北京谱仪Ⅱ上利用效率比方法进行μ鉴别的研究

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.     

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．     

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.     

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.     

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).     

全谱段光谱分析的块状商品煤种类鉴别

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。     

用神经网络方法鉴别τ的强子衰变

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.     

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。     

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.     

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。     

基于非线性光谱混合模型的遥感影像提取城市不透水层

针对传统方法在提取城市不透水层中的许多局限性,采用两种非线性光谱混合分解模型,包括混合调谐匹配滤波和多层感知器神经网络,通过混合像元分解获取城市不透水层.混合调谐匹配滤波利用用户选择的端元,通过最大化端元响应并减少未知背景信息的影响,进行局部分解端元.多层感知器由多个感知器组成,能够很好的进行非线性学习.对Landsa...     

新的发现 新的挑战——北京谱仪国际合作组发现新粒子

 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?     

利用加速器重离子进行SRAM单粒子效应研究

 报导了利用北京大学串列静电加速器提供的重离子对两类静态随机存储器进行单粒子效应的实验和测量。给出了两类静态随机存储器的单粒子效应翻转截面随线性能量转移值的变化关系曲线。     

利用加速器重离子进行SRAM单粒子效应研究

报导了利用北京大学串列静电加速器提供的重离子对两类静态随机存储器进行单粒子效应的实验和测量。给出了两类静态随机存储器的单粒子效应翻转截面随线性能量转移值的变化关系曲线。     

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     

利用加速器提供的重离子进行SRAM单粒子效应研究

报导了利用北京大学串列静电加速器提供的重离子对两类静态随机存储器进行单粒子效应的实验和测量。给出了两类静态随机存储器的单粒子效应翻转戴面随线性能量转移值的变化关系曲线。     

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。     

利用人工神经网络方法提高差分光学吸收光谱系统测量精度研究

差分光学吸收光谱法已经变成了测量大气中微量气体浓度常用的方法。微量气体的浓度通过对大气吸收光谱的分析得到。但在实际应用中，由于受到硬件条件的限制，使得每次分析的光谱带宽有限，造成分析的误差较大，结果不够稳定。这里提出了一种利用多层自适应线性（Madaline）人工神经网络对光谱进行扩展的方法，并对试验结果进行了比较，收到了良好的效果。     

北京谱仪大型精密圆柱漂移室dE/dx粒子识别的研究

本文简要描述了北京谱仪主漂移室的dE/ds粒子识别方法,给出在物理实验应用中dE/dx性能测量的主要结果.经过系统效应的软件修正和绝对的能量刻度后,对最小电离粒子(0.4—0.5GeV/c的π)大于30次dE/dx取样的能量分辨率为7.5%.大于3σK/π分离的动量p≤0.65GeV/c.大于3σe/π分离的相应动量范围为0.2≤p≤4GeV/c.