本发明涉及光纤通信领域，特别是涉及一种光纤振源识别方法、装置及系统。
背景技术：
随着光纤处理技术发展，可利用光纤探测周边环境状况，例如是否有物体经过、且该物体具体为何物等。当检测光纤受到外界干扰影响发生振动时，光纤中传输光的部分特性就会改变，识别终端对信号进行采集，分析采集信号的特征以判断其光特性的改变，进而可检测出发生振动位置对应的信号，进而根据该信号识别出其振源类型。
然而，现有光纤振源识别方法通常采用人工比对振动信号与振源对应信号，以判断出该振动信号是否属于该振源。现有的人工识别方式效率低。
潜艇是被全世界所公认的重要战略性武器之一，潜艇技术的高低能彰显一个国家的军事实力，所以各个国家在潜艇技术上投入较多，革新非常迅速，技术先进，潜艇也是较早期就有的匿踪载具。潜艇的噪音降至90分贝左右就可以“淹没”在浩瀚的海洋背景噪音中，不是当代声纳所能侦测的，而利用光线振源识别可以代替传统的声呐侦测，并可以识别的更为精确。
技术实现要素：
本发明主要解决的技术问题是提供一种光纤振源识别方法、装置及系统，能够实现智能识别光纤振源，提高识别效率。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种光纤振源识别方法，包括：识别终端获取光纤振动信号；采用决策树分类算法对所述光纤振动信号进行分类，得到所述光纤振动信号的振源类型。
其中，所述采用决策树分类算法对所述光纤振动信号进行分类的步骤包括：将所述光纤振动信号的特征与对应的预设特征模型进行匹配，并根据匹配结果，继续进行与其他预设特征模型进行匹配或者将所述光纤振动信号的振源类型确定为与所述预设特征模型对应的振源类型。
其中。所述将所述光纤振动信号的特征与对应的预设特征模型进行匹配，并根据匹配结果，继续进行与其他预设特征模型进行匹配或者将所述光纤振动信号的振源类型确定为与所述预设特征模型对应的振源类型的步骤包括：判断所述光纤振动信号的最大能量特征是否符合鱼群游动振源类型对应的预设最大能量模型；若符合，则将所述光纤振动信号的振源类型确定为鱼群游动振源。
其中，所述将所述光纤振动信号的特征与对应的预设特征模型进行匹配，并根据匹配结果，继续进行与其他预设特征模型进行匹配或者将所述光纤振动信号的振源类型确定为与所述预设特征模型对应的振源类型的步骤还包括：若所述最大能量特征不符合所述预设最大能量模型，则判断所述光纤振动信号的能量信息熵特征是否符合小型潜水器类型对应的预设能量信息熵模型；若符合，则将所述光纤振动信号的振源类型确定为小型潜水器。
其中，所述将所述光纤振动信号的特征与对应的预设特征模型进行匹配，并根据匹配结果，继续进行与其他预设特征模型进行匹配或者将所述光纤振动信号的振源类型确定为与所述预设特征模型对应的振源类型的步骤还包括：若所述能量信息熵特征不符合所述预设能量信息熵模型，则判断所述光纤振动信号的持续时间是否超过设定时间；若超过，则对所述光纤振动信号进行基频周期模型的匹配；否则，对所述光纤振动信号进行信号模型的匹配。
其中，所述对所述光纤振动信号进行基频周期模型的匹配的步骤包括：判断所述光纤振动信号是否具有基频且基频周期是否达到设定值；若是，则将所述光纤振动信号的振源类型确定为大型潜艇振源；否则，将所述光纤振动信号的振源类型确定为中型潜艇振源。
其中，所述对所述光纤振动信号进行信号模型的匹配的步骤包括：获取所述光纤振动信号的能量程度；若所述能量程度超过第一程度，则将所述光纤振动信号的振源类型确定为大型轮船振源；若所述能量程度低于第二程度，则将所述光纤振动信号的振源类型确定为小型轮船，其中，所述第一程度高于所述第二程度。
其中，所述方法还包括：确定所述光纤振动信号对应的振源类型所属的通知级别；按照所述通知级别进行对应通知。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种光纤振源识别装置，包括：获取模块，用于获取光纤振动信号；分类模块，用于采用决策树分类算法对所述光纤振动信号进行分类，得到所述光纤振动信号的振源类型。
