针对油脂脱臭过程中的反式脂肪酸(TFAs)含量控制问题, 提出一种基于近红外光谱分析的油脂中TFAs含量快速检测方法。 制备含不同TFAs的大豆油脂样本100个, 利用气相色谱(GC)法精确测定其TFAs含量, 扫描样本近红外光谱, 然后利用不同方法对光谱数据进行降噪处理, 发现多元散射校正的去噪效果最佳。 为了探讨TFAs在近红外区域的吸收特性, 采用多种iPLS方法对比分析, 筛选出7 258～7 443/6 502～6 691/6 120～6 309 cm-1 TFAs的特征波段, 再利用Kalman滤波算法进行特征波长变量的选择, 优选出27个TFAs的特征波长变量; 采用深度信念网络(DBN)建立校正模型, 通过多次对比发现, 当隐含层层数为3并且隐含层节点数为50-35-90时, DBN模型性能最佳。 最后将DBN模型与PLS方法建立的反式脂肪酸含量回归模型进行对比分析, 结果表明: 对降噪后的全谱进行建模, DBN模型的预测效果优于PLS, DBN模型预测集R2为0.879 4、 RMSEP为0.060 3、 RSD为2.18％; 对筛选出的特征波段建模, PLS模型的预测效果优于DBN模型; 对优选出来的27个特征波长变量建模, DBN的预测效果较好, R2为0.958 4、 RMSEP为0.035 0、 RSD为1.31％, 说明DBN模型的泛化能力更好, 并且利用少量的波长变量就能达到较好的预测效果, 能够满足实际检测需求, 为实现油脂加工过程中TFAs含量的在线检测和调控, 生产低/零TFAs油脂产品提供技术支撑。

近红外光谱是一种快速、 无损的定量分析工具, 现如今已广泛的应用在各个行业中。 近红外光谱分析技术应用的关键就在于如何建立一个有效而又精确的模型。 目前常用的定量分析方法大多为浅层模型, 深度信念网络(DBN)是一种基于概率的深层模型, 可以自动学习输入的有效特征表示, 且只要设置最后隐层输出节点数低于输入光谱维度, 在对光谱数据完成特征提取的同时即可实现降维。 对于近红外光谱样本量大、 变量多、 维度高等问题, 提出一种基于深度信念网络的近红外光谱建模方法, 定量分析物性浓度。 该方法以近红外光谱数据作为输入信号, 首先对多层受限玻尔兹曼机（RBM）进行无监督学习, 实现光谱自身特征的提取; 然后利用目标理化值对网络进行微调得到最优模型参数。 在建立DBN校正模型的基础下对其进行改进, 建立DBN-PLS校正模型。 通过建立DBN近红外光谱校正模型、 DBN-PLS近红外光谱校正模型, 验证了DBN建模和DBN-PLS建模的可行性, 并引入决定系数（R2）和均方误差（MSE）两个模型评价指标, 对比分析了传统BP建模和DBN建模的精度。 分析结果表明, 相较于传统定量分析方法建模, 利用DBN方法建模和DBN-PLS方法建模可以提高预测精度。

为解决在复杂战场环境下察打无人机作战效能的有效评估问题, 结合无人机的作战使用过程, 分析了影响无人机作战效能的主要因素; 运用动态贝叶斯网络方法构建了无人机作战效能的评估模型, 并给出了变量属性等级和网络关键参数的计算方法。通过Netica工具对无人机的作战效能进行动态评估仿真, 验证了模型的有效性和可行性。动态贝叶斯网络模型为无人机的作战运用和装备研制改进提供了参考依据。

由于视频中的手工特征和主观情感之间的直接相关性很小, 识别视频序列中的面部表情是一项很有挑战性的任务, 为了克服这个缺陷, 有效提高视频中的人脸表情识别性能。本方法采用两个深度卷积神经网络, 即空间卷积神经网络和时间卷积神经网络, 用于视频中的时空表情特征学习。其中, 空间卷积神经网络用于提取视频中每一帧静态的表情图像的空间信息特征, 而时间卷积神经网络用于从视频中多帧表情图像的光流信息中提取动态信息特征。然后, 将这两个深度卷积神经网络学习到的时空特征进行基于深度信念网络(DBN)的特征层融合, 输入到支持向量机实现视频中的人脸表情分类任务。在公共的RML和BAUM-1s视频情感数据集的测试结果表明, 该方法分别取得了71.06%和5218%的正确识别率, 明显优于现有文献报导的结果。多模深度卷积神经网络的人脸表情识别方法能提高视频中人脸表情的识别性能。

