Liela noteikšanas diapazona raksturlielumu, augsta jutīguma un labas vides pielāgošanās spējas raksturlielumi, optisko šķiedru sensoru tīkli ir plaši izmantoti liela mēroga drošībā un reģionālajā mērķa pozicionēšanā. Tradicionālās funkcijas, piemēram, mērķa klātbūtnes identificēšana un aptuveni spriežot par tā stāvokli, vairs nav pietiekamas, lai izpildītu arvien prasīgākās noteikšanas prasības. Precīzi klasificējot vairākus mērķus un vairāku stāvokļu parametrus lielā apgabalā, ir kļuvis par pētniecības karsto punktu. Starp tiem mērķa veida identificēšana, mērķa stāvokļa aprēķināšana un mērķa kustības stāvokļa secināšana ir galvenie sensoru tīkla noteikšanas uzdevumi.
Sidelnikov O et al. Veiktie testi ar vairākiem patoloģiskiem traucējumu signāliem reģionā, sasniedzot noteikšanas ātrumu 86. 3%, mērķa klasifikācijai izmantojot dažādas frekvences. Tomēr šī metode var veikt tikai kvalitatīvu klasifikāciju un nevar sniegt informāciju par mērķu stāvokļa parametriem. Tejedor J et al. Izveidoja optisko šķiedru sensoru tīklu cauruļvadiem un identificēja potenciālās inženiertehniskās operācijas, kas varētu apdraudēt cauruļvadus, analizējot vibrācijas signālu atšķirības. Viņi arī klasificēja dažādus traucējumus, izmantojot intensitātes sliekšņus. Tian Miao apvienoja neironu tīklus ar funkcijas režīma sadalīšanās metodi, lai analizētu četrus ielaušanās notikumu veidus, sasniedzot vidējo atpazīšanas līmeni 85,2%. Zou Boxian et al. izmantoja vibrācijas signālu trīsdimensiju vizualizācijas tehnoloģiju, lai klasificētu dažādus vibrācijas avotus, piemēram, balto troksni, gājējus, transportlīdzekļus un ekskavatorus. Simulācijas analīze parādīja pareizo ātrumu virs 90%. Tomēr lielais trīsdimensiju punktu mākoņa datu daudzums ievērojami samazināja apstrādes ātrumu. Peng Kuan et al. Pārbaudīti reģionālie ielaušanās avoti, pamatojoties uz laika\/frekvences domēna atšķirībām, iegūstot klasifikācijas precizitāti vairāk nekā 98% četriem periodisku traucējumu avotu veidiem. Jiang Hong et al. Pārbaudīja piecus izplatītus ielaušanās traucējumus, izmantojot ultra-weak šķiedru bragg režģus, un klasificēja tos, pamatojoties uz normalizētām signāla pazīmēm. 500 testa paraugos atpazīšanas līmenis pārsniedza 98%. Pan Ruizhi et al. Izmantota šķiedru bragg režģa taustes sensoru tehnoloģija, lai sasniegtu mērķa klasifikāciju, ar algoritma precizitāti 96,6%. Tomēr šo metodi galvenokārt izmanto tiešai kontakta mērīšanai starp mērķi un FBG. Lai arī tam ir augsta precizitāte, tā reakcijas veiktspēja ievērojami samazinās, palielinoties attālumam. Wei-Hao C et al. Izmantota φ-OTDR tehnoloģija, lai iegūtu mērķa signālus, kam ir augstas precizitātes un labas stabilitātes īpašības. Suzhen L et al. Izmantotie mākslīgie neironu tīkli, lai izmērītu konstrukcijas vibrācijas optisko šķiedru sensoru datos, kuriem ir augstas precizitātes un plaša pārklājuma īpašības. Tomēr šo metodi galvenokārt izmanto atsevišķu vibrācijas signālu atpazīšanai, un tā nevar sasniegt vairāku mērķu klasifikāciju. Shang Qiufeng et al. Kombinētā variācijas režīma sadalīšanās ar atbalsta vektora mašīnas algoritmiem, lai identificētu četrus patoloģiskus signālus, sasniedzot identifikācijas precizitāti virs 98%. Tomēr divu algoritmu izmantošanas dēļ viena datu kopas apstrādes laiks bija 169 sekundes, kas bija salīdzinoši lēns.
Tika izstrādāts identifikācijas algoritms, kura pamatā ir daudzobjektīvu signāla parametru īpašības. Šis algoritms iezīmē dažādu mērķu pazīmes amplitūdas, ilguma un frekvences izteiksmē, panākot signāla atdalīšanos daudzobjektīvu signālu aliasing gadījumā. Tika pārbaudīti četru parasto mērķu šķiedru sensora signāla raksturlielumi un tika pabeigta vairāku objektīvu signālu kvantitatīvā analīze. Eksperimentālie rezultāti rāda, ka 1. mērķa vidējā viļņa garuma amplitūda ir 1,25 nm ar periodu, kas raksturīgs aptuveni 12 0 ms; Vidējā viļņa garuma amplitūdas 2. un 3. mērķa garuma amplitūdās ir starp 150-350 pm, ilgums svārstās no 1 līdz 3s; Mērķa 4 vidējā viļņa garuma amplitūda pārsniedz 3,2 nm, ar ilgumu aptuveni 15 sekundes. Šīm funkcijām ir augsta atpazīšanas precizitāte šajā algoritmā. Mērķa aliasing testā gan vidējais mērķa atpazīšanas līmenis, gan atpazīšanas precizitātes vidējais rādītājs ir virs 80,0%, pārbaudot ierosinātā algoritma iespējamību.