1.一种基于SCNN的分布式光纤振动及声波传感信号识别方法，其特征在于，以长距离管道安全监测应用为例，该方法包括以下步骤：步骤1：数据准备：

利用基于相敏光时域反射仪的分布式光纤声波、振动传感系统硬件采集实际应用现场的多场景复杂背景环境下管道沿线的声波或振动信号作为采集的管道事件信号时间序列，对各空间点采集的管道事件信号时间序列按时间段进行分割，构建典型事件信号数据集，再对中心空间点的一段时间信号做短时傅里叶变换STFT得到时频图，对时频图进行包括裁剪、灰度转换在内的预处理后，利用高斯差分滤波和阈值判断对时频图进行处理，得到一对时频脉冲特征图，以此构建典型事件时频特征数据集；

步骤2：构建脉冲卷积神经网络SCNN，对典型事件时频特征数据集中典型事件信号的时频特征进行无监督学习：

首先构建脉冲卷积神经网络SCNN，对脉冲神经元模型LIF进行了简化，不用解微分方程，且对侧抑制机制也进行了简化，同时结合卷积神经网络，采用卷积和池化的机制进行膜电位更新；然后对脉冲卷积神经网络SCNN进行初始化，根据所述典型事件时频特征数据集对构建的脉冲卷积神经网络SCNN进行训练，这里不需要用到数据标签，训练算法利用尖峰时间相关可塑性STDP无监督训练算法进行调整，通过迭代调整使SCNN网络达到最优，得到训练好的脉冲卷积神经网络；

步骤3：识别分类：

长距离管道安全监测过程中，典型事件类型包括平稳环境噪声、人工挖掘、机械破路、容易误判的交通干扰；利用所述典型事件信号数据集中带标签的数据样本输入到训练好的脉冲卷积神经网络中，将脉冲卷积神经网络输出的特征图转换为一维向量输入到最优分类器中训练，再将所述典型事件信号数据集中对应的测试集输入到最优分类器中进行监督分类，得到测试集中的测试样本信号属于平稳环境噪声、人工挖掘、机械破路、容易误判的交通干扰这4种事件类型中的一种，并计算其识别率与测试时间，并与现有SNN网络及CNN网络的分类结果进行对比，从而评估SCNN网络的分类性能。

2.根据权利要求1所述的基于SCNN的分布式光纤振动及声波传感信号识别方法，其特征在于，所述步骤1中所述基于相敏光时域反射仪的分布式光纤声波、振动传感系统硬件的结构及工作原理具体为：所述基于相敏光时域反射仪的分布式光纤声波、振动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三部分；其中所述探测光缆通常采用普通单模通信光纤，沿地下管道、输电线缆、城镇道路埋地铺设，还能够直接利用沿管道或道路铺设的通信光缆空余纤芯实现；所述光信号解调设备内部组成器件包括光学器件和电学器件两类，由超窄线宽激光器产生连续相干光信号，经声光或电光调制器调制成光脉冲信号，光脉冲信号由掺铒光纤放大器EDFA集中放大，放大后的光脉冲信号依次经隔离器、环形器的1端口、2端口注入探测光缆；光脉冲信号沿光缆传输过程产生瑞利散射，其后向瑞利散射光信号沿光缆返回，由环形器的2端口、3端口接收，经光学滤波器滤除噪声信号后经分光比为50％/50％的第一耦合器耦合后，再将其注入到一个非平衡马赫曾德尔或迈克尔逊干涉仪，具体由解调方法确定，经由3×3的第二耦合器输出三路相位差为120度的外界扰动引入的相位变化信息，即可获得声波、振动在光纤上的作用信号，解调出的光信号由光电探测器转换成电信号，再由波形发生卡控制的同步触发模数转换器进行信号同步采集，最后数字电信号通过网络接口实时传输给信号处理主机；所述信号处理主机为普通电脑主机PC或FPGA/DSP嵌入式主板，用于光纤探测信号的分析、处理，通过特定信号处理算法对感测的声波、振动信号进行智能分析、处理和识别分类，并由光时域反射原理确定该声波、振动信号在空间中的位置；

该基于相敏光时域反射仪的分布式光纤声波、振动传感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维的时空信号矩阵XX：{XX＝xts(t＝1,2,…,T；s＝1,2,…,S)} (1)

