提出一种基于多层感知机的金属表面光度-结构光测量数据融合算法。设计了融合面结构光与光度立体视觉两种测量原理的复合传感器，分别获得同一相机坐标系下的缺失点云及完整法向量多模态数据。为有效融合两种数据，设计了基于位置编码的多层感知机网络，以点云为形状约束，以法向量为纹理约束，实现金属表面完整的高精度三维重建。通过仿真和实验验证了所提方法的有效性。实验结果表明：该方法有效避免了法向量积分累计误差的问题，在获取完整点云的同时，测量精度相较于结构光测量系统提升了50.4%。

针对暗通道先验去雾算法中存在的块效应、算法复杂度高等问题,提出了一种改进的基于暗通道先验的去雾算法。首先,通过暗通道先验去雾算法得到粗略透射率,再通过峰值信噪比自适应调节雾气参数,以获取最优透射率。然后,将上述结果分别作为多层感知器的输入向量和目标向量进行训练,以建立粗略透射率到最优透射率之间的映射并得到最优透射率。最后,结合大气光值复原无雾图像。实验结果表明,本算法能有效改善块效应,提高复原效率,且能在一定程度上提升图像细节的清晰度。

针对海洛因混合品、甲基苯丙胺混合品提出了一种基于支持向量机-多层感知器(SVM-MLP)融合模型的毒品混合品光谱鉴别方法。实验分别获取了海洛因、甲基苯丙胺与其他物质的90组毒品混合物光谱数据,采用基线自动校正和峰面积归一化除噪后借助主成分分析提取特征波数数据,建立基于SVM与MLP神经网络的融合分类模型。结果表明,基于高斯核函数、线性核函数、多项式核函数的SVM模型能够实现对不同质量分数海洛因混合品样本97.8%、97.8%、95.6%的准确分类,MLP模型能够对甲基苯丙胺混合品样本实现96.5%的准确分类。SVM-MLP融合模型无损、便捷、高效,有助于缉毒案件中毒品物证的鉴定和涉案人的司法量刑,具有一定的普适性和参考意义。

为了提高近景摄影测量中编码标志点的编码容量和解码准确率,提出一种由定位十字标、起始数字、编码字符组成的合作编码定位对应圆型标志方法。通过高斯滤波对采集的图像进行平滑的预处理,可以消除噪声;利用自适应局部阈值法对目标进行分割,可以获取字符区域与十字标区域;使用TensorFlow-MLP(Multilayer Perceptron)神经网络训练好的字符样本库对字符进行分类与识别;对十字标区域进行填充修复,经过灰度平方加权质心法可以实现亚像素定位。该类型合作编码标志在实际应用中具有唯一辨识性,定位精度高且解码准确高效。

为了实现对墙面涂料物证的无损鉴别, 提出了显微共聚焦喇曼光谱技术结合多元建模分析的无损鉴别墙面涂料方法。采用不同Savitzky-Golay(SG)平滑多项式次数及平滑点数对分类模型准确率的影响进行预处理, 同时比较了不同分类模型的区分能力。结果表明, 相较于径向基函数神经网络模型, 多层感知器神经网络模型对各样本的区分能力更强, 且经过SG平滑1次多项式结合平滑点数27点预处理后, 多层感知器神经网络模型能够实现对梅菲特等3种不同品牌墙面涂料样本, 以及梅菲特3种不同类型墙面涂料样本100%的准确区分。该方法提高了检验鉴定效率, 降低了检验鉴定成本, 具有一定的普适性。

通过构建人工神经网络模型估算中国西北高原地区近地面光学湍流。对多层感知器(MLP)的结构进行优化,其输入层包括10个特征,隐含层包括40个神经元。探讨已建多层感知器的性能,结果表明:当训练集和测试集来自同一地区时,模型的平均相对误差为1.34%,折射率结构常数的实测值和估计值的拟合优度为0.94;当训练集和测试集来自不同地区时,多层感知器的泛化能力需进一步提高。

