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。

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。

研究了人工神经网络在激光诱导击穿光谱(LIBS)塑料分类识别方面的应用。 选用七种常见的塑料作为实验样品, 获得每种样品的170组LIBS光谱数据, 利用主成分分析获得前五个主成分的得分矩阵。 用每种塑料样品的130组光谱数据的主成分得分矩阵作为训练集, 建立反向传播(BP)人工神经网络模型。 将其余40组主成分得分作为测试数据输入训练好的模型进行分类识别, 其识别准确度达到97.5%。 实验结果表明, 通过采用主成分分析与BP人工神经网络相结合的方法, 可以很好地进行塑料激光诱导击穿光谱的分类识别, 对塑料的回收利用有重要价值。

磷元素（P）亏缺初期， 水果黄瓜植株根部叶片出现小斑点， 其症状的外观特征与健康植株根部叶片老化初期类似， 难以用肉眼或者计算机图像处理技术识别。 本文根据近红外光谱能够反映叶片组织中有机物组分的差异， 运用近红外光谱技术对水果黄瓜植株磷元素亏缺进行了快速诊断研究。 精确控制营养液中磷元素含量， 通过设施栽培方式培养缺磷植株和对照样本。 近红外光谱仪采集了90片叶子的原始光谱（60片作为训练集， 30片作为预测集）， 经光谱预处理和窗口宽度优化后均匀划分为27个子区间， 分别提取每个子区间的10个主成分数据作为BP人工神经网络（BP-ANN）的输入变量， 以叶片缺素情况作为输出变量， 建立3层BP-ANN诊断模型。 当主成分因子数为3时， 第7个子区间对应的模型效果最佳， 模型对缺磷叶片和正常叶片的预测准确率均达到100%。 研究表明: 近红外光谱技术结合BP-ANN快速诊断水果黄瓜磷元素亏缺是可行的。

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.

橄榄油兼有食用和保健的作用,价值与价格远远高于其他食用油,所以橄榄油中以劣充好的现象十分普遍。可采用近红外光谱法测定初榨橄榄油中掺杂芝麻油、大豆油和葵花籽油的光谱数据,运用改进的BP算法———Levenberg-Marquardt方法,建立PCA-BP人工神经网络方法对其进行定性判别。同时采用偏最小二乘法(PLS)建立了初榨橄榄油中芝麻油、大豆油、葵花籽油含量的近红外光谱定标模型,用交互验证法进行验证。结果表明,BP人工神经网络有很好的定性鉴别能力,PLS建立的芝麻油、大豆油、葵花籽油定标模型的相关系数分别为98.77,99.37,99.44,交叉验证的均方根误差分别为1.3,1.1,1.04。该方法无损、快速、简便,为橄榄油掺杂的检测提供了一种新的途径。

以75粒普通玉米、72粒高油玉米和73粒超高油玉米共计220粒玉米籽粒样品为实验材料,通过玉米籽粒的近红外光谱结合主成分信息提取技术建立了不同油分含量的玉米籽粒样品的BPANN识别模型。为考察模型的实际应用效果,连续10次随机划分样品集,每次在各类别玉米籽粒中随机选取4/5作为建模集,剩余1/5作为预测集,选择光谱信息的第2-15个主成分作为网络输入,样品以3个类别值－1,0,1作为目标输出,10次建模的学习识别率均达到100%。以所建BPANN模型对预测集样品进行分类识别,普通玉米、高油玉米和超高油玉米籽粒平均正确识别率分别为99.33%,97.88%和91.43%,总体正确识别率平均达到95%以上。研究结果表明BP人工神经网络近红外光谱法建立玉米籽粒识别模型可对不同油分含量的玉米籽粒进行快速、无损识别,对于玉米籽粒的选育工作具有一定的指导意义。 另外还探讨了选择主成分建模对不同油分含量的玉米籽粒种类识别效果的影响,结果显示具有方差贡献率99%以上的光谱第一主成分参与建模,对模型预测效果有负影响,说明不同主成分包含的区分普通、高油与超高油玉米籽粒的分类信息不同,因此近红外光谱法建立样品分类识别模型时选择不同主成分建模是有必要的。