为解决上述技术问题，本发明采用的再一个技术方案是：提供种光纤振源识别系统，包括光纤传感器及识别终端；所述光纤传感器用于在一端发出第一光信号，并从所述一端接收由所述第一光信号反射得到的第二光信号；所述识别终端用于确定第二光信号对应的电信号为光纤振动信号时，对所述光纤振动信号进行振源识别，其中，所述识别终端包括上述的光纤振源识别装置，以对所述光纤振动信号进行振源识别。
上述方案，识别终端采用决策树分类算法对光线振动信号进行分类，无需人工参与，实现了对光纤振源的智能识别，而且，采用决策树分类算法可对多个甚至上万个节点进行分类，其效果比人工识别更快更准确，故提高了识别效率和准确性。
附图说明
图1是本发明光纤振源识别方法一实施方式的流程图；
图2是本发明光纤振源识别系统一实施方式的结构示意图；
图3是本发明光纤振源识别方法另一实施方式的流程图；
图4是图3所述实施例中采用的决策树的结构示意图；
图5是本发明光纤振源识别方法再一实施例的部分流程图；
图6是本发明光纤振源识别装置一实施方式的结构示意图；
图7是本发明光纤振源识别装置另一实施方式的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施方式中也可以实现本申请。在其它情况中，省略对众所周知的装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
请参阅图1，本发明光纤振源识别方法一实施方式的流程图，该方法包括：
s11：识别终端获取光纤振动信号。
其中，所述光纤振动信号为光纤电信号，该光纤电信号由光纤反射的光信号转换得到。
请结合图2举例说明，图2示出一光纤振源识别系统，该光纤振源识别系统可采用光脉冲调制方式，通过探测背向散射信号的相位变化引起的反射光干涉强度变化，能够同时检测出多个并发振源，从而实现预警和对振源定位。该光纤振源识别系统包括顺序连接的光纤传感器21、光学系统23、光电转换电路24与识别终端22。
光纤传感器21设置于需监测的环境中如地下，以监测该环境状况。光纤传感器21可采用普通通信光缆中的一根空闲纤芯作传感单元，进行分布式多点振动测量。其基本原理是当外界的振动作用于通信光缆时，引起光缆中纤芯发生形变，使纤芯长度和折射率发生变化，导致光缆中光的相位发生变化。当光在光缆中传输时，由于光子与纤芯晶格发生作用，不断向后传输瑞利散射光。当外界有振动发生时，背向瑞利散射光的相位随之发生变化，这些携带外界振动信息的信号光，经光学系统23处理，将微弱的相位变化转换为光强变化，再经光电转换电路24的光电转换和相应信号处理后，进人识别终端22进行数据分析。识别终端22根据分析的结果，判断振动事件的发生，并确认振动地点。
具体地，光纤传感器21定时从一端发出第一光信号，该第一光信号可以是一脉冲信号，如为脉冲宽度为15ns的激光，该第一光信号在光缆中各个位置经过瑞利散射形成的第二光信号，并且该第二光信号反射回该光纤传感器21的一端。光纤传感器21从该一端输出该第二光信号。光学系统23对第二光信号进行采样，得到多个采样光信号。其中，该采样间隔可采集光纤每隔设定距离发射的光信号，例如，第一个采样光信号对应为距离光纤一端1米位置反射的光信号，第二个采样光信号对应为距离光纤一端2米位置反射的光信号，以此类推。
由于背向散射的光信号及其微弱，且其信噪比较小，在对光信号处理的过程中难度较大、精度较小，因此系统将上述多个采样光信号通关光电转换电路23转换为对应的采样电信号便于信号的处理。这里可以通过一般的光电转换电路23如apd转换得到模拟信号，再通过模数转换器将模拟信号转换成数字信号，并发送至识别终端22。
在其他实施例中，该光电转换、以及模数转换步骤可由识别终端22执行，即识别终端22接收对光纤传感器21反射的第二光信号采集得到的多个采样光信号，并将其转换成多个采样电信号，并将该采样电信号与预设振动信号进行对比分析，若该采样电信号与预设振动信号波形匹配，则直接将该采样电信号确认为光纤振动信号。或者，识别终端获取与预设振动信号匹配的采样电信号后，分析所述第一采样电信号在时域和空域的平稳特性；对应所述采样电信号不同时域和空域的平稳特性，采用不同的检测方式对所述采样电信号进行检测；若所述检测通过，则将所述采样电信号确认为光纤振动信号。
