EMCAL/AliCaloRawAnalyzerNN.cxx

   1 /**************************************************************************
   2  * This file is property of and copyright by the Experimental Nuclear     *
   3  * Physics Group, Dep. of Physics                                         *
   4  * University of Oslo, Norway, 2007                                       *
   5  *                                                                        *
   6  * Author: Per Thomas Hille <perthomas.hille@yale.edu>                    *
   7  * for the ALICE HLT Project.                                             *
   8  * Contributors are mentioned in the code where appropriate.              *
   9  * Please report bugs to perthi@fys.uio.no                                *
  10  *                                                                        *
  11  * Permission to use, copy, modify and distribute this software and its   *
  12  * documentation strictly for non-commercial purposes is hereby granted   *
  13  * without fee, provided that the above copyright notice appears in all   *
  14  * copies and that both the copyright notice and this permission notice   *
  15  * appear in the supporting documentation. The authors make no claims     *
  16  * about the suitability of this software for any purpose. It is          *
  17  * provided "as is" without express or implied warranty.                  *
  18  **************************************************************************/
  19
  20 // Evaluation of peak position
  21 // and amplitude using Neural Networks (NN)
  22 // ------------------
  23 // ------------------
  24 // ------------------
  25
  26
  27 #include "AliCaloRawAnalyzerNN.h"
  28 #include "AliCaloNeuralFit.h"
  29 #include "AliCaloFitResults.h"
  30 #include "AliCaloBunchInfo.h"
  31
  32 #include <iostream>
  33
  34 using namespace std;
  35
  36 ClassImp( AliCaloRawAnalyzerNN )
  37
  38 AliCaloRawAnalyzerNN::AliCaloRawAnalyzerNN() : AliCaloRawAnalyzer("Neural Network"), fNeuralNet(0)
  39 {
  40   // Comment
  41
  42   fNeuralNet = new AliCaloNeuralFit();
  43
  44   for(int i=0; i < 5 ; i++)
  45     {
  46       fNNInput[i]  = 0;
  47     }
  48
  49 }
  50
  51
  52 AliCaloRawAnalyzerNN::~AliCaloRawAnalyzerNN()
  53 {
  54   delete fNeuralNet;
  55 }
  56
  57
  58 AliCaloFitResults
  59 AliCaloRawAnalyzerNN::Evaluate( const vector<AliCaloBunchInfo> &bunchvector,
  60                                        const UInt_t altrocfg1,  const UInt_t altrocfg2 )
  61 {
  62   // The eveluation of  Peak position and amplitude using the Neural Network
  63   if( bunchvector.size()  <=  0 )
  64     {
  65       return AliCaloFitResults(9999, 9999, 9999, 9999 , 9999, 9999, 9999 );
  66     }
  67
  68   short maxindex;
  69   short maxamp;
  70
  71   int bindex = SelectBunch( bunchvector, &maxindex , &maxamp ) ;
  72
  73   if( bindex   < 0 )
  74     {
  75       return AliCaloFitResults(9999, 9999, 9999, 9999 , 9999, 9999, 9999 );
  76     }
  77
  78   int first = 0;
  79   int last = 0;
  80
  81   Float_t ped = ReverseAndSubtractPed( &(bunchvector.at( bindex ) )  ,  altrocfg1, altrocfg2, fReversed  );
  82
  83   //  SelectSubarray ( fReversed,  bunchvector.at(bindex).GetLength(), &first, &last );
  84
  85   short maxrev = maxindex  -  bunchvector.at(bindex).GetStartBin();
  86
  87
  88   SelectSubarray( fReversed,  bunchvector.at(bindex).GetLength(),  maxrev , &first, &last);
  89
  90   //  cout << __FILE__ << __LINE__ << ":" << fName << ", maxindex = " << maxindex << ", first = " << first << ", last = " << last << endl;
  91   // cout << __FILE__ << __LINE__ << ":" << fName << ", maxindex = " <<  maxrev    << ", first = " << first << ", last = " << last << endl;
  92
  93   if(maxrev  < 1000 )
  94     {
  95       if (  ( maxrev   - first) < 2  &&  (last -   maxrev ) < 2)
  96         {
  97           return AliCaloFitResults(9999, 9999, 9999, 9999 , 9999, 9999, 9999 );
  98         }
  99       else
 100         {
 101           /*
 102           cout << __FILE__ << __LINE__ << "!!!!!!!!:\t" << fReversed[maxrev -2 ]<< "\t" <<
 103             fReversed[ maxrev  -1 ] << "\t" <<  fReversed[maxrev  ]  <<   "\t" <<
 104             fReversed[ maxrev  +1 ] << "\t" <<  fReversed[maxrev +2]  << endl;
 105           */
 106
 107           for(int i=0; i < 5 ; i++)
 108             {
 109               fNNInput[i]  = fReversed[maxrev-2 +i]/(maxamp -ped);
 110             }
 111
 112
 113
 114           //      double amp = fNeuralNet->Value( 0,  fReversed[maxrev-2], fReversed[maxrev -1],  fReversed[maxrev], fReversed[maxrev+1], fReversed[maxrev+2]);
 115           //  double tof = fNeuralNet->Value( 1,  fReversed[maxrev-2], fReversed[maxrev -1],  fReversed[maxrev], fReversed[maxrev+1], fReversed[maxrev+2]);
 116
 117           //      double amp = fNeuralNet->Value( 0,  fReversed[maxrev+2]/maxamp, fReversed[maxrev +1]/maxamp,  fReversed[maxrev]/maxamp, fReversed[maxrev-1]/maxamp, fReversed[maxrev-2]/maxamp);
 118           //      double tof = fNeuralNet->Value( 1,  fReversed[maxrev+2]/maxamp, fReversed[maxrev +1]/maxamp,  fReversed[maxrev]/maxamp, fReversed[maxrev-1]/maxamp, fReversed[maxrev-2]/maxamp);
 119
 120           //      double amp = maxamp*fNeuralNet->Value( 0,  fReversed[maxrev-2]/(maxamp -ped), fReversed[maxrev -1]/(maxamp -ped),  fReversed[maxrev]/(maxamp-ped), fReversed[maxrev+1]/(maxamp -ped), fReversed[maxrev+2]/(maxamp-ped));
 121           //      double tof = fNeuralNet->Value( 1,  fReversed[maxrev-2]/maxamp, fReversed[maxrev -1]/maxamp,  fReversed[maxrev]/maxamp, fReversed[maxrev+1]/maxamp, fReversed[maxrev+2]/maxamp);
 122
 123
 124           //      double amp = maxamp*fNeuralNet->Value( 0,  fNNInput[0],  fNNInput[1], fNNInput[2], fNNInput[3], fNNInput[4]);
 125           //      double tof = (fNeuralNet->Value( 1,  fNNInput[0],  fNNInput[1], fNNInput[2], fNNInput[3], fNNInput[4]) + maxrev )*256 ;
 126
 127           double amp = maxamp*fNeuralNet->Value( 0,  fNNInput[4],  fNNInput[3], fNNInput[2], fNNInput[1], fNNInput[0]);
 128           double tof = (fNeuralNet->Value( 1,  fNNInput[4],  fNNInput[3], fNNInput[2], fNNInput[1], fNNInput[0]) + maxrev )*256 ;
 129
 130
 131           //      double tof = fNeuralNet->Value( 1,  fReversed[maxrev-2]/maxamp, fReversed[maxrev -1]/maxamp,  fReversed[maxrev]/maxamp, fReversed[maxrev+1]/maxamp, fReversed[maxrev+2]/maxamp);
 132
 133           return AliCaloFitResults( maxamp, ped , -1, amp , tof, -2, -3 );
 134
 135         }
 136     }
 137   return AliCaloFitResults(9999, 9999, 9999, 9999 , 9999, 9999, 9999 );
 138 }
 139
 140 //amp = exportNN.Value(0,input[0],input[1],input[2],input[3],input[4])*(globMaxSig - pedEstimate);
 141 //time = (exportNN.Value(1,input[0],input[1],input[2],input[3],input[4])+globMaxId) * fgTimeBins;
 142
 143
 144
 145 //SelectSubarray( fReversed,  bunchvector.at(index).GetLength(),  maxampindex -  bunchvector.at(index).GetStartBin(), &first, &last);
 146
 147
 148 /*
 149 void
 150 AliCaloRawAnalyzerNN::SelectSubarray( const Double_t *fData, const int length, const short maxindex, int *const  first, int *const last ) const
 151 {
 152
 153 }
 154 */