本发明涉及信号检测，具体涉及一种基于分布式光纤传感的光缆振动源外力破坏信号识别方法。
背景技术：
1、随着城市化进程的加速和经济的快速发展，光缆在城区内的应用越来越广泛。然而，在城区光缆的实际敷设环境中，外破源类型繁多，如挖掘机、压路机等大型机器施工对光缆造成的破坏，施工位置和时间不确定，且常受到城区强噪声背景、多源干扰和未知地埋条件的影响，因此，实现多种城区光缆外破源类型的准确识别是本发明的关键点和难点。
2、传统的光缆外破识别方法存在着准确率低且稳定性差的问题，为了解决问题，在分布式光纤传感系统的事件识别领域，研究者们不断探索。2013年，h.xu等人引入模板匹配方法至φ-otdr系统，通过建立扰动信号模板库，对行走、锤击、触摸三种事件进行识别，取得87.5％的准确率，然而模板匹配方法受限于模板的覆盖度和对新事件类型的适应性。为了解决这些问题，2017年c.xu等人提出基于多特征参数的识别方法，通过提取短时能量比、短时电平交叉率等特征，并应用支持向量机进行分类，将轻敲、敲击、摇晃、挤压四种事件的平均识别准确率提高至93.8％，但会受到所选特征区分能力和分类器性能的限制。到了2023年，h.zhu等人进一步发展了识别技术，针对人为触碰、人工挖掘、管道空腔内的水流流动、机械挖掘和管道泄漏这五种振动事件构建两级支持向量机识别算法，这一算法采用两级分类思想通过更精细的特征处理，经过粗分类和细分类后实现了平均准确率的提高，进一步推动了φ-otdr系统在事件识别方面的性能提升，但该算法过于依赖特征处理过程，计算复杂度更高，在外破源复杂多变的城市背景下识别性能不稳定。
3、为了能够在外破源复杂多变的城区内准确识别外破源类型(如挖掘、敲击等)，提高准确率的同时兼顾模型的稳定性，由于svm对核函数和参数选择敏感，在外破源复杂多变的城区内调参困难，所以选择能够适应不同的数据分布和噪声水平的catboost算法(catboost算法是一种基于梯度提升决策树(gradient boosting decision tree，gbdt)的新型机器学习算法框架)作为核心识别算法，本发明提出的模型为基于φ-otdr技术的光缆外破振动源信号识别，将机器学习catboost算法应用其中，判断振动源的类型。
4、总之，本发明提出的光缆外破振动源信号识别模型可以提高城区光缆外破检测的准确率，为城市光缆的安全运行提供有效的技术支持。
技术实现思路
1、本发明为解决现有城区复杂多变环境下光缆振动源外力破坏信号的识别难题，提供一种基于分布式光纤传感的光缆振动源外力破坏信号识别方法。
2、基于分布式光纤传感的光缆振动源外力破坏信号识别方法，该方法由以下步骤实现：
3、步骤一、检测光缆外力破坏振动信号，构建振动信号数据集；
4、步骤二、对所述振动信号进行预处理，然后对预处理后的振动信号进行多特征集合提取，将多特征提取后的数据进行合并，并划分为训练集和测试集；
5、步骤三、构建catboost识别模型，采用训练集对所述识别模型进行训练，获得训练后的catboost识别模型；
6、步骤四、采用改进鲸鱼优化算法对训练后的catboost识别模型中的参数进行调优，以获得优化后的识别模型；将测试集输入优化后的识别模型，实现对振动信号的识别；
7、采用改进鲸鱼优化算法包括引入非线性自适应权值和引入正余弦算子，获得优化后的识别模型的具体过程为：
8、步骤四一、引入非线性自适应权值并更新，生成随机数p；
9、步骤四二、判断随机数p是否小于0.5，如果是，执行步骤四三；否则，执行步骤四四；
10、步骤四三、判断系数向量是否小于1，如果是，采用收缩包围机制更新搜索代理的位置；执行步骤四五；否则，采用随机搜索机制更新搜索代理的位置：执行步骤四五；
11、步骤四四、采用螺旋更新机制更新搜索代理的位置；执行步骤四五；