其中，该识别系统实时采集光纤振动信号，该采集间隔可根据实际情况进行调整，通常，该采集间隔为10μs-100μs之间，如20μs、50μs、100μs等。识别终端22可实时对光纤振动信号进行处理，或者定时进行信号处理，例如，识别终端22将每1024个振动信号分为一帧{xl，x2....，x1024}，汇集一分钟的光纤振动信号进行数据处理。
s12：识别终端采用决策树分类算法对所述光纤振动信号进行分类，得到所述光纤振动信号的振源类型。
决策树分类算法又被称为贪心算法，经常采用"自顶向下、分而治之"的递归方式，它是一种从一组随机的、混乱的案例中推演出类似分叉树的表现形式的分类算法，也可以称为多个判断规则。决策树的顶层节点被称为根节点，是光纤振动信号的输入节点，输出节点称为叶子节点，代表一个分类的识别得到的振源类别；树上的所有非叶子节点(内部节点)都代表对一个特征的判断，其分支就代表判断的结果。
本实施例中，决策树算法是通过将采集得到的光纤振动信号的特征与决策树的节点对应的特征模型相对比，对其进行分类。例如，识别终端将所述光纤振动信号的特征与对应的预设特征模型进行匹配，并根据匹配结果，继续进行与其他预设特征模型进行匹配或者将所述光纤振动信号的振源类型确定为与所述预设特征模型对应的振源类型。
在一具体应用中，识别终端22预先建立决策树，决策树的每个节点对应预设有振动信号模型，其中，每振动信号模型存储有一振源类型对应的振动信号的信号特征。自决策树的根节点起，将所述光纤振动信号的特征与对应的预设特征模型进行匹配，并根据匹配结果进入下一节点，若下一节点为叶子节点，则表示该光纤振动信号的振源类型为该根节点对应的振源类型；若下一节点为内部节点，则进行继续将光纤振源信号与该内部节点对应的预设特征模型进行匹配，以此类推，直至到达叶子节点。
本实施例中，识别终端采用决策树分类算法对光线振动信号进行分类，无需人工参与，实现了对光纤振源的智能识别，而且，采用决策树分类算法可对多个甚至上万个节点进行分类，其效果比人工识别更快更准确，故提高了识别效率和准确性。另外，由于决策树结构简单清楚且易于实现，能够简化识别过程。
请参阅图3，图3是本发明光纤振源识别的方法另一实施例的流程图。本实施例中，预先采集光纤传感器所处的环境存在的振源类型对应的振动信号，并根据不同振源的信号特征建立对应模型。该振源类型可包括鱼群游动、大型潜艇、小型轮船、中型潜艇、小型潜水器、大型轮船振源等。识别终端预先建立上述振源类型对应的模型，并以上述模型建立决策树如图4所示。在一实际应该中，该光纤传感器用于检测输油管线周边的环境。所述方法包括以下步骤：
s301：识别终端获取光纤振动信号；
如上一实施例所述，在此不做赘述。
s302：识别终端判断所述光纤振动信号的最大能量特征是否符合鱼群游动振源类型对应的预设最大能量模型，若符合，则执行s303，否则执行s304。
如上述，本实施例中的光纤振源类型包括鱼群游动振源。识别终端可预先采集鱼群游动时光纤对应位置产生的振动信号，分析该振动信号得到，该鱼群游动振源产生的振动信号的最大能量与其他振源的振动信号存在区别，故以该鱼群游动振源产生的振动信号的最大能量建立最大能量模型，并以该最大能量模型判断是否为鱼群游动振源。
例如，预先测量的鱼群游动振源产生的振动信号的最大能量，经将该最大能量作为触摸光纤振源所需满足的最大能量条件。识别终端在获取到光纤振动信号后，对光纤振动信号进行决策树的根节点--最大能量模型的分类，即计算该光纤振动信号的最大能量，并判断该光纤振动信号的最大能量满足该最大能量条件，若满足则为鱼群游动振源，否则不为鱼群游动振源。该光纤振动信号的最大能量为该光纤振动信号在设定时间上能量和，或者为在设定时间上的最大振幅对应的能量。该设定时间可以为一个波形周期。
s303：识别终端将所述光纤振动信号的振源类型确定为鱼群游动振源。
如满足该最大能量模型，则识别终端执行该决策树的叶子节点，确定该光纤振动信号的振源类型确定为鱼群游动振源，并结束流程。
s304：识别终端判断所述光纤振动信号的能量信息熵特征是否符合小型潜水器类型对应的预设能量信息熵模型，若符合，则执行s305，否则执行s306。
如上述，本实施例中的光纤振源类型包括小型潜水器。识别终端可预先采集下雨时光纤对应位置产生的振动信号，以该振动信号的能量信息熵的特征建立能量信息熵模型，并以该能量信息熵模型判断是否为小型潜水器。
