1.一种基于光纤信号的周界安防区异常事件识别方法，其特征在于，所述基于光纤信号的周界安防区异常事件识别方法，包括：通过相敏光时域反射计采集光纤振动事件数据集并进行预处理，形成训练集，训练集中的训练样本为预处理后的光纤振动事件数据；

将训练样本输入改进型1DCNN深度学习模型，所述改进型1DCNN深度学习模型包括四层卷积模块、长短期记忆网络、全局均值池化层、全连接层和利用灰狼优化算法优化后的SVM分类器，其中每一层卷积模块包括卷积层、批量归一化层、Relu激活函数层和最大池化层，并且第一层卷积模块与第二层卷积模块之间连接有注意力机制模块；

基于改进型1DCNN深度学习模型中的全连接层的输出，以及训练样本的标签计算第一损失函数，并根据第一损失函数更新改进型1DCNN深度学习模型中在利用灰狼优化算法优化后的SVM分类器之前的权重参数，直至训练完成；

固定改进型1DCNN深度学习模型中在利用灰狼优化算法优化后的SVM分类器之前的权重参数，根据利用灰狼优化算法优化后的SVM分类器的输出，以及训练样本的标签计算第二损失函数，并根据第二损失函数调整利用灰狼优化算法优化后的SVM分类器的参数，直至训练完成；

取训练完成的改进型1DCNN深度学习模型，针对待识别的光纤振动事件数据，输出异常事件识别结果。

2.根据权利要求1所述的基于光纤信号的周界安防区异常事件识别方法，其特征在于，所述光纤振动事件数据包含多个异常事件类别，每个异常事件类别下的每个训练样本由m个时域点和n个相邻空间点组成，即每个训练样本为一个m行n列的矩阵。

3.根据权利要求2所述的基于光纤信号的周界安防区异常事件识别方法，其特征在于，所述将训练样本输入改进型1DCNN深度学习模型，包括：将m行n列的矩阵中的数据点按行先后拼接，得到拼接信号；

将所述拼接信号输入改进型1DCNN深度学习模型。

4.根据权利要求1所述的基于光纤信号的周界安防区异常事件识别方法，其特征在于，利用灰狼优化算法优化SVM分类器的过程如下：设定狼群规模与最大迭代次数，将SVM分类器中的惩罚参数 和核函数参数 设定为狼群个体位置的二维坐标，随机初始化惩罚参数 和核函数参数 ；

将训练集的训练样本输入SVM分类器，根据SVM分类器的输出计算适应度值，将狼的等级根据适应度值进行分类，所述狼的等级包括 狼、 狼、狼和 狼，所述计算适应度值的公式如下：式中， 为适应度值， 是正确分类个数， 是错误分类个数；

灰狼狩猎的数学模型如下所示：

式中， 为灰狼与猎物之间的距离，为迭代次数， 为猎物当前位置， 表示当前搜索狼的位置， 为搜索狼更新后的位置，为第一系数， 为第二系数；用如下公式计算：式中，为收敛因子，随着迭代次数 更新，从2线性递减到0；  和 为随机变量，范围为[0,1]；

狼与 狼、狼、狼之间的距离如下所示：

狼前进的步长和方向数学模型如下：

式中， 、 、 分别为 狼、 狼、狼与 狼的距离， 、 、 分别为 狼、狼、狼对应的第一系数， 、 、 分别为 狼、狼、狼的当前位置， 、 、 为分别为 狼、狼、狼对应的第二系数， 、 、 分别为 狼针对 狼、 狼、狼更新后的位置；

狼最终更新位置的数学公式为：

计算更新后的个体的适应度值，将当前迭代次数的最优适应度值记录为 ，如果 ， 为 狼的适应度值，则 被更新为 ，并记录最优位置为 狼的位置；如果 ， 为 狼的适应度值，则将 赋值给 狼，并记录最优位置为 狼的位置；若 ， 为 狼的适应度值，则将 赋值给 狼，并记录最优位置为 狼的位置；

判断迭代次数是否达到最大迭代次数，如果达到，则循环终止，并得到最佳惩罚参数和最佳核函数参数 ，并使用最佳惩罚参数 和最佳核函数参数 得到利用灰狼优化算法优化后的SVM分类器；如果未达到，则返回继续迭代。