12、步骤四五、引入正余弦算子对搜索代理的位置实现二次更新，更新最优解，判断迭代是否结束，如果是，输出最优解；否则，重新执行步骤四一到步骤四五。
13、本发明的有益效果：本发明所述的识别方法，旨在提高准确率的同时兼顾模型的稳定性。该方法通过多特征集合提取方法和改进的模型优化策略，显著提升了光缆振动源外力破坏信号的识别性能。通过创新的多特征集合提取方法捕捉信号多方面特性，从而为精确识别不同类型的外力破坏信号提供丰富的信息。进一步通过非线性自适应权值和正余弦算子的改进鲸鱼优化算法，两者的结合提高了算法的稳健性和全局搜索能力，利用动态适应性和多样化搜索来增强收敛速度和精度，从而提高了整体模型的性能。
14、本发明方法使用机器学习catboost算法构建识别模型，对于具有大量类别特征的数据集，能够有效地处理和分析多特征集合；利用基于非线性自适应权值和正余弦算子的改进鲸鱼优化算法(nsc-woa)对该模型进行优化，能够自适应地调整算法的搜索能力，增强模型在复杂环境下的稳定性，实现了对光缆振动源外力破坏信号的准确识别。
15、本发明方法中，采用基于非线性自适应权值和正余弦算子的改进鲸鱼优化算法，非线性自适应权值的引入，可以使算法参数随迭代过程自适应地改变，引导搜索代理探索搜索空间，平衡发展和搜索阶段，在局部和全局之间找到合适的过渡；正余弦算子的引入，由于结合正弦函数的动态变化和余弦函数的平滑性，实现更丰富的搜索行为以及更加多样化的更新步长和方向，进一步增强了全局搜索能力，且通过正弦和余弦函数的交替使用，有效平衡发展和搜索阶段。通过结合非线性自适应权值和正余弦算子，改进的鲸鱼优化算法在保持收敛精度的同时，增强了其在复杂搜索空间中的适应性和灵活性，从而更有效地处理多种优化问题。
16、本发明方法具有识别准确率高、适应性广等优点，该方法结合分布式光纤传感技术，能够适应不同施工机械的振动信号特性，实现不同类型施工机械的识别。本方法通过采用非线性自适应权值和正余弦算子改进算法优化catboost，能够有效提高光缆振动源外力破坏信号的识别准确率，减少误判和漏判的情况。
1.基于分布式光纤传感的光缆振动源外力破坏信号识别方法，其特征是：该方法由以下步骤实现：
2.根据权利要求1所述的基于分布式光纤传感的光缆振动源外力破坏信号识别方法，其特征在于：步骤四之后，还包括对优化后的识别模型进行性能评估，根据预测数据与真实数据的对比，利用混淆矩阵图以及准确率、查准率、召回率和f1分值等评判标准，评估所述识别模型的性能。
3.根据权利要求1所述的基于分布式光纤传感的光缆振动源外力破坏信号识别方法，其特征在于：对步骤二所述振动信号进行多特征集合提取的具体过程为：
4.根据权利要求3所述的基于分布式光纤传感的光缆振动源外力破坏信号识别方法，其特征在于：步骤二中，对预处理后的振动信号进行多特征集合提取，包括提取差分数据的统计特征；
5.根据权利要求1所述的基于分布式光纤传感的光缆振动源外力破坏信号识别方法，其特征在于：步骤三中，构建catboost识别模型，所述catboost识别模型用于将类别型特征转换为数值型统计量，转换计算获得
6.根据权利要求1所述的基于分布式光纤传感的光缆振动源外力破坏信号识别方法，其特征在于：步骤四三中，采用收缩包围机制更新搜索代理的位置；公式如下：
7.根据权利要求1所述的基于分布式光纤传感的光缆振动源外力破坏信号识别方法，其特征在于：步骤四三中，采用随机搜索机制更新搜索代理的位置，公式如下：
8.根据权利要求1所述的基于分布式光纤传感的光缆振动源外力破坏信号识别方法，其特征在于：步骤四四中，采用螺旋更新机制更新搜索代理的位置，用下式表示为：
9.根据权利要求1所述的基于分布式光纤传感的光缆振动源外力破坏信号识别方法，其特征在于：步骤四五中，采用正余弦算子更新搜索代理的位置公式如下：
