在Cmos探测器获得的图像中寻找潜在异常的宇宙射线粒子痕迹,用于不断涌现的观测数据的连续流
Marcin Piekarczyk1, Tomasz Hachaj1
1Faculty of Electrical Engineering, Automatics, Computer Science and Biomedical Engineering, AGH University of Krakow, Al. Mickiewicza 30, 30-059 Krakow, Poland.
Sensors (Basel, Switzerland)
|March 28, 2024
概括
这项研究引入了一种新的方法,用于检测大数据中的异常宇宙射线粒子轨迹,使用增量主要组件分析 (PCA). 该方法有效地过出典型的轨道形状,为公民科学数据分析提供了新的可能性.
科学领域:
- 天体物理学和粒子物理学
- 数据科学和机器学习
- 公民科学 技术 技术
背景情况:
- 宇宙射线检测依赖于从传感器分析大量图像数据集.
- 现有的方法可能难以应对来自分布式网络的大数据的规模和复杂性.
- 像宇宙射线极度分布天文台 (CREDO) 这样的公民科学项目产生了大量的图像数据.
研究的目的:
- 开发一种有效的方法来检测大数据中的异常宇宙射线粒子痕迹.
- 利用增量主要组件分析 (PCA) 来实时或运行时分析传感器数据.
- 从大型数据集中有效过非典型的粒子轨道形态.
主要方法:
- 使用增量PCA结合顺序卡胡宁-洛伊夫转换来减少维度和特征提取.
- 应用了基于嵌入空间中的对象密度的异常检测算法.
- 在公民科学环境中处理了来自互补金属氧化物半导体 (CMOS) 传感器的57万多张图像.
主要成果:
- 实现了显著的内存复杂性降低,使该方法适合大数据分析.
- 证明了典型粒子轨迹形状的有效过,隔离异常事件.
- 坐标框架与其近似之间的加权距离很小 (0.01-0.02半径).
结论:
- 拟议的基于增量PCA的方法有效地检测大规模图像数据集中的异常宇宙射线粒子轨迹.
- 该算法的直观性质和过典型形态的能力为公民科学数据分析提供了显著的优势.
- 开发的技术支持进一步的应用,如在CREDO项目中的相似性搜索和数据库查询.
