conditioning
Data conditioning techniques for gravitational wave detector data. Use when preprocessing raw detector strain data before matched filtering, including high-pass filtering, resampling, removing filter wraparound artifacts, and estimating power spectral density (PSD). Works with
Installation
Pick a client and clone the repository into its skills directory.
Installation
About this skill
Data conditioning techniques for gravitational wave detector data. Use when preprocessing raw detector strain data before matched filtering, including high-pass filtering, resampling, removing filter wraparound artifacts, and estimating power spectral density (PSD). Works with PyCBC TimeSeries data.
How to use
Zainstaluj zależności: upewnij się, że masz zainstalowaną bibliotekę PyCBC oraz dane detektora w formacie TimeSeries (np. z LIGO/Virgo).
Zastosuj filtrowanie górnoprzepustowe na surowych danych detektora, wybierając częstotliwość odcięcia dostosowaną do typu detektora — standardowo 15 Hz dla detektorów naziemnych takich jak LIGO/Virgo, wyższa wartość (20 Hz) dla bardziej agresywnego usuwania szumu, lub niższa (10 Hz) aby zachować więcej zawartości niskoczęstotliwościowej.
Zmień częstotliwość próbkowania danych filtrowanych do wartości obliczeniowo efektywnej — najczęściej 2048 Hz dla standardowego przetwarzania lub 4096 Hz jeśli wymagana jest wyższa rozdzielczość.
Usuń artefakty brzegowe powstałe w wyniku filtrowania, obcinając dane na krawędziach, aby uniknąć zniekształceń wpływających na dalszą analizę.
Oszacuj gęstość widmową mocy (PSD) przetworzonych danych — parametr niezbędny dla następnego etapu, czyli filtrowania dopasowanego i detekcji sygnałów fal grawitacyjnych.
Przekaż przetworzone dane w formacie PyCBC TimeSeries do kolejnych etapów analizy lub do algorytmów detekcji zdarzeń astrofizycznych.