Cherenkov gamma telescope observes high energy gamma rays, taking advantage of the radiation emitted by charged particles produced inside the electromagnetic showers initiated by the gammas, and developing in the atmosphere. The detector records and allows for the reconstruction of the shower parameters. The reconstruction of the parameter values was achieved using a Monte Carlo simulation algorithm called CORSIKA. The present study developed multiple machine-learning-based classification models and evaluated their performance. Different data transformation and feature extraction techniques were applied to the dataset to assess the impact on two separate performance metrics. The results of the proposed application reveal that the different data transformations did not significantly impact (p = 0.3165) the performance of the models. A pairwise comparison indicates that the performance from each transformed data was not significantly different from the performance of the raw data. Additionally, the SVM algorithm produced the highest performance score on the standardized dataset. In conclusion, this study suggests that high-energy gamma particles can be predicted with sufficient accuracy using SVM on a standardized dataset than the other algorithms with the various data transformations.


翻译:切伦科夫伽马望远镜观测高能量伽马射线,利用伽马射线产生的电磁阵雨中电磁粒子释放的辐射,并在大气中发展。探测器记录并允许重建淋浴参数。利用称为CORSIKA的蒙特卡洛模拟算法重建参数值。本研究开发了多机学习分类模型并评价了这些模型的性能。对数据集应用了不同的数据转换和特征提取技术,以评估对两个不同的性能尺度的影响。拟议应用的结果显示,不同的数据转换对模型的性能没有产生显著影响(p=0.3165)。对比比较表明,每个转换数据的性能与原始数据的性能没有显著不同。此外,SVM算法还生成了标准化数据集的最高性能分数。最后,该研究表明,高能伽马微粒子可以用与各种数据转换的其他算法相比在标准化数据集上的SVM得到足够准确的预测。

0
下载
关闭预览

相关内容

【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
GAN新书《生成式深度学习》,Generative Deep Learning,379页pdf
专知会员服务
202+阅读 · 2019年9月30日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Andrew NG的新书《Machine Learning Yearning》
我爱机器学习
11+阅读 · 2016年12月7日
Arxiv
0+阅读 · 2022年1月21日
Arxiv
6+阅读 · 2021年7月26日
Arxiv
11+阅读 · 2021年3月25日
Arxiv
6+阅读 · 2020年10月8日
Learning Memory-guided Normality for Anomaly Detection
Arxiv
6+阅读 · 2019年12月30日
Techniques for Automated Machine Learning
Arxiv
4+阅读 · 2019年7月21日
Deep Learning for Energy Markets
Arxiv
10+阅读 · 2019年4月10日
VIP会员
相关VIP内容
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Andrew NG的新书《Machine Learning Yearning》
我爱机器学习
11+阅读 · 2016年12月7日
相关论文
Arxiv
0+阅读 · 2022年1月21日
Arxiv
6+阅读 · 2021年7月26日
Arxiv
11+阅读 · 2021年3月25日
Arxiv
6+阅读 · 2020年10月8日
Learning Memory-guided Normality for Anomaly Detection
Arxiv
6+阅读 · 2019年12月30日
Techniques for Automated Machine Learning
Arxiv
4+阅读 · 2019年7月21日
Deep Learning for Energy Markets
Arxiv
10+阅读 · 2019年4月10日
Top
微信扫码咨询专知VIP会员