木材密度决定着木材力学性能, 是木材物理性能的重要指标之一。 近年来, 由于近红外光谱分析具有操作过程简单、 方便、 快速等优势, 已有学者应用近红外光谱数据预测木材密度, 但是, 在实际应用中, 数据集缺乏、 光谱特征欠优、 非线性拟合准确性低等问题还没有得到完全解决, 木材密度预测模型的精度有待于进一步提升。 木材密度中, 木材的绝干密度相对稳定, 测量结果相对精确, 以柞木绝干密度预测为研究对象, 通过采集不同含水率下的近红外光谱信息构建出适合不同含水率条件的绝干密度非线性预测模型。 首先, 选用德国INSION公司的近红外光纤光谱仪, 运用SPEC view 7.1软件对不同含水率的柞木样本采集光谱信息; 然后, 利用SPXY样本划分方法, 按2∶1划分校正集与预测集, 并利用多元散射校正、 二阶导数光谱及S-G平滑方法进行光谱预处理, 以减少散射光和高频噪声的影响; 接着, 运用连续投影算法（SPA）提取有效的波长信息; 最后, 运用一种非线性权重粒子群算法优化的BP网络（IPSO-BPNN）建立不同含水率状态下的近红外光谱与柞木绝干密度之间的关联, 实现柞木绝干密度预测模型的构建。 实验过程中, 加工选取了100个柞木试件样本, 在绝干条件下测量样本试件密度和光谱信息, 并浸泡水中测量出不同含水率对应的光谱信息, 实验结果表明: SPXY保证了校正集样本的均匀分布, 提高了模型泛化能力; MSC、 二阶导数和S-G卷积平滑相结合的方法抑制了原始光谱中噪声高频信号, 同时使得峰值更加突出; SPA从117个光谱数据中优选出16个特征波长, 提高了建模精度; IPSO-BPNN模型较SPA-PLS, BP和PSO-BP具有更高的相关系数, 更小的均方根误差, 柞木绝干密度预测相关系数为0.938, 预测均方根误差为0.012 9, 方法可以对木材密度在线无损测量提供一定的理论基础。

星系的红移在天文研究中极其重要, 星系测光红移的预测对研究宇宙大尺度结构及演变有着重要的研究意义。 利用斯隆巡天项目发布的SDSS DR13的150 000个星系的测光及光谱数据进行分析, 首先根据颜色特征并基于聚类的方法对星系进行分类, 由分类结果可知早型星系的占比较大。 对比了三种不同的机器学习算法对早型星系进行测光红移回归预测实验, 并找出最优的方法。 实验中将星系样本中u, g, r, i, z五个波段的测光值以及两两做差得到的10个颜色特征作为输入数据, 首先构建BP网络, 使用BP算法对星系的测光红移进行回归预测; 然后利用遗传算法（GA）优化BP网络各层参数, 将优化后的GA-BP算法应用于早型星系的回归预测试验中。 考虑到GA算法的复杂操作会影响预测效率, 并且粒子群算法（PSO）不仅稳定性高且操作简单, 因此将粒子群算法应用到星系样本中早型星系的测光红移回归预测实验中, 进而采用粒子群算法优化BP网络（PSO-BP）。 实验中将光谱红移作为期望值, 采用均方差（MSE）作为误差分析指标来评判三种算法的精度, 将PSO-BP回归预测结果与BP网络模型、 GA-BP网络模型进行比较。 由实验结果可知, BP网络的MSE值为0001 92, GA-BP网络的MSE值0001 728, PSO-BP网络的MSE值为0001 708。 实验结果表明, 所用到的PSO-BP优化模型在精度上优于BP神经网络模型和GA-BP神经网络模型, 分别提高了111%和12%; 在效率上优于传统的K近邻（KNN）测光红移估计算法, 克服了KNN算法中遍历所有数据样本进行训练的缺点并且其泛化性能优于其它BP网络优化模型。

为了实现光纤位移传感器的光强补偿和减小测量误差, 提出了一种基于遗传算法(GA)优化BP神经网络的光强补偿及校正模型。首先通过对光纤位移传感器做标定实验, 获得传感器测量的原始数据, 然后采用GA-BP神经网络进行建模, 通过对遗传算法的适应度函数、编码方式和参数进行研究, 利用遗传算法的全局寻优能力对传统BP神经网络的权值、阈值进行优化, 改善了其容易陷入局部极值的问题。最后利用实测数据对GA-BP网络和传统BP网络进行训练, 实验结果表明, GA-BP网络比BP网络的预测误差小很多, 提高了补偿精度, 从而实现了光纤位移传感器的光强补偿。

