| 目录 | 第1-8页 |
| 摘要 | 第8-12页 |
| ABSTRACT | 第12-16页 |
| 第一章 引言 | 第16-28页 |
| ·"膝区"物理的由来 | 第16-18页 |
| ·"膝"区成因的理论模型 | 第18-19页 |
| ·"膝"区物理实验研究现状 | 第19-25页 |
| ·ASγ实验 | 第21-23页 |
| ·德国KASCADE实验 | 第23-25页 |
| ·解决"膝"区分歧的关键以及ARGO-YBJ实验的优势 | 第25页 |
| ·本文的主要内容 | 第25-28页 |
| 第二章 ARGO-YBJ实验 | 第28-40页 |
| ·概述 | 第28-30页 |
| ·阻性板计数器RPC | 第30-32页 |
| ·ARGO-YBJ探测器阵列 | 第32页 |
| ·ARGO阵列中的RPC的结构 | 第32-37页 |
| ·数字读出层 | 第33-34页 |
| ·模拟读出层 | 第34-37页 |
| ·ARGO-YBJ实验主要研究内容 | 第37-40页 |
| 第三章 数据模拟及事例筛选 | 第40-54页 |
| ·广延大气簇射模拟 | 第40-45页 |
| ·探测器响应模拟 | 第45-46页 |
| ·数据重建 | 第46-51页 |
| ·数据筛选 | 第51-54页 |
| 第四章 用于区分"膝"区原初质子成分的特征量 | 第54-64页 |
| ·平均横向分布宽度 | 第55-57页 |
| ·80%半径R_(80) | 第57-58页 |
| ·芯位区域与R_(80)区域粒子密度之比Ratio_(80) | 第58-60页 |
| ·簇射前锋面斜率S_(front) | 第60-63页 |
| ·小结 | 第63-64页 |
| 第五章 应用人工神经网络进行多参数分析 | 第64-80页 |
| ·神经网络方法原理 | 第65-69页 |
| ·神经元 | 第65-67页 |
| ·神经网络的结构 | 第67-69页 |
| ·BP学习算法 | 第69-73页 |
| ·神经网络对用于区分"膝"区质子特征量的多参数分析 | 第73-80页 |
| 第六章 重建"膝"区质子能谱 | 第80-86页 |
| ·原初能量重建 | 第80-81页 |
| ·有效面积 | 第81-83页 |
| ·重建质子能谱 | 第83-86页 |
| 第七章 应用多尺度分析方法分辨"膝"区原初成分 | 第86-98页 |
| ·多尺度分析方法 | 第86-93页 |
| ·多重分形分析 | 第86-90页 |
| ·小波分析 | 第90-93页 |
| ·各参量的分布 | 第93-95页 |
| ·人工神经网络多参量分析 | 第95-96页 |
| ·小结 | 第96-98页 |
| 第八章 结束语 | 第98-100页 |
| 参考文献 | 第100-104页 |
| 致谢 | 第104-106页 |
| 发表论文 | 第106-108页 |
| 学位论文评阅及答辩情况表 | 第108-109页 |
| 附件 | 第109-121页 |
