We selected 82 u-band variable objects based on the u-band photometry data from SCUSS and SDSS, in the field of LAMOST Complete Spectroscopic Survey of Pointing Area at Southern Galactic Cap. The magnitude variation of the targets is restricted to larger than 0.2 mag and limiting magnitude down to 19.0 mag in u-band. According to the spectra from LAMOST, there are 11 quasars with red-shift between 0.4 and 1.8, 60 variable stars and 11 unidentified targets. The variable stars include one active M-dwarf with a series of Balmer emission lines, seven Horizontal Branch stars containing six RR Lyrae stars matching with SIMBAD, and one giant, one AGB star and two RR Lyrae candidates by different colour selections. All these variable stars mainly locate near the main sequence in the g-r verse u-g diagram. The quasars are well distinguished from stars by both u-g colour and variation in u-band.
Red Clump Stars from the LAMOST data I: identification and distance
我们提出了一个样本的约120,000红团候选人选择从LAMOST DR 2目录的基础上的经验分布模型在有效温度与表面重力平面。虽然红团星一般被认为是标准烛光，但它们的绝对星等并不局限在一个狭窄的范围内，而是可能根据它们的初始质量而扩展到超过1等。因此，传统的过于简化的距离估计与固定的光度假设可能会导致系统的偏差有关的初始质量或年龄，这可能会影响研究银河系的演化与红团星。因此，我们采用等时线为基础的方法来估计的绝对星等的红丛星从他们观察到的表面重力，有效温度和金属丰度。我们验证，估计以及删除系统，并提供一个初始的质量/年龄独立的距离估计精度小于10%。
Identification of new classical Be stars from the LAMOST MRS survey
Be星是B型主序星，在光谱中显示出宽的巴耳末发射线。Be粒子数的确定对于进一步研究Be粒子的形成和演化模型是至关重要的。我们报告的检测经典Be（CBe）星的观测与大天区多目标光纤光谱望远镜中分辨率巡天的日期发布7（LAMOST MRS DR 7）。我们使用了一个深度卷积神经网络ResNet，它有一个18层的模块来检查H alpha轮廓的形态。我们从数据库中789，918颗恒星的2，260，387个光谱中确定了1，162颗候选Be星。ResNet网络实现了99.5%的Be星分类准确率。在这些探测中，有151颗是以前已知的Be星，是从文献中交叉匹配的。通过应用三步测试，我们确定了183个新的CBe星。我们发现41颗CBe星是已知的疏散星团的成员。根据对盖亚EDR3天体测量解中确定的CBe星的运动学研究，我们确定了16个新的失控星。这些新的鉴定将为今后进一步研究其物理性质提供参考。
The identification of new Herbig Ae/Be stars from LAMOST DR7
College of Physics, Hebei Normal University（河北师范大学物理学院）；National Astronomical Observatories, Chinese Academy of Sciences（中国科学院国家天文台）；Guo Shoujing Institute for Astronomy, Hebei normal University（河北师范大学郭守敬天文台）；Department of Physics and Astronomy “Augusto Righ”, University of Bologna（博洛尼亚大学物理与天文学“奥古斯托·里吉”系）
Mira Variable Stars From LAMOST DR4 Data: Emission Features, Temperature Types, and Candidate Selection
