1.基于改进的隶属度函数结合神经网络的光纤状态评估方法，其特征是该方法由以下步骤实现：

步骤一、数据预处理：对原始光纤振动参数、温度参数信息数据进行预处理，作为光纤状态隶属度综合评价模型的参数样本；对原始光功率数据进行预处理，作为光纤状态神经网络评估分析模型的样本；

步骤二、构建基于改进隶属度函数的光纤状态隶属度综合评价模型；

步骤二一、获取光纤状态因素集；建立对应评语集；选取隶属度函数，进行单因素评价，建立隶属度关系矩阵R；

步骤二二、确定光纤状态因素权重系数：利用熵权法计算客观权重系数ω′；利用改进的层次分析法计算主观权重系数ω″；利用改进的欧式距离公式组合主观权重系数与客观权重系数构成综合评价权重系数ω；

步骤三、利用步骤二构建基于改进隶属度函数的光纤状态隶属度综合评价模型，求取关于表征光纤线路状态的光纤振动参数、温度参数的综合评价隶属度值b；

步骤四、结合光纤状态隶属度综合评价模型建立神经网络评估分析模型：根据步骤三获取的表征光纤线路状态的光纤振动参数、温度参数的综合评价隶属度值b与步骤一的光纤状态神经网络评估分析模型的样本进行神经网络建模；

步骤四一、构造样本数据：将光功率数据与光纤状态综合评价所得隶属度值构造为样本对，作为神经网络模型的训练输入样本；

步骤四二、确定网络拓扑结构：确定RBF神经网络的输入层、输出层和隐含层的节点数以及初始化学习速率η；

步骤四三、求解RBF神经网络核心参数：选取高斯核函数作为RBF神经网络核函数，利用K‑means聚类方法确定核函数中心、隐含层神经元半径；利用最小均方误差学习法调节隐含层到输出层的连接权重；

步骤四四、神经网络模型学习训练及测试：结合步骤四二、步骤四三对神经网络进行训练，采用测试样本对神经网络的评估分析性能进行测试；

步骤五、光纤状态评估：将实时采集光功率数据输入步骤四四中训练及测试后的神经网络，实现对光纤线路状态的实时评估。

2.根据权利要求1所述的基于改进的隶属度函数结合神经网络的光纤状态评估方法，其特征在于步骤一中，对原始光纤振动参数和温度参数信息数据的预处理方法为：设定原始光纤振动参数S、温度参数T的极值分别为S(m)＝(S1,S2,…,Sm)，T(m)＝(T1,T2,…,Tm)；将参数极值进行一阶差分，S(m)′＝S(m+1)‑S(m)，T(m)′＝T(m+1)‑T(m)；其中m为极值的序数；

获得差分序列S(m)′和T(m)′；

对差分后的序列S(m)′、T(m)′进行归一化处理，获得光纤状态隶属度综合评价模型的参数样本。

3.根据权利要求1所述的基于改进的隶属度函数结合神经网络的光纤状态评估方法，其特征在于步骤二二中改进的层次分析法计算主观权重系数ω″的公式为：其中θij为第i个状态指标相对于第j个状态指标的重要性程度，i＝1,2,……n；j＝1,

2,……n；

改进的欧式距离公式计算综合评价权重系数ω的公式为 式中λ为方差可调因子， 式中δω′，δω″分别为客观权重系数ω′和主观权重系数ω″的方差。