例如，识别终端预先提取小型潜水器产生的振动信号的能量信息熵的特征。在该振动信号未满足根节点的最大能量模型时，识别终端继续执行对应内容节点，计算该光纤振动信号的能量信息熵，并判断该光纤振动信号的能量信息熵是否具有预设小型潜水器对应的能量信息熵特征，若具有则为小型潜水器，否则不为小型潜水器。该信息熵的求法可参照现有技术，故在此不做说明。
s305：识别终端将所述光纤振动信号的振源类型确定为小型潜水器。
如满足该能量信息熵模型，则识别终端执行该决策树的叶子节点，确定该光纤振动信号的振源类型确定为小型潜水器，并结束流程。
s306：识别终端判断所述光纤振动信号的持续时间是否超过设定时间，若超过，则执行s307，否则执行s310。
本实施例中的光纤振源类型剩余未判断的振源类型可根据持续时间的不同分成两类。故，识别终端可在能量信息熵模型的下一内部节点中建立持续时间模型。在该振动信号未满足能量信息熵模型时，识别终端继续执行对应内容节点，所述光纤振动信号的持续时间是否超过设定时间，若超过，则进入基频周期模型的节点，否则进行信号模型的节点。其中，该光纤振动信号的持续时间，即，从检测到该振源位置的光纤信号为振动信号开始，到检测到振源位置的光纤信号不为振动信号之间的时间长度，也可以为理解为该光纤振动信号该振源发生一次振动过程中持续的时间。该设定时间可根据实际情况进行调整，本实施例可设为1-10秒之间，例如为1秒，4秒、10秒等。
s307：识别终端判断所述光纤振动信号是否具有基频且基频周期是否达到设定值，若具有基频且基频周期达到设定值，则执行s308，否则执行s309。
如上述，本实施例中的长持续时间振源类型包括大型潜艇和中型潜艇振源。识别终端预先根据大型潜艇和中型潜艇振源各自产生的基频周期特征建立基频周期模型为：振动信号具有基频且基频周期达到设定值的为大型潜艇振源，否则为中型潜艇振源。
例如，在确定该振源类型为长持续时间振源类型时，识别终端继续执行对应内容节点，判断该光纤振动信号是否具有基频且基频周期是否达到设定值。其中，该设定值可根据实际情况调整，如将多次大型潜艇的基频周期的值的平均值作为该设定值。
s308：识别终端将所述光纤振动信号的振源类型确定为大型潜艇振源。
若振动信号具有基频且基频周期达到设定值，则识别终端执行该决策树的叶子节点，确定该光纤振动信号的振源类型确定为大型潜艇振源，并结束流程。
s309：识别终端将所述光纤振动信号的振源类型确定为中型潜艇振源。
若振动信号不具有基频或基频周期没达到设定值，则识别终端执行该决策树的叶子节点，确定该光纤振动信号的振源类型确定为中型潜艇振源，并结束流程。其中，该中型潜艇振源具体可为火车经过振源、小车经过振源等。
s310：识别终端获取所述光纤振动信号的能量程度，若所述能量程度超过第一程度，则执行s311，若所述能量程度低于第二程度，则执行s312，其中，所述第一程度高于所述第二程度。
如上述，本实施例中的脉冲类振源类型至少包括大型轮船振源和小型轮船。识别终端预先根据大型轮船振源和小型轮船各自产生的信号特征建立信号模型。
例如，在确定该振源类型为脉冲类振源类型时，识别终端继续执行对应内容节点，计算该光纤振动信号的能量，并在判断该光纤振动信号的能量超过第一程度时，确定为大型轮船振源；在判断所述光纤振动信号的能量程度低于第二程度时，确定为小型轮船；在判断所述光纤振动信号的能量程度不低于第二程度且不超过第一程度时，确定为其他振源类型。其中，该第一程度和第二程度可根据实际情况调整，如将多次大型轮船振源的信号能量的平均值作为该第一程度，将多次小型轮船的信号能量的平均值作为该第二程度。
s311：识别终端将所述光纤振动信号的振源类型确定为大型轮船振源。
若振动信号超过第一程度，则识别终端执行该决策树的叶子节点，确定该光纤振动信号的振源类型确定为大型轮船振源，并结束流程。
s312：识别终端将所述光纤振动信号的振源类型确定为小型轮船。
若振动信号低于第二程度，则识别终端执行该决策树的叶子节点，确定该光纤振动信号的振源类型确定为小型轮船，并结束流程。
进一步地，请结合参阅图5，为提高光纤安全预警系统的性能，该方法在上述步骤之后，还可包括以下步骤：
s313：识别终端确定所述光纤振动信号对应的振源类型所属的通知级别。
