基于人工神经网络的 TACTIC 望远镜伽马 - 强子分离方法

切伦科夫成像望远镜的灵敏度强烈依赖于对宇宙线背景事件的剔除。用于实现源伽马射线与背景宇宙线分离的方法包括 Supercuts/Dynamic Supercuts、最大似然分类器、核方法、分形、小波和随机森林等方法。虽然过去已研究了神经网络分类器的分离潜力并取得了适度的结果，但本文的主要目的是研究各种人工神经网络（ANN）算法的伽马/强子分离潜力，其中一些算法据信在更好的收敛性和更低的误差方面比常用的反向传播算法更强大。所得结果表明，Levenberg-Marquardt 方法在 ANN 领域优于所有其他方法。将该 ANN 算法应用于 TACTIC 望远镜在 2005 年 11 月 10 日至 2006 年 1 月 30 日期间收集的约 101.44 小时蟹状星云数据，产生了约 (1141$\pm$106) 的超出，统计显著性约为 11.07$\sigma$，而使用 Dynamic Supercuts 选择方法获得的超出约为 (928$\pm$100)，统计显著性约为 9.40$\sigma$。ANN 方法的主要优势在于其在更高能量下更有效，这使我们能够重新确定蟹状星云在约 1-24 TeV 能量范围内的能谱。