在LIGO/Virgo的第一次(O1)和第二次(O2)观测中检测到了十次双黑洞并合,这意味着人类进入了引力波天文学时代以及多信使天文学时代。LIGO/Virgo的第三次(O3)观测已经开始运行,并且预计将观察到更多的引力波事件。随着未来几年检测器灵敏度的提高,开发快速可靠的分析方法以从数据中提取引力波信号将变得迫在眉睫。当前,用于检测瞬时引力波信号的标准方法是匹配滤波技术。尽管它在微弱信号中的提取效果很好,但是处理那些可能包含引力波信号的数据需要大量的计算成本。这使得匹配滤波技术不适用于未来的多信使观测。Gabbard等人已经证明,深度学习应用于引力波时间序列数据时,能够紧密地再现高斯噪声中匹配滤波分析的结果,并且卷积神经网络可以在没有任何理论波形模板情况下识别引力波信号,达到匹配滤波的灵敏度[Phys.Rev.Lett.,120,141103(2018)]。在实现卷积神经网络模型的过程中,我们发现模型在训练集上的分类效果很好,但在测试集上的分类效果不那么好,即模型出现了过拟合问题。论文会对Gabbard等人的模型进行优化,从而提高准确性。卷积神经网络模型通常的架构为卷积层和最大池化层相互交替,后面紧跟少量的全连接层。本篇论文将最大池化层及相应卷积层步幅设置为2,然后增加一个随机失活(dropout)层以缓解原始模型的过拟合问题。将优化模型与原始模型用于相同的数据集上进行各种测试,绘制了受试者工作特征(Receiver Operating Characteristic)曲线,简称ROC曲线,并计算了ROC曲线下的面积,结果表明,在不增加运行时间的条件下,优化后的模型在ROC曲线下的面积可以实现0.01924到0.04800的增加。另外,为了验证优化模型对于噪声的鲁棒性,论文改变了高斯噪音的振幅,将改变后的噪音加入引力波时间序列数据中,构成新的数据集,进而将优化模型与原始模型用于新的数据集进行测试,结果同样证明:与原始模型相比较,优化模型在ROC曲线下的面积仍然会增加。