此日食计算器能够查询公元前3000至后3000年范围内的日食信息，生成每次日食的覆盖区、中心区范围数据，展示日食带的地图；并可根据用户在地图上点击的坐标在线计算该地日食各阶段时间、食分等观测信息。
-
-
此星表的共生双星候选体是用机器学习的方法得到的。
-
因为保密等原因，不能提供更多获得数据的仪器等方面的描述，数据更新时间为不定时更新，此数据为DUT1=UT1-UTC 值的公告，以+/-0.1s 精度的时间信号传输。
-
我们使用机器学习技术有效的识别了新的共生星。这是一个新发现的共生星候选体星表。我们提供了相应的赤经赤纬和相关的星等信息。
-
因为保密等原因，不能提供更多获得数据的仪器等方面的描述，数据更新时间为不定时更新，此数据为地球自转B公报主要提供了有关地球方向的最新信息，包括世界时间，地球极坐标和天极偏移等数据。
-
此数据集包含经过加工处理的583851条LAMOST DR3光谱。数据集包括训练集和测试集，均包含索引文件（index.csv）和光谱文件（.txt）两部分：索引文件的第一行是字段名，之后每一行代表一条天体光谱。训练集和测试集第一个字段均为光谱文件id号，训练集还包括一个分类标签字段。train_data.zip和test_data.zip中是以txt格式存储的经过插值采样光谱，所有光谱波长区间和采样点相同，波长范围是3800-9000Å采样点个数都是2600个。此数据集曾用于天体光谱智能分类天池大赛。
-
因为保密等原因，不能提供更多获得数据的仪器等方面的描述，数据更新时间为不定时更新，此数据为地球自转C公报主要是提供UTC的闰秒信息，以及协调世界时UTC与国际原子时TAI的相对差值等数据。
-
图1：类星体示意图（源自网络） 近期，国家天文台科研人员李长华、张彦霞、崔辰州等人基于北京-亚利桑那巡天（BASS）大型测光数据、LAMOST和SDSS的光谱巡天数据，通过多种机器学习方法，设计了二分及多分两种不同的分类策略 ...基于不同的特征组合，构建了多种分类器，最终选出性能最优的分类器应用在BASS DR3数据上。采用光学与红外的特征组合，分类结果在准确度、精度、召回率等指标上都超过了95%。李长华等人基于机器学习方法，研究了一步模型（对样本整体预测）和两步模型（对样本先分类，再预测）来测算样本的测光红移。
-
以云计算、机器学习为代表的新技术在大数据领域得到了广泛的应用,促进了一大批科研成果的产出。为了应对天文大数据的挑战，国家天文科学数据中心开始了基于云计算与机器学习技术的科学平台建设，初步建立了包括高性能计算与混合云技术架构的云资源平台。图4：甄亚楠老师介绍超算云在科研中的应用 大数据的分析与挖掘离不开自动化的手段，人工智能与机器学习在天文科研领域发挥了重要的作用。在第二天的课程中，来自国家天文台太阳预报团组的首席科学家、博士生导师徐龙研究员详细讲解了人工智能与机器学习的前沿、基础及在天文科研中的应用。来自阿里云计算有限公司资深技术专家、机器学习PAI的平台架构师与负责人谭锋老师讲解了基于PAI开展机器学习任务原则及步骤。
-
以云计算、机器学习为代表的新技术在大数据领域得到了广泛的应用,促进了一大批科研成果的产出。为使科研人员能够深入了解云计算及机器学习的原理及技术，国家天文科学数据中心根据《国家天文台2021年度职工培训计划》安排，将于2021年9月27-28日在国家天文台A601会议室举办云计算与机器学习的技术培训 ...谭锋：阿里云智能资深技术专家、机器学习PAI的平台架构师与负责人。拥有多年AI落地以及企业智能化经验。曾任职微软中国，多年微软搜索引擎必应团队的资深架构师。主要讲授基于公有云的大数据处理与机器学习平台在科研中的应用。 李长华，国家天文科学数据中心项目高级工程师，拥有多年云计算、高性能计算平台建设经验，主要研究方向为天文信息技术与大数据处理、机器学习。
-
该方法基于望远镜终端仪器获得的星像形状与望远镜性能之间的深刻复杂的对应关系和最新前沿机器学习的相关算法，可以充分利用望远镜获得的星像进行训练和测试，实现了望远镜光学成像性能的高精度实时监测，并在我国首个天文类国家重大科技基础设施 ...地基天文望远镜终端仪器获得的星像均不可避免地受到大气扰动和望远镜系统的影响，在望远镜性能正常的情况下长时间曝光获得的星像成圆形高斯轮廓，当望远镜性能不佳时会导致获得的像斑形状偏离正常的标准圆形。不同原因引起的望远镜性能不佳产生不同的像斑形状，因此可以通过终端仪器获得的像斑形状去实时监测望远镜性能。图2 导星相机获得的各种星像形状统计（第一行为正常观测星像，占星像的绝大部分） 机器学习相关算法已经在很多领域中表现出很好的形状识别和分类能力，可以用于区分望远镜的获得的像斑形状。结合机器学习相关算法，可以通过以下几步实现望远镜性能监测，首先对望远镜获得图片进行分类，筛选出包含亮星的图片；然后对图片进行剪切，获得只包含单颗完整星像的小图片，使用机器学习算法对星像的形状进行识别，根据识别出形状给出造成性能不佳的原因 ...
