基于深度学习的北斗多频信号智能捕获算法在电力定位模块中的Transformer编码器优化与性能提升研究

本文提出融合感知驱动的多频特征提取模型，通过多通道一维卷积神经网络（1D-CNN）并行提取B1/B2/B3频段时频特征，结合Transformer与双向LSTM实现跨频段上下文感知，在标准电力定位测试平台实现定位误差降至0.48?m（较传统方法降低23%），准确率达98.7%（提升12.4%），显著提升复杂电磁环境下的定位鲁棒性与实时性。

　　

Highlight

信号预处理与归一化

在智能捕获算法的相关研究中，信号预处理与归一化被视为优化北斗多频信号识别性能的关键步骤。多数研究致力于提升多频信号在时频域的可辨识度：首先对原始接收信号进行幅度归一化，以消除环境因素导致的振幅偏差，使模型能够专注于学习信号的本质波形特征。

多频特征提取与融合框架

多频信号包含北斗各频点（如B1频点1.57542?GHz、B2频点1.20714?GHz）的特征信息。传统算法往往独立处理各频点，导致频间耦合关系未被充分挖掘。通过短时傅里叶变换（STFT）可获得频谱图像，为后续深度学习建模提供可视化特征。

短时傅里叶变换公式为：STFT(t, f) = ∫x(τ)g(τ-t)e^-j2πfτdτ，其中x(τ)为信号，g(τ-t)为滑动窗函数。基于频谱图，构建多通道一维卷积神经网络（1D-CNN）分别提取各频段时域特征，再通过Transformer编码器实现跨频段注意力加权融合。

实验数据集与数据划分

为验证所提深度学习算法在单北斗多频信号捕获中的有效性，并评估其在真实电力定位模块的应用性能，本研究构建了覆盖多类场景与多频段信号的实验数据集，结合真实电力环境采集数据与仿真生成数据形成综合测试平台。实验在搭载北斗三号接收芯片的原型设备上部署，包含12,800组样本（训练集70%、验证集15%、测试集15%），涵盖变电站、架空线路、城市地下管网等典型电力场景。

结论

本研究通过架构创新引入多通道1D-CNN并行提取B1/B2/B3频段特征，辅以Transformer深度融合机制，显著提升多频信号协同处理能力；采用迁移学习策略增强模型在真实电力环境中的泛化性能；模块化设计使系统兼具嵌入式集成便捷性与算法替换灵活性，为电力定位模块的智能化升级提供关键技术支撑。