摘要:对多行星系统中行星周期比的统计发现, 行星周期比在简单整数比2:1、3:2的右侧边缘处有明显聚集, 而在其紧邻的左边有明显空缺. 针对这一现象有各种不同的动力学解释. Kepler-9系统中已发现的3个行星中, 行星b、c周期比约为2.03, 是接近2:1共振的一个典型例子. 利用关于偏心率的二阶哈密顿方程, 针对只考虑长期作用和加入共振摄动两种情况, 通过研究当前状态下系统在能量等高线图与相空间截面图中的位置, 讨论了两行星可能的近共振状态.

摘要:W51M (W51 Main)是一个和H$_II$区成协的大质量恒星形成区, 在其中可以探测到众多的分子谱线和H、He射电复合线. 中国科学院上海天文台基于天马65 m望远镜对W51M的观测数据, 证认了主量子数在74--117之间的H、He复合发射线, 其中主量子数在74--78之间的H和He的α复合线均被探测到. 结合H和He复合线的多普勒致宽, 算出该H$_II$区的电子温度约为7400K, He⁺/H⁺的离子丰度比约为0.09, 这与已有的研究基本吻合. 考虑高信噪比的复合线, 即H(\emphn)$\alpha (74\leqslant n \leqslant 78)$, 计算得出W51M的平均湍动速度是13.767kmcdots^-1. 通过确定W51M或其他H$_II$区中的复合线, 获取电子温度、湍动速度以及其他物理参量, 在电子数密度、元素丰度、恒星形成率等方面进行了探讨, 对分子谱线以及其他波段的复合线研究具有借鉴意义.

摘要:类星体SDSS J151653.22+190048.2 (简称J1516+1900)在紫外-光学-近红外波段展现出奇特的光谱性质: 其光学Hα、Hβ和近红外的Paα、Paβ等发射线的半高全宽(full width at half maximum intensity, FWHM)均超过5000km/s, 等值宽度接近类星体平均值; 而紫外波段光谱的常见发射线Lyβ、OVI、Lyα、NV、SiIV和CIV等, 由FWHM \1700km/s的中等宽度成分主导. 这种现象很可能是由于紫外发射线的宽线成分经尘埃消光, 强度严重削弱, 从而使得中等宽度成分凸显出来; 在光学和近红外波段, 尘埃消光减弱, 发射线由宽线成分主导, 潜在的中等宽度成分不容易被看到. 根据中等宽度成分的线宽和J1516+1900中央超大质量黑洞的质量MBH~5:75×10⁸M⊙, 在维里化假设下, 估计中等宽度发射区到中央黑洞的距离约为1.6 pc. 另一方面, 利用J1516+1900丰富的观测谱线, 结合光致电离模型计算, 可以限定J1516+1900的中等宽度发射线区气体密度~10¹² cm^-3、电离参数~ 10^-0:65. 据此估计该发射线区到中心黑洞距离~ 0:016 pc,只有维里化距离的1%. 这一矛盾结果预示着中等宽度发射区可能具有较为复杂的物理结构, 未来需要观测更多类似J1516+1900的部分遮蔽类星体并进行系统的分类和研究.

摘要:光谱观测显示类星体SDSS J091613.60+292106.1 (简称J0916+2921, 系统红移zem=1.1418\pm 0.0018)中有特殊的2175A尘埃消光特征, 其强度显著大于银河系平均强度. 光谱同时探测到与尘埃成协的丰富气体吸收线, 确定吸收线系统红移为zbs = 1.1413 \pm 0.0002, 和类星体红移一致. 气态金属离子柱密度相对太阳丰度的比例为Al/Zn =-1.68 \pm 0.10, Cr/Zn=-0.49 \pm0.10, Fe/Zn = -0.81 pm 0.18. 尘埃耗散作用显著, 说明该系统中尘埃十分丰富, 与观测的强尘埃消光特征吻合. 类银河系的2175A尘埃消光特征在类星体光谱中多见于中间插入吸收线系统, 至今未明确认证内禀吸收线系统出现该特征, 类星体SDSS J0916+2921是目前仅有的数个候选者之一. 该类星体X射线辐射相较一般类星体更强, 后续可用作研究2175A}尘埃在强高能射线照射条件下的形成与离解平衡, 以揭示2175A尘埃的化学成分、物理性质和起源.

摘要:北斗卫星导航系统(BDS)地面跟踪站都配置有高精度的氢原子钟, 并基于精密定轨数据处理与主站的时间基准进行同步. 在卫星轨道机动以及机动恢复期间, 通常采用几何法定轨以及单星定轨确定卫星的轨道. 而在这两种定轨模式中, 需要提供精确的测站钟差作为输入. 为提高定轨的实时性, 需要对测站钟差进行预报处理. 分析了2次多项式模型、附加周期项模型、灰色模型3种模型对北斗地面跟踪站钟差短期拟合和预报的性能, 并将钟差预报结果应用于单星定轨, 同时还分析了不同预报钟差用于定轨的精度. 试验发现, 以上3种模型对6个测站钟差的平均拟合精度分别为0.14ns、0.05ns、0.27ns, 预报1h的平均精度分别为1.17ns、0.88ns、1.28ns, 预报2h的平均精度分别为2.72ns、2.09ns、2.53ns. 采用3种模型对测站钟差进行预报并用于单星定轨, 采用附加周期项的钟差预报模型轨道3维误差最小, 不同模型轨道径向精度差异在3cm以内. 以上结果表明, 附加周期项的站钟拟合及预报模型在北斗系统机动期间的轨道恢复数据处理具有最好的效果.

