共查询到20条相似文献,搜索用时 46 毫秒
1.
本文简述了在云南天文台本部和附近对VLBI观测站址的初选。给出了候选站址的无线电环境测量参数和工程地质情况以及有关气象因素的资料。 相似文献
2.
《天文学进展》2014,(3)
优良站址的选择是射电望远镜完成既定科学目标并实现高效运行的重要保障。影响射电望远镜选址的主要因素包括电磁环境、水文、气象、地质条件、隔离性与可及性等。对于射电天文观测而言,来自宇宙天体的射电信号往往极其微弱,对望远镜系统及设备的灵敏度要求极高。然而,随着人类活动的不断加强,人们日常工作和生活中使用的电子通讯设备越来越多,无线电干扰源呈爆炸式涌现。在射电望远镜选址工作中,进行电磁环境监测,选择一个电磁环境良好的站址,对于射电望远镜实现常规观测运行、获取有效数据资料至关重要。同时,电磁环境监测结果也是射电望远镜接收机系统研制、站址电磁环境及无线电宁静区立法保护的重要依据。中阿天文学者和技术人员历时1年半完成了16个候选站址的初步勘察,并对优选出的3个主要候选站址进行了深入细致的电磁环境监测工作,获得了大量可靠数据。中阿双方依据电磁环境监测结果并结合各主要候选站址的水文、气象、地质及道路等条件,最终将位于Talacasto戈壁的3号候选站址确定为中阿CART射电望远镜的建设站点。 相似文献
3.
4.
5.
天文选址的主要参数及测量方法 总被引:3,自引:0,他引:3
大口径地面光学和红外望远镜必须安装在具有良好大气条件的观测台站才能充分发挥其效率,因此仔细地选择天文观测站址是非常重要的。本文总结了选择一个好的站址需要考虑的各种参数,着重对其中两个最重要的参数即大气视宁度和大气积分水汽含量的各种测量方法作了介绍,最后提出了在天文选址中要注意的一些基本事项。 相似文献
6.
Bootes,牧夫座,一个天文爱好者耳熟能详的名字;
高美古,云南天文台丽江观测站址,纳西语中“适合看星星的地方”。
2011年。这两个毫不相干的名字被联系了起来。 相似文献
7.
8.
针对目前从海量的快速射电暴(Fast Radio Burst, FRB)候选体中人工筛选FRB事件难以为继的现状,提出了一种基于卷积神经网络(Convolutional Neural Networks, CNN)的FRB候选体分类方法.首先,通过真实的观测数据和仿真FRB组成训练和测试样本集.其次,建立了二输入的深度卷积神经网络模型,并对其进行训练、测试和优化,获取FRB候选体分类器.最后,利用来自脉冲星的单脉冲数据对该分类器的有效性和性能进行了验证.实验结果表明,该方法可以快速从大量候选体中准确识别出单脉冲事件,极大地提高了FRB候选体的处理速率和效率. 相似文献
9.
10.
单脉冲搜索作为脉冲星探测的有力工具,在探测旋转射电暂现源以及快速射电暴中扮演着重要角色。为了从海量的射电巡天数据中快速筛选出最有价值的单脉冲搜索候选体,候选体识别已经从早期启发式阈值判断发展到基于机器学习自动识别。对于FAST观测,研究了基于机器学习的单脉冲搜索候选体识别应用到CRAFTS (the commensal radio astronomy FAST survey)超宽带脉冲星数据的性能表现。在评估过程中,使用单脉冲事件组识别(SPEGID)和单脉冲搜索器(SPS)两类自动识别方法,通过7种不同机器学习分类器对CRAFTS基准数据集产生的单脉冲搜索候选体进行自动识别;作为对比,也使用了启发式阈值判断的方法 (RRATtrap和Clusterrank)。结果表明,SPEGID具有最好的性能表现(最高的F1-score值95.1%、次高的召回率95.4%、最低的假阳性率4.7%),SPS具有最快的筛选速度(平均每小时筛选4 010个候选体)。通过对比分析结果,探讨了如何基于FAST观测数据开展高效的单脉冲搜索候选体识别。 相似文献
11.
使用德国Th(u|¨)ringer Landessternwarte Tautenburg(TLS)的2 m望远镜对Aquila Rift的16个区域进行了Hα、R和I共3个波段的成像观测.这些观测区域大约覆盖了Aquila Rift 7平方度的天区.除去3个数据质量不高的天区,对其余的13个区域进行了测光分析,从中证认出点源,并利用双色图的方法最终证认出7颗Hα发射线星候选体.这7个候选体是从5个观测区域中选出的,其中3颗位于银道面区域,4颗位于银纬高于4°的区域.对于这5个天区,证认了其中点源的2MASS对应体,并利用双色图的方法进一步分析了7个Hα发射线星候选体的性质.这些Hα发射线星候选体的近红外辐射并没有明显的红外超现象,有一颗还落在了主序分支上.这也说明有Hα发射的年轻星并不都伴随有红外超现象.Hα发射线观测和红外超观测的结果是相互补充的.如果将这7颗Hα发射线星候选体作为年轻星候选体,则Aquila Rift区域的年轻星数目是较少的.对于这些候选体的进一步证认还需要后续的光谱观测. 相似文献
12.
