Считывание и фильтрация данных с платы TRB3 презентация

Введение
Настоящая работа посвящена чтению и обработке данных с электронной платы TRB3, предназначенной для считывания будущего детектора черенковских колец Forward RICH на эксперименте PANDA (Германия).
Плата TRB3 считывает несколько многоанодных фотоэлектронных умножителей (МаФЭУ) H12700 производства Hamamatsu.
В работе проводилось моделирование срабатываний от черенковских фотонов с помощью импульсной лазерной засветки МаФЭУ и фильтрация срабатываний для подавления темновых срабатываний с помощью специально разработанного алгоритма фильтрации.

Знакомство с программным обеспечением для сбора и обработки данных с платы TRB3, с методами обработки экспериментальных данных. Разработка алгоритма фильтрации для разделения сигнальных и шумовых срабатываний во временном потоке.
Цель работы

Разработка алгоритмов фильтрации и их испытание на смоделированных методом Монте-Карло данных.
Оптимизация параметров алгоритмов и выбор наилучшего с точки зрения его отношения сигнал/шум.
Набор экспериментальных данных с ФЭУ и TRB3 при освещении лазерными импульсами. Сбор данных с помощью пакета DABC. Обработка данных с помощью Go4 и собственной программы C++ с использованием пакета ROOT.
Применение выбранного фильтра к экспериментальным данным.
Задачи

Обзор возможных существующих стандартных решений
Для снижения уровня шума существует большое количество фильтров.
В работе были рассмотрены такие фильтры, как фильтр Калмана и фильтр Винера.

Фильтр Калмана
Фильтр Калмана - это эффективный рекурсивный фильтр.
Алгоритм фильтра состоит из двух фаз: прогноз и коррекция.
Фаза прогнозирования использует оценку состояния из предыдущего такта работы для получения оценки состояния на текущем этапе. Эта прогнозируемая оценка состояния называется априорной оценкой состояния, поскольку она не включает в себя информацию наблюдения текущего шага.
На этапе коррекции текущая априорная оценка объединяется с текущей информацией наблюдения для уточнения оценки состояния.

Фильтр Винера
Фильтр Винера является линейным оптимальным фильтром.
На вход фильтра поступают два сигнала: x[k] и d[k]. При этом d[k] содержит две составляющие – полезный сигнал s[k], который не коррелирован с x[k] и шумовую составляющую n[k], коррелированную с x[k]. Фильтр Винера обеспечивает на выходе оптимальную в среднеквадратическом смысле оценку y[k] коррелированной части сигнала (шума) n[k]. Эта оценка вычитается из d[k] и выход (ошибка) фильтра e[k] – это наилучшая по среднеквадратическому критерию оценка полезного сигнала.

Выбор пути решения
Подходящие алгоритмы для фильтрации редких сигнальных событий при наличии шумовой составляющей в литературе не найдены.
В работе были разработаны три собственных алгоритма фильтрации шумов, которые реализованы в Python.
Для описания принципа работы алгоритмов кратко рассмотрим соответствующие им функции в программе.

Моделирование срабатываний детектора методом Монте-Карло
Моделируется массив срабатываний от сигнальных событий (коррелированы по времени) и шумовых срабатываний (некоррелированы по времени)
generate(Nphe, fnoise, sigma_t, stat, fint)
Nphe – среднее число сигнальных срабатываний на событие
fnoise – частота шумов (с−1)
sigma_t – стандартная ошибка времени для сигнальных срабатываний в событии (нс)
stat – число сигнальных событий
fint – частота сигнальных событий (с−1)
Возвращается numpy.ndarray формата [('time','float64'), ('truth','i4’)], где
'time' – время срабатывания детектора,
'truth' – идентификатор срабатывания (<0 – шум; >=0 – номер сигнального события, к которому относится срабатывание).

Алгоритм фильтрации №1
filter1(T, n, hits)
T – временное окно для отбора срабатываний, n – минимальное число срабатываний во временном окне T; hits – массив срабатываний типа [('time','float64'), ('truth','i4')].
Фильтр отбирает те срабатывания, как сигнальные, в которых количество срабатываний детектора во временном окне T превышает или равно заданному количеству n.

Алгоритм фильтрации №2
filter2(p, k, T, hits)
p – порог по среднему интервалу между срабатываниями; k – количество срабатываний; T – временное окно для отбора сигнальных срабатываний; hits– массив срабатываний типа [('time','float64'), ('truth','i4')].
Фильтр отбирает те срабатывания, как сигнальные, в которых средний интервал между первыми k срабатываниями не превышает заданный порог p, все остальные срабатывания в интервале T также отбираются, как сигнальные.

Алгоритм фильтрации №3
filter3(delta_t, T, n, hits)
delta_t - длительность строба от хита; T – временное окно для отбора срабатываний; n – минимальное число срабатываний во временном окне T; hits – массив срабатываний типа [('time','float64'), ('truth','i4')].
Фильтр отбирает те срабатывания, как сигнальные, в которых «аналоговая сумма» последовательных срабатываний превышает заданный порог n. Под «аналоговой суммой» подразумевается сумма уровней прямоугольных импульсов длиной delta_t и началом, совпадающим с временем срабатывания.

Результаты исследования фильтров
Шумовая эффективность – доля всех шумовых срабатываний, прошедшие фильтр как сигнальные.
Сигнальная эффективность – доля всех сигнальных событий, 90% срабатываний которых прошли фильтр, как сигнальные.
Оптимальные параметры определены сканированием результата фильтров по области параметров и нахождении минимальной шумовой эффективности при сигнальной эффективности не менее 0.99.
Был выбран алгоритм фильтрации №3, как наиболее оптимальный.
Исследование проводилось на срабатываниях смоделированных вызовом generate(Nphe=20, fnoise=1e8, sigma_t=1, stat=100000, fint=2e7)

Экспериментальная установка с H12700 и TRB3
ФЭУ H12700 (64 канала) засвечивается с помощью лазерных импульсов. Интенсивность лазера подобрана для одноэлектронных срабатываний в каналах. Присутствует паразитная постоянная засветка для эмуляции шумов.
Сбор данных с помощью пакета DABC (разработка GSI).
Перекачка данных в ROOT-файл с помощью пакета для анализа данных Go4 (GSI) и собственной программы на C++. Несколько событий сливаются для эмуляции системы с большим числом каналов и числом фотоэлектронов на событие 10-20.
Фильтра №3, реализованный на C++, применен к экспериментальным данным.

Применение фильтра №3 к реальным данным
Параметры фильтра для экспериментальных данных:
delta_t = 5 (нс), T = 10 (нс), n = 3.
Срабатывания, определенные как сигнальные, показаны красным цветом, остальные срабатывания показаны синим цветом.

Заключение
Разработаны 3 алгоритма фильтрации данных по времени и реализованы на Python. Применены к данным моделирования методом Монте-Карло.
Алгоритмы оптимизированы и выбран наилучший с точки зрения сигнал/шум
Набраны экспериментальные данные с ФЭУ и TRB3 при освещении лазерными импульсами. Данные обработаны с помощью пакета Go4 и собственной программы C++ с использованием пакета ROOT.
Выбранный алгоритм фильтрации успешной применен к экспериментальным данным.