其中T为时间采样长度，S为空间采样长度，单位均为采样点；xts表示矩阵XX中任意时间采样点t、空间采样点s的一个元素。

3.根据权利要求2所述的基于SCNN的分布式光纤振动及声波传感信号识别方法，其特征在于，所述步骤1具体包括：将所述时空信号矩阵XX中每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，并取其中心空间点的时间序列来构建管道安全相关的典型事件信号数据集，具体操作过程如下：对每个空间点的信号时间序列，依次截取时间长度为L的事件信号，获得中心空间点的时间序列，作为事件信号样本，截取的信号依次记为其中， 表示向下取整，X1表示中心空间点在时间轴截取的第一段信号，根据实际发生的事件类型分别贴上事件类型标签；

将平稳环境噪声称为正常事件，事件类别标签设为1；将人工挖掘、机械破路、容易误判的交通干扰事件统称为异常事件，其中容易误判的交通干扰则属于环境干扰事件，将容易误判的交通干扰事件类别标签设为2；人工挖掘与机械破路为真实异常事件，机械破路事件类别标签设为3，人工挖掘事件类别标签设为4；将各事件类型标签分别添加到典型事件信号数据集中；

将构建的所述典型事件信号数据集的每个数据样本做信号预处理，构建信号的典型事件时频特征数据集；以通信光缆安全监测为例，具体操作过程如下：将所述典型事件信号数据集中时间信号通过短时傅里叶变换转为时频图并在某个时间段内局部化，通过短时傅里叶变换STFT构建其时频特征图：其中x(n)是进行短时傅里叶变换的离散时间信号，n表示信号的时间点，ω表示频率点，ω(n)是一个长为L的矩形窗，用于获取短期快速傅里叶变换FFT的加窗数据帧，R是矩形窗窗口的滑动步长，mR是加窗数据的位置，因为窗口随时间“滑动”或“跳跃”，m表示窗口滑动到第m个滑动步长；

在短时傅里叶变换中，采用的矩形窗大小是95，步长是1，FFT点数是128，生成时频图后，将其进行灰度转换和裁剪预处理，得到各信号数据构建的预处理后的时频特征图；

然后将每一个数据样本的预处理后的时频特征图转换为一对时频脉冲特征图作为后续网络的输入：对预处理后的时频特征图分别进行正反向高斯差分滤波，即DOG运算，经阈值判断转换为一对时频脉冲特征图，阈值判断即将图像中每个像素值与阈值比较，大于阈值则触发脉冲，否则未触发脉冲，采用1表示触发脉冲，0表示未触发脉冲，时频脉冲特征图中每个像素值为正数或负数，使得预处理后的时频特征图对比度得到增强；

正反向高斯差分滤波操作过程如下：将预处理后的时频特征图与两个不同参数的高斯函数卷积后做差分运算，两个高斯函数定义为：其中，k＝1,2，σ1，σ2分别为两个高斯函数的方差；

正、反向高斯差分滤波模板分别为

DoGf＝Gσ1‑Gσ2

DoGb＝Gσ2‑Gσ1 (4)

正反向高斯差分滤波过程表示为：

Si′(x,y)＝DoGi′*f(x,y) (5)

其中式(5)中的*表示卷积操作，i′取值为f或b，f表示正向高斯差分滤波，b表示反向高斯差分滤波，x为原图像中某一点的横坐标，y为原图像中该点对应的纵坐标，f(x,y)为原图像中该点对应的像素值，由此，对各数据集中每一个数据样本预处理后的时频特征图用正反向两个DOG模板形成两个时频脉冲特征图，正反向高斯差分滤波的窗口大小为7×7，完成所述典型事件时频特征数据集的构建。

4.根据权利要求3所述的基于SCNN的分布式光纤振动及声波传感信号识别方法，其特征在于，所述步骤2具体包括：

基于得到的典型事件时频特征数据集，构建并训练脉冲卷积神经网络SCNN，包括设计SCNN网络结构并初始化参数、训练网络、更新网络和输出脉冲特征四个环节：(1)设计SCNN网络结构并初始化参数