-
<p> 2015年8月17日，PSP已经发布半个月左右，运行状态一直不错，但17日突然服务器挂机无法修复，只能沿用旧的模式看图搜索，只能高级用户参与，然后就在当天，徐智坚发现一颗疑似超新星，18日经过补拍确认是新目标后上报 ...
-
在国家天文台赵永恒老师的极力推动下，国家天文科学数据中心的樊东卫博士等人与赵永恒老师一道开发了在线日食计算器网站（Eclipse Calculator）。图1：在线日食计算器网站 ...
-
我们强烈建议您对可疑目标做指示（如果无法完成上述标记功能，大多是因为浏览器的问题，您可以换一个浏览器尝试，尤其是手机用户，请不要使用UC浏览器）。
-
This is code and data for the paper "Target Detection Framework for Lobster Eye X-Ray Telescopes with Machine Learning Algorithms". There is another docker version of this code, which could be obtained from the correpsonding author Peng (robinmartin20@gmail.com).
-
This is code and data for the paper "Target Detection Framework for Lobster Eye X-Ray Telescopes with Machine Learning Algorithms". There is another docker version of this code, which could be obtained from the correpsonding author Peng (robinmartin20@gmail.com).
-
近日，国家天文科学数据中心对外发布了LAMOST光谱分类机器学习数据集，它基于LAMOST DR3光谱数据制成，经数据处理后形成了一个可用于光谱分类机器学习的标准数据集。近年来，国家天文科学数据中心充分挖掘天文数据潜力，积极推动科学数据在其他行业中的应用，同时促进天文领域中机器学习算法的研究。中心为大赛提供了LAMOST DR4数据集中近100万个天体的光谱数据制成的机器学习数据集，选手们需利用高效、高准确率的自动化算法，将天体分成恒星（star）、星系（galaxy）和类星体（QSO）三类 ...致谢标注格式： 中文：LAMOST光谱分类机器学习数据集.国家天文科学数据中心.CSTR:11379.11.100658. DOI:10.12149/100658.未来，中心计划针对更多的天文研究方向建设并发布高质量机器学习开放数据集，让更多人有机会使用天文数据开展算法研究与实践。
-
近日，国家天文台白宇副研究员、刘继峰研究员基于LAMOST和SDSS数据库，利用机器学习的方法，开发天体分类器和恒星温度回归器，并把天体分类器应用到最新发布的Gaia DR2星表，揭示了Gaia DR2 ...这是国际上使用最大样本开发的天体分类器和恒星温度回归器，该项研究成果已经被《天文学杂志》(AJ)接收，应用于Gaia DR2的最新结果已经发表在《天文和天体物理学研究》(2018，RAA，18，118) ...国家重大科技基础设施郭守敬望远镜(LAMOST)巡天已经产出近千万量级的天体光谱，为科研人员开发机器学习模型提供了机遇。首先，科研人员合并LAMOST和SDSS的光谱分类结果；其次，结合可见光和红外巡天数据，获取这些天体的多色数据库；再次，测试不同的机器学习方法，找出效率最高的算法并开发天体分类器，通过不同巡天数据对分类器进行盲测 ...，准确率为94%-99%；最后，依据光谱巡天给出的恒星温度，开发恒星温度回归器，使用其它巡天数据对回归器进行盲测，标准偏差为200K。
-
国家天文台张彦霞研究员、赵永恒研究员和北京大学吴学兵教授基于中国郭守敬望远镜（LAMOST）和美国斯隆数字巡天(SDSS)的光谱数据，结合欧洲航天局的X射线牛顿天文望远镜（XMM-Newton）数据、广域红外巡天探测器（ ...基于此，研究人员通过机器学习方法构建了适合不同波段样本的最优分类器，为X射线牛顿天文望远镜第九次发布数据（DR9）提供了分类预测和概率。近年来随着观测仪器和观测技术的大幅提升,天文数据的搜集能力大大加强，天文学步入大数据时代。接着，利用机器学习方法针对不同波段的已知样本分别构建了不同的分类器，从中挑选出最优分类器对X射线牛顿天文望远镜DR9数据中的未知源给出了分类预测和概率。该成果充分体现了机器学习方法在多个大型多波段巡天项目融合数据中的应用价值，其分类结果为进一步细致分析和研究X射线源具有非常重要的科学应用前景。
-
双频接收器是一个制冷双极化接收器，频率覆盖范围分别为 2.20-2.30 和 8.20-9.00 GHz。