应用深度神经网络于引力波探测器网络对致密双星并合的探测与空间参数估计
天体物理仪器与方法
2019-02-20 v2 广义相对论与量子宇宙学
摘要
本文研究了深度学习方法在先进 LIGO 与先进 Virgo 对致密双星并合引力波（GWs）符合探测中的应用。该深度学习方法是对 George 与 Huerta（2017）所用 Deep Filtering 方法针对网络探测器多输入的扩展。我们分析先进 LIGO 与先进 Virgo 探测器中的模拟符合时间序列数据集，以估计源光度距离与天空位置。作为分类器，我们的深度神经网络（DNN）在网探测器最优信噪比（SNR）≥ 9 时能有效识别 GW 信号的存在。作为预测器，它还能有效估计相应的源空间参数，包括致密双星并合的光度距离 、赤经 与赤纬 。当网探测器 SNR 大于 8 时，其相对误差均小于 23%。我们的结果表明，Deep Filtering 可处理符合 GW 时间序列输入并执行有效的分类与多空间参数估计。此外，我们比较了使用一、二、三个网探测器的结果；这些结果显示网探测器数量越多，源定位越好。
引用
@article{arxiv.1811.01380,
title = {Applying deep neural networks to the detection and space parameter estimation of compact binary coalescence with a network of gravitational wave detectors},
author = {Xilong Fan and Jin Li and Xin Li and Yuanhong Zhong and Junwei Cao},
journal= {arXiv preprint arXiv:1811.01380},
year = {2019}
}
备注
add refs