大科学项目的国际科学合作模式及特点探究——以斯隆数字巡天(SDSS)项目为例

国际科学合作已经成为当今大科学时代开展大科学项目研究的主流科学生产方式。研究大科学项目的国际科学合作的运行模式及其特征,对我国开展大科学项目研究具有一定的理论和实践指导意义。由美国牵头发起的斯隆数字巡天(SDSS)项目是21世纪以来典型的大科学项目,在Web of Science平台检索依托这一项目的科学论文,利用Cite Space信息可视化软件系统对这一项目的国家和机构两个层面的科学合作情况进行分析,揭示了该项目的国际科学合作中以多边交叉型合作模式、双边交互性合作模式和补充型合作模式为核心的"外、中、内"3层合作体系,总结了大科学项目国际科学合作的基本特征,为我国参与和主导国际大科学合作提供参考借鉴。

基于DCGAN的高分辨率天文图像生成研究

为生成分辨率大于等于256×256的恒星和星系图像,帮助预测未知的恒星和星系,采用了深度卷积对抗生成网络(DCGAN)以及改进的神经元抛弃方法。通过研究对抗生成网络(GAN)的结构,优化了图像生成模型和训练过程,得到了稳定的能够生成高分辨率的恒星和星系图像生成模型。为了验证上述方法的有效性,在实验中采用了斯隆数字巡天数据库(SDSS)中的图像作为训练图像,生成了256×256以及512×512两种高分辨率的恒星和星系图像,并将结果与采用GAN生成的结果进行了对比。实验结果证明上述算法有效可行,能够在保证模型稳定性的前提下,生成清晰度更高的高分辨率恒星和星系图像。

基于熵学习机的恒星光谱分类（英文）

数据挖掘被广泛应用于恒星光谱分类。为了提高传统光谱分类方法性能,提出熵学习机(Entropybased Learning Machine,ELM)。在该方法中,熵用来刻画分类的不确定性。为了得到理想的分类结果,分类的不确定性应最小,基于此,可得ELM的最优化问题。ELM在处理二分类问题和稀有光谱发现等方面具有一定优势。SDSS中K型、F型、G型恒星光谱数据集上的比较实验表明:ELM在进行恒星光谱分类时,其分类性能优于k近邻(k Nearest Neighbor)和支持向量机(Support Vector Machine)等传统分类方法。