方法:数据分析

摘要： 研究发现,太阳自转速率的变化与太阳活动之间存在一定的联系,但是不同学者的研究结论存在着矛盾:有的认为两者为正相关,而有的却认为是负相关.究竟两者之间是什么关系,需要做进一步深入的分析.利用EEMD(Ensemble Empirical Mode Decomposition)等方法对太阳自转速率和太阳黑子数据序列进行相关关系以及相位关系的计算和分析,以探讨太阳自转速率变化与太阳活动之间的关系.研究发现:两者的长期趋势项分量呈显著负相关;在11 yr左右周期分量上,观测到的太阳自转速率滞后太阳黑子的变化约2 yr时,呈显著负相关关系,超前3 yr时呈现次显著的正相关;对太阳活动第12-23周各周内部太阳黑子与太阳自转速率的相关分析表明,两者的关系比较复杂,但负相关关系更为显著.这为进一步理解太阳活动变化与太阳自转速率变化之间的成因联系提供了新的依据.

摘要： 简要介绍了4种北斗双频组合共视(Common-View,CV)模型,设计并实现了RINEX(Receiver Independent Exchange Format)转换CGGTTS(Common GNSS(Global Navigation Satellite System)Generic Time Transfer Standard)的工具软件rnx2cgg,解决了CGGTTS V2E(Version 2 Extended)不支持北斗三号(BDS-3)新信号体制的问题.系统性地分析了北斗授时误差源,包括空间信号测距误差、伪距测量噪声、差分码偏差,并根据误差模型给出了北斗双频共视的权函数.最后,利用BSNC(Beijing Satellite Navigation Center)和MGEX(The Multi-GNSS Experiment and Pilot Project)观测站数据,开展了北斗授时、站间共视时间传递性能分析.试验结果表明:北斗时从地面段到空间段、用户段的全链路双频共视闭合差的标准差(Standard Deviation,STD)优于2 ns.北斗双频共视噪声水平约0.7 ns,长距离频率比对的中短期附加频率稳定度约1×10^(-9)/τ(τ表示时间间隔).

摘要： 针对目前极移最小二乘(Least Square,LS)+自回归(AutoRegressive,AR)预报模型的单一数据选取方案,提出分别考虑LS模型数据量和AR残差数据量的组合数据模式,并对极移预报时单一数据和组合数据预报结果精度进行分析,探讨模型输入数据量对极移预报精度的影响.结果表明,模型输入数据量的变化对极移预报结果影响较大.采用组合数据预报的方式相比较于单一数据量预报方式精度更高,特别是针对30--360 d跨度内的中长期预报,组合数据量的极移预报精度可比单一数据量预报精度有较大改善.结论证明组合数据在极移预报时具有一定的优势,可为以后极移预报数据量选取提供一定的借鉴参考意义.

摘要： 定义了一个新的量,曲率宽度,去检查同步模型与伽玛射线暴(GRB)光谱的一致性.此量用于测量GRB中辐射能谱(vF_(v),v和F_(v)分别是频率和随频率变化的能量流量)峰值处的光谱拐折锐度.然后使用它检查了理论同步模型与观测到的GRB光谱之间的一致性.首先计算几种典型的同步模型的曲率宽度,包括单能、单幂律和拐折幂律电子同步模型.其次从Fermi/GBM(Gamma-ray Burst Monitor)长GRB时间分辨光谱目录中选择包含1198个光谱的GRB样本,将光谱与常用的经验模型拟合,并计算最佳拟合模型的光谱曲率宽度.通过比较两个曲率宽度,发现大多数样本与同步模型不一致,因为同步模型的光谱拐折比数据的光谱拐折更加平滑.结果表明同步模型很难适合大多数观测到的GRB光谱.此外,在暴脉冲中发现光子流量和曲率宽度之间存在强的反相关性,这表明流量越高,光谱拐折越尖锐,或者与同步模型的偏差就越大.

