为解决分布式相位敏感光时域反射计系统现有事件识别方法对于相似振动信号识别困难这一问题，提出了一种基于多尺度特征融合的相似信号识别方法。在该方法中，原始信号首先通过经验模态分解和小波包分解被分解为不同频率范围内的子信号。随后，分别提取原始信号和子信号的时频特征和近似熵特征，并利用主成分分析法对所提取的特征进行融合。最后，通过构建一个6层轻量反向传播（BP）神经网络分类器，训练分类模型并利用测试集验证模型分类度。该方法对小车经过和行走等相似信号的识别准确率可分别达到98.5%和98.0%，对于敲击和摇晃差异性大的信号的识别准确率可达100%。相比于直接从原始信号中提取特征并结合时频图的卷积神经网络方式，所提方法的综合识别准确率分别提高了8.4%与9.0%，相似信号的识别准确率分别提高了13.5%与12.4%。结果表明，该方法在保证差异性大的信号的高识别准确率的基础上，显著提高了相似信号的识别准确率，对于拓展分布式光纤传感的应用范围有重要的价值。

激光在海水传输过程中，接收视场逐渐增大、多次散射逐渐增强，导致叶绿素剖面反演误差较大。针对该问题，以反向传播（BP）神经网络为基础，建立了一个激光雷达回波信号反演叶绿素a浓度剖面的模型。数据集中包含标签-叶绿素a浓度与特征-激光雷达回波信号剖面。获得激光雷达回波剖面后，为了增强输入特征，使用随机抽样一致（RANSAC）算法剔除噪声，完成数据集搭建，进而以不同层网络的均方误差确定模型结构。反演结果显示：相比于传统的利用后向散射系数反演叶绿素浓度的方法，基于激光雷达回波的BP神经网络叶绿素剖面反演算法在验证集上的相对误差、均方根误差、平均误差分别降低了34%、0.363 mg/m³和0.213 mg/m³，相关系数提高了0.18。传统方法在50 m深度水体的叶绿素浓度相对误差为39%~93%，基于神经网络的剖面反演算法对应的相对误差为17%~36%，反演精度具有较大提升。对于实测数据，LIMC-BPNN反演结果的相对误差为13%。结果表明，相比于传统叶绿素反演方法，基于深度学习的叶绿素剖面反演算法能够有效提取激光雷达回波特征，得到更好的反演结果。

土壤肥力通常由有机质、 总氮、 速效磷、 速效钾等含量决定。 这些物质的含量通常采用可见/长波近红外光谱(visible/near-infrared spectroscopy, Vis/NIRS: 350～2 500 nm)进行研究, 可见/短波近红外区域(visible/shortwave near-infrared spectroscopy, Vis/NIRS: 325～1 075 nm)的研究却非常罕见, 将可见/短波近红外光谱结合机器学习算法来测量土壤养分具有巨大潜力。 选取了南昌市新建区和吉安市安福县的四个村庄作为样品获取地点, 通过2×2网格法选取对角区的10～30 cm深度的土壤样本, 其中水稻土120份(水稻土1和水稻土2), 棕壤60份、 红壤60份。 样品经过研磨、 风干等处理后用四分法均匀划分为两份, 用于测定样品光谱信息和理化信息。 将获取的光谱数据去除325～349和1 073～1 075 nm的噪声波段, 然后采用S-G卷积平滑结合一阶导数进行预处理。 将预处理后的光谱数据进行主成分分析(PCA), 根据主成分分析得到的得分图(PC1: 98.44%, PC2: 3.5%, PC3: 0.14%)显示出样品存在明显聚类现象且在二维空间内相互可分, 样品存在明显聚类现象, PCA可以在一定程度上合理解释不同土壤样品的光谱特征差异。 将预处理后的光谱数据建立全波段主成分回归(PCR)和偏最小二乘回归(PLSR)模型, 通过PCA和PLSR对光谱数据降维, 提取出3个主成分因子(PCs)和9个潜在变量(LVs), 建立非线性反向传播神经网络(BPNN)和最小二乘支持向量机(LS-SVM)模型。 通过比较PCR、 PLSR、 BPNN和LS-SVM方法对Vis/SW-NIRS及对OM、 TN、 P、 K的预测精度, 得出以下结论： (1)LS-SVM-LVs模型在所有土壤性能方面都优于PCR、 PLSR、 BPNN-PCs、 BPNN-LVs和LS-SVM-PCs模型; (2)LS-SVM-LVs模型对OM和N的预测精度最高, 这是在NIR区域具有光谱响应的特性; (3)采用Vis/SW-NIRS测定土壤矿质养分P和钾, 具有不同的准确性, 这是由于光谱活性成分的共变。 根据本研究取得的结果, 建议采用LS-SVM-LVs分析作为预测土壤性质(OM、 TN、 P和K)的最佳模型方法。 然而, 还需要进一步的研究来深入解释在近红外区域不具有直接光谱响应的土壤特性的测量。 该研究成果可以为当地的精细农业的发展提供理论与技术参考。

