光纤预警系统(OFPS)通过采集并分析埋藏在地下的分布式光纤传感器中的振动信号,实现对地表振动源的定位及振动类型的区分。其中,对光纤振动信号的识别是具有很高的研究价值。目前对信号的识别算法大多根据人工提取的特征进行分析,虽然能够完成识别任务,但是费时费力,且需要很多信号处理方面的先验知识。因此本文将经过简单处理的振动信号样本作为输入,采用神经网络作为分类器进行信号识别。同时,由于采用的神经网络模型对信号的识别效果有限,本文利用集成学习方法来进一步提高网络模型的识别效果。文章首先介绍了用来采集光纤振动信号的光纤预警系统,分析了采集信号的特征,并对信号进行简单预处理。由于光纤振动数据的维度高,且信号数据集小,若使用规模庞大的深度神经网络会出现训练不到位的情况。所以一种小型的随机配置网络(SCN)被用来进行信号识别任务。在研究过程中我们发现,虽然随机配置网络可以将提取信号特征的工作交由机器完成,并且在一定程度上提高对信号的识别效果。但一个小型的三层神经网络的性能还有提升空间。因此,本文将SCN模型与集成学习方法进行结合,进一步提高神经网络的识别效果。首先,将SCN模型作为基分类器的Ada Boost-SCN.v1模型是由Ada Boost算法与SCN模型结合得到,所得到新模型的识别效果要优于SCN模型。在复杂的工作环境中,OFPS易受到自然或人为干扰,致使光纤振动信号中包含各种噪声。一方面,提高对含噪振动信号的识别是实际场景的需要,另一方面,使用含噪信号作为训练集可以有效提高模型的泛化性能。此外,虽然Ada Boost-SCN.v1模型有效地提高了对振动信号的识别效果,但是该模型的训练时间较长,占用资源较多,且没有发挥出SCN模型更多的优点。因此,结合SCN模型逐个生成隐层节点的特性,将Ada Boost算法和Bagging算法的集成思想融入模型,提出三种改进的网络模型Bootstrap-SCN,Ada Boost-SCN.v2和Ada BoostBootstrap-SCN模型,并对这些模型进行了实验验证。从实验结果可以看出,对无噪振动信号的识别效果从SCN模型的86.1%提高到Ada Boost-Bootstrap-SCN模型的99.6%。同时,在对叠加四种常见噪声的振动信号的识别实验中,对含噪振动信号的平均识别效果从SCN模型的58.7%提高到Ada Boost-Bootstrap-SCN模型的81.3%。