大規模な検出範囲、高感度、優れた環境適応性の特性により、光ファイバーセンシングネットワークは、大規模なセキュリティと地域のターゲットポジショニングに広く適用されてきました。ターゲットの存在を特定したり、その位置を大まかに判断するなどの従来の機能は、ますます要求の厳しい検出要件を満たすのにもはや十分ではありません。大部分の複数のターゲットと複数の状態パラメーターを正確に分類することで、研究ホットスポットになりました。その中で、ターゲットのタイプを特定し、ターゲット位置を計算し、ターゲットのモーション状態を推測することが、センシングネットワークの主な検出タスクです。
Sidelnikov et al。領域内の複数の異常な干渉信号で実施され、86。3％の検出率を達成し、ターゲット分類に異なる周波数を使用します。ただし、この方法は定性的分類のみを実行でき、ターゲットの状態パラメーターに関する情報を提供することはできません。 Tejedor J et al。パイプライン上の光ファイバーセンシングネットワークをレイアウトし、振動信号の違いを分析することでパイプラインを危険にさらす可能性のある潜在的なエンジニアリング操作を特定しました。また、強度しきい値を使用して異なる干渉を分類しました。 Tian Miaoは、ニューラルネットワークと関数モード分解方法を組み合わせて、4種類の侵入イベントを分析し、平均認識率85.2％を達成しました。 Zou Boxian et al。振動信号の3次元視覚化テクノロジーを使用して、ホワイトノイズ、歩行者、車両、掘削機などのさまざまな振動源を分類しました。シミュレーション分析では、90％を超える正しい割合が示されました。ただし、大量の3次元ポイントクラウドデータにより、処理速度が大幅に減少しました。 Peng Kuan et al。時間\/周波数ドメインの違いに基づいて地域の侵入源をテストし、4種類の定期的な干渉源で98％以上の分類精度を達成しました。 Jiang Hong et al。ウルトラウィーク繊維ブラッグ格子を使用して5つの一般的な侵入干渉をテストし、正規化された信号機能に基づいて分類しました。 500のテストサンプルでは、認識率は98％を超えました。パン・ルイジ等アルゴリズムの精度が96.6％で、ターゲット分類を実現するために、繊維ブラッググレーティング触覚センシングテクノロジーを使用しました。ただし、この方法は、主にターゲットとFBG間の直接接触測定に使用されます。精度が高くなりますが、その応答性能は距離が増加すると大幅に減少します。 Wei-Hao C et al。 φ-OTDRテクノロジーを使用して、高精度と良好な安定性の特性を持つターゲット信号を取得します。 Suzhen L et al。人工ニューラルネットワークを使用して、高精度と幅広いカバレッジの特性を持つ光ファイバーセンシングデータの構造振動を測定します。ただし、この方法は主に単一振動信号の認識に使用されており、マルチターゲット分類を実現できません。 Shang Qiufeng et al。サポートベクトルマシンアルゴリズムとの変分モード分解を組み合わせて、4種類の異常な信号を識別し、98％を超える識別精度を実現します。ただし、2つのアルゴリズムの使用により、単一のデータセットの処理時間は169秒で、比較的遅かったです。
多目的信号パラメーターの特性に基づく識別アルゴリズムが設計されました。このアルゴリズムは、振幅、持続時間、頻度に関して異なるターゲットの特徴をマークし、多目的信号エイリアシングの場合に信号分離を達成します。 4つの一般的なターゲットのファイバーセンシング信号特性をテストし、多目的信号の定量分析が完了しました。実験結果は、ターゲット1の平均波長振幅が1.25nmであり、約12 0 MSの期間があることを示しています。ターゲット2と3の平均波長振幅は、150-350 PMの間で、期間は1〜3秒です。ターゲット4の平均波長振幅は3.2nmを超え、期間は約15秒です。これらの機能は、このアルゴリズムで高い認識精度を持っています。ターゲットエイリアシングテストでは、平均ターゲット認識率と認識精度の平均はどちらも80.0％を超えており、提案されたアルゴリズムの実現可能性を検証します。