构建的SCNN网络结构包括依次连接的输入层I、卷积层C1、池化层P1、卷积层C2和池化层P2共5层网络结构，其中，输入层I即编码层，其大小为2×50×100，编码方式为频率编码，连接方式为全连接方式；卷积层C1的卷积核大小为10×10，卷积核数量为32，步长为1，脉冲阈值为10；池化层P1的池化大小为2×2，步长为2，池化方式为最大值池化；卷积层C2的卷积核大小为4×4，卷积核数量为150，步长为1，脉冲阈值为1；池化层P2的池化大小为2×2，步长为2，池化方式为最大值池化；

(2)训练网络

脉冲卷积神经网络SCNN经过参数初始化设置后，输入准备好的典型事件信号时频特征数据集作为训练数据，通过STDP学习机制对SCNN网络结构参数进行更新，所述SCNN网络结构需要更新的结构参数为权值W，以第一次结构参数更新过程为例进行说明：输入典型事件信号时频特征数据集完成前向传播过程

输入层I：将经过正反向高斯差分滤波并进行了阈值判断得到的一对时频脉冲特征图，再分别复制N份，得到一对长度为N的图像序列作为输入层I的输入，由此将正反向高斯差分滤波并阈值判断得到的一对时频脉冲特征图转换成一对时频脉冲特征图序列，设置N为15，即每一对时频脉冲特征图复制15份，15个图像构建成一个15s的时频脉冲特征图序列，每1s为一个时频脉冲特征图；为了使有足够的特征值能触发脉冲，阈值判断的脉冲触发阈值设为0；

卷积层即脉冲触发层：以卷积层C1为例进行说明，卷积层C1包含32个卷积核，即对应了

32个特征图序列，输入层I输入卷积层C1的时频脉冲特征图序列经过式(6)操作得到的图序列为特征图序列，序列中每个图叫做特征图，即更新后的膜电位，卷积层C1第一层的输入则为时频脉冲特征图序列，每个特征图序列中的像素点对应一个卷积层脉冲神经元，脉冲神经元包含该像素点的整个序列；输入一对时频脉冲特征图序列，每一个时刻通过卷积运算得到卷积层特征图中每个像素点，即脉冲神经元膜电位的变化值，加上该脉冲神经元上一个时刻的膜电位得到其现在的膜电位，第一个时刻膜电位都为0，如式(6)所示计算当前时刻每个脉冲神经元的膜电位，然后通过阈值判断得到当前时刻的脉冲特征图，每个时刻运算完后得到当前层的脉冲特征图序列；这里以输入特征图某个像素点，即脉冲神经元的卷积为例进行说明，脉冲神经元采用LIF模型，具体表示为：Vi(t)＝Vi(t‑1)+W*Si(t) (6)

其中*表示卷积操作，Vi(t)和Vi(t‑1)分别表示第i个脉冲神经元在当前时刻t和上一时刻t‑1的膜电位，Vi(0)初始化为0，卷积权W，即卷积核中的权值，卷积权W也是该当前层脉冲神经元与上一层脉冲神经元的连接突触的权值，即突触权，Si(t)为当前时刻第i个脉冲神经元对应的脉冲输入区域，将Si(t)与突触权卷积得到该脉冲神经元的膜电位更新值；进一步与Vi(t‑1)相加，得到该脉冲神经元更新后的膜电位，依次类推，每一个脉冲神经元膜电位根据(6)式进行更新；由于输入是一对脉冲特征图序列，卷积操作时，每一个时刻一对脉冲特征图的对应像素点，即脉冲神经元的局部区域进行相同的操作，二者叠加求和作为该脉冲神经元新的膜电位；

更新后的膜电位是否触发脉冲采用LIF机制，当此刻某脉冲神经元膜电位超过预设的阈值时，则会发出脉冲，同时抑制当前特征图的其它脉冲神经元发出脉冲，即将其它脉冲神经元的膜电位置0，当脉冲神经元在一个时刻发出脉冲后，在时序内以后的时刻也会发出脉冲；

当某一时刻所有脉冲神经元膜电位更新完成，则通过STDP机制更新其突触权W，为下一时刻所有脉冲神经元膜电位的更新作准备；如果第j个突触前神经元发出脉冲，即上一层的第j个脉冲神经元发出脉冲，与之相连的第i个突触后神经元也发出脉冲，即当前层与其连+接的第i个脉冲神经元也发出脉冲，则当前突触权wij通过参数a更新：

+

Δwij＝awij(1‑wij) (7)

