Spelling suggestions: "subject:"stor network""
1 |
A flux calibration device for Integral Field SpectrographsLombardo, Simona 26 July 2017 (has links)
SNe Ia können als Standardkerzen verwendet werden, um den Zustandsparameter der dunklen Energie w zu messen. Nachdem viele SN Ia beobachtet wurden, wird die Genauigkeit aktueller Studien durch systematische Fehler beschränkt, wobei die Flusskalibrierung (in Wellenlänge) die dominierende Fehlerquelle ist. In dieser Arbeit wird eine Möglichkeit präsentiert, das Problem mit dem “SNIFS Calibration Apparatus” (SCALA) zu lösen oder wenigstens zu verringern. Das Ziel von SCALA ist es, dass System aus Teleskop und SNIFS mit hoher Genauigkeit zu kalibrieren und diese Kalibration auf das Standardstern-Netzwerk zu übertragen und somit die Modellabhängigkeit zu unterdrücken. SCALA erzeugt 18 nahezu parallele und kolimierte monochromatische Strahlen (mit einstellbarer Wellenlänge), die Öffnungswinkel von einem Grad haben. Die Kombination dieser Strahlen leuchtet die Bildebene des UH 88, Teleskops (Universität Hawaii 88 inch Teleskop) mit einer Genauigkeit von 1% gleichmäß ig aus. SCALA wurde im Jahr 2014 installiert und ist seit 2015 im regulären Betrieb. Im in-situ Betrieb wird einer der Strahlen ständig mit einer Photodiode überwacht, die mit einer NIST-kalibrierten Photodiode kalibriert wurde. Eine zweite so kalibrierte Photodiode wird von Strahl zu Strahl bewegt, um den Helligkeitsverlauf der anderen 17 Strahlen als Funktion der Wellenlänge zu messen. Auf diese Weise sind wir in der Lage die Ausleuchtung von SCALA mit einer Genauigkeit von besser als 1% zu vermessen. Auf diese Weise kann mit der bekannten Wellenlänge des verwendeten Lichts die Transmissionskurve des SNIFS+UH 88 Systems gemessen werden. Die gemessenen systematischen Ungenauigkeiten der Messung sind kleiner als 0.7%.
Der nächste Schritt besteht darin, die mit SCALA erreichte Kalibration mit einer herkömmlichen, auf Basis des Standard Stern Netzwerkes, zu vergleichen. / SNe Ia can be used as standard candles to measure the dark energy equation of state parameter, w. Having observed a good number of these objects, current studies are limited by systematic uncertainties, among which relative (color) flux calibration is dominating. This work presents a way to solve, or at least limit, the problem with the SNIFS Calibration Apparatus (SCALA). SCALA's goal is to provide high precision calibration for the “telescope+ SNIFS” system and refine the primary standard star network, to eliminate the uncertainties due to the knowledge of their models. SCALA produces 18 quasi-parallel and collimated monochromatic (and wavelength tunable) beams with opening angles of 1 degree. The combination of these beams allows us to achieve an illumination of the focal plane of the University of Hawaii 88 inches telescope (UH 88), that is flat to within 1%. SCALA was commissioned in 2014 and fully deployed in 2015. In the in-situ set up, one of the SCALA beams is constantly monitored by a photodiode (calibrated against a NIST-calibrated photodiode), which is used as flux standard to transfer the NIST-calibration to the telescope+instrument first, and the standard star spectra afterwards. We measure the overall wavelength trend of the illumination from SCALA with a precision better than 1%, by moving another of these calibrated photodiodes from beam to beam. We can hence measure relative trasmissivity curves for each SCALA beam. Therefore, we can produce throughput curves of the SNIFS+UH 88 system. The measured systematics affecting our results sum to errors smaller than 0.7%. The next step would be to compare the calibration of the system achieved with SCALA with the traditional calibration obtained by observing standard stars.
