厘米-分米波段Ⅲ型爆发的统计分析

统计分析了太阳第23周期间（2000年7月至2004年9月）在625-1500MHz,2600-3800MHz和5200-7600MHz范围频谱仪观测到的Ⅲ型射电爆发．给出了Ⅲ型爆发的分布、寿命、频率漂移率、偏振度和频率带宽．结果显示,频率漂移率和频率带宽的平均值随频率的增加而增大,寿命和偏振度的平均值既不是常数也不是在宽频延伸上保持均匀不变的．最多的Ⅲ型爆发分布在625-3800MHz范围内,且随频率的增加而增多．分析表明,电子加速和能量释放地点主要是在分米波范围内,这个频率范围的特征可能与分米波段上的磁位形有关,并且与主耀斑地点附近磁重联区中的电子加速有关．然而,还有相当数量的Ⅲ型爆发发生在5200-7600MHz范围内,这个特征表明电子加速的地点是在一个日冕的宽范围中．关于厘米—分米波段Ⅲ型爆发的辐射机制最可能包含相干的等离子体辐射或电子回旋脉泽辐射过程．     

空间柔性网—膜结构分析的数学规划算法

 提出了以参数变分原理为基础的数学规划算法, 以计算分析太空用品中网- 膜结构起皱现象。针对网状柔性结构分析, 算法的原理是将结构化成多个具有一定非线性本构关系的杆单元, 并在此基础上进行杆系结构非线性分析的规划算法构造, 可以较好地模拟网状柔性结构的起皱性质。而对于一般的膜结构, 则构造了用于直接分析的膜单元相对应的本构模型, 并在此基础上构造问题的求解算法。不同于常规的数值计算方法, 提出的算法不依赖于应力的迭代过程。参数变分原理和数学规划算法的应用, 使本算法可以很有效地分析预测网- 膜起皱的区域、模式和应力分布, 从而为解决网- 膜结构起皱问题提供依据。给出的数值算例说明了方法正确与有效性。     

太阳微波射电快速精细结构亚类型的观测分析

通过分析"云南天文台4波段太阳射电快速同步观测系统"1990-01-1994－01取得的103个射电爆发，发现其中29个存在不同类型的快速精细结构（FFS）．尤其是发现了几个少见的亚类FFS现象．本文仅介绍两个亚类型：窄带变周期脉动和宽带慢漂移长周期脉动．这些现象表明太阳射电FFS的多样性，它们发生在射电爆发的不同阶段（耀斑不同相），从而说明在耀斑演化中日冕非热电子的加速或注入可能贯穿于整个耀斑发展过程．由于耀斑后相FFS的发生，可验证耀斑后相存在磁重联和似环结构（耀斑后环）的重新形成．由于不同的亚类FFS反映日冕中存奇特别的环境条件，从而推测日冕中可能存在更复杂的多重类型的磁结构．     

太阳质子事件预报和射电Ⅰ型噪暴

太阳是一个异常活跃的天体,其爆发过程会对地球周围空间环境产生重要影响.通常,单个高能质子即足以引起飞行器中微电子器件出现异常,因此太阳质子事件预报是空间天气预报的重要内容.关于预报模型的参数选择尚有值得改进之处.研究认为,I型噪暴与日冕加热磁重联具有密切关系,可以作为预报参数.通过两个典型太阳爆发事件的详细资料分析,说明了I型噪暴与质子事件及CME的相关性.     

太阳爆发抵近探测——“触碰计划”

本文旨在介绍一项具有重大科学意义和应用价值的深空探测任务构想.该任务将对驱动恒星大尺度爆发过程的中心结构（即磁重联电流片）进行抵近（原位）探测，主要目的是详细研究发生在离地球最近的恒星-太阳上的大尺度磁重联过程的精细物理特征，揭示太阳系中最为剧烈的能量释放过程（即太阳爆发或太阳风暴）的奥秘.该任务的科学目标:磁重联过程是发生在宇宙磁化等离子体中的能量转换和释放的核心过程，其一直是太阳物理、等离子体物理、空间科学研究领域内的一个极为重要的研究课题及研究方向.通过抵近观测可以将同样设备的分辨能力提高5~20倍，将提供在地球附近无法获得的太阳超清晰图像以及相应的物理信息，让人类在一个前所未有的平台上来研究、认识和了解太阳，从而解决太阳爆发核心驱动过程的精细物理性质与日冕加热等长期困扰太阳物理研究领域的难题.      

嫦娥系列探月卫星无线电科学实验简介

在"嫦娥1/2/3号"系列探测任务中开展了行星无线电科学探测实验,这些工作包括:使用天文VLBI技术对探测器进行工程和科学测轨、定位观测,开环和闭环测速测距观测,基于微波观测重构和优化月球重力场模型,通过重力异常揭示质量瘤和撞击盆地。星载或器载主/被动雷达设备还用于探测月壤和月球内部结构。在"嫦娥2号"任务中,实现了对拉格朗日平动点利萨如轨道飞行的测控,以及对图塔蒂斯小行星的飞掠探测。在"嫦娥3号"任务中,实现了多通道开环3向相位测距和多普勒测速技术。该月球无线电相位测距技术LRPR作为一种新的空间测量技术,可以用于测定台站的位置、潮汐、星体的自转特性。还可以与月球激光测距技术LLR融合,监测月球动力学运动变化,并有潜力用于未来的火星探测任务。     

抽油机故障诊断的分布驱动主动学习算法

抽油机示功图直观显示了抽油机工作情况，但实际工况情况呈现典型的长尾分布特性，类别严重不平衡。传统方法无法准确识别小类别工况，也无法获得井下工作状态准确识别。针对这一问题，提出一种基于分布驱动的多类别长尾数据代价敏感主动学习算法（Cost-sensitive active learning algorithm based on distribution -driven multi-class long-tailed data， CALA）。首先，考虑数据分布特性，以最小化代价为优化目标确定数据的最佳聚类簇数；其次，通过加入预分类误差代价来更新之前得到的最佳聚类簇数；然后，构建集成分类模型作为分类器；最后，通过迭代来平衡数据分布。采用某油田真实的示功图数据进行测试，显著性实验分析证明CALA在小类别工况诊断上具有更好的性能。