På grund af egenskaberne ved stort detektionsområde, høj følsomhed og god miljømæssig tilpasningsevne er optiske fiberfølende netværk i vid udstrækning anvendt i storstilet sikkerhed og regional målpositionering. Traditionelle funktioner såsom at identificere tilstedeværelsen af et mål og groft at bedømme dens position er ikke længere tilstrækkelige til at imødekomme de stadig mere krævende detektionskrav. Klassificering af flere mål og flere statsparametre i et stort område er blevet et forskningshotspot. Blandt dem er identifikation af typen af mål, beregning af målpositionen og at udlede målets bevægelsestilstand de vigtigste detektionsopgaver for sensing -netværket.
Sidelnikov O et al. udførte tests på flere unormale interferenssignaler i en region og opnå en detektionshastighed på 86. 3% ved at bruge forskellige frekvenser til målklassificering. Imidlertid kan denne metode kun udføre kvalitativ klassificering og kan ikke give information om de statslige parametre for målene. Tejedor J et al. Lagt et optisk fiberfølsomme netværk på rørledninger og identificerede potentielle ingeniøroperationer, der kan bringe rørledningerne i fare ved at analysere forskellene i vibrationssignaler. De klassificerede også forskellige interferenser ved hjælp af intensitetstærskler. Tian Miao kombinerede neurale netværk med funktionsmetodens nedbrydningsmetode til at analysere fire typer indtrængen begivenheder og opnå en gennemsnitlig genkendelsesgrad på 85,2%. Zou Boxian et al. Brugte tredimensionel visualiseringsteknologi af vibrationssignaler til at klassificere forskellige vibrationskilder såsom hvid støj, fodgængere, køretøjer og gravemaskiner. Simuleringsanalysen viste en korrekt sats på over 90%. Imidlertid reducerede den store mængde af tredimensionelle punktskyddata signifikant behandlingshastigheden. Peng Kuan et al. Testede regionale indtrængningskilder baseret på tid\/frekvensdomæneforskelle og opnå en klassificeringsnøjagtighed på over 98% for fire typer periodiske interferenskilder. Jiang Hong et al. Testede fem almindelige indtrængen interferenser ved hjælp af ultra-svage fiberbragg-riste og klassificerede dem baseret på normaliserede signalfunktioner. I 500 testprøver var genkendelsesgraden over 98%. Pan Ruizhi et al. Brugt fiberbragg -gitter -taktil sensingteknologi til at opnå målklassificering med en algoritme -nøjagtighed på 96,6%. Imidlertid anvendes denne metode hovedsageligt til direkte kontaktmåling mellem målet og FBG. Selvom det har høj nøjagtighed, falder dens responsydelse markant med stigende afstand. Wei-Hao C et al. Brugt φ-OTDR-teknologi til at opnå målsignaler, der har egenskaberne ved høj præcision og god stabilitet. Suzhen L et al. Brugte kunstige neurale netværk til at måle konstruktionsvibrationer i optiske fiberfølelsesdata, som har egenskaberne ved høj præcision og bred dækning. Imidlertid anvendes denne metode hovedsageligt til genkendelse af enkeltvibrationssignaler og kan ikke opnå klassificering af flere mål. Shang Qiufeng et al. Kombineret nedbrydning af variationstilstand med supportvektormaskinalgoritmer til at identificere fire typer unormale signaler, hvilket opnå en identifikationsnøjagtighed på over 98%. På grund af brugen af to algoritmer var behandlingstiden for et enkelt datasæt imidlertid 169 sekunder, hvilket var relativt langsomt.
En identifikationsalgoritme baseret på egenskaberne ved multi-objektive signalparametre blev designet. Denne algoritme markerer funktionerne i forskellige mål med hensyn til amplitude, varighed og frekvens, hvilket opnå signalafkobling i tilfælde af multi-objektiv signalaliasing. Fiberfølende signalegenskaber for fire almindelige mål blev testet, og kvantitativ analyse af multi-objektive signaler blev afsluttet. De eksperimentelle resultater viser, at den gennemsnitlige bølgelængdeamplitude af mål 1 er 1,25NM, med en periode, der er karakteristisk for ca. 12 0 MS; De gennemsnitlige bølgelængdeamplituder af mål 2 og 3 er mellem 150-350 pm, med varigheder fra 1 til 3s; Den gennemsnitlige bølgelængdeamplitude af mål 4 er over 3,2 nm med en varighed på cirka 15S. Disse funktioner har høj genkendelsesnøjagtighed i denne algoritme. I målets aliasing -test er den gennemsnitlige målgenkendelsesgrad og gennemsnittet af genkendelsesnøjagtigheden begge over 80,0%, hvilket bekræfter gennemførligheden af den foreslåede algoritme.