1.一种基于wavenet的φ-otdr模式识别系统,其特征在于,包括:依次连接的激光器、光衰减器、声光调制器、掺铒光纤放大器和滤波器,所述滤波器的输出端连接环形器,环形器和拉曼放大器的输出端分别连接波分复用器,所述波分复用器的输出端经过pzt与传感光纤连接。
2.如权利要求1所述的一种基于wavenet的φ-otdr模式识别系统,其特征在于,所述声光调制器通过声光调制器驱动器驱动。
3.如权利要求2所述的一种基于wavenet的φ-otdr模式识别系统,其特征在于,还包括:模拟输出卡,所述模拟输出卡的输出端分别连接声光调制器驱动器驱动和pzt。
4.如权利要求1所述的一种基于wavenet的φ-otdr模式识别系统,其特征在于,所述环形器的输出端还连接光电探测器。
5.如权利要求1所述的一种基于wavenet的φ-otdr模式识别系统,其特征在于,所述光电探测器经过数据采集卡与计算机连接。
6.如权利要求1所述的一种基于wavenet的φ-otdr模式识别系统,其特征在于,所述激光器为超窄线宽激光器。
7.一种基于wavenet的φ-otdr模式识别方法,其特征在于,包括:
通过传感光纤获取待预测的多组外界振动信号;
将采集到的振动信号经过阈值筛选处理为时间-空间数据,将所述数据输入到训练好wavenet神经网络模型,输出振动信号类型;
其中,所述阈值为使用设定的扫频信号驱动pzt作用,拉伸传感光纤以产生相应应变,以该应变量所对应的幅值为筛选有效振动信号的阈值。
8.如权利要求7所述的一种基于wavenet的φ-otdr模式识别方法,其特征在于,将采集到的振动信号经过阈值筛选处理为时间-空间数据,具体过程包括:
获取n组原始数据,每组具有m个空间采样点;
将前后两组作差并取绝对值,得到n-1组差值数据;
依次循环判断每组差值数据中,是否有采样点的相邻两组幅值差值大于所设定的阈值,如果有,则得到有效振动信号作用时间以及在传感光纤上的具体位置,取该组以及该组前后的设定组数,以构建振动信号的时间信息;
取该组中幅值最大的采样点j,并取j以及j之前与之后的设定个数的点,以构建振动信号的空间信息。
9.如权利要求7所述的一种基于wavenet的φ-otdr模式识别方法,其特征在于,将所述数据输入到训练好wavenet神经网络模型,输出振动信号类型;具体过程包括:
时间-空间数据输入到因果卷积层,而后进入到第一层残差块,在该层残差块中,首先经过空洞卷积层,输入到门激活单元;再输入到卷积层降低通道数,而后其输出分为两路:一路与该层残差块的输入相加,构成残差网络;另一路作为跳步连接直接输出与各层相累加;
残差网络的输出依次传递到下一层残差块,直到空洞系数增加到设定值为止,并重复设定次数;
将最后一层残差块的输出与各层残差块的跳步连接输出相累加,对累加结果进行一维因果卷积、批归一化,而后进行一维全局最大值池化,最后采用softmax激活函数进行分类,输出各个振动类型的概率,并给出最后的预测标签。
10.一种终端设备,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求7-9任一项所述的基于wavenet的φ-otdr模式识别方法。