将体积掺量为0.3%的聚乙烯醇(PVA)纤维掺入C30混凝土，分别开展不同浓度溶液作用下的全浸泡-烘干试验，从而探究PVA纤维混凝土的抗劣化性能。以劣化试验数据作为原始样本值，分别建立GM(1,1)模型、BP神经网络模型和GM(1,1)-BP神经网络组合模型对样本数据进行拟合精度对比，并对35~50次循环后的相对动弹性模量数值做出预测，分析整体变化趋势。结果表明：混凝土试件在10倍基准浓度溶液下的评价指标变化最稳定，表明PVA体积掺量为0.3%的试件在高浓度溶液下的抗劣化性能较好；GM(1,1)模型对样本的整体趋势变化预测较为准确；BP神经网络模型对样本单一点的变化趋势预测较为准确，整体精度最高；而组合模型克服了两种单一模型的不足之处，预测值与测试值的变化趋势一致，预测效果最好。

圣女果可溶性固形物(SSC)含量对圣女果内部品质影响至关重要, 但基于高光谱成像及介电性质特征的SSC检测技术存在局限性, 且目前鲜见圣女果SSC无损检测模型。 为实现圣女果SSC的无损检测, 提出基于圣女果可见/近红外光谱特征的SCC预测模型构建, 及改进的BP神经网络算法研究, 以期解决圣女果内部品质的快速无损检测。 以圣女果为研究对象, 试验样本188个, 将其划分为训练集150个和测试集38个, 采用可见/近红外光谱采集系统获取350～1 000 nm范围内的圣女果表面反射强度, 经光谱校正得样本反射率, 为增强信噪比, 截取481.15～800.03 nm范围内的光谱波段作为有效波段进行分析。 通过对比三种预处理模型, 对有效波段进行SG平滑(Savitzky-Golay Smoothing)预处理, 建立BP神经网络预测模型, 测试集决定系数(R2)和均方根误差(RMSE)分别为0.578 5和0.563 9; 在此基础上, 对BP神经网络的网络结构进行改进, 寻求BP神经网络最优预测结构, 计算输出层与期望值间误差, 调整网络结构参数, 将隐含层学习率和神经元个数分别设置为0.01和5, 建立改进的BP神经网络模型(SG-IBP), 测试集R2和RMSE分别为0.981 2和0.102 3; 通过竞争自适应重加权采样算法(CARS)筛选出18个特征波段, 测试集R2和RMSE分别为0.997 8和0.047 9, 同时检测速度显著提升。 研究结果表明: 经过改进的BP神经网络模型性能明显提高, 通过CARS提取特征波段后, 测试集R2提高了0.419 3, RMSE降低了0.516, 检测速度明显提升。 采用CARS提取特征波段的改进BP神经网络模型(SG-CARS-IBP)具有明显的优越性, SG-CARS-IBP模型较为适合圣女果SSC无损检测研究。 该研究可为圣女果SCC的高效无损检测提供参考。

建立基于激光诱导击穿光谱仪技术获取的半定量青白色软玉的微量元素含量的人工神经网络模型, 以促进人工神经网络技术在宝石产地溯源方面的应用。 以我国新疆、 广西、 江苏、 青海, 以及韩国和俄罗斯六个产地的青白色软玉为样品, 利用激光诱导击穿光谱仪在颜色均匀干净的部分获取元素含量数据。 使用数据筛选原则对数据进行了筛选和Al的归一化处理之后, 以因子分析和线性回归分析讨论了数据间的共线性, 在数据间不存在明显多重共线性的情况下建立了三层人工神经网络的判别模型。 结果表明, 所选取的每个变量的VIF值小于5, 数据间不存在明显的多重共线性, 因子分析的KMO值小于0.6, 表明变量间无明显关系。 同时利用软玉t-SNE图对数据进行降维和可视化处理, t-SNE图显示大部分数据点都重叠在一起, 表明对此数据进行简单聚类和相关分析是无法区分产地的, 因此选择人工神经网络的方法对六个产地的数据进行产地判别分析。 经人工神经网络模型迭代判别之后, 模型对我国新疆、 广西、 江苏、 青海, 以及韩国和俄罗斯六个产地的青白色软玉判别的精度达到0.933, 其中韩国软玉的数据判别结果精度最高, 达到0.995, 误差为0.028, 青海软玉的数据判别结果最低为0.803, 误差为0.090。 综上所述, 激光诱导击穿光谱结合人工神经网络的方法在宝石产地溯源方面的应用是具有很大潜力的。

