Part III
人工智能数据分析方法
5 引力波信号识别中的机器学习方法
5.1 从匹配滤波到机器学习的方法动机
5.2 卷积神经网络与集成架构
5.3 物理驱动的网络设计与波形包络约束
5.4 空间引力波信号识别：多源统一检测
5.5 CNN优化、可解释性与超参数选择
5.6 超越广义相对论的信号探测
5.7 标准化评测与当前局限：MLGWSC-1的启示
5.8 本章小结
6 生成模型与模拟推断
6.1 贝叶斯推断的计算瓶颈与SBI动机
6.2 归一化流的理论框架与结构选择
6.3 连续归一化流与流匹配：下一代 SBI 方法
6.4 SBI的跨领域迁移：21cm森林案例
6.5 本章小结
7 智能信号分离与去噪
7.1 从预处理到多信使预警的去噪动机
7.2 传统去噪方法与深度学习的对比
7.3 WaveFormer：Transformer 架构的引力波去噪
7.4 长时旋近去噪与并合时刻预测
7.5 非稳态噪声下的鲁棒信号提取
7.6 本章小结
5.1 从匹配滤波到机器学习的方法动机
5.2 卷积神经网络与集成架构
5.3 物理驱动的网络设计与波形包络约束
5.4 空间引力波信号识别：多源统一检测
5.5 CNN优化、可解释性与超参数选择
5.6 超越广义相对论的信号探测
5.7 标准化评测与当前局限：MLGWSC-1的启示
5.8 本章小结
6 生成模型与模拟推断
6.1 贝叶斯推断的计算瓶颈与SBI动机
6.2 归一化流的理论框架与结构选择
6.3 连续归一化流与流匹配：下一代 SBI 方法
6.4 SBI的跨领域迁移：21cm森林案例
6.5 本章小结
7 智能信号分离与去噪
7.1 从预处理到多信使预警的去噪动机
7.2 传统去噪方法与深度学习的对比
7.3 WaveFormer：Transformer 架构的引力波去噪
7.4 长时旋近去噪与并合时刻预测
7.5 非稳态噪声下的鲁棒信号提取
7.6 本章小结