---
title: "为什么从峰值拟合铃宕需要泛音"
description: "把阻尼正弦拟合到带噪声的记录上，消去振幅，再看为什么从峰值起只用基模会得到错误的质量和自转。"
canonical_url: "https://sandboxphysics.com/zh/stories/black-hole-ringdown/fitting-a-ringdown-from-the-peak/"
language: "zh-CN"
page_type: "story"
alternate_languages:
  en: "https://sandboxphysics.com/stories/black-hole-ringdown/fitting-a-ringdown-from-the-peak/"
last_modified: "2026-11-14"
---

[黑洞铃宕与无毛检验](https://sandboxphysics.com/zh/stories/black-hole-ringdown/)

# 为什么从峰值拟合铃宕需要泛音

Sandbox Physics · 2026-11-14

从铃宕峰值起只用基模拟合，会得到错误的质量和自转：泛音衰减得快，让早期信号衰减得比单个基模所能做到的更快。加上泛音，峰值处的偏差就消失；只用基模但晚点开始，偏差也会消失，代价是答案宽得多。这一章在一段合成记录上一步步搭起拟合，所以真值是已知的。

[打开黑洞铃宕Lab](https://sandboxphysics.com/zh/labs/black-hole-ringdown-spectroscopy/)

所用的频率来自上一章[阻尼音调与克尔黑洞的频谱](https://sandboxphysics.com/zh/stories/black-hole-ringdown/damped-tones-and-the-kerr-spectrum/)。懂最小二乘和概率分布就够了。

## 记录与噪声

我们的测试记录是合成的：$220$ 模加上 $221$ 泛音，都从 $t=0$ 开始，我们把这一刻叫作峰值：

$$
s(t)=e^{-t/\tau_0}\cos(2\pi f_0t)+\frac{A_1}{A_0}\,e^{-t/\tau_1}\cos(2\pi f_1t-\Delta\phi),
$$

取 $M=68.5\,\mathrm{M}_\odot$、$\chi=0.69$、$A_1/A_0=4$、$\Delta\phi=0$，以 $4096\,\mathrm{Hz}$ 采样 $60M$，约 $20\,\mathrm{ms}$。泛音比例参照对一个类似GW150914的数值模拟的拟合。[Giesler, Isi, Scheel and Teukolsky, Black hole ringdown: the importance of overtones, Table I](https://arxiv.org/abs/1903.08284v2) 再加上标准差为 $\sigma$ 的高斯白噪声，$\sigma$ 按整段的信噪比选定：

$$
\rho=\frac{1}{\sigma}\sqrt{\sum_i s(t_i)^2}=14 .
$$

这与Isi等人给出的GW150914峰值后信噪比一致。[Isi, Giesler, Farr, Scheel and Teukolsky, Testing the no-hair theorem with GW150914, arXiv:1905.00869v2](https://arxiv.org/abs/1905.00869v2) 真实探测器的噪声是有色的，真实信号在峰值之前也不是模式之和。这两处简化在复算教程里讨论。

## 用最小二乘消去振幅

质量和自转固定时，模式模型对振幅是线性的。把每个模式写成 $a_n e^{-t/\tau_n}\cos(2\pi f_nt)+b_n e^{-t/\tau_n}\sin(2\pi f_nt)$，把这些函数在拟合窗口各采样时刻的取值排成矩阵 $X(M,\chi)$ 的列。数据为 $d$，系数为 $c=(a_0,b_0,a_1,b_1)$，则

$$
-2\ln L=\frac{\lvert d-Xc\rvert^2}{\sigma^2}+\mathrm{const}.
$$

最佳系数是 $\hat c=(X^\mathsf TX)^{-1}X^\mathsf Td$。令 $P=X(X^\mathsf TX)^{-1}X^\mathsf T$ 为投影到模型列空间的矩阵，就有 $\lvert d-X\hat c\rvert^2=\lvert d\rvert^2-\lvert Pd\rvert^2$。对振幅和相位取最大后的似然是

$$
\ln L_{\mathrm{prof}}(M,\chi)=\frac{\lvert Pd\rvert^2}{2\sigma^2}+\mathrm{const}.
$$

这叫轮廓似然。它把六个参数的搜索变成两个参数的搜索。代价是没有对振幅的不确定性求平均，区间会略窄；下面会实测这一点。

## 网格后验与90%区域

在网格上取平坦先验：质量从真值的 $0.6$ 倍到 $1.6$ 倍分81格，自转从 $0$ 到 $0.99$、步长 $0.015$，后验正比于 $L_{\mathrm{prof}}$。90%区域是装下90%权重的最小网格集合。

