Frontiers of Physics分享 http://blog.sciencenet.cn/u/dudy75

博文

研究进展∣基于卷积神经网络和小波包分解的引力波检测及其敏感性优化

已有 400 次阅读 2020-6-29 14:19 |系统分类:科研笔记

​RESEARCH ARTICLE 


Xiang-Ru Li, Wo-Liang Yu, Xi-Long Fan, and G. Jogesh Babu, Some optimizations on detecting gravitational wave using convolutional neural network, Front. Phys. 15(5), 54501 (2020), arXiv: 1712.00356.

image.png


内容简介


本文研究内容是怎样使用机器学习方法从数据流中检测出引力波(GW)事件。从机器学习的角度来说,GW事件的检测可被视为一个分类问题,即对于给定的一个数据片段,我们通过机器学习方法判断它是属于包含GW信号成分的数据片段还是属于不包含GW信号成分的数据片段。本文给出了包含以下两个步骤的检测方案:

  • 使用小波包分解观测数据,用分解系数代表GW信号和噪声的特征;

  • 使用一个以logistic回归作为输出层的卷积神经网络 (CNN) 判断数据中是否存在GW事件。


本项工作的特点在于从CNN结构、检测窗口宽度、数据分辨率、小波包分解和检测窗口设计方案等多个维度进行全面研究,探索上述不同因素对于检测效果的影响。本文根据一系列的GW信号生成多种参数配置和信噪比的数据进行实验验证,结果表明,所给方案能显著提升引力波检测准确性和敏感性。



文章信息


image.png


This work investigates the problem of detecting gravitational wave (GW) events based on simulated damped sinusoid signals contaminated with white Gaussian noise. It is treated as a classification problem with one class for the interesting events. The proposed scheme consists of the following two successive steps: decomposing the data using a wavelet packet, representing the GW signal and noise using the derived decomposition coefficients; and determining the existence of any GW event using a convolutional neural network (CNN) with a logistic regression output layer. The characteristic of this work is its comprehensive investigations on CNN structure, detection window width, data resolution, wavelet packet decomposition and detection window overlap scheme. Extensive simulation experiments show excellent performances for reliable detection of signals with a range of GW model parameters and signal-to-noise ratios. While we use a simple waveform model in this study, we expect the method to be particularly valuable when the potential GW shapes are too complex to be characterized with a template bank.


Keywords gravitational waves, algorithms, astrostatistics techniques


image.png

1  Introduction

2  Data

3  Principles of the detection scheme

3.1  A framework of the proposed scheme

3.2  Convolutional neural networks

4  Experimental evaluations

4.1  Learning of the proposed scheme and its specific configuration

4.2  Evaluation measures

4.3  Experimental evaluations

5  Conclusionsand discussion

References and notes


图文速览


image.png

所 给 引 力 波 检 测 方 案 的 流 程 图 。CNNtr是根据CNN configuration进行模型训练的过程,它 与 检 测 过 程 是 异 步 的 关 系 , 利 用 收 集 到 的 经 验 数 据 不 断 地 优 化 , 最 终 用 于 替换CNNGWDCNNGWD用来检测数据中是否存在任何GW事件。


image.png

引力波信号示意图。其中蓝色(外部曲线)是待分析观测数据(由噪声和GW信号成分叠加形成),红色表示(红色/内部曲线)其中的GW信号。引力波信号检测的一个特点是,GW信号相对于噪声极其微弱,淹没在噪声中。


image.png

通过小波包(WP)分解提升引力波信号成分的检测敏感性。第一个子图为噪声成分的小波包分解结果,第二个子图为引力波数据成分的小波包分解结果。从中可以发现,在时频空间中噪声和GW信号存在明显的差异,前者均匀地分散在整个时频空间中,而引力波信号则集中于一个非常窄的时频区域中。在此图中,色块颜色代表相应数据分解分量的强度。水平轴是时间轴, 垂直轴是WP分解中的频带编号。由于GW信号太弱,无法在其原始时频空间中观察到,但在小波包分解后的时频空间中则显著地多。


image.png

卷积神经网络(CNN)的结构图。第一个子图:CNN的整体结构;第二个子图:复合计算单元(CCU)的结构。在这项工作中,我们使用了两个CCU,一个全连接层(FC)和一个罗杰斯特回归层(LSR)。因此,这项工作使用了两个卷积层(第二个子图)。每个卷积层都由一系列卷积核组成。


image.png

所给方案与matched filtering之间的性能比较。在对时频分析,检测窗口,数据分辨率和池化方案等进行优化设计之后,基于CNN的方法显示出较明显的优势,可以比matched filtering方法更灵敏地检测到号、引力波信号。


image.png

所 给 检 测 方 案 中 不 同 优 化 措 施 对 引 力 波 检 测 性 能 提 升 情 况 的 综 合 评 价 。 首 先 采 用 文 献中Gabbard等人的检测方案配置 (SE1),然后逐步施加CNN结构的优化措施,检测窗口宽度的优化建议,数据分辨率改进配置,小波包分解和检测窗口优化方案等,逐渐过渡到本文给出的完整方案(SE5)。通过SE5SE1曲线可发现文献方案与本文完整方案在检测敏感度方面的显著差异。(具体变化说明查看文中的表2、4和4.1节)


作者简介

image.png


李乡儒,华南师范大学教授,博导。2006年毕业于中国科学院自动化研究所,获博士学位。主要从事统计机器学习、大规模空间科学数据计算与信息提取、人工智能教育、计算机视觉等领域的研究。

image.png

于沃良,华南师范大学研究生。主要从事机器学习和深度学习方面的工作。 

image.png

范锡龙,武汉大学教授,教育部“青年长江学者”。Kagra武汉大学工作组组长, 湖北省天文学会副理事长。2016年荣获基础物理学特别突破奖(因参与发现引力波与LVC成员一同分享)。主持国家自然科学基金优秀青年基金,湖北省自然科学杰出青年基金。

image.png

G. Jogesh Babu,宾夕法尼亚州立大学杰出教授(Distinguished Professor),天文统计中心负责人。2016 年荣获IAA颁发的天文统计学杰出贡献奖。先后担任Large Synoptic Survey Telescope信息与统计联盟核心组成员,International Statistical Institute (ISI)副理事长(Vice President, 20122017),代理理事长(Interim President, 2017),理事长(President20182020)。Statistical Methodology创刊主编,曾在Journal of Nonparametric Statistics, Journal of Statistical Planning and InferenceSankhya的编辑委员会任职。




http://blog.sciencenet.cn/blog-115136-1239861.html

上一篇:Review∣量子分子动力学进展及其在重离子碰撞中的应用
下一篇:【研究进展】华南师大薛正远教授研究组:超导非绝热几何量子计算及其优化操控

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2020-8-12 12:11

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部