Verbesserung der UntergrundunterdrÃ¼ckung eines neuen CAST ...

Weitere Magazine

Empfehlungen

Info

6 Klassifikation mittels TMVA Methode Schnittwert Signaleffizienz Untergrundunterdrückung BDT_AdaBoost 0,1392 0,9686 0,9756 BDT_AdaBoost_Depth 0,5883 0,9675 0,9769 SVM 0,6477 0,9709 0,9772 MLP_BFGS 0,7836 0,9691 0,9753 MLP_BP 0,7280 0,9749 0,9704 Tabelle 6.2: Signaleffizienzen bei optimalem Schnittwert der einzelnen Methoden basierend auf allen Trainingsdaten. Methode Signaleffizienz BDT_AdaBoost 0,934 BDT_AdaBoost_Depth 0,827 SVM 0,938 MLP_BFGS 0,919 MLP_BP 0,916 Tabelle 6.3: Signaleffizienzen bei einer Untergrundunterdrückung von 98,9 % aller Methoden basierend auf allen Trainingsdaten. 38
6.2 Trainieren mit Schnitt auf Energie 6.2 Trainieren mit Schnitt auf Energie Es kann nicht verhindert werden, dass in den Signaldaten auch Untergrundereignisse enthalten sind. Aufgrund der Quelle ist bekannt, dass die meisten Ereignisse eine Energie um den Photopeak haben müssen. Damit die Methoden nicht fälschlicherweise versuchen Untergrundereignisse aus den Signaldaten als signalartig zu interpretieren, kann man versuchen diese über einen Schnitt auf die Energie herauszufiltern. In diesem Abschnitt wird ein Schnitt auf die Energie zwischen 5,5 keV bis 6 keV vorgenommen. Es werden die gleichen Methoden verwendet, wie zuvor. Da die Verteilungen konzeptionell die gleichen sind, wie im Abschnitt zuvor, sind diese zusammen im Anhang A.3.2 zu finden. In Tabelle 6.4 sind die Signaleffizienzen beim optimalen Schnittwert für diesen Fall zu finden. Methode Schnittwert Signaleffizienz Untergrundunterdrückung BDT_AdaBoost 0,0576 0,9952 0,9926 BDT_AdaBoost_Depth 0,3032 0,9929 0,9933 SVM 0,6255 0,9946 0,9947 MLP_BFGS 0,7223 0,9906 0,9879 MLP_BP 0,6813 0,993 0,9879 Tabelle 6.4: Signaleffizienzen bei optimalem Schnittwert der einzelnen Methoden basierend auf Daten mit Schnitt auf die Energie. In diesem Fall zeigt erneut keine der Methoden nennenswertes Overtraining. Auch in diesem Fall ist die SVM mit einer Signaleffizienz von 99,46 % bei einer Untergrundunterdrückung von 99,47 % die effizienteste Methode. Es arbeiten jedoch alle Methoden sehr effizient. In Abbildung 6.4 sind die Untergrundunterdrückung aller Methoden dargestellt. Insgesamt führt der Schnitt auf die Energie dazu, dass die Klassifikation insgesamt deutlich besser wird und nahezu alle Ereignisse richtig klassifiziert werden. Dies kann damit begründet werden, dass die Ereignisse des Photopeaks klarer die Eigenschaften der echten XrayObjects haben. Zusätzlich wird erneut die Signaleffizienz bei einer Untergrundunterdrückung von 98,9 % betrachtet. Die sich ergebenen Werte sind in Tabelle 6.5 zu finden. Abgesehen von den neuronalen Netzwerken, liegen die Signaleffizienzen der Methoden bei dieser Untergrundunterdrückung 100 %. Somit übertrifft jede Methode mit dieser Art des Trainierens die Likelihood Methode. Methode Signaleffizienz BDT_AdaBoost 1 BDT_AdaBoost_Depth 1 SVM 1 MLP_BFGS 0,986 MLP_BP 0,989 Tabelle 6.5: Signaleffizienzen bei einer Untergrundunterdrückung von 98,9 % aller Methoden basierend auf dem Trainieren mit Schnitt auf die Energie. 39
Seite 1 und 2: Verbesserung der Untergrundunterdr
Seite 3 und 4: Inhaltsverzeichnis 1 Einleitung 1 2
Seite 5: KAPITEL 1 Einleitung Das Standardmo
Seite 8 und 9: 2 Axionen Abbildung 2.1: Darstellun
Seite 11 und 12: KAPITEL 3 CERN Axion Solar Telescop
Seite 13 und 14: 3.2 Daten und Spektrum der 55 Fe Qu
Seite 15 und 16: KAPITEL 4 TMVA Das Toolkit for Mult
Seite 17 und 18: 4.1 Aufbau wiederum Variablen eines
Seite 19 und 20: 4.2 Methoden schen Signal und Unter
Seite 21 und 22: 4.2 Methoden Klassifikation mittels
Seite 23 und 24: 4.2 Methoden die Likelihood-Methode
Seite 25 und 26: 4.2 Methoden Backpropagation - BP A
Seite 27 und 28: 4.2 Methoden x 2 Support Vectors Hy
Seite 29 und 30: 4.2 Methoden Knotenpunkt einen gewi
Seite 31 und 32: KAPITEL 5 Vorbereitung der Daten Al
Seite 33 und 34: 5.1 Energiekalibrierung Gesamtladun
Seite 35 und 36: 5.2 Erzeugung künstlicher, niedere
Seite 37 und 38: KAPITEL 6 Klassifikation mittels TM
Seite 39 und 40: 6.1 Trainieren mit allen Daten MLPs
Seite 41: 6.1 Trainieren mit allen Daten TMVA
Seite 45 und 46: 6.3 Vergleich mit Likelihood Method
Seite 47 und 48: 6.4 Klassifikation der künstlich e
Seite 49: 6.4 Klassifikation der künstlich e
Seite 52 und 53: 7 Betrachtung falsch klassifizierte
Seite 55 und 56: KAPITEL 8 Zusammenfassung und Ausbl
Seite 57 und 58: ANHANG A Anhang A.1 Quellcode Der f
Seite 59 und 60: A.1 Quellcode } // mussen in beiden
Seite 61 und 62: A.1 Quellcode delete factory [2]; d
Seite 63 und 64: A.1 Quellcode theTree ->SetBranchAd
Seite 65 und 66: A.2 Eingabe-Daten aller Variablen A
Seite 67 und 68: A.3 Klassifikation A.3 Klassifikati
Seite 69 und 70: A.3 Klassifikation A.3.2 Schnitt au
Seite 71 und 72: A.3 Klassifikation A.3.3 Energetisc
Seite 73 und 74: A.4 Falsch klassifizierte Ereigniss
Seite 75 und 76: Literatur [1] C. A. Baker u. a.,
Seite 77: Literatur [22] C. Krieger, J. Kamin

Verbesserung der UntergrundunterdrÃ¼ckung eines neuen CAST ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?