柑橘是我国第一大类水果, 氮素对于柑橘的生长发育至关重要, 实时、 无损地监测柑橘氮素营养状况, 对于氮素养分精准管理具有重要意义。 植株体内的氮素可以分为营养性氮素、 结构性氮素和功能性氮素, 不同形态氮素各组分在柑橘叶片中的含量对叶片生理生化反应有一定的指示作用, 其中, 功能性氮含量是指示柑橘氮营养状况的重要指标。 以“春见”橘橙为试验材料, 分别于果实膨大期和转色期, 利用可见-近红外光谱仪测定不同施氮处理的柑橘叶片反射光谱, 并用化学分析方法测定其叶片功能性氮含量。 分析了柑橘果实膨大期和转色期叶片原始光谱和一阶微分光谱与叶片功能性氮含量的相关关系, 筛选出敏感波段, 利用全波段和敏感波段, 结合光谱植被指数法、 光谱化学计量法和机器学习方法, 构建了柑橘果实膨大期和转色期叶片功能性氮含量的无损监测模型, 并对比分析多种光谱变换和光谱预处理方法对于模型精度的影响。 结果表明, 在柑橘果实膨大期, 对全波段原始光谱进行标准正态化变换预处理, 结合反向传播神经网络构建的柑橘叶片功能性氮含量无损监测模型精度较高, 其建模集决定系数R2c和验证集决定系数R2v均为0.78, 建模集均方根误差RMSEC和验证集均方根误差RMSEV均为0.82 g·kg-1; 基于敏感波段原始光谱结合随机森林构建的模型精度也较高, 其R2c和RMSEC分别为0.84和0.67 g·kg-1, R2v和RMSEV分别为0.74和0.83 g·kg-1。 在柑橘果实转色期, 对全波段原始光谱进行标准正态化变换预处理, 结合BPNN构建的柑橘叶片功能性氮含量无损监测模型精度较高, 其R2c和RMSEC分别为0.77和1.04 g·kg-1, R2v和RMSEV分别为0.76和1.13 g·kg-1。 研究表明, 可以利用可见-近红外光谱技术, 实现对柑橘叶片功能性氮含量的无损监测。

基于反向传播（BP）神经网络模型结合联合区间等间隔偏最小二乘法（SiPLS），设计了SiPLS-BP模型定量分析复杂背景下血红蛋白含量。以186个不同浓度血红蛋白的血液样本和39个不同浓度的血红蛋白仿体溶液样本的近红外光谱数据为研究对象，优选出最佳的数据集划分方法、最佳划分比例和最佳预处理方法，利用SiPLS优选波段，构建SiPLS、SiPLS-BP、全谱偏最小二乘法（PLS）和全谱BP四种定量分析模型，并进行分析对比。实验结果表明：两种样本的最佳定量分析模型均为SiPLS-BP。即使采用相同的特征波长优选方法，每个模型优选的波段也并不完全相同。对于背景复杂、样本差异性较大的混合溶液和血液，SiPLS-BP模型具有更好的预测效果，能更准确地定量分析血红蛋白浓度。研究结果为复杂背景下的血红蛋白定量分析提供了参考。

