Effects of Δ-Isobars on Neutron Stars

We have investigated the possibility of the presence of the deltas in neutron star matter and their effects on neutron stars. Δ-meson couplings of the theoretical predictions are only restricted in a region where the deltas can be present and even a first-order phase transition may take place, making the EOS sorer and the maximum mass of neutron stars smaller. The presence of the deltas leads to the rapid decrease of neutrino mean free paths.     

谈谈地面大型天文望远镜

观测天体的重要手段是天文望远镜。自从1609年伽利略自制天文望远镜成功,约400年来,望远镜早已从小型手控的发展到由计算机控制的庞大复杂的天文仪器。随着望远镜在各方面性能的不断改进和提高,天文学也正经历着巨大的飞跃,迅速推进着人类对宇宙的认识。在过去的一百年中,“世界上最大的天文望远镜”的称号曾几易其主。从美国威尔逊山上的胡克望远镜,到雄据宝座达50年之久的帕洛马天文台口径5米的海尔望远镜,再到夏威夷莫纳克亚山上口径10米的一对凯克望远镜,     

中国南极昆仑站天文台

<正>南极,位于地球最南端,也叫"第七大陆",是人类最后到达的大陆。这里无定居居民,仅有一些来自于其他大陆国家的科学考察人员。根据1961年6月通过的《国际南极条约》规定,南极不属于任何一个国家,它属于全人类,只用于和平目的。早在新中国成立之初,以竺可桢为代表的一批著名科学家就呼吁,中国应当开展极地科学考察,中华人民共和国于1983年正式加入《国际南极条约》,并从此开始了中国南极科学考察之旅。     

转动效应对恒星热力学结构与演化的影响研究

转动效应对恒星结构与演化的两大方面的影响体现在动力学效应和元素混合上.本文利用国际MESA程序,研究了转动效应对20 M_⊙恒星在主序阶段热力学结构的影响.发现转动的动力学效应能使恒星中心温度变低,减少了恒星表面的不透明度,中心平均分子量和表面熵.由于动力学效应对恒星热结构的调整,降低了恒星的氢燃烧率,恒星向低温和低光度端演化.转动的元素混合效应减小了恒星的中心温度、密度、压强、紧密度、表面不透明度和平均分子量,使恒星表面氦元素、氮元素明显超丰,中心燃烧核区域变大,延长恒星在主序阶段的寿命.     

非球对称情况下的恒星风运动方程

本文应用理论物理方法研究处于非平衡态的恒星大气,考虑及辐射压力、快速自转和起潮力的作用,得到非球对称情况下的恒星风运动方程。     

恒星对增长螺旋引力扰动的非线性响应及其对增长模式的致稳作用*

本文计算了在增长的螺旋扰动引力场中恒星响应的非线性效应.结果表明,这一非线性效应会导致Q值的增加,从而降低增长率.对于振幅很小,增长率也较小的螺旋形模式,Q值增加较慢;对于振幅较大或增民率较大的模式,Q值也增加较快,从而有效地抑正振幅的增长.这一调节机制是使得由线性理论所得出的增长模式最终达到准稳状态的原因之一。     

加速天体的某些热力学性质

本文根据含有较多磁单极的一类加速天体的引力场度?,研究加速天体的某些?力学性质,我们得出结论:(1)具有加速运动的天体,即使不?的转动,也会造成两极与?道间的温差。(2)两个极区温度不同,θ=0的极区温度高于θ?π的极区温度。磁菏q的作用能使天体表面温度降低,使引力半径减小,     

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想,利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。     

一种基于卷积神经网络的恒星光谱快速分类法

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一,光谱分类的研究能够为恒星的演化提供线索。随着科技的发展,天文数据也向大数据时代迈进,需要处理的恒星光谱数量越来越多,如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少,为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成,与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程,利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络,并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想：当网络模型进行训练时,把一些神经网络节点按一定的比例丢弃,使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法,由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库,首先进行预处理截取光谱3 600~7 300 Å的部分,均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分：第一部分为依据恒星光谱MK系统对光谱进行分类,每一类的训练样本包含1 000条光谱数据,测试样本为400条光谱数据,首先通过训练样本对CNN网络进行训练,进行3 000次的迭代,用训练后的网络将测试样本进行分类以验证网络的准确性;第二部分为相邻两类的恒星光谱的分类,其中O型星数据集样本为250条光谱,其余类别恒星样本数据集均为4 000条光谱,将数据5等分,每次选取当中的一份当作测试集,其余部分当作训练集,采用5折交叉验证法求得模型准确率,用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上,在对相邻类别的恒星进行分类时,由于O型星样本量较少,所以得到的分类结果不太理想,对其余类别的恒星分类准确率都高于98%,以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。     

一种双星敏感器联合确定船体姿态方法

单星敏感器横滚测量精度偏低会影响航向测量精度,采用双星敏感器联合的方法可以有效提高船姿精度,其中关键是蒙气差修正和联合姿态确定方法。目前蒙气差修正一般采用基于恒星观测矢量的修正方法,联合姿态确定方式一般采用基于双视轴指向联合的方法。以上在蒙气差中需要引入初始船体姿态,而且修正迭代解算过程复杂,再者单星敏感器需要识别4颗以上恒星才能获得视轴指向,如果其中一个无法获得视轴指向,双星敏感器无法解算船体姿态。针对上述情况,提出了一种新的双星敏感器联合确定船体姿态的方法,包括基于恒星参考矢量的蒙气差修正方法和基于恒星观测矢量的联合姿态确定方法。基于该方法蒙气差修正不再需要初始船姿,而且在理论上只需双星敏感器各自至少有1颗可识别恒星,即可完成船体姿态角的解算。试验结果表明该方法降低了双星敏感器获取船体姿态角所需的可识别恒星数量限制,提高了双星敏感器获取船体姿态的能力。