相比传统的三维重建方法，神经辐射场（NeRF）在隐式三维重建方面显示出了优异的性能，然而简单的多层感知机（MLP）模型在采样过程中缺乏局部信息，产生细节模糊的三维重建场景。为解决这一问题，提出一种基于MLP的多特征联合学习方法。首先，在NeRF嵌入层和采样层之间构造多特征联合学习（MFJL）模块，有效解码输入的多视图编码数据，补充MLP模型缺失的局部特征信息。然后，在NeRF采样层和推理层之间建立门控通道变换多层感知机（GCT-MLP）模块，学习高阶特征交互关系，并控制反馈给MLP层的信息流，实现对歧义特征的选择。实验结果表明：所提基于改进MLP的神经辐射场可以避免三维重建中的视图模糊和混叠现象；在Real Forward-Facing数据集部分场景上的平均峰值信噪比（PSNR）、结构相似度（SSIM）、学习感知图像块相似度（LPIPS）分别为28.08 dB、0.887、0.061；在Realistic Synthetic 360°数据集部分场景上的PSNR、SSIM、LPIPS分别为32.75 dB、0.960、0.026；在DTU数据集部分场景上的PSNR、SSIM、LPIPS分别为25.96 dB、0.807、0.208；与NeRF相比，具有更好的视图重建性能，并且在主观视觉效果上得到更加清晰的图像和细节纹理特征。

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%。

为了加快天线建模优化速度，提出了一种基于深度学习网络架构的新型深度多层感知机（DMLP）网络用于优化超宽带天线，该网络采用阶梯下降形深度全连接层网络，应用Adam优化器自动更新学习率，加快了模型的权值更新。应用drop-out技术对隐含层中的部分神经元进行随机剔除，以防止网络层数过深所导致的过拟合现象的发生。使用DMLP网络对超宽带阶梯形微带单极子天线几何参数进行建模，从天线的8个几何参数中提取特征，对天线的S11值进行预测。实验结果表明，该结构网络与传统多层感知器神经网络、径向基神经网络相比，对S11的预测平均误差分别减小了118.32%和123.76%，拥有更高的预测准确度，拟合速度也有较大提升，通过实验验证了此网络的可行性。

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。

中性笔油墨是司法鉴定中同一认定的重要物证。为提高油墨检验的准确性,本文利用拉曼光谱法对油墨样本进行无损检测。首先对预处理后的光谱数据进行降维处理,构建偏最小二乘判别分析模型;然后采用受试者工作特征曲线线下面积对预测效果进行验证,提取出36个变量投影重要性最高的特征变量;接着将特征变量作为数据输入到隐藏层神经元数目为13的多层感知器中,最终的训练正确率为87%且无过拟合现象。将变量投影重要性的特征提取与有监督的多层感知器训练相结合,可以有效压缩数据,缩短分析时间。感知器层间的连接权重可通过自主学习进行调节,提高了中性笔油墨分类结果的可信度与正确率。