识别终端预选对不同振源类型设置不同的通知等级，如根据不同振源对安全预警区域的威胁程度，设定振源通知的等级由高到底依次为鱼群游动、小型潜水器、大型轮船、小型轮船、中型潜艇、大型潜艇，可分别用编号6—1表示，其中6表示通知级别最高，即该类振源对光纤所处环境的威胁程度最大，1表示对光纤所处环境威胁程度小。
识别终端执行上述步骤确定好振源类型后，查找到确定的振源类型对应的预设通知类型。
s314：识别终端按照所述通知级别进行对应通知。
例如，假如所述通知等级最高，则向设定设备发送红色预警信息，并可采用声音预警方式，通知用户当前检测情况；假如所述通知等级为最低等级，则向设定设备发送黄色预警信息。
由上可知，处理终端识别出与预设信号模型的采样信号才能判断出其环境状况，故对信号的准确采样极其重要。本发明处理终端采用滑窗方式每次采样时仅滑动小于采样信号长度的时间距离，使得采样信号更丰富，相邻的采样信号间仅补入一小段新数据，容易采集到包含足够识别所需数据的信号，也即容易把可与预设信号匹配的信号采集出来，故利于精确识别，提高了识别与预设信号模型是否匹配的准确率，即提高了光纤环境状况的识别准确度。
参阅图6，本发明光纤信号处理装置一实施方式的结构示意图，该装置包括：
获取模块61，用于获取光纤振动信号。
分类模块62，用于采用决策树分类算法对所述光纤振动信号进行分类，得到所述光纤振动信号的振源类型。
可选的，该分类模块62具体用于将所述光纤振动信号的特征与对应的预设特征模型进行匹配，并根据匹配结果，继续进行与其他预设特征模型进行匹配或者将所述光纤振动信号的振源类型确定为与所述预设特征模型对应的振源类型。
可选地，该分类模块62包括第一判断单元，用于判断所述光纤振动信号的最大能量特征是否符合鱼群游动振源类型对应的预设最大能量模型；并在符合时，将所述光纤振动信号的振源类型确定为鱼群游动振源。
可选地，该分类模块62包括第二判断单元，用于在所述最大能量特征不符合所述预设最大能量模型时，判断所述光纤振动信号的能量信息熵特征是否符合小型潜水器类型对应的预设能量信息熵模型，并在符合时，将所述光纤振动信号的振源类型确定为小型潜水器。
可选地，该分类模块62包括第三判断单元，用于在所述能量信息熵特征不符合所述预设能量信息熵模型时，判断所述光纤振动信号的持续时间是否超过设定时间。
可选地，该分类模块62包括第四判断单元，用于在光纤振动信号的持续时间超过设定时间时，对所述光纤振动信号进行基频周期模型的匹配。
具体地，该第四判断单元具体用于判断所述光纤振动信号是否具有基频且基频周期是否达到设定值；若是，则将所述光纤振动信号的振源类型确定为大型潜艇振源；否则，将所述光纤振动信号的振源类型确定为中型潜艇振源。
可选地，该分类模块62包括第五判断单元，用于在光纤振动信号的持续时间不超过设定时间时，对所述光纤振动信号进行信号模型的匹配。
具体地，该第五判断单元具体用于获取所述光纤振动信号的能量程度；若所述能量程度超过第一程度，则将所述光纤振动信号的振源类型确定为大型轮船振源；若所述能量程度低于第二程度，则将所述光纤振动信号的振源类型确定为小型轮船，其中，所述第一程度高于所述第二程度。
可选地，所述装置还包括通知模块，用于判断所述光纤振动信号对应的振源类型所属的通知级别；按照所述通知级别进行对应通知。
其中，该识别终端的上述模块分别用于执行上述方法实施例中的相应步骤，具体执行过程如上方法实施例说明，在此不作赘述。
参阅图7，本发明光纤振源识别装置另一实施方式的结构示意图，该装置70包括处理器71、存储器72、接收器73及总线74。其中，处理器71、存储器72、接收器73均可以是一个或多个，图7中仅以一个为例。
接收器73用于接收外部设备发送的信息。例如，接收光纤信号，如光纤传感器发送的光信号、经光电转换后的电信号、或经确定为光纤振动产生的信号的光纤振动信号。
存储器72用于存储计算机程序，并向处理器71提供所述计算机程序，且可存储处理器71处理的数据，例如接收器73接收到的光纤信号灯。其中，存储器72可以包括只读存储器、随机存取存储器和非易失性随机存取存储器（nvram）中的至少一种。
存储器72存储的计算机程序包括如下的元素，可执行模块或者数据结构，或者它们的子集，或者它们的扩展集:
操作指令：包括各种操作指令，用于实现各种操作。
