1.一种光纤预警系统事件分类机器学习算法，包括特征提取模块（1），分类器结构模块（2）和训练数据库模块（3），其特征在于：所述特征提取模块（1）内部包括有分段能量占比单元（11）、能量单元（12）、信号连续性单元（13）、时间标记单元（14）、传感器序号单元（15）和光缆埋深单元（16），所述分类器结构模块（2）内部包括有预处理分类器（21）、主分类器（22）、防误报分类器（23）和防漏报分类器（24），所述训练数据库模块（3）内部包括有信号定义数据库（31）、日常事件数据库（32）、纠偏数据库一（33）和纠偏数据库二（34），其算法如下：S1：信号收集及预处理分类，光纤预警系统全量数据（201）进入预处理分类器（21）内部进行分类处理，将全量数据分为有待继续分类的振动信号（202）和绝地安全的无振动事件（203），预处理分类器（21）模型训练库为所有采集到的信号组成的集合进行提取，具有振动特征的标记为正样本，纯噪声信号标记为负样本；S2:危险信号的分类：振动信号（202）进入主分类器（22）内部进行分离，主分类器（22）模型训练数据库为日常事件数据库（32），日常事件数据库（32）是信号定义数据库（31）中的正样本，经过核实为安全事件信号的标记为正样本，经过核实为危险事件信号的标记为负样本，数据经过主分类器（22）后分为中间安全信号（204）和中间危险信号（205）；S3：危险信号防误报分类：中间危险信号（205）进入防误报分类器（23），防误报分类器（23）模型训练数据库是经过现场核实的误报事件、经过现场核实的危害事件组成，其中经过现场核实的误报事件信号标记为正样本，经过现场核实的危害事件信号标记为负样本，中间危险信号（205）通过防误报分类器（23）后得到最终安全信号一（206）和最终危险信号一（207）；S4：安全信号防漏报分类：中间安全信号（204）进入防漏报分类器（24）进行分类，防漏报分类器（24）模型训练数据库是由现场核实的危害事件信号，相同数据条目的经过核实的安全事件信号组成，其中经过现场核实的漏事件信号标记为负样本，经过现场核实的危害事件信号标记为负样本，经过核实的安全事件信号为正样本，中间安全信号（204）通过防漏报分类器（24）后得到最终安全信号二（208）和最终危险信号二（209）。
2.根据权利要求1所述的光纤预警系统事件分类机器学习算法，其特征在于：所述分段能量占比单元（11）用于将信号频谱等分成十等段，所述能量单元（12）用于反映信号的幅值，即振动信号（202）的幅度，所述信号连续性单元（13）用于把信号等分为十段，并记录信号连续特征。
3.根据权利要求1所述的光纤预警系统事件分类机器学习算法，其特征在于：所述时间标记单元（14）用于采集信号时间，并反应现场活动时间特性，所述传感器序号单元（15）用于收集传感器位置信息，并对每个独立传感单元进行顺序标号，所述光缆埋深单元（16）用于对应传感器序号所在实际位置进行光缆埋深。
4.根据权利要求1所述的光纤预警系统事件分类机器学习算法，其特征在于：所述预处理分类器（21）用于区分有振动信号（202）和无振动事件（203），所述预处理分类器（21）数据库为信号定义数据库（31）。
5.根据权利要求1所述的光纤预警系统事件分类机器学习算法，其特征在于：所述主分类器（22）用于区分振动信号（202）是否有危害性，所述主分类器（22）的数据库为日常事件数据库（32）。
6.根据权利要求1所述的光纤预警系统事件分类机器学习算法，其特征在于：所述防误报分类器（23）用于判断在信号推理过程中主分类器（22）中判断为危害事件的信号属实情况，所述防误报分类器（23）的数据库为纠偏数据库一（33）。
7.根据权利要求1所述的光纤预警系统事件分类机器学习算法，其特征在于：所述防漏报分类器（24）用于判断在信号推理过程中主分类器（22）中判断为安全事件的信号属实情况，所述防漏报分类器（24）数据库为纠偏数据库二（34）。
