1.一种DAS信号跨场景多类别分类方法，其特征在于，包括以下步骤：步骤S1，获取信号样本数据；采集多种场景下的多种类型的振动源信号样本，并对振动源信号样本进行处理得到对应的时频矩阵；对振动源信号样本的进行标注，得到标签数据；步骤S2，构建信号识别分类模型；构建信号识别分类模型，信号识别分类模型包括特征提取网络、识别分类网络；特征提取网络对振动源信号进行特征提取并输出特征向量；识别分类网络包括构建好的树形分类器，树形分类器的每个非叶节点均包括节点分类子网络和输出层，节点分类子网络包括依次设置的第一一维卷积层、第一批量归一化层、第一ReLU层、第一一维最大池化层、第二一维卷积层、第二批量归一化层、第二ReLU层、第二一维最大池化层，输出层包括依次设置的转化层、第一全连接层、第三ReLU层、第二全连接层、第四ReLU层和Softmax层；步骤S3，训练信号识别分类模型；采用步骤S1获取的时频矩阵及标签数据，对步骤S2构建的信号识别分类模型进行训练，得到最终的信号识别分类模型；步骤S4，信号实时分类；获取待分类的振动源信号并处理成时频矩阵，并输入步骤S3得到的信号识别分类模型，信号识别分类模型输出信号类别。
2.如权利要求1所述的一种DAS信号跨场景多类别分类方法，其特征在于：步骤S1中，采用振动源信号样本时，将地埋光纤接入光纤振动传感系统，采集多种场景下的多种类型的振动源信号；光纤振动传感系统包括窄线宽激光器、声光调制器、掺铒光纤放大器、环形器、相位解调模块、干涉仪、耦合器、光电探测器和模数转换器；窄线宽激光器发出的连续光经声光调制器调制成脉冲光，掺铒光纤放大器将脉冲光放大并通过环形器发射到光纤中，脉冲光在光纤中传播时产生后向瑞利散射光，相位解调模块接收到瑞利散射光并进行滤波，再依次通过干涉仪、耦合器对后向瑞利散射光进行线性解调，得到解调信号，解调信号由光电探测器接收并经模数转换器转换为数字电信号。
3.如权利要求1所述的一种DAS信号跨场景多类别分类方法，其特征在于：步骤S2中，特征提取网络包括三层LSTM层和一层全连接层；时频矩阵作为特征提取网络的输入，特征提取网络输出特征向量，特征向量作为识别分类网络的输入。
4.如权利要求1所述的一种DAS信号跨场景多类别分类方法，其特征在于：步骤S3中，训练信号识别分类模型时，总的损失函数 表示为：其中， 表示特征提取总损失， 表示树形分类总损失， 表示第 类事件的第 个数据的损失， 表示第 类事件的第 个样本， 表示样本 与第 类事件质心的相似度， 表示样本 与第 类事件质心的相似度， 表示事件的总类数， 表示第 个节点分类器的损失权重， 表示第 个节点分类器的损失， 表示特征提取网络提取到的特征， 表示节点分类器的总数， 表示当前节点处各原子对象类对应的标签的one-hot 编码， 表示预测的概率值， 表示第 个非叶节点的子节点的个数， 表示第z个one-hot 编码值， 表示属于第z个预测的概率值。
5.如权利要求4所述的一种DAS信号跨场景多类别分类方法，其特征在于：相似度 的计算方式为：参数 、 使用标准梯度下降算法进行迭代、更新，具体算法为：其中， 、 均为可训练的参数， 表示事件质心； 表示在计算事件质心时去除样本 ，使训练时更稳定； 表示样本数量， 表示示第k类事件的第q个数据， 为学习率。
6.如权利要求1所述的一种DAS信号跨场景多类别分类方法，其特征在于：步骤S2中，树形分类器的构建步骤为：步骤S2-1，计算每种事件类型的平均特征表示；步骤S2-2，将所有事件类型的平均特征表示添加到根节点；步骤S2-3，使用谱聚类对当前根节点中的时间类型进行分组，并将每个分组视为当前节点的子节点；步骤S2-4，对每个子节点递归执行步骤S2-3，直到该节点中只包含一种事件类型，即叶节点。
7.如权利要求1所述的一种DAS信号跨场景多类别分类方法，其特征在于：当需要新增事件类别时，具体操作步骤为：步骤01，将新增事件类别所对应的振动源信号样本输入训练后的信号识别分类模型，信号识别分类模型将新增事件的类别分配到最佳匹配的最低层非叶节点 ；步骤02，向树形分类器的该最佳匹配的最低层非叶节点 插入一个新的叶节点，并更新树形分类器、信号识别分类模型，得到新的树形分类器、新的信号识别分类模型；其中，该新插入的叶节点即为新增的事件类型，原树形分类器中的最佳匹配的最低层非叶节点 对应新的树形分类器中的非叶节点 ；步骤03，训练新的信号识别分类模型；训练时，先冻结新的信号识别分类模型中特征提取网络的参数、以及识别分类网络中的除非叶节点 以外的其他非叶节点中的节点分类子网络的参数，然后利用新增事件类别所对应的振动源信号样本和最佳匹配的最低层非叶节点 中原本对应的样本组成新的训练集，最后利用新的训练集对新的树形分类器中非叶节点 的节点分类子网络进行训练。
8.一种DAS信号跨场景多类别分类系统，其特征在于，包括：信号样本数据获取模块，用于采集多种场景下的多种类型的振动源信号样本，并对振动源信号样本进行处理得到对应的时频矩阵；对振动源信号样本的进行标注，得到标签数据；信号识别分类模型构建模块，用于构建信号识别分类模型，信号识别分类模型包括特征提取网络、识别分类网络；特征提取网络对振动源信号进行特征提取并输出特征向量；识别分类网络包括构建好的树形分类器，树形分类器的每个非叶节点均包括节点分类子网络和输出层，节点分类子网络包括依次设置的第一一维卷积层、第一批量归一化层、第一ReLU层、第一一维最大池化层、第二一维卷积层、第二批量归一化层、第二ReLU层、第二一维最大池化层，输出层包括依次设置的转化层、第一全连接层、第三ReLU层、第二全连接层、第四ReLU层和Softmax层；信号识别分类模型训练模块，用于采用信号样本数据获取模块获取的时频矩阵及标签数据，对信号识别分类模型构建模块构建的信号识别分类模型进行训练，得到最终的信号识别分类模型；信号实时分类模块，用于获取待分类的振动源信号并处理成时频矩阵，并输入信号识别分类模型训练模块得到的信号识别分类模型，信号识别分类模型输出信号类别。
9.一种计算机设备，其特征在于：包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于：存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