其中，下标i指当前层的第i个脉冲神经元，j指上一层的第j个脉冲神经元，ij通过突触连接，wij指当前突触权；

除了上述描述的情况外，如果第j个突触前神经元发出脉冲，与之相连的第i个突触后神经元不发出脉冲；或者第j个突触前神经元不发出脉冲，与之相连的第i个突触后神经元也不发出脉冲；或者第j个突触前神经元不发出脉冲，与之相连的第i个突触后神经元发出‑脉冲，当前突触权wij都会通过参数a更新：

‑

Δwij＝awij(1‑wij) (8)

‑ +

其中，a 小于a ；权重的更新不需要为输入的时频脉冲特征图添加标签，这是一个典型的无监督训练过程，当所有脉冲神经元的卷积权全部更新后，输入下一个时刻的一对时频脉冲特征图，以此类推再进行所有脉冲神经元膜电位的更新，直到输入时频脉冲特征图序列中的所有时频脉冲特征图，整个卷积层得到的触发脉冲图即为该卷积层的输出；

池化层：池化操作以池化层P1为例进行说明，P1主要对卷积层C1得到的特征图序列进行池化，即对未通过阈值判断转化为脉冲前的膜电位进行池化，P1采用2×2的窗口对卷积层C1的脉冲神经元进行池化，采用最大池化的方式，将所有脉冲神经元分别进行2×2的池化操作，池化过程中取2×2区域内最大的膜电位作为池化后脉冲神经元的膜电位，最后通过阈值判断将膜电位转化为脉冲，得到尺寸缩小的脉冲特征图，对池化层P1上一层得到的所有时刻的脉冲特征图池化后得到脉冲特征图序列；

再经过卷积层C2和池化层P2后，得到一个二维数组，将其转换为一维数组，作为P2的输出H＝[h1,h2…hI]，其中hi′表示所述二维数组里第i′行的行向量，i′＝1,2,…,I，I表示该二维数组行向量的总数，P2的输出为SCNN网络提取的一维深度特征向量，在卷积层C2和池化层P2中，除了输入输出大小和卷积核大小个数不同之外，其卷积和池化操作与卷积层C1和池化层P1是相同的；

(3)更新网络

网络权重更新：

SCNN网络根据上述步骤(2)中的传播过程接收和发放脉冲，并同时进行网络更新，所述SCNN网络中所有突触权利用STDP学习机制进行更新，其不需要利用标签，学习只发生在卷积层C1和C2中，SCNN网络根据网络前一层中提取的相比当前层更简单的特征来检测输入图像的视觉特征，输入图像即特征图，SCNN网络学习通过逐层完成；随着卷积层学习的进行，SCNN网络的脉冲神经元逐渐收敛到在输入图像中频繁出现的不同视觉特征；当卷积层C1学习完成时，卷积层C2开始学习，通过式(9)测量卷积层C1的学习收敛率：u1＝∑f′∑j′[wf′,j′(1‑wf′,j′)]/nw (9)

其中，wf′,j′是第f′个特征的第j′个突触权，nw是当前卷积层C1中突触权的总数，其与特征无关；当u1<0.01，停止对卷积层C1的学习；卷积层C2的学习收敛率与卷积层C1计算方式相同，C1和C2的学习过程除了突触权个数及卷积层的输入输出大小不同，其余均相同；SCNN网络只有卷积层需要学习，其他网络层则不需要学习；

(4)输出脉冲特征

在SCNN网络训练好后，将所述典型事件信号数据集中对应的测试集的时频特征数据样本输入到训练好的SCNN网络中，SCNN网络的最后一层池化层P2输出一个一维数组，将其作为当前时频特征数据样本的脉冲特征向量，然后将所有训练样本数据和测试样本数据输入训练好的SCNN网络得到脉冲特征向量集。

5.根据权利要求4所述的基于SCNN的分布式光纤振动及声波传感信号识别方法，其特征在于，所述步骤3具体包括：首先根据实际应用现场的复杂条件，将采集的事件信号分为典型信号、非典型信号、不一致信号和一致信号，并在此基础上，将构建的所述典型事件信号数据集分为数据集A、数据集B、数据集C和数据集D，其中数据集A为在同一场景下采集的典型一致的信号数据集，数据集B为在不同场景下采集的典型不一致的信号数据集，数据集C为非典型不一致的信号数据集，数据集D为不均衡数据集，数据集A、B、C、D都有需要训练的样本，A和D均包含训练集和测试集，B和C均包含微调集和测试集；在不均衡数据集D中，将平稳环境噪声、容易误判的交通干扰、机械破路和人工挖掘这四类事件样本的样本数依次按

