红木家具市场以次充好、以假乱真的现象非常普遍, 导致消费者对其真伪难以鉴别。目前对于近红外识别木材种类的研究已经很多, 但对成品家具而言, 表面涂饰是阻碍近红外光谱检测的最大障碍。因此本文通过对不同种类油漆涂层覆盖下木材近红外光谱特征分析, 提出了一种主成分分析(Principal Component Analysis, PCA)结合BP神经网络(Back Propagation)的红木家具种类鉴别方法。以市面上易混淆的交趾黄檀和微凹黄檀为试验对象, 首先使用近红外光谱仪采集光谱数据, 比较了原木与家具的光谱差异, 然后采用标准正态变量变换(Standard Normal Variate Transformation, SNV)的预处理方法, 再利用主成分分析法以累积贡献率大于95%的主成分作为样品特征, 构建3层BP神经网络模型。结果表明: 基于主成分分析的BP神经网络的方法能较好的鉴别交趾黄檀和微凹黄檀两种红木家具, 预测结果准确率分别为92.59%和94.38%, 给红木家具种类的鉴别提供了一种新的可靠的方法。

虫害检测算法研究是开展虫害快速、 准确监测, 制定精准森防检疫措施的重要基础。 以毛竹叶片为研究尺度, 基于刚竹毒蛾危害下的寄主外部形态与内部生理现象总结, 选择并实测叶损量LL、 相对叶绿素含量RCC、 相对含水量RWC、 原始光谱的733.66~898.56 nm值（ρ733.66~898.56）、 一阶微分光谱的562.95~585.25 nm值（ρ′562.95~585.25）与706.18~725.41 nm值（ρ′706.18~725.41）等理化参数, 随机划分实验组（63组）和验证组（37组）并设计5次重复实验; 分别运用Fisher判别分析、 BP神经网络、 随机森林等三种方法建立刚竹毒蛾危害等级的检测模型, 从检测精度、 Kappa系数及R2等指标对模型的检测效果予以分析和比较。 结果显示, Fisher判别分析、 BP神经网络、 随机森林的检测精度分别为69.19%, 65.41%, 83.78%, Kappa系数分别为0.576 9, 0.532 4和0.778 8, R2分别为0.722 2, 0.582 6和0.870 9, 总体而言, 三种方法均具备刚竹毒蛾危害的检测能力, 随机森林的检测效果最优, Fisher判别分析次之, 再次为BP神经网络; 从分等级来看, 随机森林的检测精度亦优于Fisher判别分析与BP神经网络, 但3种方法对中度危害等级的检测精度均有所不足。 该成果可为刚竹毒蛾危害及其他病虫害检测算法的选择提供参考, 并为进一步建立冠层、 遥感影像像元等尺度的虫害检测模型奠定基础。

基于布里渊光时域分析仪的全分布式光纤传感系统中，光纤沿途的探测信号含有噪声导致被测量的温度或应变信息难以识别，光谱拟合的精确度对传感信息的识别非常重要。在传感系统低信噪比的情况下，提出了一种提取高精度布里渊散射谱特征的拟合方法，利用小波去噪结合莱文伯-马奈特（LM）算法调节权值后向传输(BP)网络对布里渊散射谱进行特征提取。克服了传统BP神经网络易陷入局部极值的缺点，保证求解的精度。数值仿真表明，该方法适合不同权重比、不同线宽和低信噪比以及大测量范围的情况进行光谱拟合，并且在信噪比为10 dB的情况下得到拟合度均超过0.96。实验结果表明，该方法适用于多种泵浦功率情况下的布里渊散射谱的特征提取，优于传统BP神经网络算法且具有较高的拟合精度。

由于作者在前一段工作中提出的基于工艺匹配的显微图像边缘提取算法(MPTM-MIED)无法适应微小构件的实时自动检测, 本文利用BP神经网络技术重新设计实现了MPTM-MIED, 并提出了一种新的自动提取显微图像边缘的方法(AMIED)。为了验证该方法的有效性, 利用AMIED对4种工艺实现的微小型结构件显微图像的边缘进行了提取, 并对线切割工艺零件的尺寸进行了测量。边缘提取的分析结果表明: AMIED提取出的显微图像边缘与MPTM-MIED提取出的基本一致; 与常用的边缘检测算法相比, AMIED提取出的显微图像的边缘线形连接程度较好。测量尺寸的分析结果表明: MPTM-MIED和AMIED测量的尺寸基本相同, 比Canny法测量得到的结果更接近万能工具显微镜测得的尺寸。由于在测量过程中不再需要手工选取边缘过渡区域, 提出的方法极大地提高了检测速度, 可用于实时自动测量微小型零件的尺寸。

