0 引言

       海缆是海底电力输送和通信系统的主要传输介质，对海缆进行有效监测，及时发现海缆遭遇海上渔船抛锚导致的撞击或拖拉，以及自然因素导致的海缆异常振动信号具有重要意义。基于相位敏感光时域反射计（Φ-OTDR）的分布式光纤扰动传感系统[1]能探测海底电缆中各个部分的后向瑞利散射干涉光，并根据检测到的光强变化判定外部环境是否发生侵扰事件，同时利用光时域反射技术可以准确定位到扰动信号发生点[2]。

由于光纤使用场景的多样化，光纤的监测环境存在比较大的差异，所以光纤探测到的扰动信号十分丰富。为了对有效的扰动信号进行准确的判别，研究基于Φ-OTDR的分布式光纤扰动传感系统的模式识别方法日趋重要。2015年，孙茜等人[3]将相关向量机分类器应用于Φ-OTDR光纤预警系统的模式识别中，分别采用高斯径向基核函数和多项式核函数进行分类处理，提出了一种将2种核函数相结合的方式，平均分类准确率达96%以上。同年，左冬森等人[4]将贝叶斯最小风险理论法和小波分析法相结合，对扰动类型进行判别，平均识别率达到98.75%。2017年，张俊楠将支持向量机算法用于Φ-OTDR系统扰动信号特征分类中，并对二叉树结构的分类器进行优化，正确识别率在96%以上，漏报率和误报率低于4% [1]。但是，采用上述研究方法进行入侵事件类型识别时智能化程度不高，一般需要人工协助才能完成事件类型识别。

       由于反向传播（BP）神经网络分类器具有易于实现非线性映射、自学能力强、适用于大规模训练和多分类场景等优点，因此本文将BP神经网络分类器应用于基于Φ-OTDR的海缆防锚害系统中，实现对无入侵、撞击和拖拉3类事件类型的识别。

4 结束语

      在基于Φ-OTDR的海缆防锚害系统中，本文提出了一种基于BP神经网络分类器的模式识别方法来对是否入侵以及入侵类别进行判别，通过对实验采集到的数据进行处理，提取其短时能量、短时过阈值率、时频熵和重心频率组成特征向量，建立神经网络分类器，提高了入侵报警的正确率。本文下一步将重点开展特征提取与神经网络算法的实时性评估研究工作。