摘要： 研究了Blazar天体3C 66A光学波段的准周期光变行为.收集了3C 66A光学V波段将近18 yr (2003-2021年)的测光数据,观测数据主要来源是:上海天文台(ShAO)、 AAVSO (The American Association of Variable Star Observers)数据库、Steward天文台.使用了Jurkevich和Lomb-Scargle两种方法分析了光变数据.Jurkevich方法得到了(850±90) d (~2.3 yr)和(1150±140) d (~3.2 yr)的光变周期,而Lomb-Scargle方法在充分考虑了“红噪声”效应之后同样得到了(869±70) d和(1111±90) d的光变周期,它们的置信水平分别为>99%和> 95%.通过与之前的研究结果比较,发现~2.3 yr的光变周期在3C 66A的历史光变数据中是一个稳定的周期,而~3.2 yr的周期则是不稳定的.

摘要： F_(10.7)太阳辐射通量作为输入参数被广泛运用于大气经验模型、电离层模型等空间环境模型,其预报精度直接影响航天器轨道预报精度.采用时间序列法统计了太阳辐射通量F_(10.7)指数和太阳黑子数(SSN)的关系,给出了两者之间的线性关系,在此基础上提出了一种基于长短时记忆神经网络(Long and Short Term Memory,LSTM)的预报方法,方法结合了54 d太阳辐射通量指数和SSN历史数据来对F_(10.7)进行未来7 d短期预报,并与其他预报方法的预报结果进行了比较,结果表明:(1)所建短期预报7 d方法模型的性能优于美国空间天气预报中心(Space Weather Prediction Center,SWPC)的方法,预测值和观测值的相关系数(CC)达到0.96,同时其均方根误差约为11.62个太阳辐射通量单位(sfu),预报结果的均方根误差(RMSE)低于SWPC,下降约11%;(2)对预测的23、24周太阳活动年结果统计表明,太阳活动高年的第7 d F_(10.7)指数预报平均绝对百分比误差(MAPE)最优可达12.9%以内,低年最优可达2.5%以内;(3)联合SSN的LSTM结果和仅使用单变量F_(10.7)的LSTM结果对比显示,新引入的SSN在改进LSTM预测方面是有效的,并且这两个模型的RMSE较SWPC分别低约11%和5%.

摘要： 与传统CCD(Charge Coupled Device)相机相比,sCOMS(scientific Complementary Metal Oxide Semiconductor)相机被广泛装备于超大天区巡天设备,与传统CCD相机不同的是sCMOS相机采用卷帘式快门,因此对其进行测光精度的分析工作是很有意义的.首先,将sCMOS相机拍摄的图像与UCAC2(The Second U.S.Naval Observatory CCD Astrograph Catalog)星表进行匹对,识别图像中的UCAC2标准星.接着对图中的标准星进行测光并提取测光数据进行最小二乘直线拟合,获得了相应的系统转换系数并得到仪器星等至标准星等的转换公式.然后,将转化后的仪器星等和标准星等做差并计算相应的均方根误差.最后,利用计算得到的均方根误差评估sCMOS相机的测光精度,并将标准星按星等划分后,分析了相应的测光误差.计算结果表明在标准测光夜测量亮度亮于14等的星时,测光精度优于0.15 mag.通过实测精度分析可知卷帘快门sCOMS相机具有较高的测光精度,基本满足空间碎片巡天观测的要求.

摘要： 星系的结构和形态能够反映星系自身的物理性质,其形态的分类是后续分析研究的一个重要环节.EfficientNet模型使用复合系数对深度网络模型的深度、宽度、输入图像分辨率进行更加结构化的统一缩放,是一种新的深度网络优化扩展方法.将该模型应用于星系数据形态的分类研究中,结果表明基于EfficientNet-B5模型的平均准确率、精确率、召回率以及F1分数(精确率与召回率的调和平均数)都在96.6%以上,与残差网络(Residual network,ResNet)中ResNet-26模型的分类结果相比有较大的提升.实验结果证明EfficientNet的深度网络优化扩展方法可行且有效,可应用于星系的形态分类.

