På grunn av egenskapene til stort deteksjonsområde, høy følsomhet og god miljømessig tilpasningsevne, har optiske fiberfølelsesnettverk blitt mye brukt i storskala sikkerhet og regional målposisjonering. Tradisjonelle funksjoner som å identifisere tilstedeværelsen av et mål og omtrent bedømme dens posisjon er ikke lenger tilstrekkelige til å oppfylle de stadig mer krevende deteksjonskravene. Å klassifisere flere mål og flere statsparametere nøyaktig i et stort område har blitt et forskningshotspot. Blant dem, å identifisere typen mål, beregne målposisjonen og utlede målets bevegelsestilstand er de viktigste deteksjonsoppgavene til sensingnettverket.
Sidelnikov O et al. gjennomførte tester på flere unormale interferenssignaler i en region, og oppnådde en deteksjonshastighet på 86. 3% ved å bruke forskjellige frekvenser for målklassifisering. Imidlertid kan denne metoden bare utføre kvalitativ klassifisering og kan ikke gi informasjon om statsparametrene til målene. Tejedor J et al. Laget ut et optisk fiberfølende nettverk på rørledninger og identifiserte potensielle ingeniøroperasjoner som kan sette rørledningene i fare ved å analysere forskjellene i vibrasjonssignaler. De klassifiserte også forskjellige forstyrrelser ved bruk av intensitetsterskler. Tian Miao kombinerte nevrale nettverk med nedbrytningsmetoden for funksjonsmodus for å analysere fire typer inntrengingshendelser, og oppnå en gjennomsnittlig gjenkjennelsesgrad på 85,2%. Zou Boxian et al. Brukte tredimensjonal visualiseringsteknologi av vibrasjonssignaler for å klassifisere forskjellige vibrasjonskilder som hvit støy, fotgjengere, kjøretøy og gravemaskiner. Simuleringsanalysen viste en riktig rate på over 90%. Imidlertid reduserte den store mengden tredimensjonale punktskydata behandlingshastigheten betydelig. Peng Kuan et al. Testede regionale inntrengingskilder basert på forskjeller for tid\/frekvens domene, og oppnådde en klassifiseringsnøyaktighet på over 98% for fire typer periodiske interferenskilder. Jiang Hong et al. Testet fem vanlige inntrengingsforstyrrelser ved bruk av Ultra-Weak Fiber Bragg-gitter og klassifiserte dem basert på normaliserte signalfunksjoner. I 500 testprøver var gjenkjennelsesgraden over 98%. Pan Ruizhi et al. Brukte fiber Bragg Grating Tactile Sensing Technology for å oppnå målklassifisering, med en algoritmens nøyaktighet på 96,6%. Imidlertid brukes denne metoden hovedsakelig for direkte kontaktmåling mellom målet og FBG. Selv om det har høy nøyaktighet, avtar responsytelsen betydelig med økende avstand. Wei-Hao C et al. Brukt φ-OTDR-teknologi for å oppnå målsignaler, som har egenskapene til høy presisjon og god stabilitet. Suzhen L et al. Brukte kunstige nevrale nettverk for å måle konstruksjonsvibrasjoner i optiske fiberfølelsesdata, som har egenskapene til høy presisjon og bred dekning. Imidlertid brukes denne metoden hovedsakelig for gjenkjennelse av enkeltvibrasjonssignaler og kan ikke oppnå klassifisering av flere mål. Shang Qiufeng et al. Kombinert variasjonsmodus dekomponering med supportvektormaskinalgoritmer for å identifisere fire typer unormale signaler, og oppnå en identifikasjonsnøyaktighet på over 98%. På grunn av bruk av to algoritmer var behandlingstiden for et enkelt datasett 169 sekunder, noe som var relativt treg.
En identifikasjonsalgoritme basert på egenskapene til multi-objektiv signalparametere ble designet. Denne algoritmen markerer funksjonene til forskjellige mål når det gjelder amplitude, varighet og frekvens, og oppnår signalavkobling i tilfelle av multi-objektiv signalaliasing. Fiberfølelsessignalegenskapene til fire vanlige mål ble testet, og kvantitativ analyse av multi-objektive signaler ble fullført. De eksperimentelle resultatene viser at gjennomsnittlig bølgelengdeamplitude av mål 1 er 1,25 nm, med en periode som er karakteristisk på omtrent 12 0 ms; Gjennomsnittlig bølgelengdeamplituder av mål 2 og 3 er mellom 150-350 PM, med varigheter fra 1 til 3s; Gjennomsnittlig bølgelengdeamplitude av mål 4 er over 3,2 nm, med en varighet på omtrent 15 -tallet. Disse funksjonene har høy gjenkjennelsesnøyaktighet i denne algoritmen. I målaliasing -testen er den gjennomsnittlige målgjenkjenningshastigheten og gjennomsnittet av gjenkjennelsesnøyaktigheten begge over 80,0%, og verifiserer gjennomførbarheten av den foreslåtte algoritmen.