高美古2.4米望远镜观测数据，高美古2.4米望远镜位于云南天文台丽江观测站，此为原始观测数据，数据自2010年9月至今。
-
-
经过历时五个多月的作品征集阶段，大赛官方网站最终收到近百部来自全国各地不同年龄不同背景参赛者提交的优秀漫游作品。作品选材内容广泛，具有较高的制作水平和审美水准。通过初步的筛选和整理，共计88个有效作品将登陆中国数字科技馆网站的在线投票平台，参与网络人气奖的角逐。具体网络投票说明及规则介绍如下： 投票规则 1、投票时间：2017年4月1日至2017年4月22日。 2、本次大赛的网络人气奖将从此次网络投票结果中产生。结果将在5月2日前公布。3、投票次数限制：每个IP/ID每天可以投给任意作品总共6票，注册中国数字科技馆的账户可再多投4票，总10票。 4、提示：因投票页面较大，大家看到的作品是压缩后低分辨率的作品。
-
为了PSP项目得以更持续、更稳定的发展运营，进一步提升公众超新星搜寻项目的知名度与参与度，更好的提高公众对天文领域的认识与了解，星明天文台和中国虚拟天文台于2018年开始设立公众超新星搜寻项目奖项。公众科学，你也能参加 怎么样，看到获奖者们捧着沉甸甸奖牌的美照后，是否也唤起了你对星空探索的热情，跃跃欲试想要加入PSP项目啦？ ...PSP官网 http://psp.china-vo.org/ 您只需通过官网主页注册一个中国科技云通行证帐号，完成简单在线测试就可以开始看图搜索，发现可疑目标立即点击提交上报。
-
52个红移6左右SDSS类星体光学光谱。参考文献（Jiang et al. 2016, ApJ, 833, 222）表2给出了所有目标源的名称、位置、红移、星等等信息。数据内容：第一列波长（单位A），第二列流量密度（单位 erg/s/A/cm^2），第三列误差（单位同前）。
-
会议将重点介绍SKA国际进展、国内SKA已立项方向的进展情况及其它待立项方向的组织和准备情况，会议注册网址： https://docs.qq.com/form/page/DU1B4U0ZjemJOUUtG ...
-
注册网址如下：http://119.29.84.106:8000/register | ...
-
一般认为宽线区由不连续的气体云组成，这些气体云距离中心超大质量黑洞非常近，在黑洞强大的引力束缚下高速运动，从而产生宽发射线。高质量的反响映射观测数据可以进一步提供不同速度气体云的尺度，从而帮助我们反演出整个宽线区的动力学性质，这种方法被称为速度分解的反响映射技术。2.4米光学望远镜隶属于中国科学院云南天文台丽江天文观测站,坐落在云南丽江高美古,2008年4月通过验收,投入使用,成为我国七大天文科学工程之中第一个开始运营的项目。高美古2.4米望远镜观测数据已通过国家天文科学数据中心发布，可供国内外天文学家使用。该数据集为原始数据，包含了自2010年9月至今的全部数据，并将随观测进程不断更新。中心将持续为其提供数据与技术服务。
-
该成果是研究人员依托云南天文台丽江2.4米望远镜，历时5年获得的，其对未来刻画活动星系核的动态物理图像和提高活动星系中心黑洞质量的测量精度具有里程碑意义。论文链接：点击这里。活动星系核寄宿于活动星系的中心，其辐射光度可高达太阳光度的万亿倍，是被公认的20世纪60年代的“四大发现”之一。因此开展活动星系核结构和演化研究，有望在提高活动星系中心黑洞质量测量精度和精细刻画活动星系核动态物理图像方面获得突破。2.4米光学望远镜隶属于中国科学院云南天文台丽江天文观测站,坐落在云南丽江高美古,2008年4月通过验收,投入使用,成为我国七大天文科学工程之中第一个开始运营的项目。高美古2.4米望远镜观测数据已通过国家天文科学数据中心发布，可供国内外天文学家使用。该数据集为原始数据，包含了自2010年9月至今的全部数据，并将随观测进程不断更新。中心将持续为其提供数据与技术服务。
-
MATLAB MATLAB是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境 网址： http://www.mathworks.com ...网址： http://plasma-gate.weizmann.ac.il/Grace/ 3. GGobi GGobi是一个开源的研究高维数据的可视化软件。可以高度互动地适时地动态地研究数据。 网址： http://www.ggobi.org/ 4.提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。Object Visibility – STARALT ISAAC开发计算目标高度计算器，可以计算多个目标的高度以及月亮的高度，并且以图形化方式直观展现出来。
-
开课的消息发出后，即有400多人踊跃报名，来自全国各地的小伙伴相聚在网络课堂，开启了为期10周的学习之旅。https://v.qq.com/x/page/p0856eymqlm.html（点击观看） 怎么样，是不是眼前一亮？ 你是否也想把自己对宇宙的奇思妙想展示给大家？ ...
-
天津大学于策教授、南京大学孙建军教授、中国科学技术大学陈恩红教授、中科院紫金山天文台吴雪峰副台长、清华大学唐杰教授、浙江大学陈华钧教授、哈尔滨工业大学刘铭教授以及京投公司王为林会计师等相关专家和来自之江实验室 ...构建国家科研论文和科技信息高端交流平台是国家十四五规划和2035年远景目标纲要中明确指出的加强国家战略科技力量的重要方向。本项目旨在研发面向提高天文科研工作效率和科普推广的行业需求的个性化自适应搜索推荐的自主系统，致力于解决天文领域文献检索系统学科专业性弱，检索系统智能化程度低、大数据处理能力有限等关键问题，开展关于天文领域个性化自适应搜索推荐系统的研究 ...
