数字全息显微镜（DHM）可以对生物样本的复杂波前进行数值重建，但是物体波前存在二次相位畸变和高阶像差，使得成像物体存在一定的相位像差。基于此，提出一种基于径向基神经网络（RBF）的相位畸变补偿算法。使用RBF网络构建非线性函数，最小化损失函数来估算物体的实际相位，损失函数考虑了全息面和RBF网络的输出。在仿真中以原模型为基准计算全局的均方误差，所提算法的均方误差为0.0374，主成分分析法（PCA）的为0.0470，频谱质心法（SCM）的为0.3303。搭建DHM系统用于HL60细胞的成像幅度和相位对比度观察，结果显示，所提算法能够更好地消除载波频率和相位畸变。所提算法无需了解光学参数，且可以通过调整采样点数量控制计算时间和插值精度，在弱散射物体或微纳结构三维形态测量中具有潜在的应用前景。

以凡纳滨对虾为研究对象, 探索一种高效快速无损的新鲜度检测方法。 挥发性盐基氮(TVB-N)是判断虾新鲜度的重要化学指标, 然而传统方法耗时耗力, 限制了大批量的实时检测。 高光谱技术是一种集成图像和光谱信息的分析技术, 高光谱图像上的每个像素包含整个波段的光谱信息, 近年来, 该技术已经被应用于肉类新鲜度检测。 连续8 d采集了样品的860~1 700 nm高光谱数据, 在去除异常样本后确定150组试验样本, 每组采集254维光谱数据, 对原始的高光谱图像进行黑白校正, 并从高光谱图像中提取光谱数据。 为确保所提取的光谱数据和TVB-N指数之间有对应关系, 所选择的感兴趣区域的位置保持固定在虾样本的第二和第四肢。 计算了感兴趣区域的平均光谱以获得光谱数据矩阵, 该矩阵被转换成ASCII码并保存。 同时, 通过凯氏定氮法获得TVB-N真实值含量。 为减少环境和虾表面的高含水量的干扰, 有效地消除不相关的信息和噪声, 预处理方法是多元散射校正(MSC)算法, 并选择出7个敏感波段, 分别为875, 894, 919, 953, 983, 1 024和1 094 nm。 最后, 以120组训练集样本, 建立了凡纳滨对虾TVB-N总量的定量预测模型, 以30组验证集样本, 对比BP神经网络、 径向基神经网络、 主成分分析三种预测模型算法。 BPNN算法预测模型的相关系数(r)和归一化均方根误差(NRMSE)分别为0.902 1和0.214 0, RBFNN算法的预测模型为0.868 3和0.223 0, PCR算法预测模型为0.757 6和0.390 0。 结果表明, MSC-BPNN模型的预测效果最佳, 凡纳滨对虾的高光谱反射率与新鲜度间存在较密切的相关性, 为基于光谱的虾类新鲜度检测提供了支持。

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。

为了简化布里渊散射提取温度的步骤并提高提取精度,提出利用径向基函数神经网络直接通过布里渊散射谱获取温度特征的一种新方案;将各温度布里渊散射谱作为训练集计算出温度模型,将待测布里渊散射谱直接输入至模型即可获取温度;对比平滑拟合、反向传播神经网络、径向基函数神经网络3种方案对温度测量的效果,分别选取扫频频率间隔为0.175,1,5,10,20 MHz时的77组数据,并对不同线宽进行扩展。结果表明:基于径向基函数神经网络方法的均方根误差较小,且随步进频率增加而增长缓慢;步进频率为20 MHz时,单线宽误差达到0.8002 ℃,多线宽误差为1.0814 ℃,分别是平滑拟合测量温度方法误差的33.04%和42.88%,是反向传播神经网络均方根误差的40.25%和55.89%;基于径向基函数神经网络的方法在一定程度上减少了计算步骤,提高了收敛性。