14：8：5：3的比例构建，将数据集A和数据集D均按照比例4:1划分为各自对应的训练集与测试集；

此时，所述步骤2中根据所述典型事件信号数据集对构建的脉冲卷积神经网络SCNN进行训练具体为：将数据集A和数据集D的训练集以及数据B和数据集C的微调集数据作为输入对构建的脉冲卷积神经网络SCNN进行训练，即数据集A和数据集D分别用自己的训练集训练网络然后用自己的测试集进行测试，数据集A训练好的网络分别通过数据集B和数据集C各自的微调集微调后，用数据集B和数据集C各自的测试集用于测试，数据集D训练的网络不用微调集再进行微调，得到训练好的SCNN网络；

然后基于训练好的SCNN网络提取出的脉冲特征向量，通过设计分类器进行分类识别，最终选取测试时间最短且平均识别率最高的SVM分类器作为最优分类器用于提取脉冲特征；

测试一：为了验证SCNN网络、SNN网络及CNN网络在小样本训练集上构建的优势，样本均衡条件下，从数据集A的训练集的四类事件中每一类分别选取典型事件样本数为25、50、75、

100、150、200的训练样本构建训练集A1，A2，A3，A4，A5，A6，其中A1，A2，A3，A4，A5，A6中的训练样本数分别为100、200、300、400、600、800，将各训练集A1，A2，A3，A4，A5或A6分别输入到SCNN、SNN和CNN网络中进行训练，在数据集A的测试集中每一类事件随机选取25个测试样本，共100个测试样本进行测试得到分类结果，循环测试5次，取5次分类结果的算数平均值，用于小样本集分类效果评估，测试一的结果说明在小样本训练集时对SNN和SCNN网络的分类效果相比CNN网络更小；

测试二：为了验证SCNN网络在不一致数据集上的迁移学习能力、稳定性及时效性，选择了训练集A6训练的SNN、CNN和SCNN三个网络模型，对典型不一致样本数据集B、非典型不一致样本数据集C分别进行测试；为了进一步提升网络在不同场景下的迁移学习能力，首先将数据集B、C中的无标签微调集分别输入测试一中训练好的SNN和SCNN网络进行微调训练，然后将数据集B、C中的测试样本分别输入测试一中训练好的CNN网络、微调训练后的SNN和SCNN网络得到混淆矩阵，测试二的结果表明SCNN网络在保证需要的识别率前提下，测试时间最短，时效性最好；

测试三：为了验证真实情况下不均衡样本条件下SNN、CNN和SCNN三个网络模型的识别效果及时效性，用数据集D中四类事件类型的所有训练样本构成训练集训练好SCNN网络得到Model_B，采用相同的训练集训练好CNN和SNN网络用于比较，再在数据集D四类事件类型共300个测试样本中随机选取100个样本输入Model_B及训练好的CNN和SNN网络中进行测试得到分类结果，循环测试5次，测试三的结果表明在不均衡条件下，SCNN网络适用于不均衡样本集的处理，且测试时间最短，具有最佳时效性；

测试四：为了进一步验证SNN、CNN和SCNN三个网络的抗过拟合能力，再将数据集D的训练集和测试集一起分别输入测试三训练好的SCNN网络、CNN网络和SNN网络进行测试，得到混淆矩阵，测试四的结果表明SCNN网络在不均衡条件下达到了最佳识别率，且时效性最优；

SCNN与CNN网络随机选取典型一致数据集、典型不一致数据集、非典型不一致数据集以及不均衡数据集中的100个样本进行测试时间比较，结果表明SCNN与CNN网络测试时间相当，均为SNN网络的十分之一。

6.根据权利要求5所述的基于SCNN的分布式光纤振动及声波传感信号识别方法，其特征在于，所述σ1为2，σ2为1。

7.根据权利要求6所述的基于SCNN的分布式光纤振动及声波传感信号识别方法，其特+ ‑

征在于，所述a取0.004，a取‑0.003。