Поради характеристиките на големия диапазон на откриване, високата чувствителност и добрата адаптивност на околната среда, оптичните мрежи за сензорни влакна се прилагат широко при мащабна сигурност и регионално позициониране на целта. Традиционните функции като идентифициране на наличието на цел и грубо преценка на неговата позиция вече не са достатъчни, за да отговарят на все по -взискателните изисквания за откриване. Точното класифициране на множество цели и множество параметри на състоянието в голяма зона се превърна в изследователска гореща точка. Сред тях идентифицирането на типа на целта, изчисляването на целевата позиция и извеждане на състоянието на движението на целта са основните задачи за откриване на сензорната мрежа.
Sidelnikov O et al. Проведени тестове на множество анормални сигнали за смущения в даден регион, постигайки скорост на откриване 86. 3%, като се използват различни честоти за целева класификация. Този метод обаче може да извърши качествена класификация и не може да предостави информация за параметрите на състоянието на целите. Tejedor J et al. Поставете мрежа за оптични влакна на тръбопроводите и идентифицира потенциални инженерни операции, които биха могли да застрашат тръбопроводите, като анализират разликите във вибрационните сигнали. Те също така класифицираха различни смущения, използвайки прагове на интензивност. Tian Miao комбинира невронните мрежи с метода на разлагане на функционалния режим, за да анализира четири типа събития на проникване, постигайки среден процент на разпознаване от 85,2%. Zou Boxian et al. Използвана триизмерна технология за визуализация на вибрационните сигнали за класифициране на различни източници на вибрации като бял шум, пешеходци, превозни средства и багери. Симулационният анализ показа правилна скорост от над 90%. Въпреки това, голямото количество триизмерни данни от облак на точките значително намалява скоростта на обработка. Peng Kuan et al. Тествани регионални източници на проникване въз основа на разликите в домейна във времето\/честотата, постигайки точност на класификация от над 98% за четири вида източници на периодични смущения. Jiang Hong et al. Тествани пет често срещани смущения в проникване с помощта на ултра-верни влакнести браг-решетки и ги класифицираха въз основа на нормализирани характеристики на сигнала. В 500 тестови проби степента на разпознаване е над 98%. Pan Ruizhi et al. Използвана технология за тактилно сензорно сензорно сензорни влакна, за да се постигне целева класификация, с точност на алгоритъм от 96,6%. Този метод обаче се използва главно за директно измерване на контакт между целта и FBG. Въпреки че има висока точност, ефективността на реакцията му намалява значително с увеличаване на разстоянието. Wei-Hao C et al. използва се φ-OTDR технология за получаване на целеви сигнали, която има характеристиките на висока точност и добра стабилност. Suzhen L et al. Използвани изкуствени невронни мрежи за измерване на вибрациите на строителството в данни за оптични влакна, които имат характеристиките на високото прецизност и широко покритие. Този метод обаче се използва главно за разпознаване на единични вибрационни сигнали и не може да постигне многоцелева класификация. Shang Qiufeng et al. Комбинирано разлагане на режим на вариация с алгоритми за поддържаща векторна машина за идентифициране на четири типа анормални сигнали, постигане на точност на идентификация от над 98%. Поради използването на два алгоритъма, времето за обработка на един набор от данни е 169 секунди, което е сравнително бавно.
Разработен е алгоритъм за идентификация, базиран на характеристиките на многообективните параметри на сигнала. Този алгоритъм бележи характеристиките на различни цели по отношение на амплитудата, продължителността и честотата, постигайки отделяне на сигнала в случай на многообективно псевдоним на сигнал. Тествани са характеристиките на сигнала за сензорни влакна на четири общи цели и е завършен количествен анализ на многоцелеви сигнали. Експерименталните резултати показват, че средната амплитуда на дължината на вълната на целта 1 е 1,25nm, с период, характерен от приблизително 12 0 ms; Средните амплитуди на дължината на вълната на целите 2 и 3 са между 150-350 PM, с продължителност от 1 до 3s; Средната амплитуда на дължината на вълната на целта 4 е над 3,2 nm, с продължителност приблизително 15s. Тези характеристики имат висока точност на разпознаване в този алгоритъм. В теста за плътно псевдоним, средният процент на разпознаване на целта и средната стойност на точността на разпознаване са и двете над 80,0%, потвърждаващи осъществимостта на предложения алгоритъм.