Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA/INSERISCI in fondo alla pagina
IRIS
A data analysis based on artificial neural network classifiers has been done to identify cosmic ray electrons and positrons detected with the balloon-borne NMSU/Wizard-TS93 experiment. The information is provided by two ancillary and independent particle detectors: a transition radiation detector and a silicon-tungsten imaging calorimeter, Electrons and positrons measured during the flight have been identified with background rejection factors of 80 +/- 3 and 500 +/- 37 at signal efficiencies of 72 +/- 3% and 86 +/- 2% for the transition radiation detector and silicon-tungsten imaging calorimeter, respectively, The ability of the artificial neural network classifiers to perform a careful multidimensional analysis surpasses the results achieved by conventional methods.
Aversa, F., Barbiellini, G., Basini, G., Bellotti, R., Bidoli, V., Bocciolini, M., et al. (1996). Identification of cosmic ray electrons and positrons by neural networks. ASTROPARTICLE PHYSICS, 5(2), 117 [10.1016/0927-6505(96)00009-6].
Identification of cosmic ray electrons and positrons by neural networks
Aversa F.;Barbiellini G.;Basini G.;Bellotti R.;Bidoli V.;Bocciolini M.;Bravar U.;Boezio M.;Cafagna F.;Candusso M.;Casolino M.;Castellano M.;Circella M.;Colavita A.;De Cataldo G.;De Marzo C.;De Pascale M. P.;Finetti N.;Fratnik F.;Giglietto N.;Golden R. L.;Grimani C.;Hof M.;Marangelli B.;Massimo Brancaccio F.;Menn W.;Mitchell J. W.;Morselli A.;Papini P.;Perego A.;Piccardi S.;PICOZZA, PIERGIORGIO;Raino A.;Ricci M.;Schiavon P.;Simon M.;SPARVOLI, ROBERTA;Spillantini P.;Spinelli P.;Stephens S. A.;Stochaj S. J.;Streitmatter R. E.;Vacchi A.;Zampa N.
1996-01-01
Abstract
A data analysis based on artificial neural network classifiers has been done to identify cosmic ray electrons and positrons detected with the balloon-borne NMSU/Wizard-TS93 experiment. The information is provided by two ancillary and independent particle detectors: a transition radiation detector and a silicon-tungsten imaging calorimeter, Electrons and positrons measured during the flight have been identified with background rejection factors of 80 +/- 3 and 500 +/- 37 at signal efficiencies of 72 +/- 3% and 86 +/- 2% for the transition radiation detector and silicon-tungsten imaging calorimeter, respectively, The ability of the artificial neural network classifiers to perform a careful multidimensional analysis surpasses the results achieved by conventional methods.
Aversa, F., Barbiellini, G., Basini, G., Bellotti, R., Bidoli, V., Bocciolini, M., et al. (1996). Identification of cosmic ray electrons and positrons by neural networks. ASTROPARTICLE PHYSICS, 5(2), 117 [10.1016/0927-6505(96)00009-6].
Aversa, F; Barbiellini, G; Basini, G; Bellotti, R; Bidoli, V; Bocciolini, M; Bravar, U; Boezio, M; Cafagna, F; Candusso, M; Casolino, M; Castellano, M...espandi
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/2108/55507
Citazioni
ND
ND
ND
social impact
Conferma cancellazione
Sei sicuro che questo prodotto debba essere cancellato?
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2023-2025 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 589/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.