正规化的解谱法 - 清华高能物理中心 - 清华大学.ppt

* 正规化参数选择的重要性 * 迭代法解谱(Bayes方法) 应用贝叶斯定理 * RooUnfold: SVD方法解谱 解谱需要先得到响应矩阵R，并进行求逆。 对于性质不太好的矩阵，SVD方法更可靠一些。 * Singular Value Decomposition(SVD) * RooUnfold的下载、编译和使用 RooUnfold中提供了SVD以及Bayes的解谱法。 下载和编译使用方法见网页：http://hepunx.rl.ac.uk/~adye/software/unfold/RooUnfold.html 在training服务器上，已经编译好放到ROOT的库文件目录中，不需要另行下载编译。使用时只要在ROOT脚本文件中加上 gSystem-Load(“libRooUnfold”); * RooUnfoldSvd正规化参数的选择 RooUnfoldSvd中正规化函数的选择实际上是Tikhonov(k=2)规则。 使用RooUnfoldSvd后自动生成UnfoHist.root文件，其中包含d的直方图，从d的直方图可以读出正规化参数，即kterm=k,其中k之后各个bin的值满足均值为0方差为1的高斯分布。 当方差小于(或大于)1时，说明测量值b的误差被低估(或高估)了。 不同的分布、分bin数目以及样本大小都会影响正规化参数的选择。训练响应矩阵的MC数据至少应该是测量数据的10倍以上。 MC数据的分布与真实分布差别不大时，效果最好。 一种做法是，用与真实分布有一定差别但差别不大的分布测试，选定分bin数目以及正规化参数，将该结果直接应用于测量数据。 * 正规化参数选择的例子 有效部分 非物理振荡部分 在该例子中，kterm选择为12左右。 * RooUnfoldSvd例子 * 例子:Tikhonov规则(k=2) * 例子:最大熵(MaxEnt)规则 * 一个在图像处理中的最大熵例子 最大熵值方法常用于天文观测图像的重建,与点源的偏置较小,易于推广到两维以上的情况。 * 例子： ? 的谱函数 — = Eur. Phys. J. C11: 599, 1999 Tikhonov 规则 修正因子方法 由于探测器对两者影响各不相同，因此，需要 用开拆法求出“真实”分布。 * 小结 数学上的原理 求反应矩阵的逆 修正因子 正规的解谱过程 估计量的方差与偏置 正规化参数的选择 RooUnfold以及解谱法例子 粒子物理与核物理实验中的数据分析 杨振伟 清华大学 第十一讲：解谱法（开拆法） * 本讲要点 数学公式,反应函数(矩阵) 求反应矩阵的逆 修正因子 正规化的解谱法 估计量的方差与偏置 正规化参数的选择 举例 Tikhonov 规则 MaxEnt 规则 * 图像还原问题 ＝ 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 如果已知探测器响应（可通过探测器模拟得到探测器响应的形式）， 探测器响应 实验观测分布 能否还原出不受实验仪器影响的真实分布？ Unfolding(解谱法) 真实分布 * 解谱问题的表述(1) 考虑随机变量y，目标：寻找概率密度函数f(y) “真实的直方图” 1)如果已知参数化形式　　 ， 最大似然法 2)不知概率密度函数的形式，可以构造直方图 可以构造直方图(M个区间)，概率密度函数离散化 第j个区间的概率为 为?j(或pj)构造估计量 (参数的数目=区间的数目M) 离散化的p.d.f. * 解谱问题的表述(2) 问题：y 的测量不可能没有误差 1）第i个区间的y在第j个区间测量到 （测量分辨率） 2）第i个区间的某些事例没有测量到 （测量效率） 3）某些区间的事例完全测量不到 （接收度） 后果：f(y) 模糊化，峰展宽， 甚至分布形状完全变形。 测量 后果严重时需要考虑解谱法还原真实分布 * 响应矩阵 测量误差的影响可用积分方程表示: 真值； 观测值 离散化 观测直方图 (期待值) 真实直方图 响应矩阵 Rij=P(观测值在第 i 区|真实值在第 j 区) ：响应函数，表示真值为y观测值为x的概率 对y求积分即可得到测量值为x的概率 * 响应矩阵 数据： 这里 Rij=P(观测值在第 i 区|真实值在第 j 区) 注意： 是常数， 会受 到统计涨落的影响。 真实直方图 离散化的p.d.f. 观测数据 和数据的期待值 * 效率、本底 有时，事例可能会不被探测到: 效率 ?i 是在观测直方图上预期的本底数目。 有时，无真实事例发生，也有事例被观测到：本底 真实直方图第 j 区探测效率 真值 效率 测量值 * 各关键量汇总 “真实”直方图: 概率: 观测直方图的期待值: 观测直方图: