1.一种基于bert模型和轻量级imu自监督训练的特征提取方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于bert模型和轻量级imu自监督训练的特征提取方法，其特征在于：所述预处理包括增加白噪声和归一化。
3.如权利要求2所述的一种基于bert模型和轻量级imu自监督训练的特征提取方法，其特征在于：为imu原始观测增加白噪声的计算公式如下：
4.如权利要求3所述的一种基于bert模型和轻量级imu自监督训练的特征提取方法，其特征在于：归一化的计算公式如下：
5.如权利要求1所述的一种基于bert模型和轻量级imu自监督训练的特征提取方法，其特征在于：设置x表示imu序列；n表示数量；l表示序列长度；p表示掩码设置成功的概率；pr表示掩码设置的比例；pm表示掩码设置的概率；lmax表示最大的序列掩码长度，那么掩码处理的具体实现方式如下；
6.如权利要求1所述的一种基于bert模型和轻量级imu自监督训练的特征提取方法，其特征在于：卷积神经网络的处理过程表示为：
7.一种信号降噪处理方法，其特征在于：首先利用权利要求1-6中任一项权利要求所述的一种基于bert模型和轻量级imu自监督训练的特征提取方法进行特征提取，然后构建基于卷积神经网络和全连接层的解码器decoder1，该解码器的设置为重建任务，使用原始imu数据作为训练的标签，输出降噪后的imu数据；编码器具体结构设计为：第一层卷积采用卷积核大小3*3的32个滤波器，并搭配relu激活函数，旨在捕获局部特征；第二层卷积：使用核大小为3*3的64个滤波器，并搭配relu激活函数，以进一步提取特征；之后搭配批量归一化层，用于加速训练过程，并提高模型的泛化能力；接着利用最大池化层减少参数数量和计算量，同时保留重要特征；接着利用扁平化层将卷积层的输出展平，以便输入到全连接层；接着连接到具有256个神经元和具有128个神经元的全连接层及6个神经元的输出层。
8.如权利要求7所述的一种信号降噪处理方法，其特征在于：decoder1利用huber损失函数用于增强训练的稳健性，损失函数定义如下：
9.一种场景识别方法，其特征在于：首先利用权利要求1-6中任一项权利要求所述的一种基于bert模型和轻量级imu自监督训练的特征提取方法进行特征提取，然后构建基于卷积神经网络和全连接层的解码器decoder2，该解码器的设置分类任务，使用场景或情景的类别作为训练的标签，最终输出场景类别；编码器具体结构设计为：第一层卷积采用卷积核大小3*3的64个滤波器，并搭配relu激活函数，旨在捕获局部特征；第二层卷积：使用核大小为3*3的128个滤波器，并搭配relu激活函数，以进一步细化特征表示；之后搭配批量归一化层，用于加速训练过程，并提高模型的泛化能力；接着利用最大池化层减少参数数量和计算量，同时保留重要特征；接着利用扁平化层将卷积层的输出展平，以便输入到全连接层；接着连接到具有512个神经元和具有256个神经元的全连接层及5个神经元的输出层，并使用softmax激活函数，输出每个类别的概率分布。
10.如权利要求9所述的一种场景识别方法，其特征在于：decoder2利用adam优化算法用于增强训练的稳健性，损失函数定义如下：