通过数据与特征增强提高伽玛射线暴 (GRB) 识别方法

伽玛射线暴 (GRB) 因其瞬时性、复杂的时间轮廓以及有限的观测数据集而具有识别挑战。我们采用集成自适应频率特征增强模块和物理信息增强的一维卷积神经网络来解决此问题。该框架生成100,000个合成 GRB样本，扩充训练数据的多样性与数量，同时保持物理忠实性——尤其对于低信噪比事件。模型实现97.46%的分类准确率，超越所有采用常规增强模块的变体，凸显了对特定领域特征的捕获能力。特征可视化显示，模型聚焦于深层结构化特征，并确认其从提取物理上有意义的暴现象特征的能力。降维和聚类揭示，具有相似形态或祊生源起源的 GRB 在特征空间中聚集，链接所学特征与物理属性。这或许为识别与超新星相关的 GRB 候选者提供了一种新型诊断工具，确立准则以增强多信使早期警报系统。该框架有助于当前时域调查，适用于其他稀有瞬时现象，推动大规模观测数据中的自动化检测。