0 引言

　　相位敏感光时域反射计（Φ-OTDR）是利用光在光纤中传播产生的瑞利散射效应[1]（后向瑞利散射的光会携带光纤沿线的扰动信息，并沿光纤传回光纤注入端）采集并分析后向瑞利散射光即可得到光纤上的形变信息[2]。Φ-OTDR系统具有全尺度连续性、超长距离和高灵敏度[3-4]等优点，已被广泛应用在多种检测领域对特定振动信号进行实时定位、识别，这对构建多传感器融合的分布式监测系统有重要参考价值。Φ-OTDR技术虽然已经逐渐成熟，但在周界安防领域中Φ-OTDR系统的实时性[5]、误报率与漏报率[6]依然面临一些问题和挑战，成为制约其工程应用推广的瓶颈。随着各种机器学习算法的兴起及应用，一些算法可以自发地从大量采集数据中总结出规则，并自适应地调整与优化自身的参数，在短时间内达到较高的事件识别准确性。但仅仅通过从振动信号中提取包括短时能量比、短时水平穿越率、振动持续时间及功率谱能量比在内的时域、频域信号[7]，然后进行简单的参数筛选式分类并不能提高系统的准确性与抗噪性。因此，本文采用神经网络算法搭建一种基于Φ-OTDR的智能识别系统。

5 结束语

　　本文提出了一种基于Φ-OTDR的智能识别系统，该系统采用神经网络算法模型，通过对振动强度进行识别概率化后能准确识别出入侵行为并定位。搭建了测试系统进行试验，该系统5 m内的定位精度能够满足测试要求。模拟大风测试结果表明，基于Φ-OTDR的智能识别系统能适应各种极端天气，不存在漏报和误报情况。本文的研究对Φ-OTDR系统识别特定振动源提供了有价值的参考。