为了获得TiC铁基合金粉末在316L不锈钢上的激光熔覆最佳工艺参数，提出了一种基于遗传算法优化的反向传播（BP）神经网络的激光熔覆参数优化方法。设计三因素五水平的全因子试验，测量了熔覆层的宏观形貌和平均硬度，建立输入参数（激光功率、扫描速度、保护气流量）和响应量（熔覆层宽度、熔覆层高度、稀释率、显微硬度）的神经网络模型。以多元非线性回归分析工艺参数对响应量的影响，并以综合灰关联度表征熔覆层的综合性能，寻优得到最佳参数。试验结果表明，激光功率和扫描速度对熔覆层宽度、稀释率和显微硬度的影响明显，而保护气流量对熔覆层高度影响最显著，遗传算法优化的BP神经网络模型各响应量模型的拟合优度均达到0.85~0.91之间，GA-BP模型精度良好，当参数为1090 W，扫描速度为4.4 mm/s，保护气流量为10 L·min^-1，综合性能最佳，表明BP神经网络算法适用于激光熔覆层质量控制和参数优化。

在水下信道中使用涡旋光复用通信技术可以有效提高通信系统的信道容量，然而海洋湍流会引起涡旋光束的模态间串扰，造成通信系统的性能下降。为了缓解模态串扰问题，本文引入基于反向传播（BP）神经网络的盲均衡算法，采取4路涡旋光进行复用传输，使用随机相位屏法模拟海洋湍流，仿真分析了系统在加入BP盲均衡算法后，改变海洋湍流强度、传输距离以及涡旋光复用模式等因素下，系统误码率的改善情况。仿真结果表明，利用BP神经网络的盲均衡算法能够有效降低海洋湍流对系统误码率的影响，且在复用模式间隔选为2时，系统性能改善明显。

结合笼形分子（Cryptophane-E）对甲烷气体的选择性吸收特性，提出了一种基于双层薄膜的高灵敏度长周期光纤光栅（LPFG）甲烷体积分数传感器。通过减小包层直径使低阶包层模式LP₀₆工作在色散转折点（DTP）附近，并在光纤表面涂覆厚度经过优化的TiO₂薄膜，以确保包层模式LP₀₆在模式转换（MT）区内与纤芯模式LP₀₁耦合，从而显著提高了LPFG的折射率灵敏度。由于甲烷气体分子会改变最外层Cryptophane-E薄膜的材料折射率，进而改变包层模式的有效折射率，因此通过监测共振波长的移动即可实现对甲烷气体体积分数的测量。在DTP和MT效应的共同作用下，当甲烷气体体积分数从0%变化到3.5%时，所提的LPFG传感器平均灵敏度高达249.6 nm/%。此外，针对本传感器在不同甲烷体积分数下的非线性响应特征，设计了反向传播（BP）神经网络信号解调算法。研究结果表明：在甲烷气体体积分数变化范围内，其最大预测误差为0.008%，该传感器良好的性能使其在煤矿安全监测等领域具有潜在的应用价值。

由于热障涂层体系结构的复杂和服役环境的恶劣, 极易导致涂层发生界面分层、宏观断裂和剥落失效。首先利用声发射技术实时监测了热障涂层在三点弯曲载荷下的失效过程, 结合微观形貌特征、声发射参数分析、K-means聚类分析识别了热障涂层损伤失效模式。然后利用Fourier变换、小波包变换等分析了4种失效模式的波形特征, 其中宏观断裂或剥落失效信号无明显频带, 而基底变形、表面垂直裂纹、剪切型界面裂纹、张开型界面裂纹对应的频率分布范围分别在62.5~125.0 kHz、187.5~250.0 kHz、250.0~312.5 kHz、375.0~437.5 kHz。采用机器学习的方法对原位声发射信号进行了深度处理, 提取小波能量系数作为机器学习反向传播神经网络的特征向量, 结合收敛曲线、混淆矩阵、受试者工作特征曲线、F1值评价了该模型优劣性, 实现了对于热障涂层失效模式的判别, 为热障涂层失效预测和寿命评估提供参考价值。