针对目前粮食产量定量评估模型泛化能力不足、 预测时间滞后以及早期估产时间窗口难以确定等问题, 以Sentinel-2遥感数据和实测玉米产量作为数据源, 开展县域尺度玉米估产及早期最优估产时间窗口确定研究。 基于玉米生长期内的时序影像数据集, 通过玉米产量实测数据与影像植被指数建立相关关系, 并采用MLRM（多元线性回归模型）, GPR（高斯过程回归模型）, LSTM（长短期记忆人工神经网络模型）, 建立玉米时序估产模型。 实验结果表明, 基于LSTM在NDVI、 GNDVI、 以及GN（NDVI与GNDVI组合）这三种植被指数作为参数建立的时序估产模型中, 无论在估产精度, 模型可靠性、 产量异常值捕捉、 以及早期最优估产时间窗口确定等方面均优于基于GPR、 MLRM建立的时序估产模型。 同时基于LSTM时序估产模型, 采用截止到抽雄期的NDVI时序影像数据作为参数, 其结果的决定系数R2可达0.83、 均方根误差RMSE为0.26 t·ha-1、 相对分析误差RPD为3.52; GNDVI时序影像数据作为参数, 其结果的决定系数R2为0.79、 均方根误差RMSE为0.30 t·ha-1、 相对分析误差RPD为2.87; 以GN时序影像数据作为参数, 其结果决定系数R2为0.83、 均方根误差RMSE为0.27 t·ha-1、 相对分析误差RPD为3.05; 以NDVI作为LSTM模型参数的估产效果最优, 相较于玉米收获期可提前2个月就能预测当年的玉米产量, 对于县域尺度玉米产量预报具有一定的现实意义, 同时也为类似作物的估产研究提供相关参考。

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。

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。

为了实现车载γ谱仪巡测系统对辐射剂量率的准确测定, 提出基于快速傅里叶变换(FFT)本底扣除法的改进型BP神经网络模型(FFT-BP神经网络模型)。 实验采用γ射线能谱分析法, 对不同间距处的137Cs放射源进行车载γ能谱测试, 将得到的谱数据通过快速傅里叶变换(FFT)扣除本底, 获得新的谱线数据。 应用FFT-BP神经网络模型对未知剂量的车载γ谱线作辐射剂量率的定量预测, 将预测结果同3个函数模型的拟合结果比较, 验证FFT-BP神经网络模型的预测效果。 结果表明, FFT扣除法能较好的削弱散射本底对γ谱线的影响, 能有效的降低谱线本底。 通过新谱线获得的特征峰面积和净谱线面积与辐射剂量率的相关系数均为099(p<005), 相关性显著。 模型拟合分析过程中, FFT-BP神经网络模型表现出较强的学习泛化能力, 预测较理想, 相对误差和累计误差分别低于06%和9%, 效果明显优于数学模型和γ能谱全能峰法, 可显著降低γ能谱分析辐射剂量率的误差, 且能有效提升工作效率。 因此, FFT-BP神经网络模型适用于γ能谱辐射剂量的预测分析, 为车载γ谱仪巡测系统测量辐射剂量提供了一种新型有效的分析方法。

为了讨论小孔节流空气静压支承轴承的节流器尺寸, 气膜厚度与供气压等轴承参数对轴承力学性能的影响。针对圆柱腔小孔节流静压支承止推轴承, 首先进行了轴承间隙流场的数值仿真与分析, 其中以小孔尺寸, 气腔尺寸, 供气压及气膜厚为设计变量, 利用正交实验设计的基本原理构造正交表, 通过对轴承间隙流场的数值计算进行采样以获取轴承的承载力与刚度; 其次在设计变量范围内基于径向基神经网络模型建立承载力与刚度的分析数学模型, 在该分析模型中全面考虑了各轴承参数的作用, 同时考虑了轴承间隙的流场结构对力学性能的影响, 得到的模型经过拟合校验以证明具有足够的精度; 最后基于该分析模型讨论了小孔与气腔尺寸对轴承承载力与刚度的影响, 为工程设计提供了参考。