操作系统：包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
在本发明实施例中，处理器71通过调用存储器72存储的操作指令（该操作指令可存储在操作系统中），来执行下面操作。
具体，处理器71可执行存储器72中的计算机程序，用于：
识别终端获取光纤振动信号；
采用决策树分类算法对所述光纤振动信号进行分类，得到所述光纤振动信号的振源类型。
可选地，处理器71执行所述采用决策树分类算法对所述光纤振动信号进行分类包括：将所述光纤振动信号的特征与对应的预设特征模型进行匹配，并根据匹配结果，继续进行与其他预设特征模型进行匹配或者将所述光纤振动信号的振源类型确定为与所述预设特征模型对应的振源类型。
可选地，处理器71执行所述将所述光纤振动信号的特征与对应的预设特征模型进行匹配，并根据匹配结果，继续进行与其他预设特征模型进行匹配或者将所述光纤振动信号的振源类型确定为与所述预设特征模型对应的振源类型的步骤包括：判断所述光纤振动信号的最大能量特征是否符合鱼群游动振源类型对应的预设最大能量模型；若符合，则将所述光纤振动信号的振源类型确定为鱼群游动振源。
可选地，处理器71还用于：若所述最大能量特征不符合所述预设最大能量模型，则判断所述光纤振动信号的能量信息熵特征是否符合小型潜水器类型对应的预设能量信息熵模型；若符合，则将所述光纤振动信号的振源类型确定为小型潜水器。
可选地，处理器71还用于：若所述能量信息熵特征不符合所述预设能量信息熵模型，则判断所述光纤振动信号的持续时间是否超过设定时间；若超过，则对所述光纤振动信号进行基频周期模型的匹配；否则，对所述光纤振动信号进行信号模型的匹配。
可选地，处理器71执行所述对所述光纤振动信号进行基频周期模型的匹配的步骤包括：判断所述光纤振动信号是否具有基频且基频周期是否达到设定值；若是，则将所述光纤振动信号的振源类型确定为大型潜艇振源；否则，将所述光纤振动信号的振源类型确定为中型潜艇振源。
可选地，处理器71执行所述对所述光纤振动信号进行信号模型的匹配的步骤包括：获取所述光纤振动信号的能量程度；若所述能量程度超过第一程度，则将所述光纤振动信号的振源类型确定为大型轮船振源；若所述能量程度低于第二程度，则将所述光纤振动信号的振源类型确定为小型轮船，其中，所述第一程度高于所述第二程度。
可选地，处理器71还用于：判断所述光纤振动信号对应的振源类型所属的通知级别；按照所述通知级别进行对应通知。
上述处理器71还可以称为cpu（centralprocessingunit，中央处理单元）。具体的应用中，终端的各个组件通过总线74耦合在一起，其中总线74除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线74。
上述本发明实施方式揭示的方法也可以应用于处理器71中，或者由处理器71实现。处理器71可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器71中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器71可以是通用处理器、数字信号处理器（dsp）、专用集成电路（asic）、现成可编程门阵列（fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器72，处理器71读取相应存储器中的信息，结合其硬件完成上述方法的步骤。
上述方案中，识别终端采用决策树分类算法对光线振动信号进行分类，无需人工参与，实现了对光纤振源的智能识别，而且，采用决策树分类算法可对多个甚至上万个节点进行分类，其效果比人工识别更快更准确，故提高了识别效率和准确性。另外，由于决策树结构简单清楚且易于实现，能够简化识别过程。
在本发明所提供的几个实施方式中，应该理解到，所揭露的方法以及装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-onlymemory）、随机存取存储器（ram，randomaccessmemory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。