一种基于深度学习的伽玛射线暴识别方法与系统

本技术涉及高能天体物理观测数据处理与空间探测信息，具体涉及一种基于深度学习的伽玛射线暴识别方法与系统。

背景技术：

1、伽玛射线暴（gamma-ray burst，grb）是高能天体物理观测中最重要的暂现源之一，通常表现为在极短时间内出现的高能光子计数增强，其持续时间从毫秒量级延伸至数百秒甚至更长。grb的快速识别关系到爆发时刻确定、后随观测触发以及后续物理机制分析。对于引力波、中微子和电磁波联合观测而言，若预警延迟过长，许多早期余辉或快速演化成分将难以及时捕获。因此，如何在卫星载荷连续下传的数据流中尽早识别真实grb，一直是空间高能天文观测中的关键问题。

2、现有空间载荷通常采用阈值触发方式进行初步筛选。该类方法在一个或多个预设时间尺度上统计光子计数，并将候选窗口的计数增强量与参考计数水平进行比较，其显著性可用下式表示：

3、

4、其中，表示候选时间窗口内的观测计数，表示由相邻或历史参考区间得到的参考计数，为稳定常数。阈值触发方法实现简单，便于工程部署，但其判别依据主要集中在计数是否超过阈值，对事件形态、能段演化和多尺度结构利用不足。

5、在实际运行中，单纯依赖阈值触发容易遇到以下问题。首先，空间高能带电粒子、电子学噪声、太阳耀斑以及软伽玛射线重复暴等事件也可能在短时间内造成计数升高，仅凭计数超阈值难以稳定地区分其与真实grb。其次，卫星轨道环境和探测器状态会随时间变化，计数序列中可能出现缓慢漂移或局部波动，固定阈值或少量预设尺度难以兼顾灵敏度和虚警率。再次，一些弱grb、缓慢上升事件或多峰事件的计数增强并不总是集中出现在单一时间窗内；如果为降低误报而提高阈值，这类事件便容易被遗漏。

6、除自动触发外，候选事件通常还需要人工复核。专家需要查看多能段光变曲线、硬度比、探测器响应、粗定位结果以及是否存在已知干扰因素。该过程在少量事件时有效，但面对日常运行中持续产生的候选触发，人工筛查会占用较多时间，并且不同人员对边界样本的判断也可能存在差异。对于要求快速发布通报的多信使观测场景，这种处理方式难以满足实时性要求。

7、近年来，深度学习方法开始用于grb或其他高能瞬变事件识别。已有方法中，有的将光变曲线作为一维时间序列输入网络，有的将不同能段简单拼接后进行分类。这些方法在一定程度上减少了人工规则设计，但仍存在不足：一方面，grb的判别特征并不只体现在某一个时间尺度上，短暴可能具有毫秒级快速上升和窄脉冲，长暴则常伴随较长的辐射主峰和能谱由硬到软的演化；另一方面，不同能段之间的相对变化本身也包含物理信息，若仅使用单尺度一维网络，容易丢失能段-时间平面上的局部结构。对于低信噪比事件或形态不典型事件，这一问题更加明显。

8、此外，天文数据分析不仅要求模型给出分类结果，还需要知道模型为何作出该判断。若识别模型只能输出一个概率值，却不能指示其主要关注的时间区间和能段范围，研究人员在复核候选事件时仍需重新回到原始数据中查找依据。这会降低模型在科学分析流程中的可接受程度，也不利于发现异常触发或新的暂现源形态。

9、因此，有必要提供一种新的grb自动识别方案，使其能够在多能段、多时间尺度的数据表示基础上，同时捕获短时脉冲细节和长时程演化趋势，并在模型判决后给出可追溯的能段-时间贡献区域。这样的方案既可作为卫星触发系统的智能判别环节，也可作为地面数据中心对候选事件进行快速筛查和预警发布的技术手段。

技术实现思路

1、本技术实施例提供一种基于深度学习的伽玛射线暴识别方法与系统，该方法利用多能段、多时间尺度的二维计数图表征候选瞬变事件，通过双支路卷积特征编码和多尺度自适应特征融合，对grb信号的短时脉冲结构、长时程演化趋势以及能段间协同变化进行联合判别，可用于星载快速触发、地面站实时预警以及历史观测数据的批量筛查。