要判断真值在不在里面，就算真值点的可信水平：比真值更可能的那些格子占了多少后验权重。水平低于 $0.9$，真值就在90%区域内；接近 $1$，说明它远在区域之外。

## 漏掉泛音会怎样

表3.1用同一段带噪声的记录，分别只用基模（$N=0$）和用基模加泛音（$N=1$）拟合，起点取峰值之后的不同时刻。质量给出中位数和5%到95%的范围。

**表 3.1** 一段合成记录上的起点扫描，真值 $M=68.5\,\mathrm{M}_\odot$、$\chi=0.69$、$\rho=14$。

| 起点 $t_0/M$ | 样本数 | $N=0$ 质量 | $N=0$ 水平 | $N=1$ 质量 | $N=1$ 水平 |
| --- | --- | --- | --- | --- | --- |
| $0$ | $83$ | $48.1\;[42.2,\,55.0]$ | $1.000$ | $68.9\;[49.5,\,89.1]$ | $0.497$ |
| $2$ | $80$ | $62.3\;[48.2,\,88.6]$ | $0.862$ | $71.7\;[47.3,\,99.0]$ | $0.463$ |
| $4$ | $77$ | $69.8\;[49.2,\,98.5]$ | $0.834$ | $65.4\;[43.2,\,103.0]$ | $0.800$ |
| $10$ | $69$ | $59.8\;[42.5,\,100.0]$ | $0.502$ | $72.8\;[43.4,\,100.9]$ | $0.852$ |
| $20$ | $55$ | $74.4\;[44.6,\,105.8]$ | $0.275$ | $73.8\;[45.2,\,104.7]$ | $0.415$ |

**例题1。** 为什么从峰值起只用基模会得到偏小的质量？早期泛音比基模强四倍，衰减又快约三倍，整个信号就弱得很快。单个模式要弱得快，$Q$ 就得小，也就是自转得低。拟合给出 $\chi=0.07$，这个自转下 $M\omega_{220}=0.3825-0.0888i$。要让频率仍在真实的 $249\,\mathrm{Hz}$ 附近，就得 $M=0.3825/(2\pi\times249\,\mathrm{Hz}\times4.925\,\mu\mathrm s)=49.6\,\mathrm{M}_\odot$，与拟合出的 $48.1$ 很接近。$48.1\,\mathrm{M}_\odot$、$\chi=0.07$ 时，这个模式 $f=257\,\mathrm{Hz}$、$\tau=2.67\,\mathrm{ms}$：音高差不多对，响的时间却比真实的 $4.16\,\mathrm{ms}$ 短得多。

偏差的方向取决于具体记录。复算教程里，同样只用基模去拟合真实的GW150914数据，得到的质量反而高于整段信号的估计。站得住的结论是拟合有偏，而且起点越晚偏差越小。

## 选择起点

起点晚一些，泛音就在拟合开始前消失了。在这段记录里，$t_0=2M$ 时真值已落进 $N=0$ 区域，到 $10M$ 时水平是 $0.50$。代价是变宽：$10M$ 处 $N=0$ 的范围跨 $58\,\mathrm{M}_\odot$，峰值处 $N=1$ 只跨 $40$。带信号的样本少了，最响的那几个也被扔掉了。

Isi等人在GW150914里也碰到这个取舍：峰值后约 $3\,\mathrm{ms}$，只用基模就和整段信号的估计对上了，只是不确定度比从峰值起加泛音时大。[Isi, Giesler, Farr, Scheel and Teukolsky, Fig. 3](https://arxiv.org/abs/1905.00869v2) 我们的表只是一次噪声抽样。换一次抽样，数字就不同；真值多常落进区域，看下面的覆盖率检验。

## 90%区域靠得住吗？

在100次独立的噪声抽样上，从峰值起重复 $N=1$ 拟合，数一数真值落进各个区域的次数。

**表 3.2** 100次抽样中真值落进最高密度区域的比例。

| 名义水平 | $\rho=14$ | $\rho=40$ |
| --- | --- | --- |
| $0.50$ | $0.40$ | $0.37$ |
| $0.68$ | $0.58$ | $0.60$ |
| $0.90$ | $0.89$ | $0.88$ |

