基于时频域深度学习的引力波去噪
广义相对论与量子宇宙学
2025-11-27 v1 天体物理仪器与方法
摘要
引力波去噪是揭示宇宙中致密二进制天体事件的 ongoing 任务。近期在深度学习的帮助下，引力波相较于传统匹配滤波法被高效且精细地从噪声数据中提取。虽然大多数相关研究仅采用时序数据，但由于其在波形去噪方面的若干优势，时频数据处理也在进行中。本文针对总质量大于30个太阳质量的双黑洞（BBH）合并发射的引力波事件进行研究。为去噪，我们提出一种利用Griffin-Lim算法的深度学习模型。该算法是现有的数值方法，用于从相关�幅谱图中恢复相位信息。该设计允许通过使用先前去噪后的�幅谱图，在相位恢复方面获得额外注意力。去噪结果在�幅和相位对齐方面均能良好匹配模拟注入波形。我们还将该模型应用于真实检测事件，发现其与模拟模板波形之间存在良好的一致性，尤其是在合并阶段的高精度方面。我们的工作表明，引力波数据分析可能存在更好的方法学设计可能性。
引用
@article{arxiv.2511.20731,
title = {Denoising gravitational wave with deep learning in the time-frequency domain},
author = {Yi-De Lee and Hwei-Jang Yo},
journal= {arXiv preprint arXiv:2511.20731},
year = {2025}
}