用神经网络分辨“膝”区原初质子成分

计算物理 ›› 1999, Vol. 16 ›› Issue (6): 568-572.

用神经网络分辨“膝”区原初质子成分

冯存峰, 孔繁敏, 张学尧, 何瑁, 戴志强, 张乃健

山东大学物理系高能物理研究室, 济南 250100

收稿日期:1998-09-29 修回日期:1999-05-17 出版日期:1999-11-25 发布日期:1999-11-25
作者简介:冯存峰,男,30,讲师,博士
基金资助:
山东省自然科学基金和国家自然科学基金资助项目

Identification of primary proton component at the knee with artificial neural networks

Feng Cunfeng, Kong Fanmin, Zhang Xueyao, He Mao, Dai Zhiqiang, Zhang Naijian

High energy physics group, physics department, Shandong University, Jinan 250100

Received:1998-09-29 Revised:1999-05-17 Online:1999-11-25 Published:1999-11-25

摘要/Abstract

摘要： 利用不同的相互作用模型,对羊八井空气簇射阵列和乳胶室联合实验进行了Monte Carlo模拟,并利用模拟数据研究了利用人工神经网络方法进行原初宇宙线成分分辨的可行性。分析表明,利用该方法可很好地挑选出由原初质子引起的簇射,但所得结果与作用模型有关,并对相应的系统误差进行了估计。

关键词: Monte Carlo模拟, 神经网络, 原初质子分辨

Abstract: A Monte Carlo simulation for the hybrid experiment of air shower array and emulsion chambers at Yangbajing is done with different interaction models.The feasibility of distinguishing primary cosmic ray components by use of the method of artificial neural netwo rks is studied with the simulation data.T he analysis indicates that the showers induced by primary protons can be efficiently selected by using this method, but the results obtained appear to be dependent on interaction model.The corresponding systematic error is also estimated.

Key words: Monte Carlo simulation, artificial neural networks, identification of primary protons

中图分类号:

冯存峰, 孔繁敏, 张学尧, 何瑁, 戴志强, 张乃健. 用神经网络分辨“膝”区原初质子成分[J]. 计算物理, 1999, 16(6): 568-572.

Feng Cunfeng, Kong Fanmin, Zhang Xueyao, He Mao, Dai Zhiqiang, Zhang Naijian. Identification of primary proton component at the knee with artificial neural networks[J]. CHINESE JOURNAL OF COMPUTATIONAL PHYSICS, 1999, 16(6): 568-572.

[1]	吴国正, 王发杰, 程隋福, 张成鑫. 基于物理信息神经网络的内部声场正反问题数值计算[J]. 计算物理, 2022, 39(6): 687-698.
[2]	肖聪, 张士诚, 马新仿, 周彤, 侯腾飞. 基于模型降维和递归神经网络的油藏参数反演[J]. 计算物理, 2022, 39(5): 564-578.
[3]	黄灿, 田冷, 王恒力, 王嘉新, 蒋丽丽. 基于条件生成式对抗网络的油藏单井产量预测模型[J]. 计算物理, 2022, 39(4): 465-478.
[4]	潘剑, 郭照立, 陈松泽. 从噪声数据学习偏微分方程的复合神经网络[J]. 计算物理, 2022, 39(2): 223-232.
[5]	唐利红, 贺宗梅, 姚延立. 忆阻Hopfield神经网络动力学分析及其电路实现[J]. 计算物理, 2022, 39(2): 244-252.
[6]	李洪, 章立新, 任燕, 高明, 刘婧楠. 基于灰色关联分析的BP神经网络对混流闭式冷却塔出水温度的预测[J]. 计算物理, 2022, 39(1): 53-59.
[7]	罗佳, 孙亮, 乔印虎. 忆阻突触耦合环形Hopfield神经网络动力学分析及其电路实现[J]. 计算物理, 2022, 39(1): 109-117.
[8]	郑书昱, 彭佳臻, 张先梅, 薛二兵, 虞立敏. 基于神经网络的托卡马克能量约束时间预测[J]. 计算物理, 2021, 38(4): 423-430.
[9]	周倩, 韦笃取. 场耦合忆阻神经网络的电活动[J]. 计算物理, 2020, 37(6): 750-756.
[10]	卢新瑞, 黄捍东, 李帅, 尹龙. 基于U-Net的盐体识别方法[J]. 计算物理, 2020, 37(3): 327-334.
[11]	周于皓, 刘慧卿, 祁鹏, 赵萌, 陈宇. 基于循环神经网络的缝洞型油藏油井产量预测[J]. 计算物理, 2018, 35(6): 668-674.
[12]	龙光波, 郑永刚, 欧建文, 王兴华, 黄霞, 王艳芳. 逆Compton散射的MonteCarlo模拟[J]. 计算物理, 2016, 33(2): 136-146.
[13]	苟雪银, 郭立新, 张连波. 支持向量机和神经网络在粗糙面参数反演中的比较[J]. 计算物理, 2014, 31(1): 75-84.
[14]	周璇, 张志东. 基于修正的Gruhn-Hess两体势模型研究弯曲形变向列相液晶盒[J]. 计算物理, 2010, 27(4): 598-602.
[15]	许晓军, 王凤飞. 不同温度下团簇生长的Monte Carlo模拟[J]. 计算物理, 2009, 26(5): 758-762.