针对现有葡萄酒检测技术无法快速、高效鉴别葡萄酒品质的问题,基于无需建立标签、调参简单的聚类算法,提出了一种利用激光诱导荧光技术获取葡萄酒光谱信息的方法,实现了酒样鉴别。选取三个品牌、两个年份的四个葡萄酒样本,在同一酒精度的前提下,与水进行1∶10体积配比后,对每个酒样采集100个光谱信息。利用K-均值、自组织竞争网络和自组织特征映射神经网络三个聚类算法进行酒样的鉴别,实验结果表明:在光谱信息分析中,三个聚类算法均表现出较优越的性能,识别准确率均达到99%以上,自组织特征映射神经网络的分类准确率更是达到了100%,平均用时5.875 s,具有较高的鲁棒性和泛化能力。研究结论证明聚类算法对葡萄酒品质的检测是切实可行的。

激光诱导击穿光谱技术具有微损、 原位、 快速分析的特点, 在样品分类识别、 成分分析等领域有广阔的应用前景。 为探索该技术在天然地质样品识别应用的可行性, 提出了一种自组织特征映射神经网络结合相关判别对天然地质样品LIBS光谱分类识别的方法。 为减小全谱中背景噪声等不相关数据干扰、 降低计算量, 在元素谱线归属的基础上进行了特征谱线提取, 实现了高维光谱数据的降维。 以特征谱数据为输入建立网络训练模型, 得到具有输入样本特征的权向量, 通过权向量与待测样本进行相关分析可以实现样品分类。 对16种天然地质样品的分类算法实验证明, 在全谱、 主成分降维和特征谱段三种数据处理方法中, 特征谱的降维和提取LIBS数据主特征效果最优。 改进的SOM网络结合相关判别算法比支持向量机方法和直接应用SOM网络方法的分类准确度更高, 初步证实了该方法的有效性。

对国内外近十年来人工神经网络在近红外光谱建模中的应用和研究进行了详细的综述，包括误差反向传播网络、径向基网络、支持向 量机、自组织特征映射网、广义回归神经网络、概率神经网络、小波神经网络、模糊神经网络以及集成神经网络等的应用和研究。概括了这些网络的基 本工作原理及优缺点。最后根据神经网络的发展方向和工农业的发展需求，提出了今后人工神经网络在近红外建模方面的发展方向。

提出一种量子自组织特征映射网络模型及聚类算法。量子神经元的输入和权值均为量子比特，输出为实数，量子自组织特征映射网络由输入层和竞争层组成。首先将聚类样本转换成量子态形式并提交给输入层，完成聚类样本的输入；然后计算样本量子态与相应权值量子态的相似系数，提取聚类样本所隐含的模式特征，并对其进行自组织，在竞争层将聚类结果表现出来。采用量子门更新量子权值，分无监督和有监督两个阶段完成网络的训练。仿真实验结果表明该模型及算法明显优于普通自组织特征映射网络。