从前景与仪器效应中提取全球 21 厘米信号 II：约束非线性信号模型的高效自洽技术

我们展示了一个数据分析流水线的完成，该流水线利用模式识别技术自洽地将全球 21 厘米信号与大型系统误差分离。在本系列的第一篇论文中，我们从信号和前景训练集中获得最优基向量，以最少项数对两个分量进行线性拟合，从而在信号与前景重叠的情况下最佳提取信号。在本文（第二篇）中，我们利用第一篇中导出的谱约束来计算任意选定信号参数空间的完整后验概率分布。谱拟合为马尔可夫链蒙特卡洛（MCMC）引擎提供了起点，该引擎在不遍历前景参数空间的情况下对信号进行采样。在每次 MCMC 步中，我们对所有线性前景模式的权重进行边际化，并通过应用从训练集获得的先验来抑制那些变化不重要的模式。该方法大幅减少了 MCMC 参数数量，提升了探索效率，避免了对最少前景模式数目的选择需求，并允许大幅增加前景模型的复杂度以同时描述多个观测谱而无需额外 MCMC 参数。使用两个非线性信号模型——一个基于 EDGES 观测，另一个基于理论预期极值的唯象频率和温度——我们通过在低射电频率（10–200 MHz）下从多个随机模拟信号中恢复输入参数，同时严格计入真实建模的束加权前景，证明了该方法论的成功。