2、为了解决上述技术问题，第一方面，本技术实施例提供一种基于深度学习的伽玛射线暴识别方法，包括以下步骤：首先，构建grb数据集，从grb数据集中提取多能段、多时间尺度的光变曲线，构建二维计数图；然后，将二维计数图输入双分支二维卷积神经网络，提取特征图作为双分支特征；接下来，对双分支特征进行通道增强、跨尺度交互和动态加权融合，得到融合特征图；最后，根据融合特征图，计算候选事件属于真实伽玛射线暴的置信度，并同步输出暴发开始时间估计值和暴发持续时间估计值，依据置信度条件和时间一致性条件输出判决结果。

3、在一些示例性实施例中，构建grb数据集，从grb数据集中提取多能段、多时间尺度的光变曲线，构建二维计数图，包括：接收卫星探测器下传的光子事件列表，针对候选事件，提取其在多个预设能段下的光变曲线；分别以第一时长分格和第二时长分格对各能段光变曲线进行时间重采样，生成对应于所述第一时长分格的第一二维计数图和对应于所述第二时长分格的第二二维计数图；其中，二维计数图的两个维度分别为能段和时间步。

4、在一些实施例中，多个预设能段选自探测器在25~2000 kev能量范围内划分的能道，至少包括25~50 kev、50~100 kev、100~300 kev、300~500 kev和500~900 kev；所述第一时长分格为10毫秒量级，所述第二时长分格为100毫秒量级，且第一时长分格和第二时长分格可根据探测器时间分辨率、计算资源或预警时延要求进行调整。

5、在一些示例性实施例中，双分支二维卷积神经网络包括第一卷积分支和第二卷积分支，所述第一卷积分支和所述第二卷积分支均包括至少两个二维卷积块，每个二维卷积块包括二维卷积层、批归一化层、非线性激活层和池化层；其中，所述第一卷积分支的时间维感受野适配于毫秒级或亚秒级结构，所述第二卷积分支的时间维感受野适配于秒级至百秒级演化结构；

6、在一些示例性实施例中，将第一二维计数图、第二二维计数图分别输入双分支二维卷积神经网络，其中第一卷积分支适配于所述第一时长分格以提取短时脉冲细节特征，第二卷积分支适配于所述第二时长分格以提取长时间演化特征，分别输出第一特征图和第二特征图作为双分支特征。

7、在一些示例性实施例中，双分支特征包括第一特征图和第二特征图；对所述双分支特征进行通道增强、跨尺度交互和动态加权融合，得到融合特征图，包括：在各尺度分支内生成通道注意力权重并对相应特征图进行增强；在短尺度特征和长尺度特征之间建立尺度维度上的交互关系，生成与候选事件相关的动态权重图，并利用所述动态权重图对增强后的特征图进行加权融合，得到融合特征图。

8、在一些示例性实施例中，在各尺度分支内生成通道注意力权重并对相应特征图进行增强，包括：对所述第一特征图和第二特征图分别进行全局平均池化操作，得到对应的通道特征；将通道特征送入由卷积层和 sigmoid 激活函数组成的门控网络，生成通道注意力权重掩码；将所述权重掩码与对应的原始特征图按通道逐元素相乘，获得第一增强特征图和第二增强特征图。

9、在一些示例性实施例中，在短尺度特征和长尺度特征之间建立尺度维度上的交互关系，生成与候选事件相关的动态权重图，并利用所述动态权重图对增强后的特征图进行加权融合，得到融合特征图，包括：将第一增强特征图和第二增强特征图沿构建的尺度维度进行堆叠，形成结构化特征张量；对所述结构化特征张量在所述尺度维度上执行卷积操作以建模跨尺度关联，并将卷积输出沿尺度维度进行 softmax 归一化，生成分别与第一增强特征图、第二增强特征图相同空间尺寸的第一动态权重图和第二动态权重图；将第一动态权重图与第一增强特征图逐元素相乘，将第二动态权重图与第二增强特征图逐元素相乘，再将两者结果相加，获得融合特征图。

