Ze względu na charakterystykę dużego zakresu wykrywania, wysokiej czułości i dobrej zdolności do adaptacji środowiska, sieci wykrywania światłowodów były szeroko stosowane w bezpieczeństwie na dużą skalę i pozycjonowaniu docelowego regionalnego. Tradycyjne funkcje, takie jak identyfikacja obecności celu i z grubsza ocena jego pozycji, nie są już wystarczające do spełnienia coraz bardziej wymagających wymagań wykrywania. Dokładne klasyfikowanie wielu celów i wielu parametrów stanu w dużym obszarze stało się hotspotem badawczym. Wśród nich identyfikacja rodzaju celu, obliczenie pozycji docelowej i wnioskowanie stanu ruchu celu są głównymi zadaniami wykrywania sieci wykrywającej.
Sidelnikov O i in. Przeprowadzono testy wielu nieprawidłowych sygnałów interferencyjnych w regionie, osiągając szybkość wykrywania 86. 3% przy użyciu różnych częstotliwości do klasyfikacji docelowej. Jednak ta metoda może wykonywać jedynie klasyfikację jakościową i nie może dostarczyć informacji o parametrach stanu celów. TEJEDOR J i in. Opracował optyczną sieć wykrywania światłowodów na rurociągach i zidentyfikował potencjalne operacje inżynierskie, które mogłyby zagrozić rurociągom poprzez analizę różnic w sygnałach wibracyjnych. Sklasyfikowali również różne zakłócenia przy użyciu progów intensywności. Tian Miao połączył sieci neuronowe z metodą rozkładu trybu funkcji w celu analizy czterech rodzajów zdarzeń włamań, osiągając średni wskaźnik rozpoznawania 85,2%. Zou Boxian i in. Zastosował trójwymiarową technologię wizualizacji sygnałów wibracyjnych do klasyfikacji różnych źródeł wibracji, takich jak biały szum, piesi, pojazdy i koparki. Analiza symulacji wykazała prawidłową szybkość ponad 90%. Jednak duża ilość trójwymiarowych danych chmur punktowych znacznie zmniejszyła prędkość przetwarzania. Peng Kuan i in. Testowane regionalne źródła włamań na podstawie różnic domen czasowych/częstotliwości, osiągając dokładność klasyfikacji ponad 98% dla czterech rodzajów okresowych źródeł zakłóceń. Jiang Hong i in. Przetestowano pięć typowych zakłóceń włamań przy użyciu sieć Bragga z ultra-waków i sklasyfikowało je na podstawie znormalizowanych cech sygnału. W 500 próbkach testowych wskaźnik rozpoznawania wyniósł ponad 98%. Pan Ruizhi i in. Zastosował technologię wykrywania w dotyku, aby osiągnąć klasyfikację docelową, z dokładnością algorytmu 96,6%. Jednak ta metoda jest stosowana głównie do bezpośredniego pomiaru kontaktu między celem a FBG. Chociaż ma wysoką dokładność, jego wydajność odpowiedzi znacznie zmniejsza się wraz ze wzrostem odległości. Wei-Hao C i in. zastosowano technologię φ-OTDR do uzyskania sygnałów docelowych, która ma charakterystykę wysokiej precyzji i dobrej stabilności. Suzhen L i in. Używał sztucznych sieci neuronowych do pomiaru wibracji konstrukcyjnych w danych wykrywania światłowodów, które mają charakterystykę wysokiej precyzji i szerokiego zasięgu. Jednak ta metoda jest stosowana głównie do rozpoznawania pojedynczych sygnałów wibracyjnych i nie może osiągnąć klasyfikacji wielu celów. Shang Qiufeng i in. Połączony rozkład trybu wariacyjnego z algorytmami maszyn wektorowych wsporniczych w celu zidentyfikowania czterech rodzajów nieprawidłowych sygnałów, osiągając dokładność identyfikacji ponad 98%. Jednak ze względu na zastosowanie dwóch algorytmów czas przetwarzania jednego zestawu danych wynosił 169 sekund, co było stosunkowo powolne.
Zaprojektowano algorytm identyfikacyjny oparty na charakterystyce wielopjeżdżowni parametrów sygnału. Ten algorytm oznacza cechy różnych celów pod względem amplitudy, czasu trwania i częstotliwości, osiągając oddzielanie sygnału w przypadku aliasingu sygnału wieloczęściowego. Przetestowano charakterystykę sygnału wykrywania światłowodów czterech wspólnych celów i zakończono analizę ilościową sygnałów wieloosobowych. Wyniki eksperymentalne pokazują, że średnia amplituda długości fali docelowej 1 wynosi 1,25 nm, z okresem charakterystycznym około 12 0 ms; Średnie amplitudy długości fali celów 2 i 3 wynoszą między 150-350 PM, z czasami trwania od 1 do 3s; Średnia amplituda długości fali docelowej 4 wynosi ponad 3,2 nm, a czas trwania około 15s. Funkcje te mają wysoką dokładność rozpoznawania w tym algorytmie. W teście docelowym aliasing średni wskaźnik rozpoznawania docelowego i średnia dokładności rozpoznawania wynoszą powyżej 80,0%, weryfikując wykonalność proponowanego algorytmu.