集成学习在新型EAS热中子探测器数据分类中的研究.pdf

摘要

随着互联网的迅猛发展、数字化信息的快速增长和计算能力的不断提升，各个领域

的研究人员逐渐意识到传统的数据处理技术已经无法有效处理快速增长的数据；同时，

基于深度神经网络的深度学习算法在图像识别、语音识别和自然语言处理等任务中都取

得了巨大成功，标志着机器学习已经渗透到许多交叉领域学科。新型EAS热中子探测

器的实验是国家大科学装置实验LHAASO项目合作实验之一，该实验的研究目标是捕

捉广延大气簇射(ExtensiveAirShower，EAS)中强子的含量与位置信息，从强子级联的

角度进行宇宙线粒子分类测量。由于实验数据复杂多样，传统的多变量数据分析方法在

数据特征提取中容易丢失一些信息，使得宇宙线分成分测量具有局限性，基于此本文将

机器学习算法直接应用在新型EAS热中子探测器模拟数据上，提取宇宙线事例特征，

探究其在新型EAS热中子探测器在宇宙线成分鉴别中的分类效果。

首先，本文从机器学习分类算法的底层展开，介绍了决策树、随机森林、支持向量

机和BP神经网络算法原理，展开说明算法的建模流程及算法中重要参数的含义和意义，

为本文相关研究的开展奠定理论基础；然后，介绍了机器学习算法优化方法，通过交叉

网格搜索方法、粒子群优化算法和遗传算法对参数和超参数进行优化调整，在此基础上

提出了一种动态权重网络集成学习模型，将传统的多变量特征分析优化调整为多个算法

结合，从而提高整体算法数据分类的性能。为了检验集成学习算法的有效性，本研究使

用大量的新型EAS热中子探测器实验模拟数据，采用合理的算法评价指标，例如AUC

值和Q品质因子等对算法进行了评估，结果表明本文提出的分类算法在准确性和鲁棒性

方面均取得了显著改善，说明机器学习算法能够更准确地对新型EAS热中子探测器实

验模拟数据进行分类鉴别；最后，本文搭建了算法读取ROOT数据的接口，为集成学习

算法在中国科学院高能物理研究所计算集群中开展新型EAS热中子探测器数据分类鉴

别奠定基础。

综上所述，本文首次将机器学习算法应用在新型EAS热中子探测器实验，该研究

成果能够为国家大科学装置实验数据分类鉴别提供新技术和新方法，为科学知识发现奠

定基础。

关键词：算法优化；机器学习；新型EAS热中子探测器；算法迁移

I

Abstract

WiththerapiddevelopmentoftheInternet,quickgrowthofdigitalinformation,and

continualimprovementincomputingpower,researchersinvariousfieldshavegradually

realizedthattraditionaldataprocessingtechniquesarefacingchallengesandnolonger

effectiveinhandlingtherapidlygrowingdata.Meanwhile,deeplearningalgorithmsbasedon

deepneuralnetworkshaveachievedtremendoussuccessintaskssuchasimagerecognition,

speechrecognition,andnaturallanguageprocessing,markingthepenetrationofmachine

learningintomanyinterdisciplinaryfields.TheexperimentofthenewEASthermalneutron

detectorisoneofthecollaborativeexperimentsofthenationallarge-scalescientificfacility

experimentLHAASOproject.Theresearchgoalofthisexperimentistocapturetheconten