基于广泛的光谱研究的光度确认样本的Mira变量，我们发现之间的关系相对巴耳末发射线强度和光谱温度富O的Mira星。当恒星从M0冷却到M10时，$F_{\rm Hδ}/F_{\rm Hγ}$的通量比从小于1增加到5，这可能是由于在最深的冲击波发射区域上方增加TiO吸收。我们还讨论了我们的Mira样本星的Balmer发射线的等效宽度和光度光度相位之间的关系。利用我们的291个Mira光谱作为参考模板，从LAMOST DR 4星表中新识别出191个Mira候选者。我们总结的标准，通过选择米拉候选人的发射线指数和分子吸收带的基础上。这种放大的光谱样本的Mira变量有可能大大有助于我们的知识的Mira恒星的光学性质，并将促进这些晚型，长周期变量的进一步研究。
Photometric Distances for Metal-poor Giants and a Search for Hypervelocity Stars with LAMOST DR13 and Gaia DR3
Institute for Frontiers in Astronomy and Astrophysics, Beijing Normal University（北京师范大学天文与前沿科学研究院）；School of Physics and Astronomy, Beijing Normal University（北京师范大学物理与天文学院）；School of Astronomy and Space Science, University of Chinese Academy of Sciences（中国科学院大学天文与空间科学学院）
Chemical and kinematic analysis of CN-strong Metal-poor Field Stars in LAMOST DR3
在大型光谱巡天中获得的大量化学和运动学信息激发了在该领域寻找化学奇特恒星的灵感。虽然这些贫金属场星（[Fe/H $]<-1$）通常富含氮，但它们详细的空间、运动学和化学分布表明可能存在各种各样的恒星群，因此它们的起源仍然是一个谜。为了从统计学上研究这些恒星，我们首次用LAMOST DR 3识别新的CN强恒星来增加样本量。我们利用4000 nm ~的CN-CH带寻找CN强星，并进一步将它们分为CH正常星（44）和CH强（或CH）星（35）。我们的数据驱动软件和APOGEE DR 14的化学丰度表明，大多数CH-正常星是富N的，它不能用内部混合过程来解释。我们的CH-正常恒星的运动学表明，这些恒星的相当大的一部分是逆行，指向河外起源。CH-正常星的化学和运动学暗示它们可能是GC-溶解星，或吸积晕星，或两者兼而有之。
S-type stars discovered in Medium-Resolution Spectra of LAMOST DR9
本文报道了从LAMOST中分辨率光谱巡天数据Release 9中识别出的606颗S型星，其中539颗为首次报道。这些恒星的发现是一个三步过程，即，选取ZrO波段指数大于0.25的星，用迭代支持向量机方法排除非S型星，最后保留绝对热星等大于-7.1的星。这606颗恒星与色星等图中已知的S-型恒星的分布一致。我们分别用APOGEE和MARCS模型提供的[C/Fe]和[O/Fe]估算了S型星的C/Os，两种方法的结果都表明所有恒星的C/Os都大于0.5。色星等图上的位置和C/O进一步验证了我们的S型样本的性质。研究了TiO和大气参数对样品中ZrO的影响，发现log g对ZrO的影响比Teff和[Fe/H]更显著，TiO和log g都可能与ZrO呈负相关。根据Tian et al.（2020）的标准，从LAMOST MRS正式发布的星表和Zhang et al.（2021）的星表中，通过零点标定的径向速度，共发现238个候选双星。这606颗S型恒星的目录可从以下链接https://doi.org/10.12149/101097获得。
A Robust Hot Subdwarfs Identification Method Based on Deep Learning
热亚矮星是一种特殊类型的恒星，对于研究双星演化和大气扩散过程至关重要。近年来，通过机器学习方法识别热次矮星已成为一个热门话题，但在自动化和准确性方面仍然存在局限性。提出了一种基于卷积神经网络（CNN）的鲁棒辨识方法。我们首先使用LAMOS DR 7-V1的光谱数据构建数据集。然后，我们构建了一个混合识别模型，包括一个8类分类模型和一个二进制分类模型。该模型在测试集上达到了96.17%的准确率。为了进一步验证模型的准确性，我们从已识别的LAMOST星表（2428个，包括重复观测）中选择了835个未参与训练过程的热次矮星作为验证集。准确率为96.05%。在此基础上，利用该模型对LAMOST DR 7-V1的10，640，255条光谱进行了筛选和分类，得到了2393个候选热亚矮星的星表，其中2067个已被确认。通过手动验证，我们在剩余的候选者中发现了25个新的热次矮星。模型的总体准确率为87.42%。总体而言，该模型能够有效识别特定光谱，识别结果稳健，准确率高，可进一步应用于大尺度光谱的分类和特定目标的搜索。
