Model based clustering method as a new multivariate technique in high energy physics
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F14%3A00210540" target="_blank" >RIV/68407700:21340/14:00210540 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1088/1742-6596/490/1/012225" target="_blank" >http://dx.doi.org/10.1088/1742-6596/490/1/012225</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1088/1742-6596/490/1/012225" target="_blank" >10.1088/1742-6596/490/1/012225</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Model based clustering method as a new multivariate technique in high energy physics
Popis výsledku v původním jazyce
Analysis of the experimental data has one of the most important roles in High Energy Physics. Commonly used multivariate techniques as Boosted Decision Trees or Bayesian Neural Networks are based on learning algorithms using Monte Carlo generated samples. We implemented a new Model Based Clustering (MBC) method using Bayesian statistics and modified iterative EM algorithm for weighted data that have never been applied in this area. This greatly promising method was developed especially for the data collected from the D0 experiment, which was one of two large particle physics experiments at the pp- Tevatron collider at Fermilab. We optimized and tested proposed method in the single top search using a data sample of 9.7fb-1 of integrated luminosity, which corresponds to the entire Run II D0 dataset.
Název v anglickém jazyce
Model based clustering method as a new multivariate technique in high energy physics
Popis výsledku anglicky
Analysis of the experimental data has one of the most important roles in High Energy Physics. Commonly used multivariate techniques as Boosted Decision Trees or Bayesian Neural Networks are based on learning algorithms using Monte Carlo generated samples. We implemented a new Model Based Clustering (MBC) method using Bayesian statistics and modified iterative EM algorithm for weighted data that have never been applied in this area. This greatly promising method was developed especially for the data collected from the D0 experiment, which was one of two large particle physics experiments at the pp- Tevatron collider at Fermilab. We optimized and tested proposed method in the single top search using a data sample of 9.7fb-1 of integrated luminosity, which corresponds to the entire Run II D0 dataset.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/LG12020" target="_blank" >LG12020: Využití pokročilé statistické analýzy a nestatistických separačních metod pro detekování fyzikálních procesů v datech snímaných urychlovači elementárních částic.</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2014
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Journal of Physics: Conference Series
ISSN
1742-6588
e-ISSN
—
Svazek periodika
490
Číslo periodika v rámci svazku
1
Stát vydavatele periodika
GB - Spojené království Velké Británie a Severního Irska
Počet stran výsledku
5
Strana od-do
—
Kód UT WoS článku
000335909300223
EID výsledku v databázi Scopus
—