|
2 |
Noise in adaptive excitable systems and small neural networksKromer, Justus Alfred 11 January 2017 (has links)
Neuronen sind erregbare Systeme. Ihre Antwort auf Anregungen oberhalb eines bestimmten Schwellwertes sind Pulse. Häufig wird die Pulserzeugung von verschiedenen Rückkopplungsmechanismen beeinflusst, die auf langsamen Zeitskalen agieren. Das kann zu Phänomenen wie Feuerraten-Adaptation, umgekehrter Feuerraten-Adaptation oder zum Feuern von Pulsen in Salven führen. Weiterhin sind Neuronen verschiedenen Rauschquellen ausgesetzt und wechselwirken mit anderen Neuronen, in neuronalen Netzen. Doch wie beeinflusst das Zusammenspiel von Rückkopplungsmechanismen, Rauschen und der Wechselwirkung mit anderen Neuronen die Pulserzeugung? Diese Arbeit untersucht, wie die Pulserzeugung in rauschgetriebenen erregbaren Systemen von langsamen Rückkopplungsmechanismen und der Wechselwirkung mit anderen erregbaren Systemen beeinflusst wird. Dabei wird die Pulserzeugung in drei Szenarien betrachtet: (i) in einem einzelnen erregbaren System, das um einen langsamen Rückkopplungsmechanismus erweitert wurde, (ii) in gekoppelten erregbaren Systemen und (iii) in stark gekoppelten salvenfeuernden Neuronen. In jedem dieser Szenarien wird die Pulsstatistik mit Hilfe von analytischen Methoden und Computersimulationen untersucht. Das wichtigste Resultat im ersten Szenario ist, dass das Zusammenspiel von einer stark anregenden Rückkopplung und Rauschen zu rauschkontrollierter Bistabilität führt. Das erlaubt es dem System zwischen verschiedenen Modi der Pulserzeugung zu wechseln. In (ii) wird die Pulserzeugung stark von der Wahl der Kopplungsstärken und der Anzahl der Verbindungen beeinflusst. Analytische Näherungen werden abgeleitet, die einen Zusammenhang zwischen der Anzahl der Verbindungen und der Pulsrate, sowie der Pulszugvariabilität herstellen. In (iii) wird festgestellt, dass eine hemmende Rückkopplung zu sehr unregelmäßigem Verhalten der isolierten Neuronen führt, wohingegen eine starke Kopplung mit dem Netzwerk ein regelmäßigeres Feuern von Salven hervorruft. / Neurons are excitable systems. Their responses to excitations above a certain threshold are spikes. Usually, spike generation is shaped by several feedback mechanisms that can act on slow time scales. These can lead to phenomena such as spike-frequency adaptation, reverse spike-frequency adaptation, or bursting. In addition to these, neurons are subject to several sources of noise and interact with other neurons, in the connected complexity of a neural network. Yet how does the interplay of feedback mechanisms, noise as well as interaction with other neurons affect spike generation? This thesis examines how spike generation in noise-driven excitable systems is influenced by slow feedback processes and coupling to other excitable systems. To this end, spike generation in three setups is considered: (i) in a single excitable system, which is complemented by a slow feedback mechanism, (ii) in a set of coupled excitable systems, and (iii) in a set of strongly-coupled bursting neurons. In each of these setups, the statistics of spiking is investigated by a combination of analytical methods and computer simulations. The main result of the first setup is that the interplay of strong positive (excitatory) feedback and noise leads to noise-controlled bistability. It enables excitable systems to switch between different modes of spike generation. In (ii), spike generation is strongly affected by the choice of the coupling strengths and the number of connections. Analytical approximations are derived that relate the number of connections to the firing rate and the spike train variability. In (iii), it is found that negative (inhibitory) feedback causes very irregular behavior of the isolated bursters, while strong coupling to the network regularizes the bursting.
|
Page generated in 0.0546 seconds