A causa de les característiques del gran rang de detecció, alta sensibilitat i bona adaptabilitat ambiental, les xarxes de detecció de fibra òptica s’han aplicat àmpliament en la seguretat a gran escala i el posicionament de l’objectiu regional. Les funcions tradicionals com identificar la presència d’un objectiu i jutjar aproximadament la seva posició ja no són suficients per complir els requisits de detecció cada cop més exigents. Classificar amb precisió múltiples objectius i diversos paràmetres d’estat en una àrea gran s’ha convertit en un punt d’investigació. Entre ells, identificar el tipus d’objectiu, calcular la posició objectiu i inferir l’estat de moviment de l’objectiu són les principals tasques de detecció de la xarxa de detecció.
Sidelnikov o et al. Es van realitzar proves sobre múltiples senyals d'interferència anormals dins d'una regió, aconseguint una taxa de detecció de 86. 3% mitjançant l'ús de diferents freqüències per a la classificació de l'objectiu. Tot i això, aquest mètode només pot realitzar una classificació qualitativa i no pot proporcionar informació sobre els paràmetres estatals dels objectius. Tejidor J et al. Va establir una xarxa de detecció de fibra òptica a les canonades i va identificar operacions d'enginyeria potencials que podrien posar en perill les canonades analitzant les diferències en els senyals de vibració. També van classificar diferents interferències mitjançant llindars d’intensitat. Tian Miao va combinar xarxes neuronals amb el mètode de descomposició del mode de funció per analitzar quatre tipus d'esdeveniments d'intrusió, aconseguint una taxa de reconeixement mitjana del 85,2%. Zou Boxian et al. va utilitzar la tecnologia de visualització tridimensional dels senyals de vibració per classificar diferents fonts de vibracions com ara soroll blanc, vianants, vehicles i excavadores. L’anàlisi de simulació va mostrar una taxa correcta de més del 90%. No obstant això, la gran quantitat de dades de núvols de punts tridimensionals van reduir significativament la velocitat de processament. Peng Kuan et al. Fonts d’intrusió regionals provades basades en diferències de domini de temps\/freqüència, aconseguint una precisió de classificació superior al 98% per a quatre tipus de fonts d’interferència periòdiques. Jiang Hong et al. Es va provar cinc interferències d'intrusisme comunes que utilitzen reixes de fibra ultra-weak i les van classificar en funció de les característiques del senyal normalitzades. En 500 mostres de prova, la taxa de reconeixement va superar el 98%. Pan Ruizhi et al. Tecnologia de detecció tàctil de fibra de fibra utilitzada per aconseguir una classificació objectiu, amb una precisió algoritme del 96,6%. Tot i això, aquest mètode s'utilitza principalment per a la mesura de contacte directe entre l'objectiu i el FBG. Tot i que té una gran precisió, el seu rendiment de resposta disminueix significativament amb la distància creixent. Wei-Hao C et al. S'utilitza la tecnologia φ-OTDR per obtenir senyals objectiu, que té les característiques de alta precisió i bona estabilitat. Suzhen L et al. Les xarxes neuronals artificials utilitzades per mesurar les vibracions de la construcció en dades de detecció de fibres òptiques, que tenen les característiques de l’alta precisió i la cobertura àmplia. Tot i això, aquest mètode s’utilitza principalment per al reconeixement de senyals de vibració única i no pot aconseguir una classificació de diversos objectius. Shang Qiufeng et al. Descomposició de mode variacional combinat amb algoritmes de màquina vectorial de suport per identificar quatre tipus de senyals anormals, aconseguint una precisió d’identificació superior al 98%. No obstant això, a causa de l'ús de dos algoritmes, el temps de processament per a un sol conjunt de dades va ser de 169 segons, que va ser relativament lent.
Es va dissenyar un algorisme d’identificació basat en les característiques dels paràmetres de senyal multobjectius. Aquest algoritme marca les característiques de diferents objectius en termes d’amplitud, durada i freqüència, aconseguint el desacoblament del senyal en el cas d’un aliasing de senyal multobjectiu. Es van provar les característiques del senyal de detecció de fibra de quatre objectius comuns i es va completar l’anàlisi quantitativa de senyals multi-objectius. Els resultats experimentals mostren que l'amplitud mitjana de longitud d'ona de l'objectiu 1 és de 1,25nm, amb un període característic d'aproximadament 12 0 ms; Les amplituds mitjanes de longitud d'ona dels objectius 2 i 3 es troben entre 150-350 pm, amb durades que van d'1 a 3s; L’amplitud mitjana de longitud d’ona de l’objectiu 4 és superior a 3,2nm, amb una durada d’aproximadament 15 anys. Aquestes funcions tenen una alta precisió de reconeixement en aquest algorisme. A la prova d'aliasing objectiu, la taxa de reconeixement de l'objectiu mitjana i la mitjana de la precisió del reconeixement estan per sobre del 80,0%, verificant la viabilitat de l'algoritme proposat.