工业桥式起重机的有线通信方式会增加人工成本，后期维护相对困难，为此提出一种基于PLC的激光无线通信系统设计方案。系统硬件部分由激光传感信息获取层、信息传输层以及信息融合输出层构成，激光传感器获取数据信息，经ZigBee通信技术完成传输，在信息融合模块内实现数据融合；系统软件部分由PLC模块、激光传感器路由节点模块和信息融合模块构成。PLC模块接收外部信号，确定信号状态信息；路由节点模块记载传感器数据的地址信息；凭借BP神经网络算法去除冗余数据，压缩数据量，使传感器信息得到理想的融合结果。通过对系统性能测试，结果表明，所提系统通信误码率较低，通信延迟和通信开销较小，可以实现高效、快速的激光通信传输。

介绍了一种将反向传播(BP)神经网络算法与人工蜂群算法相结合的方法,并用该方法对多泵浦拉曼光纤放大器的设计进行了优化。通过研究多层BP神经网络中的隐藏层层数和神经节点数,确定了最佳的学习模型,该模型可以精准地反映泵浦波长和泵浦功率与拉曼净增益分布间的映射关系,能代替传统求解拉曼耦合波方程的方法。同时,为了提高增益谱的平坦性,采用人工蜂群算法来优化泵浦参数,得到了最优的泵浦波长和泵浦功率。仿真结果表明,通过将训练好的BP神经网络模型加入到人工蜂群算法中,所研究的拉曼放大器达到了期望的增益性能,且其目标值与预测值的最大误差不超过0.29 dB。该设计方案为拉曼光纤放大器的研究提供了新的思路和方法。

润滑油动力粘度是划分润滑油品质的重要依据之一, 高铁变速箱润滑油需要进行实时、 快速、 无损的检测, 因此提出一种基于可见近红外光谱微型模块结合量子遗传-神经网络算法对润滑油粘度值进行定量分析的新方法。 不仅实现了高铁变速箱润滑油动力粘度的无损快速实时检测, 还进一步提高了对润滑油动力粘度预测的精度。 微型光谱仪具有性能优良、 体积小巧等优势, 在便携式光谱无损检测方面用途越来越多。 在这里, 选用可见短波近红外和近红外波导光栅两种微型光谱模块进行光纤耦合, 实现了330～1 700 nm可见-近红外波段光谱拼接。 首先我们采用该组合微型光谱仪对13种不同粘度的润滑油共78个样本进行光谱扫描得到原始光谱数据。 原始光谱经过Savitzky-Golay卷积平滑后, 再一阶求导, 可以有效地消除基线漂移和背景噪声。 然后采用主成分分析和马氏距离相结合的方法来识别浓度界外样本, 剔除界外样本3个。 最后采用BP(back propagation)神经网络和量子遗传神经网络两种回归算法分别建立定量分析模型, 并对比分析了两种算法的性能。 量子遗传算法是量子计算和遗传算法相结合地一种概率进化算法, 采用量子染色体的形式, 利用量子逻辑门进行全局搜索, 从而可以利用量子遗传算法优化神经网络地权重和阈值, 提高建模效率和精度。 分别用BP神经网络算法和量子遗传-神经网络算法进行建模仿真, 从75个样本随机抽取10个样本作为预测集, 其余65个为建模集。 在量子遗传寻优算法中, 其种群数目设置为40, 终止代数为200, 寻优结果表明该算法在训练81代后可快速得到最优解。 比较两种建模算法的预测结果, 采用量子遗传-神经网络算法相比BP神经网络算法得到的粘度预测结果均方根误差从0.345 5降低至0.029 4, 决定系数从0.850 4升至0.979 9, 可知量子遗传-神经网络算法的预测能力明显强于BP神经网络。 为进一步提高润滑油粘度的定量分析准确度和微型光谱模块应用于高铁齿轮箱润滑油在线、 实时、 快速检测提供了参考方法。

收集2015年1月至2018年12月共计4年的MODIS光学遥感图像，利用神经网络算法建立适用于南海北部深海与浅海的内孤立波振幅反演模型.模型的计算结果与现有的南海实测数据对比，无论对于浅海（文昌海域）还是深海（东沙岛附近海域和深海盆地），反演精度都高于15%.利用模型得到了南海北部内孤立波的振幅分布，发现振幅分布与水深呈正相关，相关系数为0.81.计算了南海北部文昌海域、东沙岛附近海域以及深海盆地的内孤立波振幅分布，发现同一条内孤立波，振幅不同.南海北部文昌海域、东沙岛附近海域以及深海盆地的单条内孤立波振幅与水深呈正相关，相关系数分别为0.79，0.91，0.81.本文为南海北部海域深海与浅海的内孤立波振幅反演提供借鉴.

对于红外输出图像的非均匀性，通常可采用两点校正法和神经网络法进行改善。但两点校正法不能有效地克服环境温度漂移的影响；神经网络法收敛缓慢，使静止图像逐渐融入背景，导致运动目标出现伪像。提出一种多本底采样自适应非均匀校正算法，在不同的环境温度点采集多组高低温本底，根据最小二乘法拟合计算得到非均匀校正系数和环境温度的关系，根据环境温度的改变自适应完成非均匀校正。测试结果表明，该方法简单可行，能够较好地克服环境温度漂移的影响。

分别分析了红外焦平面阵列(IRFPA)基于定标的非均匀性校正法(NUC)和基于场景的NUC算法各自的优势和问题，在此基础上提出了联合非均匀性校正方法。根据上电时刻焦平面衬底的温度值，从FLASH中提取事先存储的对应温度区间的增益和偏置校正参数，初步消除探测器的非均匀性。通过分析初步校正后图像残余非均匀性噪声的特性，提出了用具有保边缘特性的P-M滤波取代传统神经网络算法中的四邻域均值滤波来获得期望图像，从而减小了图像边缘误差。实验结果表明，该算法收敛速度快，校正精度高，有效避免了因红外焦平面响应特性漂移而引起的图像降质。

红外技术发展到今天, 红外凝视焦平面探测器阵列性能高、使用简单, 从而成为红外系统的主流。但是, 红外探测器的工艺和技术生产不出像可见光 CCD那样均匀的红外器件, 红外探测器阵列的非均匀性一直是红外凝视探测器的主要缺陷。人们开发了多种非均匀性校正算法, 尤其是基于场景的自适应算法, 极大地弥补了探测器的非均匀性缺陷。但是到目前为止, 各种算法都有一定的局限性, 尚不能彻底解决非均匀性问题。针对目前常用的几种非均匀性校正算法, 包括时域高通滤波算法、神经网络算法、恒定统计量算法等, 在天空、地面等不同场景条件下进行了仿真测试, 对算法的实施效果进行了对比分析。

非均匀性校正是红外焦平面阵列应用中的关键技术之一。神经网络算法是比较传统的非均匀性校正算法, 由于该算法采用像元四邻域的平均值作为此像元的真值, 所以这种估计方法具有较大的误差。在传统的神经网络算法基础上对焦平面阵列像元响应的真值估计进行了改进：基于图像匹配算法, 采用了相邻多帧图像中不同像元对同一场景点的响应的均值作为真值, 因而具有更高的准确性。对比仿真试验的结果表明, 该改进算法比传统的神经网络算法具有更好的效果, 在有效去除各种非均匀性的同时, 保持了图像细节, 改善了图像的视觉效果。