随着经济发展对石油资源需求量的不断增大, 各种石油污染问题日渐严重, 对生态环境及人类健康造成巨大威胁。 因此, 准确识别及时处理油类污染物对减轻溢油危害具有重要意义。 石油是一种复杂的有机化合物, 主要由较强荧光特性的芳香烃成分及其衍生物组成, 不同类型的石油所含多环芳烃的成分和含量不同, 三维荧光光谱3D-EEM在石油污染物的检测领域应用十分广泛。 基于三维荧光光谱技术, 采用BP神经网络结合自加权交替三线性分解（SWATLAD）算法对油类污染物进行定性定量的研究。 实验以0#柴油、 95#汽油和煤油为研究对象, 首先, 使用F-7000荧光光谱仪采集待测样品的光谱数据, 对得到的数据进行激发、 发射校正和去散射处理。 其次, 为解决小波阈值去噪阈值处信号不连续和过度收缩小波系数带来的难以准确还原真实信号的问题, 提出了一种改进的阈值函数, 去噪后的信噪比（SNR）和均方误差（MSE）分别为18.354 7和10.261 7, 更为真实的还原有用信号。 并通过基于误差反向传播的BP神经网络对预处理后的光谱数据进行训练, 训练后预测值与真实值的曲线拟合度较好, 表明后续经光谱仪采集的荧光数据直接输入神经网络即可输出预处理好的待测数据, 简化了实验操作步骤。 最后, 采用SWATLD对经小波变换和BP神经网络处理后的数据进行分解, 解析得到的0#柴油、 95#汽油和煤油的激发与发射光谱与真实光谱拟合度较高, 计算平均回收率分别为103.64%、 99.33%和97.85%, 经验证, 三维荧光光谱结合改进小波变换和BP神经网络的方法可以对荧光物质进行快速、 精确检测。

糖度是影响鲜食葡萄品质与风味的关键因素, 对其可溶性固形物SSC的检测具有切实需求。 近年来, 随着芯片级光谱传感器的生产技术趋于成熟, 具有高精确性与稳定性的片上光谱传感器为可见/近红外检测技术开辟了新的途径。 设计、 搭建、 测试了一套体积小、 易操作、 低成本的用于鲜食葡萄糖度无损检测的光学系统。 系统以两块搭载芯片级光谱分析技术的新一代可见/近红外光谱传感器AS7263（美国AMS半导体公司）为核心元件。 每个AS7263传感器具有6个集成了纳米光干涉滤波器的数字光谱通道和一个可通过单芯片准确控制电流（1~100 mA）的LED光源。 传感器光谱通道的中心波长范围610~860 nm; 两个LED光源的中心波长分别为730和850 nm, 半峰全宽（FWHM）为50 nm。 首先, 运用此原型在避光环境下采集276颗巨峰葡萄浆果的光谱信息; 用手持式PAL-1糖度仪检测样本SSC（°Brix）并计算基于t分布的样本糖度真值SSCt: SSCt0.9与SSCt0.95。 其次, 针对样本原始光谱数据, 采用PCA提取主成分, 根据得分因子分布, 剔除了16个位于置信区间外的异常样本; 进一步采用一阶导数First Derivative（FD）、 归一化Normalization（0, 1）与标准化Standardization（0, 1）3种方式做数据预处理, 求取样本在12个通道下的吸光度A或Kubelka-Munk函数值F（R）。 针对可见/近红外光谱自变量之间具有多重相关性、 光谱信息与糖度信息之间非线性相关的特点, 建立PLS-BP神经网络糖度预测模型（自变量为吸光度A或F（R）值, 因变量为SSCt）。 结果显示, 当t分布的置信概率为0.95、 光谱预处理方式为Standardization（0, 1）、 光谱信息指标为吸光度A时所建立的预测模型精度最高: 决定系数rp2为0.93、 均方根误差RMSEP为0.181、 预测集偏差Bias为-0.01、 残留预测偏差RPD为3.78, 可认为模型具有较高精度与较好适应性对葡萄SSC做出预测。 最后, 结合实验结果, 作了葡萄浆果SSC光谱检测原理的分子尺度分析: 在各分子振动类型中, O—H键伸缩振动的3倍频、 4倍频, O—H键剪式振动与伸缩振动3倍频、 4倍频的合频, CO键伸缩振动的8倍频、 9倍频为可见/近红外光谱检测的有效振动频率。 该研究为未来工业与消费领域在线质量检测设备的高精度化、 便携化、 低成本化提拱了技术参考。