90%区域盖住真值的频率和名义值差不多。50%和68%区域偏小。抽样100次时，二项分布的95%区间在 $0.5$ 附近约为 $0.40$ 到 $0.60$，在 $0.68$ 附近约为 $0.59$ 到 $0.77$；四个低水平的结果里有三个落在区间下方。我们怀疑原因是轮廓似然没有对振幅不确定性求平均，但还没有检验过。读Lab里较窄的范围时，请记住这一点。

## Lab练习

1. 在默认预设下，读出琥珀色“只用基模”的质量和薄荷绿“基模加泛音”的质量，与表3.1比较。
2. 在应变图上把拟合起点拖到 $2M$、$4M$ 和 $10M$，记下琥珀色区域第一次盖住白色十字是在哪里。
3. 打开高级选项，换一次噪声抽样，看 $N=1$ 的中位数相对它的宽度挪了多远。

## 习题与讲解

1. 证明 $\lvert d-X\hat c\rvert^2=\lvert d\rvert^2-\lvert Pd\rvert^2$。
2. $M=68.5\,\mathrm{M}_\odot$、$t_0=10M$ 时，窗口里有多少个样本？
3. 在Lab里把泛音比例降到 $0.3$，峰值处只用基模的偏差应该变大还是变小？$\rho=30$ 时Lab显示什么？
4. $t_0=2M$ 时 $N=0$ 的可信水平是 $0.862$。真值在90%区域内吗？

答案

1. $P$ 对称且 $P^2=P$。由 $X\hat c=Pd$，$\lvert d-Pd\rvert^2=d^\mathsf Td-2d^\mathsf TPd+d^\mathsf TP^2d=\lvert d\rvert^2-\lvert Pd\rvert^2$。
2. 窗口从 $10M$ 到 $60M$，即 $50\times0.3374\,\mathrm{ms}=16.87\,\mathrm{ms}$，按 $4096\,\mathrm{Hz}$ 是 $69$ 个样本，与表3.1一致。
3. 应该变小，因为弱泛音对早期衰减的扭曲小。可是“微弱的泛音”预设（$A_1/A_0=0.3$、$\rho=30$）里，只用基模仍然排除真值，质量 $56.7\;[51.4,\,62.5]$，因为信噪比高了，区域也变窄了。偏差大不大，要和宽度比。
4. 在。$0.862<0.9$，真值在90%区域里，靠近边缘。

下一章把两个拟合出的音调变成无毛定理的检验：[从两个音调到无毛检验](https://sandboxphysics.com/zh/stories/black-hole-ringdown/from-two-tones-to-a-no-hair-test/)。

## 在Lab里试一试

在应变图上把拟合起点从0拖到10，看琥珀色的“只用基模”区域怎样移动，直到盖住白色十字。 [打开黑洞铃宕Lab](https://sandboxphysics.com/zh/labs/black-hole-ringdown-spectroscopy/)

## 来源

1. [Giesler, Isi, Scheel and Teukolsky, Black hole ringdown: the importance of overtones, Table I](https://arxiv.org/abs/1903.08284v2)
2. [Isi, Giesler, Farr, Scheel and Teukolsky, Testing the no-hair theorem with GW150914, arXiv:1905.00869v2](https://arxiv.org/abs/1905.00869v2)

## 继续阅读

黑洞铃宕与无毛检验 · 阅读路径

### 从黑洞的余响到无毛检验

1. [文章 **刚并合的黑洞，为什么会像钟一样鸣响？**](https://sandboxphysics.com/zh/stories/black-hole-ringdown/why-a-black-hole-rings/)
2. [文章 **阻尼音调与克尔黑洞的频谱**](https://sandboxphysics.com/zh/stories/black-hole-ringdown/damped-tones-and-the-kerr-spectrum/)
3. [当前页面 **为什么从峰值拟合铃宕需要泛音**](https://sandboxphysics.com/zh/stories/black-hole-ringdown/fitting-a-ringdown-from-the-peak/)
4. [文章 **从两个音调到无毛检验**](https://sandboxphysics.com/zh/stories/black-hole-ringdown/from-two-tones-to-a-no-hair-test/)
5. [文章 **复算铃宕音调、一段合成信号和GW150914的一小段数据**](https://sandboxphysics.com/zh/stories/black-hole-ringdown/recomputing-ringdown-tones-and-a-public-event/)
6. [文章 **怎样读2019年GW150914泛音论文及其后的争论**](https://sandboxphysics.com/zh/stories/black-hole-ringdown/reading-the-gw150914-overtone-paper/)
