维度网讯，一个研究团队提出一种基于Transformer架构的分布式光纤声波传感（DAS）信号实时同步解调降噪网络（DASformer），实现了亚米级空间分辨率和实时处理能力，为快速响应场景中的智能化感知系统提供了技术路径。

分布式光纤声波传感（DAS）技术利用通信光纤作为传感器，可对振动或声波信号进行长距离、连续分布式监测。该技术已应用于地球物理研究、基础设施安全、智能交通等领域。随着应用场景向城市交通监测、无人机声源定位等对信息时效性要求更高的领域扩展，DAS系统的数据处理压力持续增大。这类场景不仅要求系统实时捕捉动态事件（如车辆轨迹追踪、入侵行为识别），还需要从海量传感数据中快速提取决策参考信息。传统相位解调方法虽能恢复扰动信号，但依赖人为频带划分等方式抑制干涉衰落，这会增加计算开销并降低空间分辨率。在大应变情况下，基于Itoh准则的相位解卷绕容易产生累积误差，导致信号畸变。此外，传统方法在处理海量DAS数据时面临计算效率瓶颈，其处理流程难以满足实时智能化感知系统对低延迟和高吞吐量的需求，限制了在快速响应场景中的应用。

为解决上述问题，研究团队提出了基于Transformer架构的实时同步解调降噪网络（DASformer）。该网络采用纯编码器结构，对原始瑞利后向散射信号进行端到端处理，直接输出解调降噪后的差分相位信号，避免了传统方法中相位解卷绕带来的误差累积。在结构设计上，DASformer通过多尺度注意力机制与特征提取模块的堆叠移位，提升解调结果对扰动细节的还原能力。同时，采用基于物理模型的全仿真数据集进行有监督学习，使网络在解调过程中同步抑制多种噪声与干涉衰落。凭借Transformer的并行计算优势，该网络实现了亚米级空间分辨率与实时解调降噪，为下游智能决策模块提供高质量信号输入。

该网络的主要创新点包括：将Transformer纯编码器架构用于DAS信号的相位解调，直接端到端得到差分相位信号；设计移位补丁双重注意力（Shifted-PDA）模块，通过联合patch内与patch间注意力的多尺度融合机制，结合自注意力窗口的循环移位实现跨窗口信息交互，有效融合局部特征与全局依赖，同时引入沿空间轴进行深度可分离卷积的LeFF层替代传统前馈网络，增强网络对连续相位变化的表征能力；基于全仿真数据集进行有监督学习（50,000条原始光纤信道），采用随机扰动副本增强方法进行数据增强，训练网络抑制随机噪声、累积相位噪声与干涉衰落的能力，并利用Transformer并行计算优势，最终实现亚米级空间分辨率与对高速DAS数据流的实时处理。

在外场实验中，研究人员使用了包括“路面铺设光缆”与“埋地通信光缆”两种传感光缆。通过埋地通信光缆进行初定位以及夜间安静环境下的砸球实验，对比了新方案与传统相位展开解调方法的性能。结果显示，在噪声抑制方面，新方案较传统方法提升了4.6dB。随后，使用路面铺设光缆对校园交通信号（车辆信号、行人信号）进行实时监测。在部分光缆与地面耦合不良路段，新方案仍能清晰区分车辆前轮、后轮产生的两组轨迹，而传统方案在该通道的解调结果因空间分辨率恶化而混叠，这验证了网络亚米级的空间分辨率。在计算效率对比中，该方案相较传统信号处理方法（基于子带提取的相位解调算法，SPEA）以及基于CNN的深度学习网络SEED-Net，其平均计算时延与计算量均显示出Transformer架构并行计算优势带来的更高数据处理效率。