基于图像的深度学习用于引力波探测器噪声瞬变分类
广义相对论与量子宇宙学
2018-04-05 v1 天体物理仪器与方法
计算机视觉与模式识别
摘要
引力波的探测开启了引力天文学的时代，并为宇宙源的多信使研究开辟了新途径。得益于其高灵敏度，Advanced LIGO 和 Advanced Virgo 干涉仪将探测更大体积的空间，并扩展发现新引力波辐射源的能力。为了识别主要噪声源并优化干涉仪的灵敏度，这些探测器的表征是一项首要任务。毛刺是可能影响干涉仪数据质量的瞬态噪声事件，其分类是探测器表征的重要任务。深度学习技术是识别和分类毛刺的有前景的工具。我们提出了一种分类流水线，利用卷积神经网络从以图像表示的毛刺时频演化开始对其进行分类。我们在模拟毛刺上评估了分类准确率，表明所提出的算法能够以极快的时间尺度和高准确率自动对毛刺进行分类，从而为在线探测器表征提供了一种有前景的工具。
引用
@article{arxiv.1803.09933,
title = {Image-based deep learning for classification of noise transients in gravitational wave detectors},
author = {Massimiliano Razzano and Elena Cuoco},
journal= {arXiv preprint arXiv:1803.09933},
year = {2018}
}
备注
25 pages, 8 figures, accepted for publication in Classical and Quantum Gravity