为了提高星图识别算法的抗噪性能, 提出一种基于逆向传播(Back Propagation, BP)网络的识别算法。该算法通过将星图转换成“0”、“1”和“2”的网格矩阵, 提取行列数值和星数形成匹配向量, 利用多个BP识别子网进行训练完成匹配识别。通过仿真试验得出以下结论: 对星等位置和星等添加噪声, 当位置噪声标准偏差为2像素时, BP网络算法的识别率和识别时间相对传统栅格算法分别提高2%和60ms, 对噪声有较强抗干扰能力, 表明BP网络算法具有更快的识别速度。

利用近红外光谱结合误差反向传播神经网络（BP）对三种人工林木材（尾叶桉、 马尾松、 南方无性系I-72杨）进行识别, 探讨隐含层神经元个数、 光谱预处理方法、 光谱范围对BP网络模型的影响, 并与SIMCA法所建模型做比较。 结果表明: （1）BP网络结合全波段（780～2 500 nm）近红外光谱数据建模, 识别正确率达到97.78%, 并确定隐含层神经元数为13; （2）全波段光谱建模比短波段（780～1 100 nm）和长波段（1 100～2 500 nm）光谱建模识别效果好, 其识别正确率分别为97.78%, 95.56%和96.67%, 用一阶导数和二阶导数对全波段光谱进行预处理后, BP网络模型识别正确率分别为93.33%和71.11%; 用多元散射校正（MSC）对全波段光谱进行预处理后, BP网络模型识别正确率为98.89%, （3）在三种波段（780～2 500, 780～1 100和1 100～2 500 nm）光谱建模的情况下, BP网络建模识别正确率分别为95.56%, 96.67%和97.78%, SIMCA模型识别正确率分别为76.67%, 81.11%和82.22%, BP网络建模比SIMCA法建模对三种人工林木材的识别正确率高。

为无损检测桃的内部品质, 提出了结合高光谱成像技术和人工神经网络无损检测桃硬度的方法。采集了摘后贮藏了12 d的140个桃在900~1 700 nm的高光谱图像, 以每个桃高光谱图像中40 pixel×40 pixel的感兴趣区域的平均光谱作为桃的原始反射光谱; 利用Savitzky-Golay平滑和标准正态变量变换对光谱进行预处理; 基于x-y共生距离算法划分样本, 得到校正集样本105个和预测集样本35个。利用连续投影算法、无信息变量消除法和正自适应加权算法从全光谱的216个波长中分别提取了12个、103个和22个特征波长; 分别建立了基于全光谱和提取的特征波长预测桃硬度的支持向量机模型和BP网络模型。结果表明, 基于全光谱建立的BP网络模型具有最好的预测性能, 其预测相关系数为0.856, 预测均方根误差为0.931。本研究为基于桃内部品质的工业化分级提供了基础。

双目立体视觉标定模型具有非线性,难以建立完备的数学模型来描述不同的镜头畸变和噪声,而BP神经网络可以解决复杂非线性问题.采用BP网络对双目立体视觉进行标定,并在此基础上进一步研究网络层数对双目立体视觉标定的影响.构建了四种不同层数的BP网络模型,实验测试了四种网络的标定能力.结果表明,相对于四层、五层和六层网络模型,三层网络模型具有更快的标定速度、更强的泛化能力和更高的工作精度.

为了抑制空间光学载荷的振动,针对大口径、高分辨的光学遥感器设计了一种隔振器, 并研究了隔振器的主要结构参数和布置方式。首先, 使用有限单元法分析了隔振器主要参数与刚度特性之间的关系。然后, 利用BP网络预测隔振器的三向刚度, 搜寻了符合条件的隔振器的结构参数。结合光学载荷的一般结构形式, 提出一种对称辐射式布置方式, 建立了相应的理论模型, 并进行了仿真研究。最后, 设计、加工出了一套隔振系统原理样机, 并对其静态性能及隔振性能进行了测试实验。实验结果显示: 隔振系统的基频在5.31 Hz左右; 对高于25Hz的振动, 衰减可以达到20 dB以上; 仿真和实验结果之差在8%以内。得到的结果表明, 设计的隔振器可以有效降低空间飞行器传递给光学载荷的振动。

针对现代空战目标识别高准确性、实时性的要求, 以及目标识别融合中可能出现的高度证据冲突问题, 提出了一种基于BP网络与改进证据合成规则的空中目标识别方法。该方法通过BP神经网络获取各传感器对目标类别判断的基本概率赋值, 并以此为证据, 使用引入加权平均证据的合成规则对各组证据进行空间域融合和时间域融合, 得到目标身份结论。仿真结果表明, 该方法可以很好地解决证据冲突问题, 能够准确、可靠地完成空中目标识别任务。