为达到在脉动气流激励下抑制风洞模型振动的目的, 该文提出了基于压电陶瓷作动器神经网络模型的风洞模型主动振动控制方法, 并进行了实验研究。首先, 分析了风洞模型系统振动特性, 建立了内嵌式压电陶瓷作动器的主动振动控制系统, 通过模型质心加速度推算出压电陶瓷作动器期望输出抑振力。然后, 建立了压电陶瓷作动器期望输出抑振力-激励电压的神经网络模型, 并根据该模型设计了一种实时解算加速度为激励电压的控制方法。最后, 通过地面试验对控制方法的有效性进行验证。实验结果表明, 该控制方法具有良好的实时性和鲁棒性, 在锤击试验中, 振动加速度衰减时间相比于压电方程线性控制时减小了54.46%, 系统阻尼比增大了1.58倍, 取得了良好的控制效果。

在对电磁波经孔缝传输/泄露的分析中, 孔缝耦合截面的获取十分重要。针对现有公式无法准确获取谐振频段圆形孔缝耦合截面的问题, 将BP神经网络应用于圆孔耦合截面的快速获取, 该模型适用于电尺寸(半径波长比)在［0.08,3］之间的圆形孔缝。在不同入射角度和极化角度的入射波辐照下, 用全波分析软件计算无限大理想导体平板上不同电尺寸圆孔的耦合截面, 用圆孔的耦合截面除以其几何面积得到圆孔的归一化耦合截面。利用这些数据训练神经网络, 建立了一个以圆形孔缝的电尺寸、入射波的入射角度和极化角度为输入参数, 孔缝的归一化耦合截面为输出参数的BP神经网络模型。通过与全波分析的对比可知, 该模型能够快速准确地预测任意入射角与极化角平面波辐照下电尺寸在［0.08,3］之间的圆形孔缝的归一化耦合截面。

针对多聚焦图像融合中目标物边缘处产生虚影的问题,提出一种基于引导滤波与改进脉冲耦合神经网络(PCNN)的多聚焦图像融合算法。该算法利用引导滤波器对源图像进行多尺度边缘保持分解,对分解得到的基本图像和细节图像采用不同的引导滤波加权融合策略进行初步融合;将初步融合图作为外部输入激励刺激改进的PCNN模型;根据融合权重图对多幅源图像进行融合,获得最终的融合图像。实验结果表明,与传统融合算法相比,本文方法较好地保留了源图像的边缘、区域边界以及纹理等细节信息,避免了目标物边缘处产生虚影,提高了融合图像的质量。

提出一种基于深度稀疏学习的土壤近红外光谱分析预测模型。首先，使用稀疏特征学习方法对土壤近红外光谱数据进行约简，实现土壤近红外光谱内容的稀疏表示；然后采用径向基函数神经网络以稀疏表示特征系数为输入，以所测土壤成分为输出，分别建立土壤有机质、速效磷、速效钾的非线性预测模型。结果表明用该模型预测土壤有机质的含量是可行的，但对土壤速效磷和速效钾含量的预测还需对模型做进一步的优化。

活体植物叶片叶绿素含量SPAD值易受叶片厚度、 水分等影响, 提出了基于多参数神经网络建模的叶绿素含量精细反演方法。 通过测量叶片在中心波长分别为650, 940和1 450 nm光照射下的透过率, 获得叶片的SPAD值和水分指数WI(water index), 同时用数字螺旋测微仪测量相应的叶片厚度并用分光光度法测得其叶绿素含量。 利用建模集样本分别建立SPAD值与实测叶绿素含量之间的单参数模型和基于BP神经网络的WI、 厚度及SPAD值与实测叶绿素含量之间的非线性模型。 利用这两种模型分别计算获得验证集样本的叶绿素含量预测值, 对预测值和实测值进行了相关分析和相对误差的分析。 实验以340个三种不同植物叶片为样本, 用以上方法进行了分析。 结果表明, 利用BP神经网络建模后, 每种植物样本的叶绿素含量预测精度都有不同程度的提高, 尤其对于叶片厚度值较大的样本, 效果更为明显。 数据显示所有混合样本平均相对误差绝对值由单参数模型的7.55%降低到5.22%, 实测值与预测值的拟合决定系数由0.83提高到0.93。 验证了利用多参数BP神经网络模型可以有效地提高活体植物叶绿素含量预测精度的可行性。

苹果粉质化程度是衡量其内部品质的一个重要因素，粉质化造成苹果质量的降低以及商业价值的贬值。高光谱图像技术结合了光谱技术和图像技术的优点，能够无损检测苹果内部品质。提出了有监督等距映射（S-Isomap）和支持向量机（SVM）相结合的用于检测苹果粉质化的新分类方法。S-Isomap-SVM分类方法首先用S-Isomap对高光谱数据作非线性降维，再用SVM对降维后的数据进行分类。对于未知类别的测试样本，采用BP神经网络建模输出的方法，而后结合SVM得到对应的测试精度。这里将S-Isomap-SVM分类方法与SVM以及Isomap-SVM分类方法比较。结果表明，对高光谱数据而言，用S-Isomap-SVM得到的检测精度最高。