Благодаря характеристикам большого диапазона обнаружения, высокой чувствительности и хорошей адаптивности окружающей среды, оптические сетям восприятия волокна широко применялись в крупномасштабной безопасности и региональном целевом позиционировании. Традиционные функции, такие как определение наличия цели и примерно оценка ее позиции, больше не являются достаточными для удовлетворения все более требовательных требований обнаружения. Точная классификация нескольких целей и параметров нескольких состояний на большой территории стала исследовательской точкой. Среди них, определение типа цели, расчет целевой позиции и вывод состояния движения цели являются основными задачами обнаружения чувствительной сети.
Sidelnikov O и соавт. Проводящие тесты по нескольким аномальным интерференционным сигналам в области, достигнув скорости обнаружения 86. 3%, используя различные частоты для целевой классификации. Однако этот метод может выполнять только качественную классификацию и не может предоставить информацию о параметрах состояния целевых. Tejedor J et al. Изложил сеть оптического волоконного зондирования на трубопроводах и определила потенциальные инженерные операции, которые могли бы поставить под угрозу трубопроводы, анализируя различия в вибрационных сигналах. Они также классифицировали различные помехи, используя пороги интенсивности. Tian Miao объединил нейронные сети с методом разложения функции для анализа четырех типов событий вторжения, достигнув средней скорости распознавания 85,2%. Zou Boxian et al. Использовал трехмерную технологию визуализации вибрационных сигналов для классификации различных источников вибрации, таких как белый шум, пешеходы, транспортные средства и экскаваторы. Анализ моделирования показал правильную скорость более 90%. Тем не менее, большое количество трехмерных данных облака точек значительно снизило скорость обработки. Peng Kuan et al. Протестированные региональные источники вторжения на основе различий в области домены времени\/частоты, достигнув точности классификации более 98% для четырех типов периодических источников интерференции. Цзян Хонг и соавт. Протестировал пять общих вторжений с использованием ультрасловного волокнистого брэгг-борьбы и классифицировали их на основе нормализованных функций сигнала. В 500 испытательных образцах коэффициент распознавания составлял более 98%. Pan Ruizhi et al. Используя технологию тактильного зондирования волокна для достижения целевой классификации с точностью алгоритма 96,6%. Однако этот метод в основном используется для прямого измерения контакта между целью и FBG. Хотя он обладает высокой точностью, его характеристики отклика значительно снижаются с увеличением расстояния. Wei-Hao C et al. использовал технологию φ-OTDR для получения целевых сигналов, которые имеют характеристики высокой точности и хорошей стабильности. Suzhen L et al. Использовали искусственные нейронные сети для измерения конструктивных вибраций в данных оптических волоконно -волокно, которые имеют характеристики высокой точности и широкого охвата. Однако этот метод в основном используется для распознавания отдельных вибрационных сигналов и не может достичь многоцелевой классификации. Shang Qiufeng et al. Объединенное разложение вариационной режима с алгоритмами машинного вектора поддержки для определения четырех типов аномальных сигналов, достигнув точности идентификации более 98%. Однако из -за использования двух алгоритмов время обработки для одного набора данных составило 169 секунд, что было относительно медленным.
Был разработан алгоритм идентификации, основанный на характеристиках параметров многоцелевых сигналов. Этот алгоритм отмечает особенности различных целей с точки зрения амплитуды, продолжительности и частоты, достигая развязки сигнала в случае многоцелевого псевдонима сигнала. Были протестированы характеристики сигнала восприятия волокна четырех общих мишеней, и был завершен количественный анализ многоцелевых сигналов. Экспериментальные результаты показывают, что средняя амплитуда длины волны цели 1 составляет 1,25 нм, с периодом характеристики приблизительно 12 0 MS; Средние амплитуды длины волны целей 2 и 3 находятся между 150-350 PM, с продолжительностью от 1 до 3S; Средняя амплитуда длины волны целевой 4 составляет более 3,2 нм, с продолжительностью приблизительно 15 с. Эти функции имеют высокую точность распознавания в этом алгоритме. В тесте на псевдонивание цели средняя скорость распознавания целей и среднее значение точности распознавания превышают 80,0%, что проверяет выполнимость предложенного алгоритма.