-
近期，广州大学国家天文科学数据中心大湾区分中心、中国科学院国家天文台团队和西华师范大学团队、中国科学院云南天文台的谈磊、梅盈、王锋、邓辉、柳志存、罗杨平、刘超和邓林华等人，开展了基于深度学习方法的热亚矮星的搜寻研究 ...本研究提出了一种鲁棒的基于卷积神经网络（CNN）的热亚矮星搜寻方法。本研究利用LAMOS DR7-V1的光谱数据作为数据集构建了一个混合模型（网络结构见图1），包括一个8类分类模型和一个2分类模型，该模型在测试集上达到了96.17%的准确率。图1 网络结构 总的来说，本研究提出的模型可以有效地识别特定的光谱，结果鲁棒，精度高，可以进一步应用于大规模光谱的分类和特定目标的搜索。
-
凌源市第二高级中学的梁雷老师就利用相关数据将本次“水星凌日”的盛况进行了“神还原”。一起来看看吧~ 点击图片进入文内观看 怎么样，是不是超酷？ ...
-
近期，广州大学国家天文科学数据中心大湾区分中心、昆明理工大学和中国科学院云南天文台团队邓正、王锋、邓辉、梅盈、谈磊、邓林华和冯松等人，开展了太阳耀斑预报与人工智能学习的学科交叉研究。HMI磁图是目前全日面磁场测量中时空分辨率最好和精度最高（10高斯）的磁场数据。本研究采用了生成对抗网路，弥补了样本数量不足的耀斑类别，然后利用混合卷积神经网络，将hmi.M_720s中裁剪出的活动区视向磁图作为数据集，建立了耀斑预报模型M（下面两图分别表示生成对抗网络与混合卷积神经网络的训练过程 ...模型的训练也变得更高效更精确。图1：生成对抗网络与混合卷积神经网络的训练过程其一 图2：生成对抗网络与混合卷积神经网络的训练过程其二 一系列的测试结果证明： 1、在无耀斑、C级、M级和X级耀斑预报中，M的真实技能统计（TSS ...
-
本文提供了一个用于太阳磁图超分辨率的多分支深度神经网络。数据集包含了MDI和HMI磁图的配对。这些数据被用来训练深度神经网络。
-
本文提供了一个用于太阳磁图超分辨率的多分支深度神经网络。数据集包含了MDI和HMI磁图的配对。这些数据被用来训练深度神经网络。
-
近期，广州大学国家天文科学数据中心大湾区分中心和中国科学院国家天文台团队的谈磊、王锋、梅盈、邓辉、柳志存和刘超等人，开展了基于深度迁移学习方法的白矮星的搜寻研究。本研究利用 LAMOST DR9 发布的光谱构建数据集，训练了一个卷积神经网络模型，然后利用迁移学习方法对该模型进行进一步训练，得到一个二分类模型。最终模型由一个七分类模型和一个二分类模型组成。
-
Smith教授及其合作者在2008年11月至2018年7月利用Kitt Peak的2.3米Bok望远镜和亚利桑那的Bigelow峰上的1.54米Kuiper望远镜观测获得，可以在网站http://james.as.arizona.edu ...此数据在公开数据的基础上经过简单筛选和合并，包括了270条高质量光谱，做了[OIII]波长定标和银河系消光改正。
-
图2：对科学数据栏目的功能进行了细分 考虑到天文专业用户日常工作需要，中心对原有网站功能进行了整合。网站底部的致谢模板和使用指南，可以帮助用户更好地使用网站数据资源与服务。 图3：特色服务成为专业人士的必备工具 社会公众及天文爱好者 中心重视科学数据在科普教育中的应用。新版网站增加了最新研发的日食计算器，为公众规划日食观测提供方便的信息查询。图4：网站列出了最新的公众科普活动 新版网站还增加了全站统一检索功能。网站功能还在不断优化，如您在使用的过程中有任何意见或建议，欢迎及时向我们反馈！
-
近期，广州大学国家天文科学数据中心大湾区分中心、南非罗德斯大学SKA团队、中国科学院云南天文台团队和昆明理工大学的孙浩民、邓辉、王锋、梅盈、许婷婷、Oleg Smirnov、邓林华和卫守林等人，开展了基于深度学习方法的射频干扰识别研究 ...本研究基于深度神经网络对SKA1-LOW的仿真数据以及SKA先导阵列LOFAR、MeerKAT观测数据中的射频干扰(RFI)进行识别，并将识别结果与当前主流的RFI识别算法AOflagger进行对比。结果表明：本研究中提出的深度神经网络对RFI的识别效果总体上与AOFlagger相当，并在一定情况下比现有算法有所改进。本研究提出了一种鲁棒的基于卷积神经网络(CNN)的RFI识别方法。网络结构 该网络用在真实的LOFAR、MeerKAT数据上经过训练得到的模型对真实数据中的RFI的识别结果与当前主流的RFI识别软件AOflagger以及tircolour (MeerKAT望远镜的RFI ...