四旋翼飞行器因存在参数不确定性和环境干扰,会出现姿态不稳定的问题，而传统的PID控制对四旋翼的姿态稳定及机动性达不到控制需求。为此，提出了一种扩张状态观测器(ESO)的RBF神经网络PID控制器。首先，利用ESO的扩张特性和非线性函数对扰动进行估计和补偿，减少系统的误差; 其次，将ESO对系统输出的估计值作为RBF神经网络的输入，使梯度信息更加精确，能够更好地优化增量PID的参数; 最后，该神经网络的激励函数取高斯基函数，利用RBF神经网络的自适应性、自学习能力对模型控制参数进行调整。Matlab仿真实验表明，在未知干扰环境下，ESO的RBF神经网络PID控制器能够明显提高系统的抗干扰能力，且具有较小的超调量及较好的鲁棒性。

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。

谐波减速器中柔性环节与传动的非线性摩擦, 导致谐波传动出现了不可避免地影响传动精度的复杂迟滞特性, 为了描述谐波减速器的迟滞特性, 本文构建了一个结构简洁的神经网络迟滞混合模型。该模型由类迟滞特性预处理环节和动态RBF神经网络两部分组成: 对输入信号进行类迟滞预处理, 处理后的信号与输入信号之间具有类迟滞特性; 充分利用动态RBF神经网络实现类迟滞到谐波减速器迟滞特性的高精度映射。根据本文搭建的实验平台, 在不同实验条件下获得的数据进行建模验证, 在不同频率输入信号、不同负载, 实现相同建模精度下,神经网络迟滞混合模型的验证精度为0.449 6(MSE), 远高于经典RBF神经网络模型的3.032 1(MSE)精度, 证明了所构造的神经网络迟滞混合模型的有效性和适应性。

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。

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。

针对四点支撑结构的压电式六维力传感器线性度差, 维间耦合严重的问题, 提出了基于径向基函数(RBF)神经网络的解耦算法。分析了耦合产生的主要原因, 建立了RBF神经网络模型。通过对六维力传感器进行标定实验获取解耦所需的实验数据, 并对实验数据进行处理。 然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法, 解耦出传感器的输入输出映射关系, 得到解耦后的传感器输出数据。对传感器解耦后的数据分析表明: 采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%。结果显示: 采用RBF神经网络的解耦算法, 能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差, 满足了传感器两类误差指标均低于2%的要求。该算法有效地提高了传感器的测量精度, 基本解决了传感器解耦困难的难题,

采用FS920稳态荧光光谱仪对绿茶和铁观音这两种不同品种茶叶的氯菊酯溶液的荧光光谱特性进行了分析,发现这两种茶叶的荧光峰均位于λex/λem=(390～410)/675 nm, 氯菊酯的荧光峰λex/λem=300/330 nm。为了准确测定这两种茶叶中氯菊酯农药残留的含量, 采用遗传算法优化的径向基函数神经网络对其进行了分析, 当训练到74次时, 均方差精度达到10-3, 绿茶、铁观音的氯菊酯溶液预测样本的平均回收率分别为99.35%和98.89%, 平均相对标准偏差分别为1.25%和1.21%。与建立的径向基函数神经网络模型进行了对比, 结果表明三维荧光分析技术与遗传算法优化的径向基函数神经网络相结合能够较好地检测出茶叶中氯菊酯农药残留的含量, 检测灵敏度大大提高, 检出限范围广, 可达0.004 8～24 mg/kg, 远低于欧盟规定的茶叶中氯菊酯最高残留限量0.1 mg/kg, 为检测农药残留提供了一种快速简便的新方法。

氮素是影响生菜产量和品质的重要因素, 光谱技术是检测作物氮素含量最有效的手段之一。 通过获取不同氮素水平下生菜冠层的反射光谱, 对其进行FDSGF（first-order derivative based savitzky-golay filt）滤波后, 利用后向区间偏最小二乘算法（BiPLS）、 遗传算法（GA）及连续投影算法（SPA）对特征波长进行梯度提取, 最终从2 151个波长点中提取了8个与生菜氮素最为相关的特征波长。 分别利用多元线性回归（MLR）、 径向基函数神经网络（RBFNN）及极限学习机（ELM）三种算法建立了基于特征波段或特征波长的8个生菜冠层氮素含量检测模型。 结果表明: BiPLS-GA-SPA-ELM模型（RMSEC=0.241 6%, Rc=0.934 6, RMSEP=0.284 2%, Rp=0.921 8）的预测结果优于其他模型, 为指导合理施肥和开发便携式仪器提供了理论基础。

：目前反演台风内核风场时多采用线性回归方法进行建模，针对基于线性回归法的台风内核风速拟合效果较差的缺点，提出一种基于径向基函数神经网络(RBFNN)和偏微分方程(PDE)结合的红外卫星云图有眼台风内核风速和云图灰度建模方法。首先采用基于测地活动轮廓模型的PDE提取有眼台风的眼壁，获得台风眼壁空间位置和亮度数据；然后结合台风年鉴给出的台风近中心最大风速数据基于RBFNN进行有眼台风内核风速和云图灰度建模。实验结果表明：该算法改善了台风内核风速拟合效果，算法性能优于传统的线性回归法。