关键词：光线传感器；目标识别分析；高斯模型
前言：光纤传感器在目标识别时具有以下优势，一是灵敏度高，二是对电磁干扰比较鲁棒，从而很容易构建规模较大网络等，因此在信号目标识别领域中具有较为广泛的应用。文章因此对光纤传感器目标识别进行了分析研究，具有较为重要的应用价值体现。
一、目标识别过程分析
光纤传感器在采集具体目标信息过程中，所采集到的目标信息往往是不纯粹的，即采集的目标信息中总会包括一些如噪音等无效的信息，而采用传统信号预处理技术对噪声进行去除时，在去除噪音等无效信息的同时往往也将部分有效信息进行了去除。在目标识别过程中，对目标特征的提取非常关键，一般情况下，目标特征包括两种类型，一种是频域特征，另一种是时域特征，时域特征可以直接进行提取，主要包括一些自相关函数、过零数等，但其非常容易受到外界干扰，鲁棒性比较差。频域特征主要包含频域统计量、功率谱估计等，一般目标的动态特性都是由这两类特征进行描述。在具体进行目标特征提取时，先要从原始的特征中选择一组最优的特征子集，并将一些冗余、无效的特征进行去除，从而用较少但有效的特征来代表原始特征。因此其目标提取会对目标识别的复杂性与识别性造成一定影响，且具有很高的计算复杂度。
为了目标识别效果的准确率得到有效提升，文章基于当前光纤传感器的目标识别的一些难题，提取了一种新的目标识别方法，以下便是对其进行简要分析。
二、基于光纤传感器的目标识别方法分析
（一）对目标特征加以提取
通过上文叙述可知，光纤传感器在对目标信号的收集过程中，很容易受到外界环境的干扰，需要对收集到的信号进行降噪处理。文章采取傅里叶变换来具体进行相应的降噪操作。表达式如下：
三、实验结果验证分析与结论
为了使得该目标识别方法有效性得到验证，分别选择飞行目标、红外目标与水下目标作为实验对象，首先利用光线传感器来收集目标的具体信息，在完成降维特征的获得后，统计了他们的平均值，分别从目标识别率与目标识别时间进行了数据对比分析。先从目标的识别率来看，对于水下目标来说，采用传统的模糊综合评判的弹道中段目标识别方法与粒子群算法优化的目标识别方法其目标识别率分别为91.48%、91%，而采用本文目标识别方法，则目标识别率达到了94.53%；对于飞行目标来说，采用传统的模糊综合评判的弹道中段目标识别方法与粒子群算法优化的目标识别方法其目标识别率分别为94%、93.38%，而采用本文目标识别方法，则目标识别率达到了95.53%；目标识别效率提升最明显的是红外目标，采用传统的模糊综合评判的弹道中段目标识别方法与粒子群算法优化的目标识别方法其目标识别率分别为91.23%、94.33%，而采用本文目标识别方法，则目标识别率达到了98.43%。再来看目标识别时间，对于水下目标来说，采用同上述两种一样的传统方法其时间分别为2.77、3.39，采用文章提出的方法则将时间缩短到了2.08。对于飞行目标来说，利用传统方法时间分别为3.11与3.29，采用文章提出的方法缩短到了2.79。对于红外目标来说，传统方法平均识别时间分别为3.15、3.26，采用文章提出的方法，平均识别时间缩短至2.34。通过上述数据分析可知相对于选择模糊综合评判的弹道中段目标识别方法与粒子群算法优化的目标识别方法，该目标方法具有更短的识别时间，且平均识别效率最高，从而也证明了利用KPCA来对光纤传感器采集的目标进行降维处理，一是可以有效将计算复杂程度进行了相应降低，二是在识别速度方面也得到了有效的提升，并利用高斯混合模型来构建目标识别模型，可以使得目标类别信息描述的更为准确，获得的目标的识别效率也更高。充分显示了该方法具有的优越性与有效性。
总结：综上所述，为了使目标识别结果得到更好的改善，提出的这一目标识别方法，并得出了以下结论：一是在利用光线传感器收集信号时，基于目标多变的特性，可以通过进行傅里叶变换，有效的将信号随机噪声进行消除，使得信号的信噪比得到有效提高。二是对于当前的目标识别特征提取方法进行了分析，提出了其存在的不足之处，并用小波包提取原始目标向量，采用KPCA优化了向量特征，实现了目标识别特征向量数减少的同时提高了目标识别的速度。
参考文献：
[1]刘友江.基于光纤传感器的目标识别研究[J].激光杂志,2016,37(3):111-114.
[2]张景艳.基于光纤传感器的饮用水水质色度自动检测方法分析[J].食品安全导刊,2016(33)34-34.