Suuren havaitsemisalueen, korkean herkkyyden ja hyvän ympäristömuotokyvyn ominaisuuksien vuoksi optisia kuidun tunnistusverkkoja on käytetty laajasti laajamittaisessa turvallisuudessa ja alueellisessa tavoiteasennossa. Perinteiset toiminnot, kuten kohteen esiintymisen tunnistaminen ja sen aseman arviointi karkeasti, eivät enää riitä vastaamaan yhä vaativimpia havaitsemisvaatimuksia. Useiden kohteiden ja useiden osavaltion parametrien luokittelusta suurella alueella on tullut tutkimuspiste. Niiden joukossa tavoitteen tyypin tunnistaminen, kohteen sijainnin laskeminen ja kohteen liiketilan päättäminen ovat anturiverkon tärkeimmät havaitsemistehtävät.
Sidelnikov O et ai. Suoritetut testit useista epänormaaleista häiriösignaaleista alueella, saavuttaen 86 havaitsemisnopeuden. 3% käyttämällä erilaisia taajuuksia kohteen luokitteluun. Tämä menetelmä voi kuitenkin suorittaa vain laadullisen luokituksen, eikä se voi antaa tietoa kohteiden valtion parametreista. Tejedor J et ai. laati optisen kuidun anturiverkon putkilinjoihin ja tunnisti potentiaaliset tekniikkaoperaatiot, jotka voisivat vaarantaa putkilinjat analysoimalla värähtelysignaalien erot. He luokittelivat myös erilaisia häiriöitä käyttämällä intensiteettikynnyksiä. Tian Miao yhdisti hermoverkot funktiotilan hajoamismenetelmään neljän tunkeutumistapahtuman analysoimiseksi, saavuttaen keskimääräinen tunnistusaste 85,2%. Zou Boxian et ai. Käytetty värähtelysignaalien kolmiulotteinen visualisointitekniikka erilaisten värähtelylähteiden, kuten valkoisen kohinan, jalankulkijoiden, ajoneuvojen ja kaivinkoneiden, luokittelemiseksi. Simulaatioanalyysi osoitti oikean yli 90%. Kuitenkin suuri määrä kolmiulotteisen pisteen pilvitietoa vähensi merkittävästi prosessointinopeutta. Peng Kuan et ai. Testatut alueelliset tunkeutumislähteet, jotka perustuvat aika-\/taajuusalueen eroihin, saavuttaen yli 98%: n luokituksen tarkkuuden neljälle jaksolliselle häiriölähteelle. Jiang Hong et ai. Testattiin viisi yleistä tunkeutumishäiriötä käyttämällä ultra-heikkoa kuitu Bragg-ritiloja ja luokitteli ne normalisoitujen signaaliominaisuuksien perusteella. 500 tesinäytteessä tunnistusaste oli yli 98%. Pan Ruizhi et ai. Käytetty kuitu Bragg -ritilätehtävät tekniikkaa kohdeluokituksen saavuttamiseksi algoritmin tarkkuuden ollessa 96,6%. Tätä menetelmää käytetään kuitenkin pääasiassa suoran kontaktin mittaamiseen kohteen ja FBG: n välillä. Vaikka sillä on korkea tarkkuus, sen vasteen suorituskyky vähenee merkittävästi etäisyyden kasvaessa. Wei-Hao C et ai. Käytettiin φ-otdr-tekniikkaa kohdesignaalien saamiseksi, jolla on suuren tarkkuuden ja hyvän vakauden ominaisuudet. Suzhen L et ai. Käytettiin keinotekoisia hermoverkkoja optisen kuidun tunnistustietojen rakennusvälinteiden mittaamiseksi, jolla on suuren tarkkuuden ja laajan kattavuuden ominaisuudet. Tätä menetelmää käytetään kuitenkin pääasiassa yhden värähtelysignaalien tunnistamiseen, eikä se voi saavuttaa monitasoisia luokituksia. Shang Qiufeng et ai. Yhdistetty variaatiotilan hajoaminen tukivektorikone -algoritmeilla neljän epänormaalin signaalin tyypin tunnistamiseksi saavuttaen yli 98%. Kahden algoritmin käytön vuoksi yhden tietojoukon käsittelyaika oli kuitenkin 169 sekuntia, mikä oli suhteellisen hidasta.
Suunniteltiin tunnistusalgoritmi, joka perustuu monitabjektiivisten signaaliparametrien ominaisuuksiin. Tämä algoritmi merkitsee eri kohteiden piirteitä amplitudin, keston ja taajuuden suhteen saavuttaen signaalin irrottamisen monitabjektiivisen signaalin aliasingin tapauksessa. Neljän yleisen kohteen kuidun tunnistussignaalin ominaisuudet testattiin ja monitabjektiivisten signaalien kvantitatiivinen analyysi saatiin päätökseen. Kokeelliset tulokset osoittavat, että kohteen 1 keskimääräinen aallonpituus amplitudi on 1,25 nm, ja ajanjaksoominaisuus on noin 12 0 ms; Kohteiden 2 ja 3 keskimääräiset aallonpituusamplitudit ovat välillä 150-350 pm, kestojen välillä 1 - 3; Kohteen 4 keskimääräinen aallonpituuden amplitudi on yli 3,2 nm, kesto noin 15s. Näillä ominaisuuksilla on korkea tunnustustarkkuus tässä algoritmissa. Kohde -aliasingikokeessa keskimääräinen tavoitteentunnistusaste ja tunnistustarkkuuden keskiarvo ovat molemmat yli 80,0%, mikä todentaa ehdotetun algoritmin toteutettavuuden.