1.一種基于聲振動信號的目標檢測與識別方法，其特征在于，所述方法包括：
利用M個或等效為M個光纖傳感器獲取預設節(jié)點位置且預設時間段內的振動信號，并保存所有預設節(jié)點位置的振動信號數據得到振動數據矩陣；M為非零自然數；
利用預加重方法對所述振動數據矩陣進行預處理以獲取K幀雙極性信號數據；
根據每幀雙極性信號數據的能量E和過零率Z從所述K幀雙極性信號數據選取包括目標信號的雙極性數據幀；
利用小波變換方法從包括目標信號的雙極性數據幀中提取每類信號每一列的速度特征、能量分布特征和譜估計特征；
根據每一雙極性數據幀的速度特征、能量分布特征和譜估計特征以及對應加權值獲取一個較長的特征向量矩陣并對其降維處理；
根據雙極性信號數據、雙極性信號數據幀及其速度特征、能量分布特征和譜估計特征和降維處理后的較長的特征向量獲取長短期選擇記憶神經網絡模型，并根據該模塊輸出每一雙極性數據幀中振動信號類別。
2.根據權利要求1所述的目標檢測與識別方法，其特征在于，所述利用預加重方法對所述振動數據矩陣進行預處理以獲取K幀雙極性信號數據的步驟包括：
利用預加重公式對所述振動數據矩陣中每列數據進行濾波以得到對應的雙極性信號；
將預設數量的雙極性信號作為一幀雙極性信號數據從而得到K幀雙極性信號數據，并且相鄰兩幀雙極性信號數據中前一幀的后半幀為后一幀的前半幀；
利用漢明函數對上述K幀雙極性信號數據加窗。
3.根據權利要求1所述的目標檢測與識別方法，其特征在于，所述根據每幀雙極性信號數據的能量E和過零率Z從所述K幀雙極性信號數據選取包括目標信號的雙極性數據幀的步驟包括：
獲取每幀雙極性信號數據內所有項數據的平方和即能量E以及每幀雙極性信號數據內各項數據穿過橫軸次數之和即過零率Z，并獲取每項數據的能量E和過零率Z之積；
將上述每項數據的能量E和過零率Z之積與預設閾值比較，若積超過預設閾值則該幀雙極性信號數據內存在目標信號并保存。
4.根據權利要求1所述的目標檢測與識別方法，其特征在于，所述利用小波變換方法從包括目標信號的雙極性數據幀中提取每類信號每一列的速度特征、能量分布特征和譜估計特征的步驟包括：
對包括目標信號的雙極性數據幀做小波變換；
對小波變換后的雙極性數據幀的每層系數量化處理，并將量化后系數與設定閾值比較，將量化后系數小于設定閾值的當前層所有項數據置零；
逆小波變換重構去噪信號；
隨后去除每行數據最開始的一些零值，統計移除零的個數作為速度特征。
5.根據權利要求1所述的目標檢測與識別方法，其特征在于，所述利用小波變換方法從包括目標信號的雙極性數據幀中提取每類信號每一列的速度特征、能量分布特征和譜估計特征的步驟包括：
對包括目標信號的雙極性數據幀做小波變換；
計算小波變換不同層內的能量分布作為能量分布特征。
6.根據權利要求1所述的目標檢測與識別方法，其特征在于，所述利用小波變換方法從包括目標信號的雙極性數據幀中提取每類信號每一列的速度特征、能量分布特征和譜估計特征的步驟包括：
計算包括目標信號的雙極性數據幀的線性預測系數LPC特征；
利用牛頓-拉夫遜算法或者倒譜法計算線性預測系數LPC特征全極點模型中分母多項式A(z)的復根，根據所得復根確定共振峰；
計算所述共振峰的形狀統計量作為譜估計特征。
7.根據權利要求4～6任一項所述的目標檢測與識別方法，其特征在于，所述根據每一雙極性數據幀的速度特征、能量分布特征和譜估計特征以及對應加權值獲取一個較長的特征向量矩陣并對其降維處理的步驟包括：