《天文研究与技术》2016,(2)
我国的大视场光学瞬变源巡天设备地基广角相机阵每2.5 min机器初步筛选出近千个瞬变源候选体,这些瞬变源候选体可能为超新星、变星、移动天体或者是噪声等。为进一步对瞬变源候选体进行管理和详细地筛选与认证,提出了基于网络开发框架的Django平台实现后台数据库管理和前端网页交互展示功能的光学瞬变源认证系统的设计方案。通过研究,本方案主要具备对瞬变源候选体的管理;光变曲线处理与展示;与已知多个类型天体星表的交叉进行分类;同时提供人机交互的人工认证界面接口等功能。得益于Django框架的优秀特性,系统无需额外的开发,即可提供良好的命令方式交互接口,方便科学家通过Django的接口对数据库进行面向对象的操作。通过将系统应用于我国已建成的迷你地基广角相机阵的观测数据测试,结果表明系统能将瞬变源候选体进行正确的分类与认证,为科学家对瞬变源候选体的后期认证提供了丰富的信息和方便实用的操作工具。同时,系统对于其它类似的瞬变源巡天项目也具有同样的实用意义。 相似文献
13.
据云南省气象台提供的过去10年中省内各气象站云量观测统计出的晴天日数排名第一和第二的测站,可以看出云南省内潜在着的最好的夜间光学人卫观测站址可能位于华坪、宾川、姚安、元谋、弥度5个气象站附近。文中还采用1950年至1980年的气象观测资料验证了上述结论。 相似文献
14.
对已知脉冲星大样本的统计和分析表明,绝大多数脉冲星的线偏振大于10%,谱指数低于-1.比较了脉冲星和射电类星体及致密陡谱源的频谱和偏振特性的差别,以高线偏振、高谱指数、高银纬及在低频下较低流量等作为射电脉冲星候选者的判据,从新近释放的VLA巡天和WSRT巡天结果中挑选出一个较粗的候选脉冲星样本.进一步考虑近期在部分天区中已作过高灵敏度的脉冲星巡天,所有落入这些天区内的候选源也都从本样本中排出.以候选源偏振度大小为序,给出了一个共47颗候选源的子样本. 相似文献
15.
16.
对已知脉冲星大样本的统计和分析表明,绝大多数脉冲星的线偏振大于10%,谱指数低于-1,比较了脉冲星和射电类星体及致密陡谱源的频谱和偏振特性的差别,以高线偏振,高谐系数,高银纬及在低频下较低流量等作为射电脉冲星候选的判据,从新近释放的VLA巡天和WSRT巡天结果中挑选出一个较粗的候选脉冲星样本。进一步考虑近期在部分天区中已作过高灵敏度的脉冲星巡天,所有落入这些天区内的候选源也都从本样本中排出,以候 相似文献
17.
脉冲星数据比对分析和可视化系统(PSRDB,URL:http://www.psrdb.net/),由FAST(Five-hundred-meter Aperture Spherical Radio Telescope)早期科学数据中心团队为快速开展脉冲星候选体比对分析和数据管理研发.通过前端数据提交页面,接收和维护来自FAST及其他研究机构的候选体数据.目前,PSRDB已收录自1967年人类发现第1颗脉冲星以来所有公开文献发表的2811颗脉冲星样本,并采集了当前主要巡天项目尚未正式发表的源和候选体,如FAST多科学目标同时扫描巡天(CRAFTS)候选体数据.基于入库基础数据,利用位置、周期、色散等参数进行比对分析,辅助科研工作者在线检索匹配已知星表数据,最后将检索匹配、比对分析结果生成图表供进一步分析.目前,PSRDB已被应用于FAST脉冲星搜寻和候选体数据管理.未来,PSRDB可在新源认证、后随观测、观测计划制定和原始数据处理流程设计等方面提供数据和工具支撑. 相似文献
18.
19.
《天文学进展》2017,(3)
脉冲星搜寻是对脉冲星、引力波,以及对快速射电暴(Fast Radio Burst,简称FRB)等暂现源进行研究的基础。搜寻不仅可以扩大脉冲星样本,还可以发现极端性质的致密星。这有助于研究致密天体状态方程、星际介质、脉冲星导航、引力波探测等课题。目前,射电望远镜的单次巡天就可以产生百万数量级的脉冲星候选体。面对这些海量数据,仅仅依赖人工识别筛选,已不能满足数据的时效需求,更不能实现数据的实时处理。机器学习、计算机视觉应用等人工智能技术自诞生以来,其理论和技术已日益发展成熟,并已成功运用到脉冲星候选体筛选等射电天文研究领域。首先将介绍现有脉冲星搜寻的人工智能方法,再统计和分析已有脉冲星候选体筛选方法的性能,最后对FAST脉冲星候选体筛选工作进行展望。 相似文献
20.
随着下一代射电天文望远镜的不断改进和发展,脉冲星巡天观测将发现数百万个脉冲星候选体,这给脉冲星的识别和新脉冲星的发现带来了巨大挑战,迅速发展的人工智能技术可用于脉冲星识别.使用Parkes望远镜的脉冲星数据集(The High Time Resolution Universe Survey,HTRUS),设计了一个14层深的残差网络(Residual Network,ResNet)进行脉冲星候选体分类.在HTRUS数据样本中,存在非脉冲星候选体(负样本)的数目远远大于脉冲星候选体(正样本)数目的样本非均衡问题,容易产生模型误判.通过使用过采样技术对训练集中的正样本进行数据增强,并调整正负样本的比例,解决了正负样本非均衡问题.训练过程中,使用5折交叉验证来调节超参数,最终构建出模型.测试结果表明,该模型能够取得较高的精确度(Precision)和召回率(Recall),分别为98%和100%,F1分数(F1-score)能够达到99%,每个样本检测完成只需要7 ms,为未来脉冲星大数据分析提供了一个可行的办法. 相似文献