搜索结果: 1-8 共查到“天文学 机器学习”相关记录8条 . 查询时间(0.187 秒)
太阳耀斑是太阳大气一种强磁场能量的爆发性释放，其特点是几乎全波段的电磁辐射增强，以及发射能量从103eV直到1011eV的各种粒子流。耀斑爆发会导致地球紫外辐射增强，使得大气层温度密度升高，导致空间飞行器的轨道改变；同时，耀斑的X射线和EUV辐射会导致电离层突然骚扰发生会无线电系统产生干扰；大耀斑发生通常也会伴随着日冕物质抛射的爆发。
SA：机器学习助力探索南极陨石采集地（图）
机器学习 南极 陨石采集地
<
2023/1/14
地球表面采集到的陨石，为深入了解星云和行星演化过程提供了重要信息。南极陨石在这方面尤为重要，因为它们的天然赋存状态更适于科学研究。南极洲亦是回收陨石最多的地区，这些地外岩石集中在陨石搁浅区。迄今为止，保有陨石的南极蓝冰区大多是通过意外发现或花费昂贵的现场考察划定的。
中国科学院紫金山天文台高能时域天文研究团组最近几年开展快速射电暴研究，已经完成的主要工作之一是利用帕克斯望远镜的观测数据构建了一个完整的单脉冲数据库（Zhang et al. 2020, ApJS）。该数据库内包含了快速射电暴标准搜寻方法所寻找出的5.6亿个信噪比大于7的单脉冲疑似信号。
近期，中国科学院云南天文台太阳物理研究团组副研究员洪俊超及其合作者研究员季凯帆、刘辉等人开展太阳观测分析与人工智能学习的学科交叉研究，基于当前主流的日冕极紫外波段成像数据，首次利用机器学习方法预测日冕软X射线波段辐射。相关研究结果以Mapping Solar X-Ray Images from SDO/AIA EUV Images by Deep Learning为题，发表在《天体物理学杂志》上。
近日，国家天文台张彦霞研究员、赵永恒研究员和北京大学吴学兵教授基于中国郭守敬望远镜（LAMOST）和美国斯隆数字巡天（SDSS）的光谱数据，结合欧洲航天局的X射线牛顿天文望远镜（XMM-Newton）数据、广域红外巡天探测器（WISE）数据及SDSS可见光测光数据，通过交叉证认方法获取了具有不同波段信息的多个已知样本。基于此，研究人员通过机器学习方法构建了适合不同波段样本的最优分类器，为X射线牛顿...
新机器学习算法确认50颗系外行星
新机器 学习算法 50颗 系外行星
<
2020/8/27
据物理学家组织网2020年8月25日报道，英国科学家开发出一种新的机器学习算法，已用其确认了50颗系外行星。这是天文学家首次使用机器学习技术分析潜在行星样本，并确定哪些是真实的，哪些是“假”或假阳性，从而计算出每颗候选行星为一颗真正行星的概率。最新研究结果发表于《皇家天文学会月刊》上，该研究还首次对此类行星验证技术进行了大规模比较。研究人员表示，他们的结论为未来使用多种验证技术（包括他们的机器学习...
机器学习方法提升太阳耀斑预报能力（图）
机器学习方法 太阳耀斑 预报能力
<
2020/5/13
2020年5月12日，记者从中国科学院国家空间科学中心（简称空间中心）获悉，空间中心研究人员利用机器学习方法研究发现，机器学习方法可以更完善地描述太阳耀斑活动区中性线梯度图像特征，提取出新的耀斑先兆因子，有利于提升耀斑预报能力以及预报提前量。该成果日前发表于《天体物理杂志》。近年来，随着理论和算法的飞速发展，机器学习可以更快速地处理复杂、多维度的数据，也可以通过筛选特征和融合模型进一步提高预测能力...
近日，国家天文台白宇副研究员、刘继峰研究员基于LAMOST和SDSS数据库，利用机器学习的方法，开发天体分类器和恒星温度回归器，并把天体分类器应用到最新发布的Gaia DR2星表，揭示了Gaia DR2中天体类型组成。这是国际上使用最大样本开发的天体分类器和恒星温度回归器，该项研究成果已经被《天文学杂志》（AJ）接收，应用于Gaia DR2的最新结果已经发表在《天文和天体物理学研究》（2018，R...