应用FLS920P型荧光光谱仪对L-色氨酸溶液进行三维荧光光谱检测， 从中发现： L-色氨酸的特征荧光峰位于270/350 nm。 设定发射波长为350 nm， 测量激发谱。 由测量结果发现在250~260 nm区间， 谱线斜率较大、 线性度好。 因此选取250， 255和260 nm三个激发波长， 在每个激发波长下分别测量相应的荧光发射谱。 基于三条不同的荧光发射谱， 构建以激发波长为外扰变量的自相关光谱； 而以浓度为外扰变量的自相关光谱， 是以超纯水在不同激发波长的平均谱作为参考光谱， 通过参考光谱与样本平均谱的相关计算得到。 在此基础上， 将相关光谱数据分别与偏最小二乘回归(PLSR)和径向基神经网络(RBFNN)相结合， 建立溶液中L-色氨酸含量的预测模型， 研究结果表明： 采用浓度为外扰变量构造的荧光相关光谱信噪比较高， 建模的预测效果要好； 而在外扰变量相同时， 基于径向基神经网络建立的预测模型比基于偏最小二乘回归建立的预测模型对溶液中L-色氨酸浓度的预测结果更为准确。 其中， 以浓度为外扰变量时的径向基神经网络预测模型准确度最高， 该模型的预测相关系数为99.91%， 预测均方根误差为0.033 μg·mL-1。 研究结果表明， 使用该方法能够对溶液中的物质含量进行准确测定， 可为食品安全监管提供帮助。

突变体的筛选与鉴定是育种工作中的重要环节。 该研究基于高光谱成像技术实现了水稻CRISPR/Cas9突变体种子的可视化鉴别。 采集了水稻HD野生型和CRISPR/Cas9突变体种子共1 200粒样本的高光谱图像数据, 通过Kennard-Stone算法, 按照2∶1的比例构建了建模集(800)和预测集(400)。 对水稻种子的原始光谱经过WT预处理后, 通过2nd derivative提取了24个特征波长, 分别基于全谱和特征波长建立径向基函数神经网络(RBFNN), 极限学习机(ELM)和K最邻近法(KNN)模型。 试验结果表明, 无论是基于全谱还是特征波长神经网络模型都取得了良好的识别能力。 通过2nd derivative提取的特征波长结合RBFNN模型也取得了较好的鉴别结果, 其建模集和预测集分别达到了9225%和8950%。 基于2nd derivative-RBFNN结合图像处理技术, 可以实现水稻CRISPR/Cas9突变体种子的可视化鉴别, 实现种子的定位和识别。 结果表明应用高光谱成像技术, 结合化学计量学方法和图像处理技术对水稻CRISPR/Cas9突变体的鉴别具有可行性, 可为水稻育种中大量突变体的快速、 准确地筛选和鉴定提供技术手段。

为了提高多旋翼无人飞行器机载光电平台的扰动补偿能力，实现机载光电平台的稳定跟踪控制，提出一种基于改进扰动观测器和径向基函数(RBF)神经网络逼近的复合补偿控制方法。首先，对现有扰动观测器结构进行改进，构建基于速度信号的改进型扰动观测器，并分析了干扰补偿能力和稳健性；然后，利用RBF神经网络的函数逼近性质解决非线性未知扰动的补偿问题；最后，基于Lyapunov稳定性原理设计出复合补偿控制结构。实验结果表明，机载光电平台的扰动得到有效补偿。该补偿控制方法具有较高的稳定精度和跟踪控制性能，满足多旋翼无人飞行器机载光电平台的稳定控制要求。

为了测定混合色素溶液中胭脂红的浓度, 采用归一化的方法对荧光光谱进行数据预处理, 将处理后的光谱数据结合径向基神经网络, 建立了对胭脂红含量的预测模型。结果表明, 3维同步荧光光谱、普通3维荧光光谱预测结果的平均相对误差分别为2.86%, 11.12%; 对于混合色素溶液中单个色素浓度的测定, 3维同步荧光光谱结合径向基神经网络效果较好。该研究为预测混合色素溶液中各色素浓度提供了帮助。

为了更快速、简便、准确地同时测定多种抗生素混合物, 采用同步荧光光谱结合径向基神经网络的方法, 对3种氟喹诺酮类抗生素(乳酸环丙沙星、乳酸左氧氟沙星、盐酸左氧氟沙星)的同步荧光光谱进行研究。选择3组分浓度均为1.67ng/mL的混合溶液, 测量其3维同步荧光光谱; 分别测量39种不同浓度的混合溶液样本的同步荧光光谱; 选取其中35种作为训练组, 其余4种作为预测组, 将训练组样本对应的光谱数据作为输入, 建立和训练径向基神经网络; 在发射波长与激发波长的差Δλ=194nm条件下, 利用训练好的神经网络对预测组中各组分的浓度进行预测, 得到3种组分浓度预测的平均相对误差分别达到3.59%,3.47%,3.09%。结果表明, 当Δλ设定为194nm时, 3种抗生素的同步荧光峰差异最为明显、区分度高, 该方法能实现对3种抗生素混合物中各组分的同时测定。这为多种抗生素混合物同时测定提供了一种快速、简便、准确的方法。