Zaradi značilnosti velikega obsega zaznavanja, visoke občutljivosti in dobre prilagodljivosti okolja so bila omrežja za zaznavanje optičnih vlaken široko uporabljena pri obsežnem varnosti in regionalnem ciljnem položaju. Tradicionalne funkcije, kot sta prepoznavanje prisotnosti cilja in grobo presojo njegovega stališča, ne zadostujejo več za izpolnjevanje vse bolj zahtevnih zahtev za odkrivanje. Natančno razvrščanje več ciljev in več državnih parametrov na velikem območju je postalo raziskovalna žarišče. Med njimi so glavne naloge za zaznavanje omrežja med njimi prepoznavanje vrste cilja, izračun ciljnega položaja in sklepanje o stanju cilja.
Sidnikov o et al. Izvedeni testi na več nenormalnih interferenčnih signalih v regiji in dosegli stopnjo zaznavanja 86. 3% z uporabo različnih frekvenc za ciljno klasifikacijo. Vendar lahko ta metoda izvaja le kvalitativno klasifikacijo in ne more zagotoviti informacij o državnih parametrih ciljev. Tejedor J et al. Postavil je mrežo za zaznavanje optičnih vlaken na cevovodih in opredelil potencialne inženirske operacije, ki bi lahko ogrozile cevovode z analizo razlik v vibracijskih signalih. Prav tako so razvrstili različne posege z uporabo pragov intenzivnosti. Tian Miao je kombiniral nevronske mreže z metodo razgradnje funkcijskega načina za analizo štirih vrst vdorov in dosegel povprečno stopnjo prepoznavanja 85,2%. ZOU Boxian et al. Uporabljala tridimenzionalno tehnologijo vizualizacije vibracijskih signalov za razvrščanje različnih virov vibracij, kot so beli hrup, pešci, vozila in bagerji. Simulacijska analiza je pokazala pravilno stopnjo nad 90%. Vendar pa je velika količina tridimenzionalnih podatkov v oblaku znatno zmanjšala hitrost obdelave. Peng Kuan in sod. Testirani regionalni viri vdorov, ki temeljijo na razlikah v času\/frekvenci domene, dosegajo natančnost klasifikacije nad 98% za štiri vrste periodičnih virov motenj. Jiang Hong in sod. Preizkusili pet skupnih vdorov z uporabo ultra-čudnih vlaken Bragg rešetk in jih razvrstili na podlagi normaliziranih lastnosti signala. V 500 preskusnih vzorcih je bila stopnja prepoznavanja nad 98%. Pan Ruizhi in sod. Za doseganje ciljne klasifikacije je uporabil tehnologijo taktilnega zaznavanja vlaken Bragg z natančnostjo algoritma 96,6%. Vendar se ta metoda uporablja predvsem za merjenje neposrednega stika med ciljem in FBG. Čeprav ima visoko natančnost, se njegova uspešnost odziva s povečanjem razdalje znatno zmanjša. Wei-Hao C et al. Za pridobitev ciljnih signalov, ki imajo značilnosti visoke natančnosti in dobre stabilnosti, so uporabili tehnologijo φ-OTDR. Suzhen L et al. Uporabljena umetna nevronska omrežja za merjenje gradbenih vibracij v podatkih o zaznavanju optičnih vlaken, ki imajo značilnosti visoke natančnosti in široke pokritosti. Vendar se ta metoda uporablja predvsem za prepoznavanje enojnih vibracijskih signalov in ne more doseči več tarče klasifikacije. Shang Qiufeng et al. Razgradnjo variacijskega načina z algoritmi podpornih vektorskih strojev za identifikacijo štirih vrst nenormalnih signalov, pri čemer dosežemo natančnost identifikacije nad 98%. Vendar je bil zaradi uporabe dveh algoritmov čas obdelave za en sam niz podatkov 169 sekund, kar je bilo razmeroma počasno.
Zasnovan je bil algoritem identifikacije, ki temelji na značilnostih več objektivnih parametrov signala. Ta algoritem označuje značilnosti različnih ciljev glede na amplitudo, trajanje in frekvenco, kar dosega ločevanje signala v primeru več objektivnega signala. Preizkušene so bile značilnosti signala za zaznavanje vlaken v štirih skupnih ciljih in zaključena je bila kvantitativna analiza več objektivnih signalov. Eksperimentalni rezultati kažejo, da je povprečna amplituda valovne dolžine cilja 1 1,25nm, z obdobjem, ki je značilno približno 12 0 ms; Srednja amplituda valovne dolžine tarč 2 in 3 so med 150-350 pm, trajanje pa se giblje od 1 do 3s; Srednja amplituda valovne dolžine cilja 4 je nad 3,2 nm, trajanje približno 15s. Te lastnosti imajo v tem algoritmu visoko natančnost prepoznavanja. V preskusu ciljnega vzdevka sta povprečna stopnja prepoznavanja cilja in srednja vrednost natančnosti prepoznavanja nad 80,0%, kar preverja izvedljivost predlaganega algoritma.