用于连续引力波时域F统计全天搜索输出的卷积神经网络分类器
天体物理仪器与方法
2020-05-12 v2
摘要
在先进LIGO与先进Virgo探测器频段内的天体物理源中，包含发射持久、近乎单色引力波的旋转非轴对称中子星。对这些连续引力波信号的搜索通常在长段数据中以匹配滤波框架进行，例如F统计方法。在对先验未知源的全天搜索中，大量模板使用预定义的变量网格（引力波频率及其导数、天球坐标）与数据进行匹配，随后产生一组候选信号，对应于信号达到预定义信噪比阈值的网格点。信号的天体物理特征编码于候选信号的多维矢量分布中。在这类工作的首例中，我们应用深度学习方法对该分布进行分类。我们考虑三个基本类别：高斯噪声、天体物理引力波信号，以及恒定频率的探测器伪迹（“驻定线”），后两者被注入到高斯噪声中。实现了一维与二维卷积神经网络分类器，并在宽范围信号频率上训练与测试。我们证明这些实现能正确分类不同信噪比与信号频率下的数据实例，同时展现出概念泛化能力，即在先前未见的频率上仍具满意性能。此外，我们讨论了这些实现的缺陷、计算需求与可能的应用。
引用
@article{arxiv.1907.06917,
title = {Convolutional neural network classifier for the output of the time-domain F-statistic all-sky search for continuous gravitational waves},
author = {Filip Morawski and Michał Bejger and Paweł Cieciel\{a}g},
journal= {arXiv preprint arXiv:1907.06917},
year = {2020}
}
备注
22 pages, 11 figures, accepted by MLST