基于大气弱湍流信道模型,设计了模糊聚类与改进反向传播(BP)神经网络相结合的星座图识别方法。采用模糊C均值(FCM)算法对无线光副载波多进制相移键控(MPSK)信号星座图进行聚类分析,通过计算其硬趋势均值获得星座图特征,然后将特征输入改进BP神经网络分类器进行调制识别。在对数振幅起伏方差 σχ2=0.1时,总正确识别率达到100%,随着起伏方差的增大,MPSK信号星座图聚敛性变差,但总正确识别率也达到87.5%,同时提高了16进制相移键控(16PSK)调制的识别率。

为了进一步提高雷达的探测性能，设计了线性调频–二相码(LFM-M)混合调制脉冲压缩信号。采用分类比较的方法，研究了反向传播网络、Elman 网络和径向基函数(RBF)网络等3 种典型神经网络在其脉冲压缩中的应用，设计了网络的结构，分析了网络的算法。通过仿真和对脉冲压缩输出性能的研究得出，采用RBF 神经网络对LFM-M 码信号进行脉冲压缩，网络具有较快的收敛速度和较好的数值稳定性，可获得60 dB 左右的输出主旁瓣比。

傅里叶变换红外（FTIR）光谱结合基于小波变换(WT)的线性判别分析（LDA）和反向传播网络（BPNN）研究了甜橙炭疽病和正常果皮。样品的红外光谱经多尺度一维连续小波变换（CWT），发现第10尺度的小波系数存在着明显的差异，提取该尺度三个区域的系数作为特征参数建立LDA和BPNN模型，结果表明LDA模型对样品的识别效果比BPNN模型好。选取1750~950 cm-1 范围内的FTIR光谱进行5尺度离散小波变换(DWT)，选取第5尺度的逼近系数(DWTAC)和细节系数(DWTDC)建立LDA和BPNN模型，结果显示利用细节系数建立的模型比逼近系数识别效果好，LDA和BPNN模型对样品的识别正确率均为95%。结果表明小波变换结合LDA和BPNN用于傅里叶变换红外光谱技术能够准确地识别甜橙炭疽病和正常果皮，为甜橙病害检测提供快速和有效的方法。

为实现地质样品中元素含量的准确预测, 提出了基于主成分分析(PCA)的改进型BP神经网络模型。 采用X荧光光谱法, 对新疆西天山地质样品中Fe, Ti, V, Pb和Zn等元素进行测量, 将得到的X荧光计数作为输入变量, 应用该模型对未知地质样品中Fe和Ti元素进行定量预测。 结果表明: 主成分分析与改进型BP神经网络模型取得了较好的预测效果, 预测结果与化学分析值的相对误差小于3%, 为地质样品元素含量预测提供了一种新型有效的方法。

对国内外近十年来人工神经网络在近红外光谱建模中的应用和研究进行了详细的综述，包括误差反向传播网络、径向基网络、支持向 量机、自组织特征映射网、广义回归神经网络、概率神经网络、小波神经网络、模糊神经网络以及集成神经网络等的应用和研究。概括了这些网络的基 本工作原理及优缺点。最后根据神经网络的发展方向和工农业的发展需求，提出了今后人工神经网络在近红外建模方面的发展方向。

通过神经网络(NN)建立了调Q激光器的优化设计模型。利用典型的谐振腔参数和抽运参数由速率方程进行数值求解,获得激光器的输出数据,形成神经网络的训练样本。通过这些样本对反向传播(BP)神经网络进行训练,从而建立起一个联接激光器的结构参数和激光器输出性能参数的BP神经网络。利用该网络能够由激光器输出参数对激光器结构参数进行预测,完成激光器的快速设计,在Pentium 4 2.4 GHz的计算机上训练用时为2.96 s。测试数据显示,测试值和预测值的峰值功率、光束质量、脉宽的标准差分别为3.1%,3.4%,5.8%。结果表明,利用BP神经网络依据激光器的输出要求参数进行反向设计,预测出的激光器结构参数和抽运参数误差小,实验数据能够很好吻合。

提出了一种依据人眼的颜色视觉机制对真彩色显微生物图像进行分割的色彩向量的降维表示方法.该方法将由红绿蓝三色彩刺激经Karhunen-Loève变换得到的I1I2I3色彩空间中的I1强度信息摒弃,将色彩特征由三维I1I2I3色彩空间向量降维为二维I2I3色彩向量.并以此I2I3色彩向量作为图像的色彩表示特征,运用反向传播网络对真彩色显微生物图像进行了分割实验.实验表明该方法应用于分割真彩色显微生物图像时,与采用I1I2色彩向量的降维方法相比,可优化色彩表示特征,加快网络的收敛速度,提高图像分割的正确率.

提出了一种基于神经网络的火灾烟雾识别方法,以波长为670 nm、1060 nm、1550 nm的三束激光的三对消光系数比作为网络的输入,网络的输出为“火灾烟雾”和“非火灾因素”,从典型火灾烟雾和非火灾因素对多波长激光的衰减实验中选取数据,组成26种网络样本模式定义表,经391次仿真训练后,输出误差小于0.0001,并经验证实验表明,本方法对火灾烟雾和非火灾因素能进行有效的识别,是处理烟雾识别等非结构问题的一种行之有效的方法。