Woche #58

(Zeitraum: 26.11.2012 – 30.11.2012)

Ich beschäftige mich weiter mit der konformen Abbildung von Isochronen-behafteten Werten aus dem Straw Tube Tracker (STT). Ich finde in den Backup-Slides eines Vortrags in Paris von einem Kollegen aus Gießen die Methode, wie er sich um die Werte gekümmert hat. Meine Idee ist anders und ein Vergleich zeigt auch, dass zwischen den beiden Möglichkeiten durchaus ein starker Unterschied besteht. Stück für Stück verstehe ich die seine Methode noch mehr, denke erst, dass ich mich verprogrammiert hätte, programmiere um, diskutiere mit meinem Betreuer in Jülich und kehre schließlich wieder zur ursprünglichen Version zurück.
Mittlerweile habe ich das Programm einmal komplett neu geschrieben (hier ist das Programm, was eigentlich ein ROOT-Makro ist), dafür kann ich die Werte des Gießener Kollegen bestätigen.
Und ich hab Plots gemacht! Die kommen gleich, nach dem Rest der Woche.

 

Montag eröffnet mir der GPU-Kollege hier vom GSI, dass er die nächste Woche auf einem Meeting ist und nicht hier. Ich überlege, schreibe E-Mails, kläre Dinge und entscheide mich, schon eine Woche früher – nämlich am Ende dieser Woche – zurück nach Jülich zu fahren. Momentan diskutiere ich eh nur mit den Leuten von da und wenn der Kollege von hier weg ist, gibt’s eigentlich Grund, weiter hier unbequem rumzusitzen.
Ich packe also Freitag die Segel, verabschiede mich von den neuen Freunden (gebe Kuchen und Süßigkeiten aus) und fahre Heim.

 

Am Dienstag ist ein Meeting über »Pattern Recognition«. Ein PANDA-Kollege erzählt davon, wie momentan sein Status der Offline-Track-Reconstruction ist. Er nimmt dabei einen dreigliedrigen Ansatz, bei dem Teil 1 aus einer Hough Transformation besteht. Beim Rest ist es leider relativ schwer zu folgen – er ist Italiener. Ein zweiter Kollege erzählt von seinem Status für das Tracking im Forwärtsbereich von PANDA. Auch er benutzt Hough Transformationen für seine Analyse.
Ich beschließe, eine generische Hough-Transformations-Klasse für PandaRoot zu schreiben. Ich möchte mal etwas in dem Framework machen, und tatsächlich glaube ich, dass es jemandem nutzen könnte. Ich habe ja schließlich desletzt für meine Analyse auch wieder von 0 angefangen und eine neue Hough Transformation geschrieben. Außerdem könnte es so schneller gehen, mal komplett neue Parameter zu Hough-transformieren. Ich habe z.B. die Idee, ob man Tracks nicht ohne vorherige konforme Abbildung irgendwie Hough’en kann. Man müsste halt nur eine vernünftige Parameterisierung finden.
Jedenfalls: Plan steht, mal sehen, wann/ob er ausgeführt wird.

 

Mittwoch ist ein Meeting über unseren Detektor (MVD). Bald, ca. 2 Wochen, ist Strahlzeit. Das heißt lange Tage hintereinander in Jülich verbringen und Schichten schieben. Mal sehen, was das wird. Ich habe schließlich keine Ahnung, was man bei so einer Strahlzeit machen muss.

 

Zurück zu meinen Plots.

 

So sehen Punkte des STTs samt Isochronen aus. x-Achse hat die x-Koordinate eines Hits, y-Achse die y-Koordinaten. Die Kreise sind offen, weil ich <360 und nicht <=360 in einer Schleife gefordert hab. Hab’s dann drin gelassen, damit man sieht, an welcher Seite der Kreis beginnt.

 

46090952-c1

 

 

Das ganze konform abgebildet sieht dann so aus. Man erkennt, dass die Punkte, die vorher außen liegen, nun innen sind. Ein Feature des Conformal Mappings ist das invertieren der Abstände… Wenn ihr genau hinschaut, dann seht ihr orange und rote Kreise um die Punkte. Orange ist ‘meine’ Methode der Transformation der Kreise, rot ist die Version des Gießener Kollegen. Man erkennt kaum unterschiede – vielleicht wenn ihr in der PDF-Version des Bilds gaaanz nah ranzoomt (s.u.).

 

46090953-c2

 

 

Aber wie groß ist der Unterschied zwischen dem Radius von Kreisen meiner Methode und dem Radius von Kreise nach ‘Gießener’ Methode? Nun, ein Plot. Gezeigt ist der mittlere, prozentuale Unterschied zwischen Radius_meins und Radius_Gießen.

 

46090954-c3

 

 

Ziemlich mickrig, was? 0,002 PROZENT! Im Mittel kann man also die Gießener Methode benutzen (was auch die Aussage des Gießener Kollegens auf dem Slide war – allerdings relativ mickrig dokumentiert), die etwas leichter zu handhaben ist, als mein Weg (der’s kompliziert und rechenintensiver). Und wie sieht’s im Extremfall aus – also nicht im mittel? Voila:

 

46090955-c4

 

 

Bei den von mir untersuchten Punkten ist also die maximale Abweichung eines einzelnen Radiusdatenpunkts (Hintergrund: Jeder Kreis wird aus 36 Punkten generiert, jeder Punkt hat einen Radius, also einen Abstand vom Zentralpunkt) 2,4%. Das ist zwar drei Größenordnungen höher als der Durchschnitt, aber immer noch vertretbar für unseren Fall. Zumal es eben nicht der Durchschnitt ist.
2,3% ist auch der Wert, den der Gießener Kollege im Vortrag erwähnt hatte. Meine Indiana-Jones-ige Adventurereise zum Hintergrund der 2,3% ist also beendet.

 

Ich kann die Methoden in die verschiedenen Codes der Hough Transformation einbauen. Und das mache ich den Rest der Woche.