Devido às características da grande faixa de detecção, alta sensibilidade e boa adaptabilidade ambiental, as redes de detecção de fibra óptica têm sido amplamente aplicadas em segurança em larga escala e posicionamento regional-alvo. Funções tradicionais, como identificar a presença de um alvo e julgar aproximadamente sua posição, não são mais suficientes para atender aos requisitos de detecção cada vez mais exigentes. A classificação com precisão de vários alvos e vários parâmetros de estado em uma grande área se tornou um ponto de acesso de pesquisa. Entre eles, identificar o tipo de alvo, calcular a posição alvo e inferir o estado de movimento do alvo são as principais tarefas de detecção da rede de detecção.
Sidelnikov O et al. Realizou testes em múltiplos sinais de interferência anormal dentro de uma região, alcançando uma taxa de detecção de 86. 3% usando diferentes frequências para classificação de destino. No entanto, esse método pode executar apenas a classificação qualitativa e não pode fornecer informações sobre os parâmetros de estado dos alvos. Tejedor J et al. Estabeleceu uma rede de detecção de fibra óptica em pipelines e identificou possíveis operações de engenharia que poderiam colocar em risco os pipelines analisando as diferenças nos sinais de vibração. Eles também classificaram diferentes interferências usando limiares de intensidade. Tian Miao combinou redes neurais com o método de decomposição do modo de função para analisar quatro tipos de eventos de intrusão, alcançando uma taxa de reconhecimento médio de 85,2%. Zou Boxian et al. Utilizou a tecnologia de visualização tridimensional de sinais de vibração para classificar diferentes fontes de vibração, como ruído branco, pedestres, veículos e escavadeiras. A análise de simulação mostrou uma taxa correta superior a 90%. No entanto, a grande quantidade de dados de nuvem de pontos tridimensionais reduziu significativamente a velocidade de processamento. Peng Kuan et al. Fontes de intrusão regionais testadas com base nas diferenças de domínio de tempo\/frequência, alcançando uma precisão de classificação acima de 98% para quatro tipos de fontes periódicas de interferência. Jiang Hong et al. Testou cinco interferências de intrusão comuns usando grades de fibra ultrapeal e as classificaram com base em recursos de sinal normalizado. Em 500 amostras de teste, a taxa de reconhecimento foi superior a 98%. Pan Ruizhi et al. usou a tecnologia de detecção tátil de grade de fibra Bragg para atingir a classificação do alvo, com uma precisão de algoritmo de 96,6%. No entanto, esse método é usado principalmente para medição de contato direto entre o alvo e o FBG. Embora tenha alta precisão, seu desempenho de resposta diminui significativamente com o aumento da distância. Wei-Hao C et al. Utilizou a tecnologia φ-Otdr para obter sinais de destino, que possuem as características de alta precisão e boa estabilidade. Suzhen L et al. Utilizou redes neurais artificiais para medir as vibrações de construção em dados de detecção de fibra óptica, que possuem as características de alta precisão e ampla cobertura. No entanto, esse método é usado principalmente para o reconhecimento de sinais de vibração única e não pode obter classificação multi-alvo. Shang Qiufeng et al. Decomposição do modo variacional combinado com algoritmos de máquinas vetoriais de suporte para identificar quatro tipos de sinais anormais, atingindo uma precisão de identificação de mais de 98%. No entanto, devido ao uso de dois algoritmos, o tempo de processamento para um único conjunto de dados foi de 169 segundos, o que foi relativamente lento.
Foi projetado um algoritmo de identificação com base nas características dos parâmetros de sinal multi-objetivo. Esse algoritmo marca os recursos de diferentes alvos em termos de amplitude, duração e frequência, atingindo a dissociação de sinal no caso de aliasing de sinal multi-objetivo. As características do sinal de detecção de fibra de quatro alvos comuns foram testadas e a análise quantitativa de sinais multi-objetivos foi concluída. Os resultados experimentais mostram que a amplitude média do comprimento de onda do alvo 1 é de 1,25nm, com uma característica de período de aproximadamente 12 0 ms; As amplitudes médias do comprimento de onda dos alvos 2 e 3 estão entre 150-350 pm, com durações que variam de 1 a 3s; A amplitude média do comprimento de onda do alvo 4 é superior a 3,2 nm, com uma duração de aproximadamente 15s. Esses recursos têm alta precisão de reconhecimento neste algoritmo. No teste de aliasing alvo, a taxa média de reconhecimento alvo e a média da precisão do reconhecimento estão acima de 80,0%, verificando a viabilidade do algoritmo proposto.