Karena karakteristik rentang deteksi besar, sensitivitas tinggi dan kemampuan beradaptasi lingkungan yang baik, jaringan penginderaan serat optik telah banyak diterapkan dalam keamanan skala besar dan penentuan posisi target regional. Fungsi tradisional seperti mengidentifikasi keberadaan target dan secara kasar menilai posisinya tidak lagi cukup untuk memenuhi persyaratan deteksi yang semakin menuntut. Secara akurat mengklasifikasikan beberapa target dan beberapa parameter keadaan di area yang luas telah menjadi hotspot penelitian. Di antara mereka, mengidentifikasi jenis target, menghitung posisi target, dan menyimpulkan keadaan gerak target adalah tugas deteksi utama dari jaringan penginderaan.
Sidelnikov O et al. Tes yang dilakukan pada beberapa sinyal interferensi abnormal dalam suatu wilayah, mencapai tingkat deteksi 86. 3% dengan menggunakan frekuensi yang berbeda untuk klasifikasi target. Namun, metode ini hanya dapat melakukan klasifikasi kualitatif dan tidak dapat memberikan informasi tentang parameter negara target. Tejedor J et al. Menata jaringan penginderaan serat optik pada jaringan pipa dan mengidentifikasi operasi rekayasa potensial yang dapat membahayakan pipa dengan menganalisis perbedaan sinyal getaran. Mereka juga mengklasifikasikan gangguan yang berbeda menggunakan ambang intensitas. Tian Miao menggabungkan jaringan saraf dengan metode dekomposisi mode fungsi untuk menganalisis empat jenis peristiwa intrusi, mencapai tingkat pengakuan rata -rata 85,2%. Zou Boxian et al. menggunakan teknologi visualisasi tiga dimensi sinyal getaran untuk mengklasifikasikan berbagai sumber getaran seperti white noise, pejalan kaki, kendaraan, dan excavator. Analisis simulasi menunjukkan tingkat yang benar lebih dari 90%. Namun, sejumlah besar data cloud titik tiga dimensi secara signifikan mengurangi kecepatan pemrosesan. Peng Cuan et al. Sumber intrusi regional yang diuji berdasarkan perbedaan domain waktu\/frekuensi, mencapai akurasi klasifikasi lebih dari 98% untuk empat jenis sumber gangguan berkala. Jiang Hong et al. Diuji lima gangguan intrusi umum menggunakan kisi-kisi fiber ultra-weak dan mengklasifikasikannya berdasarkan fitur sinyal yang dinormalisasi. Dalam 500 sampel uji, tingkat pengakuan lebih dari 98%. Pan Ruizhi et al. Teknologi penginderaan taktil serat bragg yang digunakan untuk mencapai klasifikasi target, dengan akurasi algoritma 96,6%. Namun, metode ini terutama digunakan untuk pengukuran kontak langsung antara target dan FBG. Meskipun memiliki akurasi tinggi, kinerja responsnya menurun secara signifikan dengan meningkatnya jarak. Wei-Hao C et al. menggunakan teknologi φ-OTDR untuk mendapatkan sinyal target, yang memiliki karakteristik presisi tinggi dan stabilitas yang baik. Suzhen L et al. menggunakan jaringan saraf buatan untuk mengukur getaran konstruksi dalam data penginderaan serat optik, yang memiliki karakteristik presisi tinggi dan cakupan luas. Namun, metode ini terutama digunakan untuk pengakuan sinyal getaran tunggal dan tidak dapat mencapai klasifikasi multi-target. Shang Qiufeng et al. Dekomposisi mode variasional gabungan dengan algoritma mesin vektor dukungan untuk mengidentifikasi empat jenis sinyal abnormal, mencapai akurasi identifikasi lebih dari 98%. Namun, karena penggunaan dua algoritma, waktu pemrosesan untuk satu set data adalah 169 detik, yang relatif lambat.
Algoritma identifikasi berdasarkan karakteristik parameter sinyal multi-objektif dirancang. Algoritma ini menandai fitur-fitur target yang berbeda dalam hal amplitudo, durasi dan frekuensi, mencapai decoupling sinyal dalam kasus aliasing sinyal multi-objektif. Karakteristik sinyal penginderaan serat dari empat target umum diuji, dan analisis kuantitatif sinyal multi-objektif selesai. Hasil eksperimen menunjukkan bahwa amplitudo panjang gelombang rata -rata target 1 adalah 1,25nm, dengan karakteristik periode sekitar 12 0 ms; Amplitudo panjang gelombang rata -rata target 2 dan 3 adalah antara 150-350 pm, dengan durasi mulai dari 1 hingga 3s; Amplitudo panjang gelombang rata -rata target 4 lebih dari 3,2nm, dengan durasi sekitar 15s. Fitur -fitur ini memiliki akurasi pengakuan tinggi dalam algoritma ini. Dalam tes aliasing target, tingkat pengenalan target rata -rata dan rata -rata akurasi pengakuan keduanya di atas 80,0%, memverifikasi kelayakan algoritma yang diusulkan.