The delay and sum beamforming is the most simple technique in direction of arrival (DOA) Estimation. Although its performance on spatial discrimination is poor, compared to other beamforming, delay and sum still is used in large operating sound navigation and ranging (SONAR) because of its low computational cost. A circular hydrophone array (CHA), commonly used in SONAR system, is an attractive alternative to provide a more uniform directive response over all azimuth angle. This array is analyzed here, working with experimental data, acquired in a acoustic tank and in the sea. Maximum likelihood estimation (MLE) is applied to denoising noisy channels, summing up them after in delay-and-sum. First of all, a noise in an acoustic tank is considered to represent the hydrophones, cables, and acquisition system noises. Then, an environmental noise is collected in the sea. The MLE use both of them to calculate the weights in the beamforming. A boat is used to running around the array, and the DOA of the uniformly weight and MLE in delay-and-sum shows the performance improvement.
Resumo -Esse artigo mostra os resultados da aplicação de redes neurais no desenvolvimento do sistema de filtragem online do detector ATLAS, um dos principais detectores que estarão posicionados ao redor do ponto de colisão do colisionador de partículas de última geração, o LHC (Large Hadron Collider). As Regiões de Interesse do calorímetro (medidor de energia) do ATLAS são mapeadas em 100 anéis concêntricos de deposição de energia, os quais alimentam a rede neural classificadora, que identifica elétrons (sinal de interesse) e rejeita o sinal de jatos (ruído de fundo). Como pré-processamento dos sinais, utiliza-se um mapeamento de relevância e a análise de componentes principais (PCA) objetivando uma compactação eficiente da informação. Deste modo, aumenta-se a velocidade de processamento e, eventualmente, a eficiência de detecção, com diminuição da taxa de falso alarme. O LHC é um acelerador de partículas que irá colidir pacotes de prótons com até 14 TeV de energia no centro de massa. No caso do LHC, um túnel circular, com aproximadamente 27 km de extensão, conduz as partículas, que são submetidas a campos eletromagnéticos produzidos por poderosos ímãs ao longo deste túnel [2]. Essas partículas circulam pelo acelerador até atingirem a energia cinética desejada onde, então, são feitas colidir contra partículas que foram aceleradas no sentido contrário. Cada colisão constitui um evento a ser analisado através de detectores posicionados em torno dos pontos de colisão. A Figura 1 mostra o LHC e a posição de seus detectores.
Palavra Chave -Figura 1: Vista aérea do LHC e seus detectores.Um dos principais detectores do LHC é o ATLAS (do inglês A Toroidal LHC ApparatuS) [3]. Este detector, de uso geral, é capaz de detectar inúmeras partículas. Para alcançar tal detecção, o
Abstract-This article presents the results of using neural networks for the optimization of the ATLAS online filterring system, one of the main detectors of the particle collider LHC (Large Hadron Collider). The Regions of Interests of the ATLAS energy measurer calorimeter are mapped in 100 rings of energy deposition, whitch feed a classifier neural network to classify them as electron or jet. For the signal pre-processing, it is used a relevance mapping and PCA (Principal Component Analysis) to compact the information, increasing the processing speed and, eventually, increasing the detection efficiency, with a decreasing of false alarm rate.Keywords-CERN, ATLAS, nuclear physics, filter, classifier, neural networks.Resumo-Esse artigo mostra os resultados da aplicação de redes neurais na otimização do sistema de filtragem online do detector ATLAS, um dos pricipais detectores posicionados ao redor do ponto de colisão do colisionador de partículas deúltima geração, o LHC (Large Hadron Collider). As Regiões de Interesse do calorímetro medidor de energia do ATLAS são mapeadas em 100 anéis de deposição de energia, os quais alimentam a rede neural classificadora, que a classifica como elétron ou jato. Como pré-processamento dos sinais, utiliza-se um mapeamento de relevância e PCA (Análise de Componentes Principais) para a compactação da informação, aumentando-se a velocidade de processamento e, eventualmente, aumentando-se a eficiência de detecção, com diminuição da taxa de falso alarme.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.