1.一种特征迁移结合时频图的管道泄漏孔径识别方法，其特征在于：包括以下步骤：S1、采集管道泄漏信号，通过连续小波算法将采集的管道泄漏信号从时域转换为时频域，生成时频图；

S2、将时频图作为特征提取网络中二维残差网络的输入，提取管道泄漏孔径的特征信息；

S3、迁移学习模块采用特征迁移学习，根据不同气压环境下提取的相同管道泄漏孔径的特征信息，计算最大均值差异；

S3中，具体包括以下步骤：

S3.1采用特征迁移学习构建迁移学习模块；

S3.2引入最大均值差异指标度量源域特征与目标域特征之间的分布差异大小；

所述最大均值差异计算如下所示：

其中，D就是最大均值差异值，E是数学期望，数据集合x和y分别符合概率分布p和q，Г为一个样本空间上的连续函数集；

假设xi是从概率分布p通过独立同分布采样得到数据，yj是从概率分布q通过独立同分布采样得到的数据；将数据映射到可再生希尔伯特空间内进行最大均值近似度量，其度量方式如下所示：其中，n和m分别为数据集合x和y中的数据数量， 是映射函数，‖·‖H为可再生希尔波特空间；

将最大均值差异应用于特征集合中，计算残差卷积特征提取网络输出的源域特征集合和目标域特征集合的分布差异；其计算过程如下所示：其中，n和m分别为源域特征数据和目标域特征数据的数据总量，Fsi为源域特征中第i个数据，Ftj为目标域特征中第j个数据；

S4、孔径分类网络识别管道泄漏孔径的特征信息所表征的泄漏孔径类别，计算分类误差；

S5、采用Adam优化算法，根据最大均值差异和分类误差对二维残差网络参数与孔径识别网络参数进行训练更新；

S6、泄漏孔径识别方法评估。

2.根据权利要求1所述的一种特征迁移结合时频图的管道泄漏孔径识别方法，其特征在于：S1中，具体是指将时频域下的管道泄漏信号输入MATLAB，通过连续小波算法得到管道泄漏信号的时频图。

3.根据权利要求1所述的一种特征迁移结合时频图的管道泄漏孔径识别方法，其特征在于：S2中，所述特征提取网络包括一个初始卷积池化模块和若干个残差卷积模块；

所述初始卷积池化模块中的初始化卷积模块用于提取管道泄漏信号时频图中的不同区域，使得模块可以重点分析管道泄漏数据的重要特征信息；所述残差卷积模块与各个区域数据进行卷积运算，提取管道泄漏孔径的特征信息。

4.根据权利要求3所述的一种特征迁移结合时频图的管道泄漏孔径识别方法，其特征在于：S2中，将时频图作为特征提取网络中二维残差网络的输入，提取管道泄漏孔径的特征信息，具体包括以下步骤：S2.1将原始信号的时频图输入初始卷积池化模块提取不同区域特征信息；

S2.1.1初始卷积池化模块中卷积模块对时频图进行不同区域特征信息提取；

S2.1.2初始卷积池化模块中池化模块滤除无关信息，保留不同区域重要特征信息；

S2.2将不同区域重要特征信息输入若干个残差卷积模块，提取管道泄漏孔径的特征信息。

5.根据权利要求1所述的一种特征迁移结合时频图的管道泄漏孔径识别方法，其特征在于：S4中，所述孔径分类网络包括将特征提取网络学习得到的高维度特征进行整合的全连接层与将全连接层输出数据转换为概率表达式的输出值并找到最大概率项的softmax层；

所述softmax层的输入数据X有K类，则softmax函数的输出计算方式如下所示：θ(K)x

其中，θ为softmax的参数，e 为第K类输入数据值，Pk(X)为第K个数据的概率值。

6.根据权利要求1所述的一种特征迁移结合时频图的管道泄漏孔径识别方法，其特征在于：S5，采用Adam优化算法，根据最大均值差异和分类误差对二维残差网络参数与孔径识别网络参数进行训练更新，具体包括以下步骤：S5.1建立优化目标函数：

minLc(θf,θc)+λD        (10)其中，Lc(θf,θc)是孔径识别模块在源域样本上的孔径识别模块的分类误差；D是源域特征与目标域特征的概率分布差值；λ是惩罚项系数，该惩罚项系数用于调解模型在源域样本上的孔径识别准确率和模型在源域与目标域数据之间迁移学习模块的权重；

孔径识别模块的分类误差度量了网络模型在源域数据上的识别准确率，其计算如下式所示：其中，yk为模型输出值，ak为样本真实值；

特征的概率分布差值度量了模型对源域样本与目标域样本的深层特征知识概率分布差异，其计算如下式所示：其中，n和m分别是源域特征数据与目标域特征数据的数据总量，k为核函数；

S5.2通过Adam算法进行模型训练：

模型训练过程中首先使用源域带标签数据和Adam优化算法对泄漏孔径识别模型进行训练，然后使用源域数据和目标域数据通过Adam优化算法对孔径识别模型的参数进行优化更新，式(10)相对于模型参数θ的梯度计算如下所示：对于公式(13)进行梯度计算，对二维残差网络模型参数优化更新基，其中，网络迭代次数为epoch，迭代次数阈值为th，当epoch≥th时迭代结束。