简介
引力波探测是探索宇宙奥秘的重要途径,在这个领域LIGO和Virgo(VGO)两个合作组织(LIGO Scientific Collaboration and the Virgo Collaboration, LVC) ,从代号为GW150914的黑洞合并事件开始,完成了一系列事件的探测。全球的引力波探测器包含位于美国的两个LIGO设备,一个位于意大利的Virgo设备,以及位于德国、日本、印度等国家的设备。
现今为止,LIGO探测器有O1,O2,O3三轮观测,其中Virgo探测器在O2时候加入探测,并与LIGO探测器一同进行O3的探测。多个探测器协同观测,可以有效地过滤掉设备噪音,并进行协同分析。LIGO-Virgo探测的数据通过引力波开放科学中心(Gravitational-Wave Open Science Center, GWOSC)延时数月公布,供全球的研究者共同研究。
LIGO-Virgo数据的特性
LIGO-Virgo探测器本质上都是大型的迈克尔逊干涉仪(Michelson interferometers),当引力波通过探测器,导致探测器臂长发生改变,而两个臂长的长度差异进而体现在探测器的输出数据上。探测器的实际输出(interferometer photodiode output)经过一系列标准化的程序,最终生成时序的引力波数据(gravitational-wave strain data)。对于LIGO来说,最终数据采样率16384Hz,而对于Virgo探测器,最终采样率20kHz。而处理程序也都存在一个有效频率(validity range)的东西,这里就不赘述了。
在这些探测器里面,还有一些辅助通道(auxiliary channels),这些通道中的时序数据,记录了探测器、周围环境中的一些辅助信息,这些数据通过GWOSC的处理,刻画了包括噪声源的若干数据,并且其中由于仪器故障、调试导致的数据错误亦都有所标注。
检测器噪音的特征
LIGO-Virgo仪器的生成数据事实上包含了很多种噪音,包括——
- 量子传感噪音(quantum sensing noise)
- 地质运动噪音(seismic noise)
- 热力学波动噪音(suspension thermal noise)
- 反射镜热力学噪音(mirror coating thermal noise)
- 重力梯度噪音(gravity gradient noise)
在此之外,还包含部分人为噪音、天气噪音、仪器检修故障以及未知的噪声源。
下面,我们从数学得到角度,形式化的定义一下检测器的噪音输出——
我们在一个时间窗口中探究探测器的噪音,令探测器输出为为一个向量,
表示时刻
的输出值。可以发现,探测器的输出实际上是被噪音主导的,而我们可以将噪音理解为若干个高斯分布的分量的组合。
对于探测器输出来说,我们可以将其看做一个随机过程的样本,而这个随机过程本身可以用其概率密度函数
描述。而
本身又可以分解为均值矩阵
以及协方差矩阵
当然,对于参数估计来说,我们有如下公式——
有了上面的定义,我们可以通过高维正态分布的公式获得概率密度函数
我们发现,当我们将所有数据看做一个样本的话,那么足够大,而
,以致于我们甚至无法定义有效的
,这个问题我们可以加入一个“噪音为稳定(stationary)的”这个限制条件来解决。
一个噪音稳定当且仅当只与时间间隔
有关。稳定噪音可以使用相关性矩阵
描述,其中
为时间间隔。当然,既然这个过程和波有关,人们习惯上都会为了降低复杂性,将它变换到傅里叶空间中,自此,我们将
修改为频域
,将稳定噪音的相关性矩阵设置为
,而这里面的
就是功率谱(power spectral density)函数。而振幅谱(Amplitude spectral density)函数则是功率谱函数的平方根,以
为单位。
在上面的定义中,如果,那么噪音为白噪声,毕竟每一个时间分量独立且方差皆为
。白噪声是LIGO-Virgo探测器噪声的一个不那么准确的近似。
LIGO-Virgo探测器输出数据,在时域和频域上面,都有非常显著的结构特征。而就引力波事件GW170817分析,噪音几乎主导了数据信噪比。这使得对噪音的分析正确与否直接决定了检测的正确性。
使用傅里叶变换进行噪音分析
由于对于噪声稳定的假设,噪声在每一个频率区间是假设独立的。对于大部分LVC分析来说,都首先使用FFT将数据进行一次变换。由于FFT假设数据是循环的,我们需要使用窗函数对FFT后数据的频域进行修正,这里我们使用土耳其窗(Turkey-Window)函数进行修正。
接下来,我们将FFT后的频谱强度除以噪声的频谱强度,进行标准化,以便让噪声强的区域和噪声弱的区域拥有近似相等的影响度。在可视化的时候,数据还要额外经过一个[35Hz, 350Hz]的滤波器,以过滤区间外的噪音,人为保留重要的区间供研究人员观察。
噪声频谱强度我们事先并不知道,需要从数据本身估计出来。一般来说,我们可以在待检测信号周围取一个足够大的时间范围,并使用该范围内的数据流进行计算。不过这样的计算有一个问题,就是对于每一个频率,只会算出一个复数(实部+虚部)强度。因此,对于不同的频率位置,估计值的偏差会比较大。
对于上述问题,有两种可能的解决办法:1)应用某种平均的方法降低误差;2)使用某种物理学中更加准确的算法,如Welch方法。

参考文献:A guide to LIGO-Virgo detector noise and extraction of transient gravitational-wave signals