一种基于卡尔曼平滑器的数据填补策略，用于处理空间引力波探测器中的数据缺口
A Kalman-smoother based data imputation strategy to data gaps in spaceborne gravitational wave detectors
AI总结：
针对空间引力波探测器数据缺口问题，提出基于卡尔曼滤波与平滑器的填补策略，在降低参数估计偏差的同时比噪声修复等方法计算成本更低，兼顾鲁棒性与效率。
摘要：
超大质量黑洞双星（MBHBs）以及空间引力波观测站（如激光干涉仪空间天线（LISA）、太极和天琴）频段内的其他源带来了独特挑战，因为长达数年的观测中的缺口和毛刺会导致信息丢失和频谱泄漏。我们提出了一种基于卡尔曼滤波和平滑器的新型数据填补策略，以减轻参数估计中由缺口引起的偏差。在传统加窗和平滑技术引入显著偏差的场景中应用时，我们的方法减轻了偏差，并且与现有数据增强技术（如噪声修复）相比，展示了更低的计算成本。该框架提出了一种新的缺口处理方法，在空间引力波数据分析中平衡了鲁棒性和效率。
英文摘要：
Massive black hole binaries (MBHBs) and other sources within the frequency band of spaceborne gravitational wave observatories like the Laser Interferometer Space Antenna (LISA), Taiji and Tianqin pose unique challenges, as gaps and glitches during the years-long observation lead to both loss of information and spectral leakage. We propose a novel data imputation strategy based on Kalman filter and smoother to mitigate gap-induced biases in parameter estimation. Applied to a scenario where traditional windowing and smoothing technique introduce significant biases, our method mitigates the biases and demonstrates lower computational cost compared to existing data augmentation techniques such as noise inpainting. This framework presents a new gap treatment approach that balances robustness and efficiency for space-based gravitational wave data analysis.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
