NSQ记录——Tracking

这个写的像一坨屎。。。。但愿以后能改过来，不过感觉写作质量只能越来越烂

为什么先写tracking。。。先写不会的啊23333，明天还要找个关于PhiV的cut，我估计这个效率是要用embedding的数据来算的，我想知道的是为什么embedding的数据pT是平的。。。。

径迹重建基本思想

说道径迹重建，首先就是要说到粒子在磁场中运动的轨迹，应该是一条螺旋线，其实应该也是个运动学的问题，因为粒子在磁场中受力应该是清楚的，但是他的初始的状态应该是不清楚的吧？且关于这个径迹是怎么确定的，按照袁野老师的说法，是分别有五个独立的参数，在X-Y平面上有三个参数，在s-Z的平面上有两个参数，在有一页PPT中给出了这样的一个图

NSQ记录——Tracking

这个是不是就是说的那五个参数呢？其中z向距离的那个两个参数应该是图上没有的，有个很傻X的问题，为什么是这几个参数？感觉说的那两个坐标系是怎么用的都不知道。对这种硬核问题感到绝望

NSQ记录——Tracking

这个式子看起来还是很合理的（错觉），虽然我是完全解释不了他。。。我的理解是用螺旋线的参数来确定一些物理上的参数，想想也是，对于一个粒子飞过去后，能拿到的只能是他的轨迹的信息，然后再根据轨迹的信息再来得到物理上的信息，从获取信息的角度来说是这样的。所以STAR的螺旋线的径迹是怎么确定的？这个过程是在获取数据后的很快的时间后就确定了出来，还是要将所有信息记录下来后再通过离线的数据处理再来确定？换句话说是不是个热处理？

NSQ记录——Tracking

对于一个探测器来说，上面应该才是他接收到的信息的样子，STAR上可能不是这样但是应该也差不多。可能是一个平面上面有一堆点？然后就是从这一堆点的信息中来反推出来径迹的信息。

模式识别识别出来径迹 -> 用拟合来估计径迹的参数 -> 统计检验拟合出来的径迹

应该大致的是这样的一个流程，在PPT中有一个问题我感到很介意，当时也没有好好地去听。就是如何从点，在来得到径迹，

NSQ记录——Tracking 这张图的意思是如果有三个hit的话，可以确定出来的圆有8个这样就需要第四个点，是这样吗？所以说大部分的探测器至少是要四层的，这样可以有一个确定的径迹，到这里还是能想明白的，接下来的“3-hit”，“4-hit”模式就有点看不懂了，是说吧BESIII分成了8个4层和20个3层来匹配么？

NSQ记录——Tracking

类似于这种？

循迹的几种方法

寻迹方法
局域方法		全局方法
优缺点：局域寻迹方法在探测器本底噪声高的情况下，常常出现“误寻找”，会耗费大量的机时。另外，在“匹配”窗口的选择时，需要对探测器的分辨情况了解的很好，实际情况下并不容易实现这是课件中给的，我的理解噪声影响他的原因是因为在单元或者局部里面，噪声的影响比起全局来说是更加显著的。		优缺点：全局寻迹方法在探测器规模变大，对称性不好，磁场不均匀度增大的情况下，会导致算法的复杂性。此外，全局算法对二次衰变产生的径迹，寻迹效率会下降这是课件中给的
径迹跟踪	逐点内推法，从外面确定一个种子之后从中子开始往回找，但是如果响应的太多的话会不会出现太多的点难以决定到底哪个点合适的问题？	模板匹配/字典查找	和径迹元比较相似，做出不同横动量的粒子所有的可能击中组合列表。那么这个径迹元的全局版本么？这样的话，至少在一定的区域里面是要保证对称的吧，要不然是没法用的说道这个我有个问题，是一个大字典分成几个小类快还是整个的快？应该是分成了小类快吧，这样比对的数目少，但是有个问题是分类的速度快马？应该是快的
卡曼滤波	与经济内推法类似，也是从外向内再去找，那么这个和经济跟踪的区别是什么？是用了不同的办法往回找么？如果只是看PPT的话他似乎是整体来找的（听录音，还有吗，大雾）	直方图（霍夫变换）	共形变换那里还能理解一些，是个将圆变成直线的代换，之后的霍夫变换彻底蒙蔽，这tm是啥。。。。单独说霍夫变换是在将点变成线，然后共有的径迹是在所有点的交点上，应该是这样的，那这样共形变换是不是就是为了霍夫变换来做的准备？
径迹路径	课件中给的方法是这样的：选取最外层和最内层的一对测量点，以对撞点作为约束条件，共四种组合做圆拟合，选击中点最多的组合。在路径中间选取一点，去掉对撞点约束。三个点八种组合做圆拟合。反复下去。考虑到左右分辨问题，可以减少组合数目也就是说是架设了一个起始点和一个终点，然后来判断中间的径迹，用对撞点来作为约束，之后再用得到的径迹的中间的点来做验算?是这个思路么？	神经网络	这个应该是用神经网络在模式识别上的优点来做的，我一直有个问题，能不能吧图像当成一个输入放进去？为什么不能？我记得黄老师请的那个人里面讲过的样子？
径迹元	这个感觉和后面的字典法比较相似，是在一个局域的超层内部，然后用字典上面的东西去对，能不能对出一个相似的来。其实这种方法的前提是在这一个超层内部，所有可能过的模式都能被组合出来。如果处理一些可以简单的重组的问题的时候可以用到我觉得。（能在什么地方用上这种方法呢？）

感觉这些不同的寻迹方法，会影响到最终的那个tracking的效率，这个东西会带来系统误差的吧，这个系统误差是怎么带出来的？？那么问题来了，我做的embedding之后，那个是重建之前的咯？也就是说embedding是在mudst之前插入数据，也是算效率的东西，pT是应该是一个flat的，要不然每个ptbin里面有多少就麻烦了，我反正不是模拟真实的物理过程，只是算个TPC的接受度，所以说无所谓是怎么生成的。