A nagy detektálási tartomány, a nagy érzékenység és a jó környezeti alkalmazkodóképesség jellemzői miatt az optikai szálérzékelő hálózatokat széles körben alkalmazták a nagyszabású biztonság és a regionális célponti helyzetben. A hagyományos funkciók, például a cél jelenlétének azonosítása és a helyzet durván megítélése már nem elegendőek az egyre igényesebb észlelési követelmények teljesítéséhez. A több cél és a több állami paraméter pontos osztályozása egy nagy területen kutatási hotspot lett. Közülük a cél típusának azonosítása, a célpozíció kiszámítása és a cél mozgási állapotának következtetése az érzékelő hálózat fő detektálási feladata.
Sidelnikov O et al. Vizsgálatokat végzett többszörös rendellenes interferenciajeleken egy régión belül, és eléri a 86 detektálási sebességet. 3% különböző frekvenciák felhasználásával a cél osztályozáshoz. Ez a módszer azonban csak kvalitatív osztályozást végezhet, és nem tud információt szolgáltatni a célok állapotparamétereiről. Tejedor J et al. Optikai szálérzékelő hálózatot fektetett be a csővezetékekre és azonosította a potenciális mérnöki műveleteket, amelyek veszélyeztethetik a csővezetékeket a rezgési jelek különbségeinek elemzésével. Az intenzitás küszöbértékekkel is osztályozták a különböző interferenciákat is. A Tian Miao az ideghálózatokat és a funkció mód bomlási módszerét kombinálta a behatolási események négy típusa elemzésére, elérve az átlagos felismerési rátát 85,2%. Zou Boxian et al. A rezgési jelek háromdimenziós megjelenítési technológiáját használták a különféle rezgési források, például a fehér zaj, a gyalogosok, a járművek és a kotrógépek osztályozására. A szimulációs elemzés szerint a helyes arány több mint 90%. A háromdimenziós pont felhőadatok nagy mennyisége azonban jelentősen csökkentette a feldolgozási sebességet. Peng Kuan et al. A tesztelt regionális behatolási források az idő\/frekvenciatartománybeli különbségek alapján, és több mint 98% -os besorolási pontosságot értek el négy típusú periódusos interferenciaforrás esetén. Jiang Hong et al. Öt általános behatolási interferenciát tesztelt az ultraszéles szálas bragg-rácsok felhasználásával, és a normalizált jel jellemzői alapján osztályozta őket. 500 tesztmintában a felismerési arány meghaladta a 98%-ot. Pan Ruizhi et al. Használt szálas Bragg -rács tapintható érzékelési technológia a cél osztályozás eléréséhez, az algoritmus pontosságával 96,6%. Ezt a módszert azonban elsősorban a cél és az FBG közötti közvetlen érintkezés mérésére használják. Noha nagy pontosságú, a választeljesítménye jelentősen csökken a távolság növekedésével. Wei-Hao C et al. Használt φ-OTDR technológiát célzatok előállításához, amelynek nagy pontosságú és jó stabilitása van. Suzhen L et al. Mesterséges neurális hálózatokat használt az optikai szálérzékelő adatok építési rezgéseinek mérésére, amelynek nagy pontosságú és széles lefedettsége van. Ezt a módszert azonban elsősorban az egyetlen rezgésjel felismerésére használják, és nem tudják elérni a többcélú osztályozást. Shang Qiufeng et al. Kombinált variációs mód bomlás a támogató vektorgép algoritmusokkal, hogy négyféle rendellenes jelet azonosítson, és több mint 98%-os azonosítási pontosságot érjen el. Két algoritmus felhasználása miatt azonban az egyetlen adatkészlet feldolgozási ideje 169 másodperc volt, ami viszonylag lassú volt.
Megtervezték a többcélú jel paraméterek tulajdonságain alapuló azonosítási algoritmust. Ez az algoritmus a különböző célok tulajdonságait jelzi az amplitúdó, az időtartam és a frekvencia szempontjából, és a jel elválasztását eléri a multi-objektív jel álnevezés esetén. Megvizsgáltuk a négy közös cél szálérzékelő jel jellemzőit, és befejeztük a többcélú jelek kvantitatív elemzését. A kísérleti eredmények azt mutatják, hogy az 1. célpont átlagos hullámhossz -amplitúdója 1,25 nm, körülbelül 12 0 ms; A 2. és 3. célpont átlagos hullámhosszú amplitúdója 150-350 pm között van, az időtartam 1 és 3 között; A 4. célpont átlagos hullámhosszú amplitúdója meghaladja a 3,2 nm -et, körülbelül 15 másodpercig. Ezeknek a funkcióknak nagy a felismerési pontossága ebben az algoritmusban. A cél aliasing tesztben az átlagos célfelismerési arány és a felismerési pontosság átlaga mindkettő meghaladja a 80,0%-ot, igazolva a javasolt algoritmus megvalósíthatóságát.