10、在一些示例性实施例中，根据融合特征图，计算候选事件属于真实伽玛射线暴的置信度，并同步输出暴发开始时间估计值和暴发持续时间估计值，依据置信度条件和时间一致性条件输出判决结果，包括：将所述融合特征图输入分类器，经全局池化和全连接映射后，由softmax函数获得候选事件属于真实伽玛射线暴和非伽玛射线暴的类别概率，并由开始时间估计分支和持续时间估计分支分别输出暴发开始时间估计值和暴发持续时间估计值；当真实伽玛射线暴类别概率、开始时间估计结果、持续时间估计结果及其在连续滑动窗口内的变化满足预设触发条件时，自动生成包含触发时间、置信度、持续时间、能段信息和事件标识的预警信息并发布。

11、在一些示例性实施例中，在输出判决结果之后，所述方法还包括：对判决结果进行可解释性分析；对判决结果进行可解释性分析，包括：利用梯度加权类激活映射方法，将所述分类器针对所述融合特征图的判决结果进行反向传播，生成与输入计数图对应的激活热力图；所述激活热力图标示出对高置信度贡献最大的能段区域和时间区域。

12、第二方面，本技术实施例还提供了一种基于深度学习的伽玛射线暴识别系统，该系统用于实现上述实施例所述的基于深度学习的伽玛射线暴识别方法，该系统包括：依次连接的数据预处理模块、双支路特征编码模块、多尺度自适应特征融合模块和分类决策模块；其中，数据预处理模块用于构建grb数据集，从grb数据集中提取多能段、多时间尺度的光变曲线，构建二维计数图；双支路特征编码模块用于将二维计数图输入双分支二维卷积神经网络，提取特征图作为双分支特征；多尺度自适应特征融合模块用于对双分支特征进行通道增强、跨尺度交互和动态加权融合，得到融合特征图；分类决策模块用于根据所述融合特征图，计算候选事件属于真实伽玛射线暴的置信度，并同步输出暴发开始时间估计值和暴发持续时间估计值，依据置信度条件和时间一致性条件输出判决结果。

13、针对现有grb触发和候选事件筛查流程中存在的不足，本技术实施例提供了一种基于深度学习的伽玛射线暴识别方法与系统，主要解决以下技术问题：

14、第一，现有阈值触发方法多以单一或少数几个时间尺度上的计数增强作为判断依据。当空间高能粒子、电子学噪声、太阳活动或其他高能暂现源在探测器中产生短时计数增强时，仅凭计数超阈值难以稳定地区分其与真实grb。本技术需要解决的问题之一，是在不增加过多人工规则的情况下，利用候选事件在能段和时间两个维度上的结构信息，提高真实grb与非grb事件之间的可分性。

15、第二，grb的光变形态是复杂多样的。短暴通常表现为快速上升、窄峰和毫秒级结构，而长暴则可能表现为较宽的辐射主峰、多峰叠加并且能谱随时间缓慢演化。如果仅采用单一时间分辨率的输入，时间分格过细时，全局演化信息不够完全；时间分格过粗时，短时脉冲细节又容易被平滑。本技术需要解决的另一问题，是在同一识别框架下同时保留短时细节和长时趋势。

16、第三，现有候选事件处理流程通常包含若干互相独立的环节，例如候选窗口提取、特征查看、人工复核和预警发布。该流程在离线分析中尚可接受，但在需要快速响应的观测场景中，会显著增加处理延迟。本技术希望将光子事件列表输入、计数图构建、模型判别和预警信息生成组织成连续的自动化流程，使其能够适应地面站实时分析或星载实时的智能处理的需要。

17、第四，对于天文观测数据而言，仅给出一个分类概率并不足够。研究人员还需要知道模型判定该候选事件为grb时主要依据了哪些时间段、哪些能段以及哪些局部结构。本技术还需要解决模型判决的可解释性问题，使识别结果能够被快速复核，并为后续物理分析提供可追溯的线索。