分別定義每一雙極性數據幀的速度特征、能量分布特征和譜估計特征的加權值，計算每個預設節(jié)點的雙極性數據幀的加權聯合特征Vi，k；
將相同時刻將每個預設節(jié)點的加權聯合特征Vi，k進行聯合得到每個預設節(jié)點每類信號聯合特征Vk；
將M個預設節(jié)點的聯合特征Vk進行聯合得到每類信號特征V即較長的特征向量。
8.根據權利要求7所述的目標檢測與識別方法，其特征在于，所述根據每一雙極性數據幀的速度特征、能量分布特征和譜估計特征以及對應加權值獲取一個較長的特征向量矩陣并對其降維處理的步驟包括：
對所述每類信號特征V求平均值，然后將每類信號特征V減去對應的平均值得到V’；
根據協方差公式計算特征協方差矩陣得到該特征協方差矩陣的特征值和特征向量；
從按照順序排序的特征值中選取特征值較大的前G個特征值對應的特征向量作為列向量構成特征向量矩陣w；
將每類信號特征V與特征向量矩陣w相乘得到降維后的較長的特征向量矩陣。
9.根據權利要求1所述的目標檢測與識別方法，其特征在于，所述長短期選擇記憶神經網絡模型包括：輸入模塊、第一Tanh函數模塊、第二Tanh函數模塊、第一輸入門、第一記憶細胞、第二記憶細胞、遺忘門、輸出門、第一選擇門、第二選擇門、隱藏層模塊、輸出模塊、第一乘法器、第二乘法器和第三乘法器；其中，
所述第一Tanh函數的第一輸入端連接所述輸入模塊的輸出端，其第二輸入端連接所述第二選擇門的輸出端，其輸出端連接所述第一乘法器的第一輸入端；
所述輸入門的第一輸入端連接所述第二選擇門的輸出端，其第二輸入端連接所述第二記憶細胞的輸出端，其輸出端連接所述第一乘法器的第二輸入端；所述第一乘法器的輸出端連接所述第一記憶細胞的第一輸入端；
所述第二乘法器的第一輸入端連接所述第二記憶細胞的輸出端，其第二輸入端連接所述遺忘門的輸出端，其輸出端連接所述第一記憶細胞的第二輸入端；所述第一記憶細胞的輸出端連接所述第二Tanh函數模塊的輸入端；所述第二Tanh函數模塊的輸出端連接所述第三乘法器的輸入端；
所述遺忘門的輸入端連接所述第二選擇門的輸出端；
所述輸出門的第一輸入端連接所述第二選擇門的輸出端，其第二輸入端連接所述第二記憶細胞的輸出端，其第三輸入端連接所述第一Tanh函數模塊的輸出端，其輸出端連接所述第三乘法器的第二輸入端；所述第三乘法器的輸出端連接所述第一選擇門的輸入端；
所述隱藏層的輸入端連接所述第一選擇門的輸出端，其輸出端連接所述輸出模塊。
10.一種基于聲振動信號的目標檢測與識別系統，其特征在于，所述系統包括：
振動數據矩陣獲取模塊，用于利用M個或等效為M個光纖傳感器獲取預設節(jié)點位置且預設時間段內的振動信號，并保存所有預設節(jié)點位置的振動信號數據得到振動數據矩陣；M為非零自然數；
預處理模塊，用于利用預加重方法對所述振動數據矩陣進行預處理以獲取K幀雙極性信號數據；
雙極性數據幀獲取模塊，用于根據每幀雙極性信號數據的能量E和過零率Z從所述K幀雙極性信號數據選取包括目標信號的雙極性數據幀；
特征提取模塊，用于利用小波變換方法從包括目標信號的雙極性數據幀中提取每類信號每一列的速度特征、能量分布特征和譜估計特征；
降維處理模塊，用于根據每一雙極性數據幀的速度特征、能量分布特征和譜估計特征以及對應加權值獲取一個較長的特征向量矩陣并對其降維處理；
振動信號類別識別模塊，用于根據雙極性信號數據、雙極性信號數據幀及其速度特征、能量分布特征和譜估計特征和降維處理后的較長的特征向量獲取長短期選擇記憶神經網絡模型，并根據該模塊輸出每一雙極性數據幀中振動信號類別。