在BES实验中用神经元网络法鉴别e,μ,π

研究了两种不同的神经元网络法,BP网络和LVQ网络,对北京谱仪(BES)实验中e,μ,π粒子的鉴别,取得了较常规方法要好的结果.用于训练和检验的μ子样本来自宇宙线事例,e和π粒子则是由真实实验数据精选的,虽然样本本身具有非均匀的动量谱,但BP网络的检验结果给出的粒子选择效率在整个动量区间却仍然具有相当均匀的分布,LVQ网络稍逊之.至少是在我们研究的这一课题中证明了BP网络的模式识别功能要优于LVQ网络.     

BESⅢ探测器粒子鉴别效率的蒙特卡罗研究

利用ψ（3770）DD衰变的运动学特性,通过分析工作在BEPC-Ⅱ上BESⅢ探测器在正负电子对撞质心系能量为3.773GeV处的e＋ e_ψ（3770）蒙特卡罗模拟事例,挑选出干净的介子和K介子样本,研究了BESⅢ粒子识别系统对带电粒子的鉴别效率。根据此方法,可以确定数据和蒙特卡罗样本在粒子鉴别效率方面的差异。     

粒子鉴别中dE/dx和TOF的权重

在北京谱仪数据分析中,粒子鉴别使用了dE/dx和TOF的信息.在利用dE/dx和TOF联合鉴别粒子时,通常的做法是把两者的χ²值等权重相加(χ²方法).在不同的动量区间,dE/dx和TOF对粒子的鉴别能力不同.本文给出两者联合鉴别时不同动量区间的权重,并构造一个新的线性变量来进行粒子鉴别     

CsI(Tl)闪烁探测器用于粒子鉴别

根据CsI(Tl)晶体产生的闪烁光脉冲具有快、慢两种成份这一特性,采用电荷灵敏ADC对快、慢成份分别积分的方法,仅用一块CsI(Tl)晶体实现了对轻粒子p、d、α和Li的鉴别与测量,且得到了好的粒子分辨本领.另外,用CsI(Tl)晶体与Si半导体组成的ΔE-E望远镜也很好地实现了对轻粒子的鉴别.     

利用TOF的Q值进行粒子鉴别的研究

飞行时间计数器(TOF)是北京谱仪(BESⅡ)中用于粒子鉴别的重要子探测器. 当带电粒子击中TOF时，闪烁计数器同时测量粒子的飞行时间T和脉冲幅度Q. 本文利用BESⅡ采集的双m事例，对脉冲幅度Q进行了研究. 利用J/ψ强子事例样本，给出了脉冲幅度最可几值Qmp随粒子bg值的变化关系. 这表明可以利用TOF测量的脉冲幅度Q值实现对粒子的鉴别. 最后给出用脉冲幅度Q进行粒子鉴别的效率和误判率.     

北京谱仪（BESⅡ）上p和p^－鉴别的研究

以北京谱仪(BES)上常用的3种粒子鉴别方法为基础，充分利用BESⅡ所获取的R值扫描、J／ψ和ψ’数据中p，p^-以及其他带电粒子样本，对动量范围在0．3-1．2GeV的p和p鉴别方法进行分析研究．找到BESⅡ上p和p^-的最佳鉴别方法：动量低于0．6GeV只用dE／dx实现粒子鉴别，动量高于0．6GeV可用TOF或联合鉴别的方法，并给出p，p^-的鉴别效率以及本底的混入比例．     

JLab Hall-A上小角度GDH实验中的粒子鉴别及其效率

在JLab的A大厅上的小角度GDH实验中, 因为散射截面及截面不对称度的测量需要干净的电子样本和足够的事例统计, 径迹在簇射量能器和气体阈契仑柯夫探测器理的信息被用来完成粒子鉴别的任务. 通过优化粒子在两种探测器里的信息筛选条件, 可以得到较高的电子接收效率和π的去除能力. 因为探测器的分辨能力与粒子的动量等运动学参量有关, 所以对于不同的数据的粒子鉴别条件分别进行了优化, 并得到了对应的电子接收效率和π的去除能力.     

