip noise transients},
author = {Alejandro Torres-Forné and Elena Cuoco and José A. Font and Antonio Marquina},
journal= {arXiv preprint arXiv:2002.11668},
year = {2020}
}