对光纤振动信号的有效识别是保证油气管道光纤预警系统运行的重要基础。针对传统光纤振动信号检测中单一分类方法的不足，提出一种基于AdaBoost集成学习的光纤振动信号识别分类算法。首先通过分析研究5类光纤振动信号的特征，选取样本熵、能量分布以及频带宽度作为三维特征向量，并将其分别送入决策树、支持向量机（SVM）以及以决策树作为基分类器的AdaBoost分类算法进行训练识别；其次通过交叉验证的方式对得到的模型进行参数优化和模型评价；最后对得到的模型进行对比测试实验。实验结果表明：以决策树作为基分类器的AdaBoost集成学习算法可以对不同振动类型进行有效识别，在光纤预警中对不同来源振动信号的识别具有一定意义。

为了准确识别分布式光纤预警系统中的入侵信号类型，提出了一种基于傅里叶分解方法（FDM）与排列熵降噪方法的光纤入侵信号特征提取与识别算法。首先，用FDM将光纤入侵信号分解为若干个固有频带函数（FIBF）。然后，计算各FIBF分量的排列熵，利用排列熵对噪声的敏感特性筛选出符合条件的FIBF并重构信号。最后，计算重构信号的近似熵与能量并构造二维特征向量，将其送入支持向量机进行训练后识别光纤入侵信号。实验结果表明，该算法可以有效识别敲击、小跑、过车三类光纤入侵信号，平均识别准确率为93.33%。

分布式光纤传感技术已被广泛应用于管道运输的安全监测中，对不同光纤振动信号的特征进行准确提取和分类识别是近年来的研究热点。针对传统时频分析方法研究光纤振动信号时需要人工设定基函数以及无法消除高频噪声干扰的缺陷，采用具有自适应特性的局部均值分解（LMD）方法对信号进行处理，并提出了一种基于LMD的特征提取与识别方法。首先，对原始信号进行LMD，得到若干个乘积函数分量；然后，通过自相关原理重构信号，并提取重构信号的样本熵特征和能量特征；最后，将上述特征进行融合并送入支持向量机进行训练识别。实验结果表明，该方法能有效识别不同振动类型，且识别准确率较高。

光纤预警系统已被广泛应用于油气管道的入侵检测预警中，目前的技术难点仍是如何提高光纤入侵信号多分类识别的准确率。采用梯度提升决策树（GBDT）算法训练光纤入侵信号多分类模型，并提出了一种基于傅里叶分解方法（FDM）及GBDT算法的特征提取与识别算法。该算法采用FDM对光纤入侵信号进行预处理，提取信号的近似熵、能量和谱熵特征。采用GBDT算法训练模型并对光纤入侵信号进行识别分类。为了检验该算法的性能，分别用支持向量机和AdaBoost算法训练模型并进行对比实验。结果表明，该算法能有效识别敲击、小跑、过车和镐刨四类光纤入侵信号，平均准确率为92.5%。

针对传统分解信号方法需要人工设定基函数，具有测不准性等问题，采用自驱动的傅里叶分解方法（FDM）处理信号，提出一种基于FDM能量熵的特征提取与识别方法。首先对振动信号进行FDM分解，得到若干个傅里叶固有带函数；然后利用自相关性原理重构信号，并提取信号FDM能量熵特征；最后将融合的特征向量送入支持向量机进行训练，并对有害振动进行识别。实验结果表明，所提方法能正确识别不同振动信号的类型，具有较高的准确率，应用于光纤预警系统中有望提高对有害振动的识别性能，促进管道保护技术的发展。

为了对分布式光纤上的入侵信号类型进行准确识别,提出了一种基于集合经验模态分解(EEMD)结合随机向量函数链接(RVFL)神经网络的光纤入侵信号的特征提取与识别算法。算法步骤为:对采集到的光纤入侵信号作预处理操作,包括最小-最大规范化处理和利用db3小波去除信号的低频噪声;采用EEMD方法对入侵信号进行分解,得到5组本征模态函数(IMF);计算各IMF分量的能量占比,并依据方差分析法筛选出3组特征向量;将特征向量送入RVFL神经网络进行训练并对入侵信号进行识别。实验结果显示:该方法能正确识别不同入侵信号的类型,具有较高的准确率。

为了获取特种材料表面特有的激光散斑特征,建立了一套实验室内模拟远场测量系统.利用锁相放大器进行弱信号探测.采用小波分析的方法对数据进行了预处理,采用神经网络算法对实验数据进行了自动分类识别.实验结果表明,特种材料表面激光散斑的空间强度分布可以作为识别特种材料的依据之一,并为特种材料的识别提供了一种新的有效途径.