[论文解读] Probability Distributions of Positioning Errors for Some Forms of Center-of-Gravity Algorithms

Gregorio Landi, Giovanni Landi|arXiv (Cornell University)|Apr 19, 2020

Particle physics theoretical and experimental studies参考文献 12被引用 4

一句话总结

本文推导了在硅微条探测器中用于粒子物理的中心-重心（COG）算法定位误差的精确和近似概率密度函数（PDF），特别针对两-strip 和三-strip COG。研究表明，由于误差分布具有重尾（类似柯西分布），标准的方差最小化方法失效；本文提供了关键 COG 形式——x=ξ/(ξ+η)，y=(ξ−η)/(2(ξ+η))，w=ξ/η，以及完整 COG2 和简化的三-strip COG——的解析 PDF，从而实现最优最大似然轨迹拟合。

ABSTRACT

The center of gravity is a widespread algorithm for position reconstruction in particle physics. For track fitting, its standard use is always accompanied by an easy guess for the probability distribution of the positioning errors. This is an incorrect assumption that degrades the results of the fit. The explicit error forms show evident Cauchy-(Agnesi) tails that render problematic the use of variance minimizations. Here, we report the probability distributions for some combinations of random variables, impossible to find in literature, but essential for track fitting: $x=ξ/{(ξ+η)}$, $y={(ξ-η)}/[2{(ξ+η)}]$, $w=ξ/η$, $x=θ(x_3-x_1) (-x_3)/(x_3+x_2) +θ(x_1-x_3)x_1/(x_1+x_2)$ and $x=(x_1-x_3)/(x_1+x_2+x_3)$. The first three are directly connected to each other and are partial forms of the two-strip center of gravity. The fourth is the complete two-strip center of gravity. For its very complex form, it allows only approximate expressions of the probability. The last expression is a simplified form of the three-strip center of gravity. General integral forms are obtained for all of them. Detailed analytical expressions are calculated assuming $ξ$, $η$, $x_1$, $x_2$ and $x_3$ independent random variables with Gaussian probability distributions (the standard assumption for the strip noise).

研究动机与目标

• 纠正广泛但错误的假设：即 COG 定位误差服从高斯分布，该假设会降低轨迹拟合性能。
• 在标准假设——条带噪声服从高斯分布——下，推导关键 COG 算法（尤其是两-strip 和三-strip COG）的精确和近似概率密度函数（PDF）。
• 通过提供准确的 PDF 以考虑信噪比和系统误差，实现最优轨迹拟合，取代次优的最小二乘法。
• 通过解析和近似 PDF 建模方法，解决 COG2 复杂的统计行为，包括其特征间隙和非高斯尾部。
• 通过补充 COG 基算法此前文献中缺失的关键 PDF，完善高精度轨迹重建的统计框架。

提出的方法

• 通过累积分布函数（CDF）和变量变换技术，推导 x = ξ/(ξ+η) 的 PDF，假设独立的高斯随机变量 ξ 和 η。
• 通过在 (ξ, η, β) 空间中对多维区域进行变量替换和积分，推导完整两-strip COG2 算法的 CDF 和 PDF。
• 利用富比尼定理重新排列二重积分，并应用可分离积分的变量变换，实现更精确且可解析处理的近似。
• 通过分部积分法推导柯西型尾部项，构建 COG2 PDF 的改进近似，显著提升倾斜轨迹下的精度。
• 采用类似技术推导三-strip COG PDF 的简化解析形式，假设每根条带的噪声相互独立且服从高斯分布。
• 通过 MATLAB 进行大量数值模拟，并利用 Mathematica 进行符号计算，验证结果与模拟数据的一致性。

实验结果

研究问题

• RQ1 当条带信号服从高斯噪声时，两-strip 和三-strip 中心-重心算法的定位误差的真实概率分布是什么？
• RQ2 为何标准最小二乘拟合方法在应用于 COG 数据时于轨迹重建中失效？其误差分布的何种统计特性导致了这一失效？
• RQ3 如何通过解析方法准确建模完整 COG2 算法的复杂非高斯误差分布（特征为间隙和重尾）？
• RQ4 信噪比和条带位置对 COG 误差 PDF 形状有何影响？如何将这些因素整合进最大似然拟合？
• RQ5 能否推导出 COG2 PDF 的闭式近似，使其能以高精度同时捕捉中心峰和柯西型尾部？

主要发现

• COG 算法的定位误差分布表现出显著的柯西-阿格内西型尾部，这使得高斯误差假设失效，导致方差最小化方法次优。
• 由于数据中存在特征间隙，两-strip COG2 算法的 PDF 在闭式下不可解析求解，需采用复杂的多重积分公式。
• 推导出 COG2 PDF 的改进解析近似，与数值模拟结果几乎无误差地匹配，同时准确捕捉中心峰和柯西型尾部。
• 尽管柯西型尾部项在典型轨迹中较小（约 10⁻⁵），但在高度倾斜的轨迹中其重要性显著提升（可达约 10⁻¹），必须包含以保证精度。
• 三-strip COG PDF 以闭式推导，支持高效的最大似然拟合，相比标准方法具有更高的分辨率。
• 所推导的 PDF 可通过引入特定触发点的信噪比并校正系统误差，实现最优轨迹拟合，与最小二乘法相比显著降低参数方差。