随着长江中下游稻麦轮作区水稻成熟期的推迟, 冬小麦播期的推迟已经成为影响产量的主要障碍, 因此在迟播小麦中筛选抗性较好的品种很有必要。 该研究旨在监测冬小麦生长早期冠层叶片的相对叶绿素含量, 用于迟播冬小麦品种筛选。 为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性, 基于多光谱无人机获取的5个单波段光谱反射率和15个植被指数作为自变量, 经过递归特征消除法(RFE)特征变量筛选, 去除冗余变量, 利用后向神经网络(BP)回归算法构建冬小麦相对叶绿素含量(SPAD)值遥感反演模型。 根据2020年—2021年江苏省扬州市广陵区实验点冬小麦越冬期、 拔节期两个生育期的实测叶片SPAD值, 结合同步获取的多光谱无人机影像, 分析了这两个生育期遥感变量和SPAD值之间的相关性。 并结合遥感变量之间的特征重要性排序进行特征变量筛选, 筛选出的变量作为模型的输入, 构建并筛选出各生育期最佳的反演模型。 比较岭回归(Ridge)和梯度提升树(GBD)算法, 以R2和RMSE作为模型评价指标, 在验证集上分析了各生育期3种模型的自学习能力和泛化能力。 结果表明, 经过了最优光谱信息筛选而建立的BP神经网络模型在此两个生育期的数据集上均表现出了最强的回归预测能力。 R2和RMSE在越冬期分别为0.806和1.861, 拔节期分别为0.827和0.507。 通过对无人机多光谱数据进行变量筛选, 构建的优选模型BP神经网络具有较高估算精度, 且表明在冬小麦的早期监测中, 拔节期比越冬期效果好。 利用无人机多光谱在估算迟播冬小麦SPAD值进行品种抗性筛选的方法是有价值的。

温度变化对光纤陀螺零偏的影响是制约其性能的关键因素之一, 采用BP神经网络进行预测能在一定程度上提高温度补偿精度, 但BP神经网络存在局部极小的问题。采用蚁群优化(ACO)BP神经网络算法补偿光纤陀螺漂移, 优化了BP神经网络的初始参数。实验结果表明, 采用ACO-BP神经网络进行补偿, 可使得在-40 ℃~60 ℃温度范围内光纤陀螺零偏稳定性比补偿前有80%左右的精度提升, 与以往的BP神经网络效果相比, 补偿效果更好。

针对多基色显示系统的颜色转换问题,提出一种基于亮度因数分级BP神经网络的色度转换方法,并建立CIE标准(X,Y,Z)空间到多基色(K1,K2,…,Kn)空间的转换模型; 将整个(X,Y,Z)颜色空间按训练样本的亮度因数Y分解成多个二维子空间,并形成亮度因数分级子空间BP网序列,从而减少了从低维度空间向高维度空间进行颜色转换时出现的同色异谱问题。以五基色LED显示系统为例,对亮度因数分级BP网的有效性开展验证实验。首先根据五基色LED显示系统的实际色度参数,建立了五基色显示系统(K1,K2,K3,K4,K5)空间到CIE标准(X,Y,Z)空间的线性转换模型; 在此基础上采用最小色差匹配法,生成了典型亮度因数分级训练样本集和测试样本集,并完成了BP神经网络的训练和测试。结果表明,训练样本集的CIE1976L*a*b*平均色差达到6.37以下,并且还有进一步的改进空间,为多基色显示系统的颜色转换工作提供了一种有效的技术途径。

为提高光纤陀螺的输出精度，以天牛须搜索算法（BAS）优化后的BP神经网络模型为基学习器，采用Bagging并行集成学习算法建立了BAS-BP-Bagging温度补偿模型，并对某型号光纤陀螺进行了温度补偿实验。实验结果表明，在-40~+60 ℃温度变化环境下，该方法补偿后的光纤陀螺温度漂移相较于补偿前减小了近80%，相较于多项式补偿算法减小了55%，相较于BP神经网络补偿算法减小了30%左右。同时该模型在对新鲜样本的补偿过程中表现出了较为优越的泛化性能。

随着我国基础建设的不断推进, 对混凝土材料的要求也越来越高, 高吸水性树脂(SAP)作为一种新型内养生材料具有重量轻、吸水保水性好、受压后不易脱水等优点, 受到越来越多国内外学者的关注。为了探究SAP内养生混凝土力学行为及抗氯离子渗透性能, 制备了不同掺量和粒径的SAP混凝土进行试验, 并借助核磁共振(NMR)与扫描电子显微镜(SEM)观察与分析SAP混凝土内部微观孔结构。结果发现, 掺入SAP明显地降低了混凝土的早期强度, 相较于基准组3 d强度最高降低可达25%, 但对中后期强度影响较小。SAP的掺入对混凝土内部孔结构的影响明显, 随着养护龄期的增长, SAP的内养护作用逐渐发挥, 孔隙结构得到明显优化。SAP的掺入提高了混凝土的抗氯离子渗透能力, 相较于基准组56 d抗渗性能最高提升38%, 通过BP神经网络拟合可以较好地对氯离子扩散系数进行预测。

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。