Exploring the spectral \textit{information content} in the LAMOST medium-resolution survey (MRS)
低分辨率光谱被证明在确定许多恒星的标签在可比的精度竞争的高分辨率光谱。在评估恒星光谱的能力时，考虑光谱信息量是有用的，以获得精确的恒星标签。在这项工作中，我们量化的信息内容所带来的LAMOST-II中分辨率光谱调查（MRS）使用梯度光谱和系数的依赖（COD）。在一般情况下，MRS的波长覆盖范围以及约束的恒星标签，但不同的恒星标签的灵敏度不同的光谱类型和感兴趣的恒星的金属丰度，因此，影响性能的恒星标签确定从MRS光谱。将SLAM应用于模拟MRS数据的合成光谱，发现当结合MRS的蓝波段和红波段时，恒星基本参数Teff，logg和[M/H]的精度更高。这对于暖星尤其重要，因为位于红波段的H $α$线在确定暖星的有效温度中起着更重要的作用。蓝色和红色部分在一起，我们能够达到与低分辨率光谱相似的性能，除了温暖的恒星。然而，在[M/H] $\sim-2.0$ dex，从MRS估计的基本恒星标签的不确定性大大大于那些从低分辨率光谱。我们还测试了由径向速度失配引起的MRS数据的Teff、logg和[M/H]的不确定性，发现对于LAMOST MRS数据典型的约1 km s $^{-1}$的失配不会显著影响恒星标签估计。最后，利用合成梯度谱计算了参考精度限，据此我们期望至少17种元素的丰度可以从MRS谱中精确测量。
A Search for Double-peaked narrow emission line Galaxies and AGNs in the LAMOST DR1
LAMOST已经发布了超过200万个光谱，这为寻找双峰窄发射线（NEL）星系和活动星系核提供了机会。双峰窄线轮廓可以很好地模拟两个速度分量，分别蓝移和红移相对于系统衰退速度。本文介绍了20个双峰NEL星系和AGN从LAMOST DR 1搜索方法的基础上多高斯拟合的窄发射线。其中10颗已经由其他作者发表，要么被列为真正的双峰NEL天体，要么被列为不对称NEL天体，其余10颗是首次发现。我们讨论了双峰窄线特征的一些可能的起源，如喷流与窄线区的相互作用，与伴星系和黑洞双星的相互作用。需要空间分辨光学成像和/或其他光谱波段的后续观测，以进一步讨论工作中的物理机制。
The Stellar "Snake"-III: Co-evolution of Stars and Molecular Clouds Unveiled by Gaia, MWISP, and LAMOST
School of sciences, HangZhou Dianzi University（杭州电子科技大学理学院）；Zhejiang Branch of National Astronomical Data Center（国家天文台浙江分中心）；Institute of Astronomy and Information, Dali University（大理大学天文与信息学院）；School of Physics and Astronomy, China West Normal University（西华师范大学物理与天文学院）；Purple Mountain Observatory, Chinese Academy of Sciences（中国科学院紫金山天文台）
Identification of BASS DR3 Sources as Stars, Galaxies and Quasars by XGBoost
北京-亚利桑那巡天（BASS）数据发布3（DR 3）目录于2019年发布，其中包含2015年1月至2019年3月期间所有BASS和Mosaic z波段Legacy Survey（MzLS）观测的数据，约2亿个源。我们交叉匹配BASS DR 3与斯隆数字巡天（SDSS）和大天区多目标光纤光谱望远镜（LAMOST）的光谱数据库，以获得已知样本的光谱类。然后，将样本与ALLWISE数据库进行交叉匹配。基于样本的光学和红外信息，我们使用XGBoost算法来构建不同的分类器，包括二分类和多类分类。这些分类器的最佳输入模式的准确率大于90.0%。最后，在BASS DR 3目录中的所有选定的源被这些分类器分类。各个源的分类标签和概率由不同的分类器分配。当二元分类的预测结果与用光学和红外信息进行的多类分类结果相同时，恒星、星系和类星体的候选数分别为12375838（P_S>0.95）、18606073（P_G>0.95）和798928（P_Q>0.95）。对于这些没有红外信息的源，预测结果可以作为参考。这些候选者可以作为LAMOST、DESI或其他项目的输入目录，用于后续观测。该分类结果将对BASS DR 3源的进一步研究具有重要的参考价值。
