큰 감지 범위의 특성, 높은 감도 및 우수한 환경 적응성으로 인해 광섬유 감지 네트워크가 대규모 보안 및 지역 목표 위치에 널리 적용되었습니다. 목표의 존재를 식별하고 대략적으로 위치를 판단하는 것과 같은 전통적인 기능은 더 이상 점점 더 까다로운 탐지 요건을 충족시키기에 충분하지 않습니다. 넓은 지역에서 여러 대상과 여러 상태 매개 변수를 정확하게 분류하는 것은 연구 핫스팟이되었습니다. 그 중에서도 대상 유형을 식별하고 목표 위치를 계산하며 대상의 모션 상태를 추론하는 것이 감지 네트워크의 주요 탐지 작업입니다.
Sidenikov O et al. 영역 내의 다중 비정상 간섭 신호에 대한 테스트를 수행하여 대상 분류에 다른 주파수를 사용하여 86의 검출 속도를 달성했습니다. 그러나이 방법은 질적 분류 만 수행 할 수 있으며 대상의 상태 매개 변수에 대한 정보를 제공 할 수 없습니다. Tejedor J et al. 파이프 라인에 광섬유 감지 네트워크를 배치하고 진동 신호의 차이를 분석하여 파이프 라인을 위험에 빠뜨릴 수있는 잠재적 엔지니어링 작업을 식별했습니다. 또한 강도 임계 값을 사용하여 다른 간섭을 분류했습니다. Tian Miao는 신경망을 기능 모드 분해 방법과 결합하여 4 가지 유형의 침입 이벤트를 분석하여 평균 인식 속도를 85.2%로 달성했습니다. Zou Boxian et al. 진동 신호의 3 차원 시각화 기술을 사용하여 백색 소음, 보행자, 차량 및 굴삭기와 같은 다양한 진동 소스를 분류했습니다. 시뮬레이션 분석은 90%이상의 정확한 속도를 보여 주었다. 그러나 많은 양의 3 차원 포인트 클라우드 데이터는 처리 속도를 크게 줄였습니다. Peng Kuan et al. 시간\/주파수 도메인 차이에 기초하여 지역 침입 원을 테스트하여 4 가지 유형의주기적인 간섭 소스에 대해 98% 이상의 분류 정확도를 달성했습니다. Jiang Hong et al. Ultra-Weak Fiber Bragg Gratings를 사용하여 5 개의 일반적인 침입 간섭을 테스트하고 정규화 된 신호 기능을 기반으로 분류했습니다. 500 개의 테스트 샘플에서 인식 속도는 98%이상이었습니다. Pan Ruizhi et al. 알고리즘 정확도 96.6%로 목표 분류를 달성하기 위해 섬유 브래그 격자 촉각 감지 기술을 사용했습니다. 그러나이 방법은 주로 대상과 FBG 간의 직접 접촉 측정에 사용됩니다. 정확도가 높지만 거리가 증가함에 따라 응답 성능이 크게 감소합니다. Wei-Hao C et al. φ-OTDR 기술을 사용하여 대상 신호를 얻는 데 사용되었으며, 이는 높은 정밀성과 우수한 안정성의 특성을 갖습니다. Suzhen L et al. 인공 신경망을 사용하여 광섬유 감지 데이터의 구조 진동을 측정하는데, 이는 정밀도 및 넓은 범위의 특성을 갖습니다. 그러나이 방법은 주로 단일 진동 신호의 인식에 사용되며 다중 표적 분류를 달성 할 수 없습니다. Shang Qiufeng et al. 지지 벡터 기계 알고리즘과 결합 된 변형 모드 분해 4 가지 유형의 비정상 신호를 식별하여 98%이상의 식별 정확도를 달성합니다. 그러나 두 개의 알고리즘의 사용으로 인해 단일 데이터 세트의 처리 시간은 169 초였으며 이는 상대적으로 느 렸습니다.
다목적 신호 매개 변수의 특성에 기초한 식별 알고리즘이 설계되었습니다. 이 알고리즘은 진폭, 지속 시간 및 주파수 측면에서 다른 대상의 특징을 나타냅니다. 4 개의 공통 표적의 섬유 감지 신호 특성을 테스트하고, 다목적 신호의 정량적 분석이 완료되었다. 실험 결과는 표적 1의 평균 파장 진폭이 1.25nm이며,주기 특성은 약 12 0 ms; 표적 2와 3의 평균 파장 진폭은 150-350} pm 사이이며, 지속 시간은 1 내지 3입니다. 표적 4의 평균 파장 진폭은 3.2nm 이상이며 지속 시간은 약 15 초입니다. 이러한 기능은이 알고리즘에서 높은 인식 정확도를 가지고 있습니다. 대상 별칭 테스트에서 평균 목표 인식 속도와 인식 정확도의 평균은 80.0%이상으로 제안 된 알고리즘의 타당성을 확인합니다.




