期刊指标
提交
杂志简介
编辑聚光灯
特殊问题最新的文章
更多文章
暗能量的费米简并中微子明星示范
当大型强子对撞机在2021年恢复运营，多次实验，将直接测量反氢原子的自由落体首次运动。我们目前对宇宙的认识还没有完全的反物质具有负引力质量的可能性准备。本文提出的宇宙观，其中由已经超过其钱德拉塞卡极限的反中微子恒星塌缩形成大爆炸的能量密度高的状态的模型。以允许第一中微子星和反中微子分从初始量子真空状态自然形成，它有助于假设反物质具有负引力质量。这个假设也可能有助于确定暗能量。今天反中微子星级罐的退化残余的平均质量密度是类似于ΛCDM模型的暗能量密度。当在流体静力学平衡，这反中微子星残可以发射等温宇宙微波背景辐射和径向物质加速。这个模式与ΛCDM模型都与超新星距离测量类似的定量协议。因此，这种模式是作为一个纯粹的学术活动，并为未来可能发现制备中。
响应和宇宙射线强度以及太阳风的速度，以太阳黑子数的周期性变化
调查周期行为，并从1995年1月至2018年十二月每天产生的数据宇宙射线强度和太阳风的速度，我们目前的分析太阳黑子数的关系。互相关和小波变换工具被用来进行调查。的分析证实，宇宙射线强度与太阳黑子数呈负相关，表现出具有较强的负相关的异步相位关系。在宇宙射线强度的趋势表明，它经历了11年的调制其主要依赖于在日光层的太阳活动。在另一方面，太阳能风速既不显示清晰的相位关系，也没有相关因素与太阳黑子数但示出了宽范围的周期性的那些可能被连接到冠状孔结构的图案。A number of short and midterm variations were also observed from the wavelet analysis, i.e., 64–128 and 128–256 days for the cosmic ray intensity, 4–8, 32–64, 128–256, and 256–512 days for the solar wind speed, and 16–32, 32–64, 128–256, and 256–512 days for the sunspot numbers.
CME的自动检测方法基于自适应背景学习技术
本文介绍了一种利用自适应背景学习方法从SOHO/LASCO C2图像序列中自动检测日冕物质抛射的方法。该方法由多个模块组成: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，假设CMEs是一个前景移动对象，在运行差时间序列中观测到。利用电晕观测场景的静态和动态特征建模，可以更准确地描述复杂的背景。此外，该方法可以在滤除噪声的同时检测出电晕序列的细微变化。将该方法应用于连续一个月的日冕图像，并与CDAW、仙人掌、种子、CORIMP等星表进行了比较，发现该方法具有较好的检出率。它检测到CDAW CME目录中列出的73%的CME，这些CME是通过人工目视检查确定的。目前推导的参数有位置角、角宽、线速度、最小速度和最大速度。如果需要，还可以很容易地添加其他参数。
用于太阳图像过曝区域恢复的掩模- pix2pix网络
如发生极其紫色太阳爆发，这意味着信号强度超出一个望远镜的成像系统的动态范围，导致信号的损耗过度接触可发生于太阳能观察摄像。例如，太阳耀斑期间，太阳动力学观测（SDO）的大气成像组件（AIA）经常过度曝光记录图像/视频，导致太阳耀斑的精细结构的损失。本文通过努力来获取/通过利用深度学习其强大的非线性表示，这使得它广泛应用于图像重建/恢复恢复过度曝光的信息缺失。首先，一种新的模式，即掩模Pix2Pix网络，提出了过度的恢复。它是建立条件生成对抗网络（cGAN）的知名Pix2Pix网络上。此外，混合动力损失函数，包括对抗损耗，掩蔽L1损失和边缘质量损失/平滑度，用于寻址相对于常规的图像恢复过度曝光的挑战被集成在一起。此外，过度的一个新的数据库，建立了训练所提出的模型。大量的实验结果表明，该面罩Pix2Pix网络可以很好地恢复过度曝光的信息缺失，优于最初设计用于图像重建任务的艺术状态。
从薄膜太阳能扫描图像智能时代的识别印章文字
在此之前的数码相机的可用性，太阳能观测图像通常记录在膜和诸如日期和时间在上膜的相同帧被加盖的信息。这是显著提取胶片上的时间戳信息，以便研究人员可以有效地利用图像数据。本文介绍了用于提取的时间标记信息的智能的方法，即，卷积神经网络（CNN），这是在多层神经网络结构的深度学习的算法，并且可以在扫描太阳能图像识别时间标记字符。我们开展的时间戳解码从国家太阳天文台从1963年的数字化数据，以2003年的实验结果表明，该方法的准确性和快速这种应用。我们完成了超过700万张图片的时间戳信息提取98％的准确性。
全磁盘太阳耀斑预报模型基于数据挖掘的方法
太阳耀斑是的猛烈爆发太阳能现象之一;许多太阳耀斑预报模型是基于有源区的特性建。然而，大多数这些模型只集中在有源区域内的30°的太阳能盘中心的，因为投影的效果。使用成本敏感的决策树算法，我们建立内分别太阳能盘中心的30°外30°太阳盘面中心，从活动区域的两个太阳耀斑预报模型。这两款车型的性能进行了比较和分析。这两款车型合并成一个单一的一个，我们得到了一个全盘的太阳耀斑预报模型。
