天文学进展

当大型强子对撞机于2021年恢复运行时，几个实验将首次直接测量反氢在自由落体中的运动。我们目前对宇宙的理解还没有为反物质具有负引力质量的可能性做好充分准备。本文提出了一个宇宙学模型，在这个模型中，大爆炸的高能量密度状态是由一颗超过钱德拉塞卡极限的反中微子恒星崩塌而产生的。为了让第一批中微子恒星和反中微子恒星从初始量子真空状态自然形成，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识别暗能量。今天，反中微子恒星的退化残体的平均质量密度与∧CDM模型的暗能量密度类似。当处于静水平衡时，这颗反中微子恒星的残余可以发射等温的宇宙微波背景辐射并径向加速物质。这一模型和∧CDM模型与超新星距离测量的定量一致。因此，这个模型作为一个纯粹的学术练习和为将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关系，我们从1995年1月至2018年12月的每日数据中进行分析。采用互相关和小波变换工具进行研究。分析证实，宇宙射线强度与太阳黑子数呈负相关，呈现出强烈的负相关的非同步相位关系。宇宙射线强度的趋势表明，它经历了11年的调制，主要取决于太阳圈的太阳活动。另一方面，太阳风的速度既没有显示出清晰的相位关系，也没有与太阳黑子的数量相关联，而是显示出了大范围的周期性，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

在太阳观测成像中，由于紫外太阳爆发的发生，可能会导致信号强度超过望远镜成像系统的动态范围，导致信号丢失。例如，太阳耀斑期间，太阳动力学观测台（SDO）的大气成像组件（AIA）经常记录曝光过度的图像/视频，导致太阳耀斑精细结构的丢失。本文利用深度学习的强大非线性表示能力，对曝光度过大的缺失信息进行检索/恢复，使其在图像重建/恢复中得到了广泛的应用。首先，提出了一种新的曝光恢复模型mask-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，混合损失函数（包括对抗损失、遮罩L1损失和边缘质量损失/平滑）被集成在一起，以解决相对于传统图像恢复的过度曝光的挑战。此外，还建立了一个新的过度暴露数据库，用于训练所提出的模型。大量的实验结果表明，所提出的mask-Pix2Pix网络能够很好地恢复曝光过大时丢失的信息，并优于最初为图像重建任务设计的技术水平。

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上。提取胶片上的时间戳信息对研究人员有效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，能够识别扫描到的太阳图像中的时间戳特征。我们对1963年至2003年国家太阳观测站的数字化数据进行时间戳译码。实验结果表明，该方法具有快速、准确的特点。我们完成了700多万张图像的时间戳信息提取，准确率达98%。

阅读全文

太阳耀斑是强烈的太阳爆发现象之一;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，分别在太阳活动中心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，得到一个全盘太阳耀斑预报模型。

阅读全文