在动态的复杂环境中，受背景建模失效影响，传统船舶目标检测方法的精度较低。针对该问题，提出一种基于梯度纹理直方图特征与多层感知器的船舶快速检测算法。该算法利用多层感知器将目标的梯度与纹理的直方图进行特征融合，为船舶目标构建特征空间。首先，基于二值梯度的特征训练船舶候选区模型，以快速生成具有高召回率的少量船舶候选窗口，并在每个候选窗口提取梯度纹理直方图特征; 其次，设计一个多层感知器作为船舶分类器，对提取到的梯度纹理直方图特征进行判别。实验结果表明，该算法在多个海上场景中船舶检测平均精确率达90.0%，平均执行时间为20.4 ms/frame，有效实现海上船舶精确与快速的检测。

常规的煤炭鉴别方法需进行繁琐的制样过程, 且需结合多种化学参数指标进行综合判定, 以得到较为准确的分析结果。 提出一种基于500～2 350 nm的可见-近红外全谱段光谱分析技术与多层感知器(multilayer perceptron, MLP)分类方法相结合的块状商品煤鉴别方法。 该方法具有非接触、 无前期制样、 无化学分析的优势, 可快速高效的获取煤炭的分类信息。 采用地物光谱仪采集煤炭原始光谱数据, 对噪声过大、 影响后续处理的谱段进行删除, 剩余部分采用小波阈值去噪法进行噪声去除。 将去噪后的数据分成三个数据集: 可见-近红外光谱(500～900 nm)数据集、 短波红外光谱(1 000～2 350 nm)数据集、 全谱段光谱(500～2 350 nm)数据集。 对以上三个数据集进行主成分分析, 将提取出的25个主成分输入多层感知器分类模型。 多层感知器模型由输入层、 隐藏层(两层)、 softmax分类器构成。 对三个数据集进行分类精度的对比, 并采用随机森林(random forest, RF)与支持向量机(support vector machine, SVM)两种分类算法进行进一步的验证分析。 结果表明: 对块状商品煤分类, 全谱段光谱分析技术由于数据信息量丰富, 能够得到更优的分类效果, 在训练样本数为132时, 采用MLP分类器的分类精度最高, 为9803%; 随机森林与SVM的分类结果验证了全谱段数据集的优越性与普适性。 该研究为煤炭的在线分析、 便携式煤炭检测仪器的研发提供了可靠的技术支持。

为了实现稻瘟病的快速、 准确和无损检测, 力求构建稻瘟病害预测模型。 根据水稻叶片相对病害面积将稻瘟病划分为3个等级, 通过激光诱导法采集不同病害等级的活体水稻叶片叶绿素荧光光谱。 选取502～830 nm波段激光诱导叶绿素荧光光谱(LICF)作为研究对象, 利用Savitzky-Golay平滑法(SG)和一阶导数变换(FDT)对光谱信息进行预处理, 通过主成分分析(PCA)方法获取经SG-FDT预处理后光谱的特征向量, 根据累积贡献率和方差选取前3个主成分进行分析。 将试验样本分为建模样本和检验样本, 以稻瘟病害等级为预测指标, 利用建模样本的133片叶片的光谱和病害信息分别结合判别分析(DA)、 多类逻辑回归分析(MLRA)和多层感知器(MLP)建立稻瘟病的预测模型, 利用检验样本的89片叶片的光谱和病害信息对所建模型进行预测检验, 完成对PCA-DA、 PCA-MLRA和PCA-MLP的对比寻优。 结果表明, PCA-DA, PCA-MLRA和PCA-MLP模型均能完成对稻瘟病害的预测, 但PCA-MLP模型的平均预测准确率能够达到91.7%, 相比PCA-DA和PCA-MLRA模型, 在稻瘟病害3个等级上均具有较好的分类和预测能力。