神经网络辅助的毛刺-爆发鉴别与毛刺分类
天体物理仪器与方法
2014-01-24 v1
摘要
我们研究了基于神经网络的分类器在单个探测器数据中，区分给定规范族（例如核塌缩超新星波形）的引力波爆发（GWBs）与典型瞬态仪器伪迹（毛刺）的潜力。进一步探索了将毛刺分类为典型集合。为提供概念验证，我们使用 H. Dimmelmeier 及其合作者产生的核塌缩超新星波形目录，以及 P. Saulson 及其合作者维护的激光干涉引力波天文台（LIGO）数据中观测到的毛刺数据库，构建了在不同信噪比（SNR）的加性（高斯和复合高斯）噪声中的（加窗）瞬态波形（毛刺和爆发）数据集。接下来实施主成分分析（PCA）以降低数据维度，所得结果与文献中的结果一致并有所扩展。然后，在数据子集上通过反向传播算法训练多层感知器（MLP-BP），并将其用于将瞬态分类为毛刺或爆发。最后使用自组织映射（SOM）架构对毛刺进行分类。毛刺/爆发鉴别和毛刺分类能力通过相关的真值表进行衡量。初步结果表明，该方法在实际关注的整个 SNR 范围内是有效且稳健的。其潜在应用既涉及分布式（网络、多传感器）引力波爆发探测（可在单节点层面引入某种智能），也涉及仪器诊断/优化（可识别、分类伪瞬态，并有望追溯其进入点）。
引用
@article{arxiv.1401.5941,
title = {Neural Network Aided Glitch-Burst Discrimination and Glitch Classification},
author = {Salvatore Rampone and Vincenzo Pierro and Luigi Troiano and Innocenzo M. Pinto},
journal= {arXiv preprint arXiv:1401.5941},
year = {2014}
}