BESⅡ物理分析中的多变量粒子鉴别方法

以北京谱仪(BESⅡ)上常用的粒子鉴别方法(联合TOF测得的飞行时间和MDC的dE/dx)为基础,尝试利用TOF的Q值和BSC的沉积能量,发展基于多变量的粒子鉴别.将新的方法应用于p/p的鉴别,对粒子鉴别的效率、误判率和引进的系统误差进行了仔细的研究,证明均比原来有所改善     

基于共轭梯度优化算法的BP神经网络在高能粒子鉴别等领域中的应用

人工神经网络方法已被引入高能物理实验领域并被广泛地应用于夸克胶子喷注的鉴别、电子强子分辨、顶夸克和Higgs粒子的寻找等等。本文采用了一种改良的共轭梯度优化算法并应用于高能物理实验中粒子的鉴别。在该应用中,此算法既能实现每步迭代时在搜索方向上获得最优步长,又能避免目标函数陷入局部收敛点,从而使目标函数快速收敛,提高了算法的有效性。分析结果表明,我们改进后的BP算法显著地提高了粒子物理数据分析中的粒子鉴别能力。     

北京谱仪(BESⅡ)上p和(p-)鉴别的研究

以北京谱仪(BES)上常用的3种粒子鉴别方法为基础,充分利用BESⅡ所获取的R值扫描、J/ψ和ψ'数据中p,(p-)以及其他带电粒子样本,对动量范围在0.3-1.2GeV的p和p-鉴别方法进行分析研究.找到BES Ⅱ上p和(p-)的最佳鉴别方法:动量低于0.6GeV只用dE/dx实现粒子鉴别,动量高于0.6GeV可用TOF或联合鉴别的方法,并给出p,(p-)的鉴别效率以及本底的混入比例.     

北京谱仪(BESⅡ)上p和鉴别的研究

以北京谱仪(BES)上常用的3种粒子鉴别方法为基础,充分利用BESⅡ所获取的R值扫描、J/ψ和ψ′数据中p,(p)以及其他带电粒子样本,对动量范围在0.3—1.2GeV的p和(p)鉴别方法进行分析研究,找到BESⅡ上p和(p)的最佳鉴别方法:动量低于0.6GeV只用dE/dx实现粒子鉴别,动量高于0.6GeV可用TOF或联合鉴别的方法,并给出p,(p)的鉴别效率以及本底的混入比例.     

BaF2晶体用于中能重离子核反应中的粒子鉴别

将BaF₂晶体与半导体探测器组成的望远镜用于^{12C(46.7MeV/u)入射核反应中前方向产物的测量,用ΔE-E方法和快慢成分关联方法进行了粒子鉴别.同时还研究了BaF₂晶体对多种离子的响应.}     

北京谱仪BESIII精确测量Y(4260)粒子

利用北京谱仪BESIII实验采集的约9 fb~(-1)数据样本,BESIII测量了e~+e~-→π~+π~- J/ψ过程的产生截面,并对在该过程中观测到的Y(4260)粒子的质量和宽度做了目前世界上最精确的测量。BESIII的测量给出Y(4260)粒子的质量在4.22 GeV/c~2左右,比之前的测量偏低;宽度约44 MeV,比之前的测量窄很多。相比之前的实验,BESIII对Y(4260)粒子参数的精确测量给解释该粒子的理论模型提供了更强的约束。另外,BESIII实验在4.32 GeV/c~2附近还观测到一个新粒子信号,信号显著性为7.6σ。新粒子的质量和宽度和之前观测到的Y(4360)粒子的质量和宽度在误差范围内吻合,有可能是同一个粒子。     

新一代北京谱仪的设计与建造

 北京谱仪（BESIII）作为北京正负电子对撞机重大改造工程的一个重要组成部分，是北京正负电子对撞机的“眼睛”，它通过测量正负电子对撞产生的次级粒子来研究物质的基本组成及其性质。本文介绍我们自行设计与建造的BESIII探测器的设计与研制情况。     

