共查询到20条相似文献,搜索用时 15 毫秒
1.
北京谱仪Ⅱ的μ探测器的位置分辨和击中效率与带电粒子的动量和入射位置有关, 利用选取的宇宙线样本和强子样本对μ,探测器逐层进行了标度, 并利用构造的效率比函数在物理分析中有效地识别μ和强子. 相似文献
2.
3.
4.
5.
6.
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). 相似文献
7.
常规的煤炭鉴别方法需进行繁琐的制样过程,且需结合多种化学参数指标进行综合判定,以得到较为准确的分析结果。提出一种基于500~2 350 nm的可见-近红外全谱段光谱分析技术与多层感知器(multilayer perceptron, MLP)分类方法相结合的块状商品煤鉴别方法。该方法具有非接触、无前期制样、无化学分析的优势,可快速高效的获取煤炭的分类信息。采用地物光谱仪采集煤炭原始光谱数据,对噪声过大、影响后续处理的谱段进行删除,剩余部分采用小波阈值去噪法进行噪声去除。将去噪后的数据分成三个数据集:可见-近红外光谱(500~900 nm)数据集、短波红外光谱(1 000~2 350 nm)数据集、全谱段光谱(500~2 350 nm)数据集。对以上三个数据集进行主成分分析,将提取出的25个主成分输入多层感知器分类模型。多层感知器模型由输入层、隐藏层(两层)、softmax分类器构成。对三个数据集进行分类精度的对比,并采用随机森林(random forest, RF)与支持向量机(support vector machine, SVM)两种分类算法进行进一步的验证分析。结果表明:对块状商品煤分类,全谱段光谱分析技术由于数据信息量丰富,能够得到更优的分类效果,在训练样本数为132时,采用MLP分类器的分类精度最高,为98.03%;随机森林与SVM的分类结果验证了全谱段数据集的优越性与普适性。该研究为煤炭的在线分析、便携式煤炭检测仪器的研发提供了可靠的技术支持。 相似文献
8.
用神经网络方法鉴别τ的强子衰变 总被引:2,自引:2,他引:0
用神经网络法鉴别τ的单叉强子衰变τ→h+nπ0+v,n=0,1,2,3.并进而测得上述各道的分支比:Br(π/Kv)=(12.18±0.26±0.42)%,Br(π/Kπ0v)=(25.20±0.35±0.50)%,Br(π/K2π0v)=(8.88±0.37±0.38)%,Br(π/K3π0v)=(1.70±0.24±0.39)%,其中第一项误差是统计误差,第二项是系统误差. 相似文献
9.
10.
11.
12.
13.
2003年7月30日,中国科学院高能物理研究所在新闻通报会上宣布,北京谱仪国际合作组最近发现了一个新粒子。北京谱仪合作组是由高能物理研究所和国内17所大学和研究机构及美国、日本、韩国和英国的物理学家和研究生组成的。这个新粒子是该合作组通过分析5800万J/ψ粒子衰变的事例数据,在分析粲粒子辐射衰变到正反质子的过程中发现的。这项研究成果的论文已在世界最具权威和最有影响的期刊《物理学评论快报》(2003年7月)上发表。这次发现新粒子的消息顿时引起了各方的广泛关注。人们都很想知道这是一种什么样的粒子?这一新发现有何物理意义?这是不是又是一个突破性的成就? 相似文献
14.
15.
16.
17.
18.
Fang FANG Shuwen TANG Shitao WANG Xueheng ZHANG Zhiyu SUN Yuhong YU Duo YAN Shuya JIN Yixuan ZHAO Shaobo MA Yongjie ZHANG 《原子核物理评论》2022,39(1):65-72
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σZ~0.19、质核比分辨σA/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。 相似文献
19.