针对激光钎焊熔深难以控制的问题, 选取激光焊接功率、焊接速度等激光焊接过程中所涉及的控制参数建立基于BP人工神经网络的激光钎焊模型。根据激光钎焊模拟实验的历史数据对焊接熔深进行预测, 采用遗传算法对控制参数进行优化, 得到目标焊接熔深。运用MATLAB软件建立了针对铝合金/镀锌钢的激光熔钎焊过程的参数的BP人工神经网络模型,并利用遗传算法的并行和群体搜索策略, 对其控制参数进行了优化, 使得焊接熔深能通过过程参数精确控制, 提高了接头性能。

根据描述大信号激励下组件响应的黑箱模型——非线性散射参数，提出利用有限实验数据通过人工神经网络建模获得组件非线性散射参数的方法，利用该方法对二极管构成的非线性组件的预测结果与实验测量结果吻合良好。推导了二端口非线性器件与三端口线性器件的非线性散射参数级联计算公式，并讨论非线性散射参数在传导干扰分析中的应用。通过具体实例的计算结果与实测结果的对比，证明了基于人工神经网络学习模型的非线性散射参数获取方法非常便于包含非线性组件的传导干扰分析，这对于系统级电磁效应分析具有重要意义。

头发中的重金属含量可以反映出人体健康的变化。提出了运用高光谱数据检测头发中重金属元素铬含量的方法。对头发的透射率波长曲线进行了包络线消除、吸收特征参量化等处理。以化学检测的铬含量作为标准数据，化学检测精度可达90%以上。然后训练人工神经网络，通过调节网络的隐含层层数、结点数和激活函数来优化模型。实验计算表明，隐含层层数为1，结点数为7或9的人工神经网络的预测效果较好。利用统计实验结果对人工神经网络的内部精度和外部精度进行评价。人体头发中铬的敏感波段为1380 nm～1550 nm、1880 nm～2100 nm、2120 nm～2210 nm；训练后的神经网络预测的均方根误差为13%，精度达87%。实验结果表明，应用高光谱技术可以快速无损地检测人体头发中的重金属元素铬的含量。

地沟油检测是我国食品安全最为关注的话题之一, 它给人们的生活健康带来了极大的危害。 国内现有的检测手段也仅停留在定性检测水平上, 只能确定地沟油的有无, 还难以进行定量检测。 本实验利用近红外光谱技术与光纤传感技术相结合的新方法对勾兑混合油中地沟油的含量进行了定量分析。 将煎炸老油与九三大豆油按照一定的体积比进行勾兑, 共计50个样本, 采集其近红外透射光谱, 分别采用偏最小二乘法(PLS)和BP人工神经网络建立了煎炸老油含量的定量分析模型, 校正集决定系数分别为0.908和0.934, 验证集决定系数分别为0.961和0.952, 均方估计残差(RMSEC)为0.184和0.136, 预测均方根误差(RMSEP)都为0.111 6, 符合应用要求, 同时还结合主成分分析法(PCA)对煎炸老油与食用植物油进行了鉴别, 识别准确率为100%。 实验研究证明近红外光谱技术不仅可以准确快速的定性分析地沟油, 还能定量的检测地沟油的含量, 在油脂的检测方面具有很大的应用前景。

利用可见/近红外光谱技术对市场上5种稻米进行了鉴别.以ASD FieldSpec .3地物光谱仪采集了5种稻米 的光谱数据, 各获取35个样本, 随机分成训练集(150份)和检验集(25份), 并分别采取全波段与特征波段(400～ 500nm、910～1400nm与1940～2300nm)两种方法建立模型进行分析.光谱经S.Golay平滑和标准归一化(SNV)处 理后, 以主成分分析法(PCA)降维.将降维所得的前9个主成分数据作为BP人工神经网络(BP-ANN)的输入变量, 稻米品种作为输出变量, 建立3层BP-ANN鉴别模型.利用25个未知样对模型进行检验, 结果表明两类模型预测准 确率均高达100%, 其中特征波段模型比全波段模型具有更高的预测精度, 说明利用可见/近红外技术结合PCA-BP 神经网络分析法进行稻米品种与真伪的快速、无损鉴别是可行的, 且提取特征波段是优化模型的有效方法之一.

针对彩色扫描仪的特点,采用主元分析法(PCA)和反向传播(BP)人工神经网络(ANN)相结合的方法对图像光谱重构进行研究。选择IT8.7/2标准色卡作为训练样本,将该色卡中的另一组色靶作为检验样本以讨论不同网络结构以及不同主元数和训练样本数对光谱重构的影响,再以自然色系统(NCS)色卡为检验样本来分析不同种类的训练和检验样本与光谱重构性能的关系。实验结果表明,采用3-14-6网络结构和6个主元数是最佳选择,训练样本和扫描目标之间的一致性是基于彩色扫描仪图像光谱重构的关键所在。