RIBLL2上放射性次级束粒子鉴别能力的提升

为了提升兰州重离子加速器冷却存储环(HIRFL-CSR)中放射性次级束流装置(RIBLL2)的粒子鉴别能力,在其F1色散面上研发、安装了一套可测量核反应产物起始时间和位置等信息的新型高性能探测器,并发展了一种利用测量的位置及飞行时间等实验数据提取束线光学参数从而修正粒子磁刚度的实验方法。使用F1色散面上的新型探测器,再结合粒子磁刚度修正方法,首次在RIBLL2-ETF分离器上实现了全动量接收度下300 MeV/nucleon 78Kr弹核碎裂产物的清楚鉴别,结果显示:对于较重的75As33+,其电荷分辨σ_Z~0.19、质核比分辨σ_A/Z~5.8×10?3。这一结果,有效提升了RIBLL2粒子鉴别能力,增加了奇异核收集效率,使研究范围由低质量核区(A<40)拓展到了中等质量核区(A~80),这将有效促进RIBLL2上放射性次级束物理实验的发展。     

用于中能重离子反应测量的塑料闪烁探测器阵列

描述了用于中能(10-100MeV/u)重离子核反应前角度(5°≤θ≤20°)测量的36单元phoswich闪烁探测器阵列.每个phoswich探测器单元由1mm厚的快塑料闪烁体NE102A和100mm厚的慢塑料闪烁体NE115组成,用传统的快、慢门控制的QDC积分方法,对Z=1-20范围的碎片得到了好的粒子鉴别,其粒子分辨能力Z/△Z～45.     

基于Bagging 算法的神经网络在粒子鉴别中的应用

分析了神经网络方法和bagging 算法在实验高能物理和核物理数据分析中的应用现状。分别对神经网络方法和bagging 算法的基本原理进行了介绍。以蒙特卡罗产生器产生的夸克胶子喷注样本为例,详细讨论了神经网络方法以及bagging 算法与神经网络结合对粒子鉴别中信号和背景区分问题的应用过程,并对结果进行了讨论和分析。实验结果表明,应用bagging 算法后,神经网络能够较大幅度地提高实验高能物理和核物理数据分析中粒子鉴别的精度,以及能够得到较高的信噪比。The paper presents the application of neural network and bagging algorithm in experimental high-energy physics and nuclear physics data analysis. Paper also introduces the basic principles of neural network method and bagging algorithm. We use the data samples of quark-gluon jets, which are generated by Monte Carlo generator, to solve the problem of discriminating signal events and background events by the combined algorithm of bagging algorithm and neural network. Experimental results show that, to apply bagging algorithm, neural networks can greatly improve the accuracy of the identification of particles in the experiments of high energy physics and nuclear physical data analysis,and also obtains a larger SNR (Signal to Noise Ratio).     

BESⅢ实验首次观测到Y(4260)→γX(3872)辐射跃迁

<正>随着我国北京正负电子对撞机(BEPCII)上的北京谱仪(BESIII)实验和日本高能加速器研究机构(KEK)的Belle实验发现带电奇特强子态ZC(3900)[1],研究奇特态粒子成为粒子物理学研究领域中当前最热门的课题之一。究竟什么是奇特态粒子呢?这还得追溯到基本粒子的结构。     

利用HITRAN资料研究黑碳和沙尘气溶胶粒子的光学特性

在IDL程序语言中实现Mie理论的数值算法,利用HITRAN资料提供的气溶胶粒子复折射指数,计算分析了沙尘、黑炭2种气溶胶粒子在不同半径（1μm,2.5μm和10μm）时,对波长为400nm和860nm光的散射效率以及散射相函数矩阵元素。结果表明：黑炭与沙尘有明显的光学性质差别,沙尘粒子不仅散射效率大于黑碳,而且后向散射比黑碳粒子强。 2种粒子对400 nm和860 nm太阳光的偏振也不同,可以利用此特性鉴别这2种气溶胶。     

判别分析法用于ALEPH实验的π-μ鉴别

利用多元统计的判别分析方法,对ALEPH实验的强子量能器模型以及实际探测器的强子量能器和μ子探测器进行了π-μ粒子鉴别的研究.