为了检测太阳能电池的缺陷, 建立了太阳能电池板的电致发光(EL)图像与其缺陷类型间的神经网络预测模型, 可以对太阳能电池板不同类型缺陷进行自适应检测。首先, 采用主成分分量分析(PCA)算法对电致发光(EL)图像训练样本集降维; 然后, 将降维后得到的数据输入神经网络预测模型进行学习, 对模型的参数进行优化选取; 最后, 将训练好的网络对测试样本集进行仿真。仿真结果表明: 在采用相同的训练样本集和测试样本集条件下, 与反向传播神经网络(BPNN)相比, 径向基神经网络(RBFNN)具有全局最优特性, 结构简单, 最高识别率达96.25%, 计算时间较短, 能满足在线检测的要求。

传统的径向基神经网络(RBFNN)在激光陀螺零偏的温度补偿过程中会由于随机选取中心不合适而导致算法效率降低和数值病态, 故本文提出了一种基于Kohonen网络和正交最小二乘(OLS)算法的RBFNN温度补偿方法。介绍了该方法的原理及建模步骤, 设计了常温和变温环境下激光陀螺的数据采集试验及其温度补偿试验。由于结合了Kohonen网络的模式分类能力和OLS的优化选择能力, 该方法可以快速、准确地辨识出受温度影响的激光陀螺零偏。利用逐步回归法、RBFNN法及其改进方法对多种温变环境影响的激光陀螺零偏进行了辨识与补偿试验, 试验结果表明, 在常温环境下, 三者的辨识能力相当;随着温变速率的上升, 改进RBFNN法不仅节省了时间, 其补偿后的零偏也均小于5×10-4(°)/h(1σ), 提高精度均能达86%以上。得到的结果表明改进RBFNN法提高了辨识精度且稳定、有效, 适用于多种温度变化环境下激光陀螺零偏的温度补偿。

针对当前的各种纸病辨识方法只能对于一种或有限几种纸病有效辨识，且不能准确辨识难点纸病的问题，在全面分析纸病特征、研究和归纳各类纸病辨识方法的基础上，本文提出使用模糊融合器对纸病图像的多种特征值进行特征层融合，把多个纸病辨识方法结合在一起，以达到纸病高效、全面辨识的目的.由于径向基神经网络结构与模糊推理结构的等价性，使得径向基神经网络实现的多种纸病特征的信息融合系统具有结构简单和快速性的特点.实验表明：本文方法可以准确识别包括难点纸病在内的各种主要纸病.

根据防空导弹打击目标的作战特点，提出一种基于RBF网络的带终端落角约束的最优滑模变结构导引律。首先应用最优控制理论和变结构控制理论设计基于视线角和视线角速度的最优滑模变结构导引律，然后应用RBF网络对所设计导引律中的变结构项的增益进行调节。仿真结果表明，所提出的导引律不仅能减弱系统抖振，而且能够同时满足命中精度和命中期望角的要求，对目标机动具有很好的鲁棒性。

建立了同时快速测定蛹虫草菌丝体中腺苷、蛋白质、多糖和虫草酸含量的近红外（NIR）光谱定量分析校正模型。收集了来自不同蛹虫草突变株在不同的发酵条件下发酵获得菌丝体并采集其NIR光谱，采用径向基神经网络（RBFNN）建立样品的NIR光谱与其腺苷、蛋白质、多糖和虫草酸含量间的相关模型。RBFNN模型经过采用可移动窗口法提取各组分的NIR光谱特征波长变量、选择有效的光谱预处理方法、隐含节点数和扩展常数进行优化，获得测定腺苷、蛋白质、多糖和虫草酸含量的最优模型，其训练集样本的参考值与模型预测值间的相关系数（Rc）分别达到0.9436,0.9884,0.9018和0.8848，表明模型的拟合度很好，测试集均方根误差(RMSEP)RMSEP分别为0.6225 mg/g,0.0179 g/g,0.0115 g/g和0.0102 g/g，表明模型的预测性能很好。