针对传统稻种发芽率检测效率低、 精度差、 专业化要求高等问题, 通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。 首先, 将连粳7号和武运粳均分别老化0~7 d后, 以5 min为间隔在纯净水中分别浸泡5~30 min。 然后用荧光光谱仪检测浸泡液的荧光光谱, 光谱数据经中心化后用集合经验模态分解(EEMD)去噪, 并通过主成分分析法提取441.5 nm的特征荧光波长。 最后, 利用偏最小二乘回归(PLSR), 反向传播神经网络(BPNN), 径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。 比较后得出, DBN模型在少数据、 弱信号情况下的预测精度最高, 预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。 同时, 通过分析混合稻种荧光数据Rp的变化趋势, 得到最佳浸泡时间为22.1 min, 实际上, 精确度超过0.95(Rp)需要5 min左右。 研究结果表明, 结合荧光光谱法和EEMD-DBN模型, 非破坏性地预测水稻种子发芽率具有可行性和高准确性, 并且适用于不同颜色和污染水平的水稻种子的检测。

民航飞机的快速存取记录仪(QAR)在飞行过程中记录了大量的飞行参数,QAR数据是飞行安全评估的重要依据。针对QAR数据大样本、高维度的特点,提出了一种有效的飞行数据特征提取的高效算法——DBN算法。DBN优势在于其能够摆脱对大量数据处理技术与专家经验的依赖而对飞行数据进行特征提取。在不同类别飞行数据集上进行仿真实验,结果显示与主成分分析法(PCA)相比,通过DBN提取的特征进行分类识别准确率更高。

特征提取和分类是太赫兹光谱识别的关键。 部分物质在太赫兹波段内没有明显的吸收峰, 难以人工定义、 提取特征及分类识别, 为此, 结合深度信念网络(deep belief network, DBN)和K-Nearest Neighbors (KNN)分类器的优点, 提出了一种基于DBN的太赫兹光谱识别方法。 首先利用S-G滤波和三次样条插值对ATP, acetylcholine_bromide, bifenthrin, buprofezin, carbazole, bleomycin, buckminster和cylotriphosphazene在0.9～6 THz内的太赫兹透射光谱进行归一化处理; 然后由两层受限波尔兹曼机(restricted Boltzmann machine, RBM)构建DBN模型, 并采用逐层无监督的方法训练模型, 以自动提取太赫兹光谱特征; 最后用KNN分类器对8种物质的太赫兹透射光谱进行分类。 结果表明, 使用DBN自动提取的光谱特征, KNN分类器、 BP神经网络、 SOM神经网络和RBF神经网络的分类准确率达到了90%以上, 且KNN分类器的识别率优于其他三种分类器; 采用DBN自动提取物质的太赫兹光谱特征大大减少了工作量, 在海量光谱数据识别中具有广阔的应用前景。

研究了深度分类网络在道路交通典型目标分类中的应用,使用原始灰度图、HOG特征直方图、Canny边缘图与本征特征等多种目标表征方法与深度置信网络(Deep Belief Networks,DBN)相结合构建深度分类网络实现对行人、骑车人、车辆和其他4种典型道路交通目标的分类功能。为了配合基于DBN的深度人车分类网络的训练,建立了称为NUPTERC的典型道路目标图像库,给出了建库的规则和方法,利用NUPTERC图像库构建实验对深度分类网络进行测试,并与其他典型人车分类方法进行了比较。证明深度分类网络在满足实时性的条件下,可以获得令人满意的分类正确率。最后,将基于DBN5Canny的人车分类算法应用于智能视频分析云平台,实现了对道路上的典型目标实时、精确的统计和分类功能。