1.一种基于注意力机制的Resnet的分布式光纤传感信号识别方法，其特征在于：包括以下步骤：

步骤1：数据准备，构建不同类型的事件信号数据集；

步骤2：信号预处理，对事件信号数据集中的时间信号做信号预处理，构建时频特征数据集；

步骤3：构建基于注意力机制的残差网络：基于典型事件时频数据集，构建Resnet+CBAM网络模型，对模型进行离线训练，得到最终的事件识别模型；

步骤4：识别分类，利用最优模型对待测事件的时频数据集进行识别。

2.根据权利要求1所述的一种基于注意力机制的Resnet的分布式光纤传感信号识别方法，其特征在于：所述步骤1具体包括以下步骤：步骤1.1：利用基于相敏光时域反射仪的分布式光纤振动、声波传感系统硬件，采集多场景复杂背景环境下管道沿线的分布式光纤传感信号；

步骤1.2：该系统每个时刻返回沿空间分布的原始信号轨迹，在时间轴上连续累积T条原始信号轨迹，构建得到一个时间T维，空间S维的时空响应信号矩阵；

步骤1.3：在累积得到的时空响应信号矩阵中，抽取事件影响的任意一个空间点的一维时间序列，依次按列沿时间轴进行事件信号分割，来构建不同类型事件信号数据集。

3.根据权利要求2所述的一种基于注意力机制的Resnet的分布式光纤传感信号识别方法，其特征在于：所述分布式光纤振动、声波传感系统硬件包括探测光缆、光信号解调设备和信号处理主机。

4.根据权利要求1所述的一种基于注意力机制的Resnet的分布式光纤传感信号识别方法，其特征在于：所述步骤2具体包括以下步骤：步骤2.1：时间信号通过短时傅里叶变换得到时频图；

步骤2.2：对时频图进行预处理，包括裁剪、灰度转换并将二维图像转换为二维数据矩阵，构建事件信号样本的二维时频特征数据集。

5.根据权利要求1所述的一种基于注意力机制的Resnet的分布式光纤传感信号识别方法，其特征在于：所述步骤3具体包括以下步骤：步骤3.1：基于典型事件时频数据集，构建Resnet+CBAM网络模型，并设置Resnet+CBAM网络模型的参数；

步骤3.2：训练步骤3.1所得到的Resnet+CBAM网络模型；

步骤3.3：对训练后的Resnet+CBAM网络模型进行网络调优，若迭代结束，保存结果最好的模型作为最终的事件识别模型；否则，跳转至步骤3.2。

6.根据权利要求5所述的一种基于注意力机制的Resnet的分布式光纤传感信号识别方法，其特征在于：所述步骤3.1中，构建的Resnet+CBAM网络模型，具体为：输入层‑卷积层C1‑ReLU层‑池化层P1‑残差块+CBAM1‑卷积层C2‑ReLU层‑池化层P2‑残差块+CBAM2‑全连接层FC1‑全连接层FC2‑输出层。

7.根据权利要求5所述的一种基于注意力机制的Resnet的分布式光纤传感信号识别方法，其特征在于：所述步骤3.2具体包括以下步骤：步骤3.2.1：初始化所述Resnet+CBAM网络模型的参数，包括矩阵权重和偏置；

步骤3.2.2：将所述训练集中的时频特征样本信号输入到所述Resnet+CBAM的网络模型进行前向传播，得到所述时频信号样本的预测标签。

8.根据权利要求7所述的一种基于注意力机制的Resnet的分布式光纤传感信号识别方法，其特征在于：所述步骤3.2.2中，注意力机制的具体实现为：在给出一个中间特征映射F后，CBAM模块沿着通道和空间两个维度依次推导出注意力映射，设通道注意力映射为MC，空间注意力映射为MS，最终的特征细化输出F″计算过程如下：MC(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))

7×7

MS(F)＝σ(f ([AvgPool(F)；MaxPool(F)]))

7×7

其中：σ表示Sigmoid函数，f 表示一个卷积运算，滤波器尺寸为7×7。

9.根据权利要求5所述的一种基于注意力机制的Resnet的分布式光纤传感信号识别方法，其特征在于：所述步骤3.3具体包括以下步骤：步骤3.3.1：利用交叉信息熵损失函数计算所述预测标签与真实标签的损失值，计算公式：

其中：x，n，a，y分别表示样本、样本总数、样本预测标签、样本真实标签；

步骤3.3.2：利用所述损失值反向计算所述Resnet+CBAM网络模型的参数梯度，利用所述参数梯度更新Resnet+CBAM网络模型；采用Adam算法进行优化；

步骤3.3.3：用模型参数θ更新Resnet+CBAM网络模型后，利用训练损失值判断更新后的Resnet+CBAM网络模型是否收敛，若收敛，保存结果最好的模型作为最终的事件识别模型；

否则，跳转至步骤3.2。