lecture_9_NN_Unfolding_Fit.pdfVIP

粒子物理与核物理实验中的 数据分析 杨振伟 清华大学 第九讲：NN,Unfolding 以及拟合练习 上讲回顾 Geant4模拟 事例产生 敏感探测器数据读出 最大似然拟合 2 本讲要点 ROOT中神经网络方法(Neural Network) ROOT手册76-79页 $ROOTSYS/tutorials/mlp/中例子 http://root.cern.ch/root/html516/TMultiLay erPerceptron.html 基于ROOT的解谱法(Unfolding) ROOT手册263页 http://hepunx.rl.ac.uk/~adye/software/unf old/RooUnfold.html ROOT中各种拟合 (前2个简单介绍，在project练习的过程中自己学习 使用，最后一个主要是本节练习) 3 神经网络(1) 常用的multilayer perceptrons 输入神经元接收输入量，归一化，并传递 给第一隐藏层；后层计算前层的输出，然 后传递给再下层。 训练时，信号的输出为1，本底输出为0 4 神经网络(2) 学习方法 6种学习方法： 1)Stochastic Minimization 2)Steepest Descent With Fixed Step Size 3)Steepest Descent Algorithm 4)Conjugate Gradients With the Polak- Ribiere Updating Formula 5)Conjugate Gradients With the Fletcher- Reeves Updating Formula 6)The Broyden, Fletcher, Goldfarb, Shanno(BFGS) Method 5 神经网络(3) 定义TMultiLayerPerceptron 1)确定输入层、输出层、以及层数 2)确定训练和测试的数据(TTree的entry) 训练 分析 6 解谱法 一个常见的问题：由于实验仪器的原因而出现 图像变形，例如 ⊗ ＝ 真实分布 通过探测器模拟可以 如果，已知 给出其影响的形式 实验观测分布 能否还原出不受实验 能否还原出不受实验 Unfolding(解谱法) 仪器影响的分布？ 仪器影响的分布？ 7 为什么要用解谱法？ 一般而言