采用舌诊近红外反射光谱对人体血清总蛋白(TP)含量进行无创检测。 采集58例舌尖反射光谱进行反射率归一化并记录相对应的血清总蛋白生化分析值, 将样本分为训练集和预测集, 运用主成分分析结合BP神经网络法和偏最小二乘算法分别建立预测模型。 主成分分析结合BP神经网络模型对预测集进行预测, 平均相对误差为7.35%, 均方根误差为3.069 1 g·L-1, 相关系数为0.902 1。 偏最小二乘模型对预测集进行预测, 平均相对误差为4.77%, 均方根误差为0.130 1 g·L-1, 相关系数为0.971 8。 实验结果证实了舌诊近红外反射光谱可以较为准确地用于总蛋白含量的无创检测。

针对无人飞行器航迹规划中的气象威胁要素模糊性强、复杂多变等特点，提出一种融合遗传算法与BP神经网络的气象威胁度评估方法。利用遗传算法的全局寻优能力优化BP神经网络的初始参数及结构，结合GA-BP神经网络对气象威胁度进行建模与评估。通过Matlab仿真验证，结果表明该方法能够准确评估气象威胁度，与BP神经网络相比，具有更快的收敛速度、更好的全局收敛性，提高了评估效率与准确度。

为实现土壤中有机碳(TOC)含量和阳离子交换量(CEC)的快速检测, 对300个土壤样品的可见/近红外光谱数据进行了分析。 使用快速独立分量分析(FastICA)算法对光谱数据矩阵进行分解, 得到独立成分和相应的混合系数矩阵, 再利用误差反向传播算法(back-propagation, BP)构造三层神经网络结构。 为了克服传统BP神经网络结构难以确定和易于陷入局部极小点的缺点, 采用遗传算法优化BP神经网络结构和初始权值, 得到ICA-GA-BP模型。 利用此模型对土壤中TOC含量和CEC进行预测, 根据预测相关系数(R2)和预测标准偏差(RMSEP)来评价预测模型的性能, 表明该模型对TOC含量和CEC测定的相关系数R2均达到0.98以上。 说明文章提出的ICA-GA-BP建模方法具有很好的预测效果, 为土壤品质的鉴别提供了一种新方法。

近年来随着数字技术以及彩色数字图像输入输出设备的不断发展和广泛使用，颜色在不同的设备之间精确地传递或再现成为该领域的重要课题。文章以彩色数码相机特性化为研究内容，分别采用BP神经网络和多项式转换方法。尽管由实验结果方面看，用BP神经网络方法要优于多项式转换，但BP神经网络方法所需训练样本数量较多、训练时间长、不易实现，而多项式转换方法便于实际应用，因此多项式转换方法更利于数码相机特性化。

为了实现葡萄酒品种的快速无损鉴别, 选用五种干红葡萄酒, 进行可见和近红外光谱实验, 提出了一种用可见和近红外光谱技术快速鉴别葡萄酒品种的新方法。 采用独立主成分分析进行模式特征分析, 经过选用不同的独立主成分数进行建模和预测, 确定最佳独立主成分数为20。 将这20个主成分作为神经网络的输入变量, 建立三层BP神经网络, 实现类别预测的同时也完成了数学建模与优化分析工作。 5个品种的葡萄酒样本数均为35, 共计175个样本。 在神经网络学习中, 将其分成训练集样本150个和预测集样本25个。 对25个未知样本进行预测, 准确率为100％。 该研究在独立主成分分析的基础之上, 根据干红葡萄酒各独立主成分的混合矩阵向量载荷图, 选取了两个波段(400～430 nm与512～532 nm)作为葡萄酒的独立主成分分析的特征波段。 说明该文提出的基于光谱技术和模式识别的方法不仅对葡萄酒具有很好的分类和鉴别能力, 并且可以提取出葡萄酒的指纹特征, 可用于葡萄酒的检测与技术开发。