摘要:随着RTS (Real-Time Service)工程的发展, 时频用户可以运用实时精密单点定位(Precise Point Positioning, PPP)技术进行时间传递研究. 作为RTS工程的主要参与者, CNES (Centre National d'Etudes Spatiales)分析中心开展PPPWIZARD (Precise Point Positioning with Integer and Zero-difference Ambiguity Resolution Demonstrator)工程验证实时PPP模糊度固定技术. 为了探究多系统观测值和实时PPP模糊度固定对时间传递的性能提升, 在综合GPS (Global Positioning System)、GLONASS (GLObal NAvigation Satellite System)、BDS (BeiDou navigation System)和Galileo的多系统观测值的基础上, 使用CNES分析中心播发的实时产品开展PPP时间传递验证实验, 检验了4种不同PPP模式的工作性能. 实验结果证明, 在多种不同工作模式当中, 综合运用多系统观测值和GPS模糊度固定技术进行PPP时间传递的标准差结果最小, 标准差相比于传统GPS PPP时间传递平均下降38.1%.

摘要:超导SIS (Superconductor-Insulator-Superconductor)接收机因极低的接收机噪声温度成为毫米波和亚毫米波段射电天文观测的首选. 本振系统耦合噪声也是接收机噪声的一部分, 在多年的天文观测中, 发现本振耦合噪声无法完全忽略, 对天文观测的灵敏度有一定影响. 采用两个不同种类的信号发生器作为本振系统初级信号源, 测试了超导SIS接收机的噪声温度, 发现信号发生器输出的基底噪声能够耦合到接收机内部, 从而增加接收机噪声强度. 分析研究了本振系统热噪声和信号发生器基底噪声对接收机噪声的影响. 通过在信号发生器输入端加入窄带滤波器滤除其基底噪声, 消除了信号发生器基底噪声引入的接收机噪声, 降低了接收机的整体噪声, 提高了望远镜的灵敏度.

摘要:sdBV_rs型热亚矮星是一类特殊的热亚矮星, 观测显示它们同时具有p模和g模的脉动.目前这一类热亚矮星的演化起源仍然缺乏完备的解释.对氦白矮星与小质量主序星并合模型进行详细计算表明, 并合模型的结果符合sdB_rs型热亚矮星的表面有效温度、重力加速度等观测特征, 并且能够激发出稳定的p模和g模脉动. 因此, 氦白矮星与小质量主序星并合是形成sdB_rs型热亚矮星可能的渠道之一.

摘要:天体光谱分类是天文学研究的重要内容之一, 其关键是从光谱数据中选择和提取对分类识别最有效的特征构建特征空间. 提出一种新的基于2维傅里叶谱图像的特征提取方法, 并应用于LAMOST (the Large Sky Area Multi-Object Fiber Spectroscopic Telescope)恒星光谱数据的分类研究中. 光谱数据来源于LAMOST Data Release 5 (DR5), 选取30000条F、G和K型星光谱数据, 利用短时傅里叶变换(Short-Time Fourier Transform, STFT)将1维光谱数据变换成2维傅里叶谱图像, 对得到的2维傅里叶谱图像采用深度卷积网络模型进行分类, 得到的分类准确率是92.90%. 实验结果表明通过对LAMOST恒星光谱数据进行STFT可得到光谱的2维傅里叶谱图像, 谱图像构成了新的光谱数据特征和特征空间, 新的特征对于光谱数据分类是有效的. 此方法是对光谱分类的一种全新尝试, 对海量天体光谱的分类和挖掘处理有一定的开创意义.

摘要:机器学习在当今诸多领域已经取得了巨大的成功, 但是机器学习的预测效果往往依赖于具体问题. 集成学习通过综合多个基分类器来预测结果, 因此, 其适应各种场景的能力较强, 分类准确率较高. 基于斯隆数字巡天(Sloan Digital Sky Survey, SDSS)计划恒星/星系中最暗源星等集分类正确率低的问题, 提出一种基于Stacking集成学习的恒星/星系分类算法. 从SDSS-DR7 (SDSS Data Release 7)中获取完整的测光数据集, 并根据星等值划分为亮源星等集、暗源星等集和最暗源星等集. 仅针对分类较为复杂且困难的最暗源星等集展开分类研究. 首先, 对最暗源星等集使用10折嵌套交叉验证, 然后使用支持向量机(Support Vector Machine, SVM)、随机森林(Random Forest, RF)、XGBoost (eXtreme Gradient Boosting)等算法建立基分类器模型; 使用梯度提升树(Gradient Boosting Decision Tree, GBDT)作为元分类器模型. 最后, 使用基于星系的分类正确率等指标, 与功能树(Function Tree, FT)、SVM、RF、GBDT、XGBoost、堆叠降噪自编码(Stacked Denoising AutoEncoders, SDAE)、 深度置信网络(Deep Belief Network, DBN)、深度感知决策树(Deep Perception Decision Tree, DPDT)等模型进行分类结果对比分析. 实验结果表明, Stacking集成学习模型在最暗源星等集分类中要比FT算法的星系分类正确率提高了将近10%. 同其他传统的机器学习算法、较强的提升算法、深度学习算法相比, Stacking集成学习模型也有较大的提升.