快速准确测定铁矿石中的硅、 铝、 钙、 镁含量对铁矿石质量评价具有重要作用。 受制于多变量分析方法过拟合现象以及不同种类样品基体效应, 使用激光诱导击穿光谱（LIBS）准确测定铁矿石中硅、 铝、 钙、 镁含量仍然是当前存在的挑战。 采用变量重要性-反向传播人工神经网络（VI-BP-ANN）辅助LIBS定量分析铁矿石中硅（以SiO2计）、 铝（以Al2O3计）、 钙（以CaO计）和镁（以MgO计）的含量。 在这项研究中, 收集了12种244批铁矿石代表性样品的LIBS光谱, 优化了光谱预处理方法, 使用随机森林（RF）对LIBS光谱特征的重要性进行了测量, 使用袋外(OOB)误差优化RF模型参数, 变量重要性阈值用于优化BP-ANN校准模型的输入变量。 变量重要性阈值和神经元数量通过五折交叉验证（5-CV）的测定系数（R2）和均方根误差（RMSE）进行优化。 结果显示测试样本SiO2、 Al2O3、 CaO和MgO含量预测均方根误差（RMSEP）分别为0.377 2 wt%、 0.133 9 wt%、 0.059 2 wt%和0.141 1 wt%, R2分别为0.970 1、 0.955 4、 0.987 1、 0.997 5。 相比于使用相同的预处理方法作为PLS、 SVM、 RF和BP-ANN四种模型的输入, VI-BP-ANN在校准集和预测集都显示出出色的预测能力。 结果表明LIBS与VI-BP-ANN的结合有潜力在实际应用中实现铁矿石硅、 铝、 钙、 镁含量的快速准确预测。

为实现不同种类土壤的快速分类鉴别, 实验研究了基于激光诱导击穿光谱技术的土壤快速分类方法。 由于不同类型的土壤在元素组成上会存在较大差异, 所以利用激光诱导击穿光谱技术进行土壤分类具有可行性。 不同土壤在相同实验条件下产生的等离子体温度会存在较大差异, 可以作为分类的重要依据, 所选择的7类土壤中, 赤红壤的等离子体温度最高。 选取土壤中6种常量元素Si, Fe, Al, Mg, Ca和Ti的光谱强度作为分类指标, 利用主成分分析（principal component analysis, PCA）对7种土类的25个样品进行了分类, 其中砖红壤和赤红壤分类出现了交叠, 而不同高山草甸土样品之间元素差异较大, 并没有实现较好的聚类。 利用反向传播神经网络(back-propagation artificial neural network)结合土壤的LIBS光谱对土壤进行了分类, 分类结果与PCA结果相近, 赤红壤与砖红壤出现了识别错误。 当用PCA分析获得三个主成分值作为BP神经网络的输入量时, 获得了较好的分类结果, 因为简化了输入量, 降低了BP神经网络的误差, 此时只有一个高山草甸土被识别成褐土, 而高山草甸土的等离子体温度显著低于褐土, 所以结合不同土壤类型的等离子体温度差异, 能够实现不同土壤的分类识别。 实验证明激光诱导击穿光谱技术可以应用于土壤分类, 为土壤普查和合理利用提高了一种新的技术。

对304不锈钢试样进行了激光打孔试验, 使用形貌仪测得了孔截面粗糙度参数, 并通过反向传播神经网络, 建立了基于激光功率、脉冲频率和离焦量三个工艺参数与孔表面粗糙度之间关系的神经网络预测模型。利用大量试验数据对样本进行网络训练, 证实了该人工神经网络模型预测精度高, 预测误差控制在6%左右, 最大误差不超过8.08%。该模型可以准确地预测激光打孔表面的粗糙度和有效地缩短激光打孔作业的准备周期。

针对一些遥感数据缺失蓝波段而无法进行真彩色影像合成的问题，提出一种模拟多光谱传感器真彩色影像的方法。将中分辨率成像光谱仪MODIS 地表反射率产品(MOD09)作为参考影像，经影像聚类分析得到具有代表性训练样本，并通过反向传播(BP)人工神经网络训练得到蓝波段与特征波段(绿/红/近红)间关系的非线性回归模型，该模型用于模拟Landsat TM/MSS 和SPOT-5 的蓝波段并最终合成真彩色影像。实验结果表明：BP 神经网络能够很好地模拟多光谱影像的蓝波段，并且能够在一定程度上去除蓝波段上的大气影响，从而可以得到较为理想的真彩色合成效果。研究成果进一步扩展了图-图遥感影像波段模拟模型的研究深度。

为了研究工艺参量对光纤激光切割切口质量的影响, 进行了切割T4003不锈钢试验, 分析了工艺参量与切口质量之间的关系。采用基于误差反向传播算法的人工神经网络, 建立了激光功率、切割速率、辅助气体压力等工艺参量与切口粗糙度之间的预测模型。对切割试验采集的训练样本进行了网络训练, 并利用测试样本对训练模型进行验证。结果表明, 随着激光功率增加, 切口粗糙度增大;随着切割速率和辅助气体压力增加, 切口粗糙度减小。神经网络预测模型精度较高, 网络训练效果良好, 预测值与试验样本值间的最大相对误差为2.4%。训练后检验精度较高, 检验样本最大相对误差仅为6.23%。该模型可有效预测激光切割切口表面粗糙度, 同时为合理选择及优化工艺参量, 提高激光切割质量提供试验依据。

挥发性盐基氮（TVB-N）含量是评价肉制品新鲜度的重要指标。尝试采用遗传联合区间偏最小二乘（GA-Si-PLS）从高光谱数据之光谱信息中筛选出最优波长。再提取各波长所对应的灰度图像的纹理特征，纹理特征变量经主成分优化后，作为输入层，运用反向传播神经网络（BP-ANN）构建鸡肉的TVB-N含量的定量模型。实验表明，模型对训练集和预测集的均方根误差分别6.61和9.84，相关系数分别为0.9054和0.8030。研究表明可以利用高光谱中的图像信息对鸡肉TVB-N含量进行快速无损检测。