摘要： 边带分离(Sideband-separating,2SB)接收可实现上边带(Upper Sideband,USB)和下边带(Lower Sideband,LSB)信号同时观测,观测效率高且上、下两边带不会出现混叠.因此在射电天文观测应用中越来越受到重视.由于全模拟边带分离接收机存在难以克服的幅度和相位误差,导致了边带抑制率较低,影响了系统的性能.数字边带分离接收机可通过数字信号处理方法,有效改善系统边带抑制率.在3-18 GHz频段构建数字边带分离接收机原理实验,并基于边带分离理论和数字校准方法,实现实验系统的边带不平衡度校准,大大改善了系统的边带抑制率.

摘要： 针对目前从海量的快速射电暴(Fast Radio Burst,FRB)候选体中人工筛选FRB事件难以为继的现状,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)的FRB候选体分类方法.首先,通过真实的观测数据和仿真FRB组成训练和测试样本集.其次,建立了二输入的深度卷积神经网络模型,并对其进行训练、测试和优化,获取FRB候选体分类器.最后,利用来自脉冲星的单脉冲数据对该分类器的有效性和性能进行了验证.实验结果表明,该方法可以快速从大量候选体中准确识别出单脉冲事件,极大地提高了FRB候选体的处理速率和效率.

摘要： 根据本发明，信息关于与建议者已经聚焦于的任意地定义的项目有关的具体字段被提供，并且被包括在包括出勤数据的与雇员的健康状况有关的数据中。这一数据分析设备被提供有：数据获取装置51，其获取两个或者更多个雇员的健康状况数据和出勤数据；属性数据生成装置52，其针对雇员中的每个雇员，通过使用预定时间分辨率、预定时间范围和预定聚合方法来生成出勤数据的预定字段的属性数据；模型学习装置53，其使用指定的目标字段作为对象变量并且使用属性数据的字段中的每个字段作为说明变量来学习由多项式表达式表达的模型；有关字段提取装置54，其基于学习的模型来提取与目标字段有关的属性数据的字段；以及概括装置55，其基于关于提取的字段的信息来概括和输出指定的雇员的出勤数据。

摘要： 本发明涉及评价多个对象数据的数据分析，该评价对应于各对象数据与预定案例的相关性。通过评价生成能够使多个对象数据序列化的指标，基于用户给出的输入指标发生变化。多个对象数据的序列根据基于输入变化的指标变化。输入对与多个对象数据不同的参照数据，基于该参照数据与预定案例的相关性来分类。该分类是根据参照数据内容分为多个分类信息，多个分类信息中的至少一个通过输入赋予至参照数据。本发明根据由输入赋予的分类信息从该参照数据中提取以该参照数据为特征的模式。本发明基于提取的模式，评价对象数据与预定案例的相关性并决定指标，将决定的指标设定为对象数据，根据指标将多个对象数据序列化，将序列化的多个对象数据通知给用户。

摘要： 随机数生成部(404)根据多个种子生成多个随机数。数据扰乱部(405)使用由随机数生成部(404)生成的多个随机数，对作为隐匿化对象的隐匿化对象数据进行隐匿化。发送部(406)向数据分析装置发送由数据扰乱部(405)隐匿化后的隐匿化对象数据即隐匿化数据，在将隐匿化数据发送到数据分析装置后，向数据分析装置发送多个种子中的任意种子。

摘要： 实现集成模型的预测精度和分析时间的协调。因此，在使用合并基于第1～第n模型的推理而进行推理的集成模型(300)进行数据分析时，从模型数据的第i模型群选择构成集成模型(300)的第i模型(1≤i≤n)，第1～第n模型群的至少1个模型群包括多个模型，分别从第1～第n模型群(301～303)，选择能够构成满足针对数据分析的性能要件以及针对数据分析所需的时间的制约要件的集成模型的第1～第n模型。

摘要： 在序列数据分析装置(10)中，计算部(21)比较作为观测某事件而得到的时间序列数据的输入序列数据(32)与作为关于该事件的标准时间序列数据的参照序列数据(31)，提取相互对应的输入序列数据(32)的数据元素与参照序列数据(31)的数据元素的组合。计算部(21)按照提取出的每个组合，计算输入序列数据(32)中的事件的进展相对于参照序列数据(31)中的事件的进展的相对速度即相对进展速度。判定部(22)根据由计算部(21)计算出的相对进展速度，判定输入序列数据(32)中的事件的进展是否存在异常。

