引力波探测中关于深度学习数据分析的研究

Research on Data Analysis of Deep Learning in Gravitational Wave Detection

描述

• 此文是本人博士毕业论文的 HTML 版，用于学位申请的 PDF 版可见：Overleaf 或 GWDL_thesis_final.pdf。毕业答辩用的 Slides 可见 Slides.com。

• 开源此论文的原因，不仅是为了方便个人查阅和总结，也希望能够促进相关领域的研究和进步，多多增进学术交流的机会。

• 该课题之初开展于相关研究的初探性阶段，由于本人才疏学浅，难免会存在理论上的疏忽和遗漏，或论述上的错误与不准确，也可能会有文献引用资料更新不及时的情况。如有不妥之处，还望明示指出! My Email

正文目录

• 摘要
• 第一章 绪论
  • 1.1 引言
  • 1.2 多信使天文学
  • 1.3 研究现状、机遇与挑战
  • 1.4 本文研究的目标与框架
• 第二章 引力波探测和数据分析理论
  • 2.1 引言
  • 2.2 引力波探测技术
    • 2.2.1 引力波波源建模
    • 2.2.2 引力波探测实验
    • 2.2.3 引力波数据处理
  • 2.3 信号处理与数据分析方法
    • 2.3.1 稳态性与高斯性
    • 2.3.2 功率谱密度
    • 2.3.3 能谱泄露与白化
    • 2.3.4 时域信号平移
  • 2.4 匹配滤波技术
    • 2.4.1 匹配滤波内积
    • 2.4.2 稳态噪声的概率分布
    • 2.4.3 理想探测统计量
    • 2.4.4 振幅未知的模板匹配滤波
    • 2.4.5 到达时间未知的模板匹配滤波
  • 2.5 总结与结论
• 第三章 深度学习的理论基础
  • 3.1 引言
  • 3.2 机器学习理论
    • 3.2.1 基于梯度的优化方法
      • 3.2.1.1 代价函数
      • 3.2.1.2 随机梯度下降算法
    • 3.2.2 模型的泛化能力，过拟合与欠拟合
    • 3.2.3 性能度量指标：ROC 与 AUC
  • 3.3 深度神经网络
    • 3.3.1 神经元
    • 3.3.2 全连接的神经网络
    • 3.3.3 反向传播算法
    • 3.3.4 Dropout 方法
  • 3.4 卷积神经网络
    • 3.4.1 卷积
    • 3.4.2 非线性激活
    • 3.4.3 池化
    • 3.4.4 空洞卷积与感受野
  • 3.5 总结与结论
• 第四章 引力波探测中关于神经网络的可解释性研究
  • 4.1 引言
  • 4.2 神经网络的结构
  • 4.3 数据集的制备和优化策略
  • 4.4 引力波信号识别的泛化能力
  • 4.5 引力波信号特征的可视化表示
    • 4.5.1 正向可视化方法
    • 4.5.2 逆向可视化方法
  • 4.6 引力波波形特征的灵敏度分析
  • 4.7 总结与结论
• 第五章 卷积神经网络结构对引力波信号识别的性能研究
  • 5.1 引言
  • 5.2 引力波数据的制备和处理流程
  • 5.3 引力波数据分析中信噪比的比较分析
  • 5.4 卷积神经网络的超参数调优和性能比较
  • 5.5 总结与结论
• 第六章 匹配滤波-卷积神经网络(MF-CNN)模型的应用研究
  • 6.1 引言
  • 6.2 时域中的匹配滤波
  • 6.3 用于匹配滤波的卷积神经单元
  • 6.4 匹配滤波-卷积神经网络(MF-CNN)模型的构造
  • 6.5 搜寻疑似引力波信号的策略
  • 6.6 数据准备与模型微调
  • 6.7 真实 LIGO 引力波数据上的搜寻结果
    • 6.7.1 搜寻 O1 和 O2 中的引力波信号
    • 6.7.2 疑似引力波信号的统计特性
    • 6.7.3 引力波信号与 glitch 的统计分析
  • 6.8 总结与结论
• 第七章 总结与展望
• 附录
  • A. 采样定理与 Nyquist 频率
  • B. 关于功率谱密度性质的数学证明
  • C. 最大似然估计和交叉熵

版权声明

• 该论文工作的知识产权单位属北京师范大学。详情可查阅相关学位论文授权使用声明。
• 
  This work is licensed under a Creative Commons Attribution-NonCommercial 3.0 Unported License.