Discrete and Continuous Models and Applied Computational ScienceDiscrete and Continuous Models and Applied Computational ScienceDiscrete and Continuous Models and Applied Computational Science2658-46702658-7149Peoples' Friendship University of Russia named after Patrice Lumumba (RUDN University)8560ArticlesСтатьиOn Electron and Pion Identification using a Multilayer Perceptron in the Transition Radiation Detector of the CBM ExperimentОб идентификации электронов и пионов с помощью многослойного перцептрона в детекторе переходного излучения эксперимента СВМAkishinaT PАкишинаТатьяна ПавловнаЛаборатория информационных технологий; Объединённый институт ядерных исследований; Joint Institute for Nuclear ResearchЛаборатория информационных технологий; Объединённый институт ядерных исследованийanaki@gmail.comDerenovskayaO YuДереновскаяОльга ЮрьевнаЛаборатория информационных технологий; Объединённый институт ядерных исследований; Joint Institute for Nuclear ResearchЛаборатория информационных технологий; Объединённый институт ядерных исследованийodenisova@jinr.ruIvanovV VИвановВиктор ВладимировичЛаборатория информационных технологий; Объединённый институт ядерных исследований; Joint Institute for Nuclear ResearchЛаборатория информационных технологий; Объединённый институт ядерных исследованийivanov@jinr.ru <mailto:ivanov@jinr.ru>Joint Institute for Nuclear ResearchОбъединённый институт ядерных исследований150120101NO1 (2010)№1 (2010)10010908092016Copyright ©; 2010, Акишина Т.П., Дереновская О.Ю., Иванов В.В.2010Акишина Т.П., Дереновская О.Ю., Иванов В.В.http://creativecommons.org/licenses/by/4.0https://journals.rudn.ru/miph/article/view/8560The problem of pion-electron identification based on their energy losses in the transition radiation detector (TRD) is considered in the frame of the CBM experiment. For particles identification an artificial neural network (ANN) was used, a multilayer perceptron being realized in JETNET and ROOT packages. It is demonstrated that, in order to get correct and comparable results, it is important to define the network structure correctly. The recommendations for such a selection are given. In order to achieve an acceptable level of pions suppression, the energy losses need to be transformed to more effective variables.Рассмотрена задача идентификации электронов и пионов по их потерям энергии в детекторе переходного излучения (TRD) эксперимента СВМ. Для идентификации частиц использовалась искусственная нейронная сеть - многослойный перцептрон, реализованный в пакетах JETNET и ROOT. В работе показано, что для получения корректных и сопоставимых результатов важно правильно выбрать структуру сети и приводятся соответствующие рекомендации. Для достижения приемлемого уровня подавления пионов требуется преобразование величин потерь энергии в слоях TRD к более «эффективным» переменным.multivariate analysispattern recognitionCBM experimenttransition radiation detector TRDneural networksмногомерные методы анализа данныхметоды распознаванияобразовэксперимент СВМдетектор переходного излучения TRDискусственные нейронные сети1.Letter of Intent for the Compressed Baryonic Matter experiment. - http://www. gsi.de/documents/DOC-2004-Jan-116-2.pdf.2.The CBM Collaboration. CBM Compressed Baryonic Matter Experiment. Technical Status Report: Techrep / GSI. - Darmstadt, 2005. - http://www.gsi.de/ onTEAM/dokumente/public/DOC-2005-Feb-447e.html.3.Electron/Pion Identification in the CBM TRD using a Multilayer Perceptron / E. P. Akishina, T. P. Akishina, V. V. Ivanov et al // JINR Communication. - 2007. - No E10-2007-17.4.Peterson C., R.ognvaldsson T., L.onnblad L., 1994. - JETNET 3.0 - A Versatile Artificial Neural Network Package. - 81(1994)185.5.TMultiLayerPerceptron / ROOT Reference Guide. - http://root.cern.ch/ root/html/TMultiLayerPerceptron.html.6.The Compressed Baryonic Matter experiment. - http://www.gsi.de/fair/ experiments/CBM.7.The FAIR Simulation and Analysis Framework / D. Bertini, M. Al-Turany, I. Koenig, F. Uhlig // Journal of Physics: Conference Series, Proc. of CHEP07, Inter. Conference on Computing in High Energy and Nuclear Physics. - Victoria, BC Canada: 2007.8.Denby B. Tutorial on Neural Networks Applications in High Energy Physics: 1982 Perspective // New Computing Techniques in Physics Research II, Proc. of the Second International Workshop on Software Engineering, Artifical Intelligence and Expert System in High Energy Physics. / Ed. by D. Perret-Gallix. - La Londe-les-Maures, France: World Scientific, 1992.9.Rumelhart D. E., Hinton G. E., Williams R. J. Learning Internal Representations by Error Propagation // Parallel Distributed Processing: Explorations in the Microstructure of Cognition: Foundations / Ed. by D. E. Rumelhart, J. L. McClelland. - The M.I.T. Press, 1986. - Vol. 1. - Pp. 318-362.10.1995. - GEANT - Detector Description and Simulation Tool.11.BFGS method. - http://en.wikipedia.org/wiki/BFGS\_method.12.TMultiLayerPerceptron / ROOT Reference Guide. - http://root.cern.ch/ root/html/TMultiLayerPerceptron.html.13.Игнатьев Н. А. Выбор минимальной конфигурации нейронных сетей // Вы- числительные технологии. - 2001. - Т. 6, № 1. - С. 23-28.14.Zrelov P. V., Ivanov V. V. The relativistic charged particles identification method based on the goodness-of-fit 3 -criterion // Nucl. Instr. and Methods in Phys. Res. - 1991. - Vol. A310. - Pp. 623-630.15.Statistical Methods in Experimental Physics / W. T. Eadie, D. Dryard, F. E. Jameset al. - Amsterdam-London: North-Holland Pub.Comp, 1971.16.Koelberg K. S. - CERN Computer Centre Program Library. - G110.