1.一种基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法，其特征在于：所述方法包括以下步骤，(1)、光脉冲进入传感光纤，反射回来的斯托克斯光信号和反斯托克斯光信号进入光电探测器转换为电信号，然后被采集卡采集；

(2)、对采集到的数据进行卡尔曼滤波处理；

(3)、把所有经过卡尔曼滤波处理后的采样点汇集在一起，可以解调出温度随沿光纤变化的曲线；

其中，T0为参考温度；h为普朗克常数；kB为玻尔兹曼常量；Δv为拉曼频移量，与光纤材料有关；Uas(T)、Us(T)分别为该温度下反斯托克斯光、斯托克斯光转换后的电压；

(4)、对曲线进行迭代学习算法处理，学习律如下Ti(t)＝Ti-1(t-1)+L(ei(t))其中，Ti(t)为第i次迭代t时刻的温度，t∈[0,ts]，ts为光脉冲往返时间，i为迭代次数，L(ei(t))是关于跟踪误差ei(t)的函数；

ei(t)＝Td(t)-Ti(t)

Td(t)为实际测得的温度；对得到的温度曲线进行不断的迭代，这样就实现可以对温度的预测。

2.根据权利要求1所述的基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法，其特征在于：所述步骤(2)中卡尔曼滤波处理包括预测过程与更新过程；所述预测过程如下：(2.1)设定卡尔曼滤波的初值X(0)，为首次采得光纤上某点的数据；

(2.2)根据U(k|k-1)＝AU(k-1|k-1)+W(k)对k＝1,2,3…n时来预测下一个状态；

其中，U(k|k-1)为根据k-1时刻进行预测的k时刻的结果，U(k-1|k-1)为k-1时刻最优结果，W(k)为系统工作过程中的随机噪声，以高斯白噪声为主，主要是由光电探测器产生；A为系统状态转移矩阵，是已知量，与所处环境温度变化快慢有关，根据上一个状态与当前状态的关系来确定；

(2.3)设定协方差矩阵初值P(0)，可设置为零矩阵；

根据P(k|k-1)＝AP(k-1|k-1)AT+Q来预测k＝1,2,3…n时协方差矩阵；

其中，P(k|k-1)为U(k|k-1)状态对应的协方差矩阵，P(k-1|k-1)为U(k-1|k-1)状态对应的协方差矩阵，Q为系统测量过程中的随机噪声，由采集卡产生；

所述更新过程如下：

当k时刻的实测值Z(k)到达之后，用它去修正k时刻的状态预测值U(k|k-1)，因此新的信息为Z(k)-H(k)U(k|k-1)其中，H(k)为测量矩阵，矩阵中元素代表k时刻能否测得需要的数据，如果可以测到，该元素的值为1，否则为0；

则采样数据的最优估算值就可以通过预测值和实测值得到，为U(k|k)＝AU(k|k-1)+Kg(k)[Z(k)-H(k)U(k|k-1)]其中，Kg(k)为卡尔曼增益

Kg(k)＝P(k|k-1)H′(k)/H(k)P(k|k-1)H′(k)+R(k))其中，R(k)为一维随机数；

为了使卡尔曼滤波器不断进行工作，需要对协方差矩阵进行更新，如下P(k|k)＝(1-Kg(k)H(k))P(k|k-1)。