摘要： 本发明公开了一种数据分析装置、数据分析处理系统和数据分析方法，包括处理器01，所述处理器01上安装有数据分析器02，处理器01外侧连接有电源03，所述处理器01还与网络大数据库04相连，其数据分析方法包括以下步骤：步骤S100，确定分析指令中的指定分析源；步骤S101，从分析源处接收源数据；步骤S102，对分析源的源数据进行分析；步骤S103，显示分析结果以及数据关系。本发明中，通过追踪并记录用户的操作信息及关注信息，并以关键字的形式进行单独存储，相当于用户主动为自己进行备注与标签，与用户主动咨询获取的信息不同，这种信息更加的贴近用户实际，且在一定程度上显示出用户的实时性与阶段性需求变化，使得数据分析的结果更加的细致与精确。

摘要： 一种数据分析设备(10)，包括：频率分析单元(11)，其在预定条件下对多个训练数据块中的每块执行频率分析，所述多个训练数据块包括其中一些已经被分配了指示数据类的标签的多个类的训练数据块；聚类分析单元(12)，其将频率分析后训练数据块聚类成数个类的频率分析后训练数据；计算单元(13)，其基于聚类来计算被分配了同一标签的频率分析后训练数据块没有被包括在同一聚类中的程度；以及选择单元(14)，其从多个被计算出的程度当中选择根据当最小的程度被计算出时的聚类分析单元(12)的聚类结果，作为用于对训练数据块分配标签的聚类模型。

摘要： 本发明涉及评价多个对象数据的数据分析，该评价对应于各对象数据与预定案例的相关性。通过评价生成能够使多个对象数据序列化的指标，基于用户给出的输入指标发生变化。多个对象数据的序列根据基于输入变化的指标变化。输入对与多个对象数据不同的参照数据，基于该参照数据与预定案例的相关性来分类。该分类是根据参照数据内容分为多个分类信息，多个分类信息中的至少一个通过输入赋予至参照数据。本发明根据由输入赋予的分类信息从该参照数据中提取以该参照数据为特征的模式。本发明基于提取的模式，评价对象数据与预定案例的相关性并决定指标，将决定的指标设定为对象数据，根据指标将多个对象数据序列化，将序列化的多个对象数据通知给用户。

摘要： 根据本发明，信息关于与建议者已经聚焦于的任意地定义的项目有关的具体字段被提供，并且被包括在包括出勤数据的与雇员的健康状况有关的数据中。这一数据分析设备被提供有：数据获取装置51，其获取两个或者更多个雇员的健康状况数据和出勤数据；属性数据生成装置52，其针对雇员中的每个雇员，通过使用预定时间分辨率、预定时间范围和预定聚合方法来生成出勤数据的预定字段的属性数据；模型学习装置53，其使用指定的目标字段作为对象变量并且使用属性数据的字段中的每个字段作为说明变量来学习由多项式表达式表达的模型；有关字段提取装置54，其基于学习的模型来提取与目标字段有关的属性数据的字段；以及概括装置55，其基于关于提取的字段的信息来概括和输出指定的雇员的出勤数据。

摘要： 本发明提供了一种数据分析装置、数据分析处理系统和数据分析方法，其中，该装置包括相互连接的数据获取模块和数据分析模块；数据获取模块通过网络与用户的一个或多个用户终端连接；数据分析模块通过网络与业务执行装置连接；数据获取模块用于通过网络获取所连接用户终端的用户信息，将广电网与互联网中对应同一用户的用户信息进行绑定保存；其中，用户信息包括用户注册信息和用户业务行为信息；数据分析模块用于对用户业务行为信息进行分析处理，生成数据分析结果，并将数据分析结果发送至业务执行装置，以使业务处理装置根据数据分析结果执行用户的业务。本发明提高了信息数据再利用的价值。