天文学的发展

当大型强子对撞机在2021年恢复运行时，将有几个实验首次直接测量自由落体中反氢原子的运动。我们目前对宇宙的认识还没有完全为反物质具有负引力质量的可能性做好准备。本文提出了一个宇宙学模型，其中大爆炸的高能量密度状态是由于一颗反中子星的坍缩超过了钱德拉塞卡极限而产生的。为了让第一颗中微子恒星和反中微子恒星从最初的量子真空状态自然形成，我们可以假设反物质的引力质量为负。这一假设也可能有助于识别暗能量。今天的退化的一个反中微子明星可以平均质量密度相似ΛCDM暗能量密度的模型。当处于流体静力学平衡状态时，反中微子星残体会发射出等温宇宙微波背景辐射，并沿径向加速物质的运动。这个模型和ΛCDM模型类似的量化与超新星距离测量。因此，这个模型作为纯粹的学术研究和为未来可能的发现做准备是有用的。

阅读全文

为了研究太阳黑子数量与宇宙射线强度和太阳风速度之间的周期性行为和关系，我们从1995年1月至2018年12月的每日数据中进行分析。利用互相关和小波变换工具进行了研究。分析证实，宇宙射线强度与太阳黑子数呈负相关，呈现出很强的负相关的异步相位关系。宇宙射线强度的趋势表明，它经历了11年的调制，这主要取决于太阳圈的太阳活动。另一方面，太阳风的速度既不表现出明显的相位关系，也不与太阳黑子数相关，而是表现出广泛的周期性，这可能与日冕孔结构的模式有关。从小波分析中也观察到一些短期和中期的变化，即宇宙射线强度为64-128和128-256天，太阳风速度为4-8、32-64、128-256和256-512天，太阳黑子数为16-32、32-64、128-256和256-512天。

阅读全文

在本文中，我们描述了一种技术，其使用自适应背景学习方法从SOHO / LASCO C2的图像序列自动检测CME（日冕物质抛射）。该方法包括几个模块：自适应背景模块，候选CME区域检测模块，和CME检测模块。该方法的核心是基于自适应背景学习，其中的CME被假定为向外运行差的时间序列观察到前景运动物体。使用静态和动态特性，电晕观测场景模型能更准确地描述复杂的背景。此外，虽然有效过滤他们的噪声的方法可以检测在电晕序列的微妙变化。我们应用这个方法一个月连续日冕图像，比较了CDAW，仙人掌，种子和CORIMP目录中的结果，发现在自动方法了良好的检测率。它检测到的有关在CDAW CME目录，它是由人的视觉检查确定所列的CME的73％。目前，所导出的参数是位置角度，角宽度，线速度，最小速度和CMES的最大速度。还可在需要时轻松地添加其他参数。

阅读全文

当极紫太阳爆发发生时，对太阳观测成像可能会发生过曝，这意味着信号强度超出了望远镜成像系统的动态范围，导致信号丢失。例如，在太阳耀斑期间，太阳动力学观测站(SDO)的大气成像组件(AIA)经常记录过度曝光的图像/视频，导致太阳耀斑精细结构的损失。本文利用深度学习的强大非线性表示法对过曝光缺失信息进行了检索和恢复，使其在图像重建和恢复中得到了广泛的应用。首先，提出了一种用于过度曝光恢复的新模型，即掩模- pix2pix网络。它建立在著名的条件生成对抗网络(cGAN)的Pix2Pix网络上。此外，一个混合损失函数，包括一个对抗性损失，一个掩蔽的L1损失和一个边缘质量损失/平滑度，被整合在一起来解决相对于传统图像恢复的过度曝光的挑战。此外，建立了一个新的过度曝光数据库来训练所提出的模型。大量的实验结果表明，所提出的掩模- pix2pix网络可以很好地恢复过曝光丢失的信息，并优于最初设计用于图像重建任务的技术状态。

阅读全文

在数码相机出现之前，太阳观测图像通常被记录在胶片上，日期和时间等信息被印在胶片的同一帧上。提取胶片上的时间戳信息对研究人员有效地利用图像数据具有重要意义。本文介绍了一种提取时间戳信息的智能方法，即卷积神经网络(convolutional neural network, CNN)，它是一种对多层神经网络结构进行深度学习的算法，可以识别太阳扫描图像中的时间戳特征。从1963年到2003年，我们对国家太阳天文台的数字化数据进行了时间戳解码。实验结果表明，该方法准确、快速。完成了700多万幅图像的时间戳信息提取，准确率达98%。

阅读全文

太阳耀斑是一种强烈的太阳爆发现象;许多太阳耀斑预报模型都是根据活动区域的性质建立的。然而，由于投影效应，这些模型大多只关注太阳盘中心30°范围内的活动区域。利用代价敏感决策树算法，分别从太阳活动中心30°范围内和太阳活动中心30°范围外建立了两个太阳耀斑预测模型。对两种模型的性能进行了比较分析。将这两个模型合并为一个模型，得到一个完整的太阳耀斑预测模型。

阅读全文