数字全息显微镜（DHM）可以对生物样本的复杂波前进行数值重建，但是物体波前存在二次相位畸变和高阶像差，使得成像物体存在一定的相位像差。基于此，提出一种基于径向基神经网络（RBF）的相位畸变补偿算法。使用RBF网络构建非线性函数，最小化损失函数来估算物体的实际相位，损失函数考虑了全息面和RBF网络的输出。在仿真中以原模型为基准计算全局的均方误差，所提算法的均方误差为0.0374，主成分分析法（PCA）的为0.0470，频谱质心法（SCM）的为0.3303。搭建DHM系统用于HL60细胞的成像幅度和相位对比度观察，结果显示，所提算法能够更好地消除载波频率和相位畸变。所提算法无需了解光学参数，且可以通过调整采样点数量控制计算时间和插值精度，在弱散射物体或微纳结构三维形态测量中具有潜在的应用前景。

以凡纳滨对虾为研究对象, 探索一种高效快速无损的新鲜度检测方法。 挥发性盐基氮(TVB-N)是判断虾新鲜度的重要化学指标, 然而传统方法耗时耗力, 限制了大批量的实时检测。 高光谱技术是一种集成图像和光谱信息的分析技术, 高光谱图像上的每个像素包含整个波段的光谱信息, 近年来, 该技术已经被应用于肉类新鲜度检测。 连续8 d采集了样品的860~1 700 nm高光谱数据, 在去除异常样本后确定150组试验样本, 每组采集254维光谱数据, 对原始的高光谱图像进行黑白校正, 并从高光谱图像中提取光谱数据。 为确保所提取的光谱数据和TVB-N指数之间有对应关系, 所选择的感兴趣区域的位置保持固定在虾样本的第二和第四肢。 计算了感兴趣区域的平均光谱以获得光谱数据矩阵, 该矩阵被转换成ASCII码并保存。 同时, 通过凯氏定氮法获得TVB-N真实值含量。 为减少环境和虾表面的高含水量的干扰, 有效地消除不相关的信息和噪声, 预处理方法是多元散射校正(MSC)算法, 并选择出7个敏感波段, 分别为875, 894, 919, 953, 983, 1 024和1 094 nm。 最后, 以120组训练集样本, 建立了凡纳滨对虾TVB-N总量的定量预测模型, 以30组验证集样本, 对比BP神经网络、 径向基神经网络、 主成分分析三种预测模型算法。 BPNN算法预测模型的相关系数(r)和归一化均方根误差(NRMSE)分别为0.902 1和0.214 0, RBFNN算法的预测模型为0.868 3和0.223 0, PCR算法预测模型为0.757 6和0.390 0。 结果表明, MSC-BPNN模型的预测效果最佳, 凡纳滨对虾的高光谱反射率与新鲜度间存在较密切的相关性, 为基于光谱的虾类新鲜度检测提供了支持。

利用基于主成分分析 (PCA) 算法的径向基 (RBF) 神经网络对大气中 SO2 浓度进行滚动预测。以北京大兴地区 2019 年 9 月 1 日至 2020 年 10 月 31 日的气象数据和空气质量参数为基础, 结合逐步回归法筛选出与 SO2 线性相关的参数作为输入样本, 构建 PCA-RBF 预测模型。利用该模型预测北京大兴地区某天的 SO2 浓度, 将预测值保留并作为下一天预测模型的输入参数。以此将预测值不断地向前延伸并进行分析和预测, 从而实现 SO2 浓度的滚动预测。对比 RBF 网络和 PCA-RBF 网络两种模型的预测结果, 其中 PCA-RBF 模型期望值和预测值的误差及相关系数分别为 0.03 μg·m-3 和 0.9989。表明 PCA-RBF 网络模型能精准预测 SO2 浓度变化趋势, 为进一步解决大气污染问题提供技术支持。

为创建精确、稳定的试件二维加速度过载环境, 提高对转盘跟踪试验系统的控制精度, 对系统矢量转盘进行建模, 采用自适应混沌蚁群优化的RBF神经网络PID控制器, 解决RBF神经网络权值优化较慢的问题, 有效缩短神经网络学习时间, 提高PID控制器的在线自适应能力, 使转盘跟踪试验系统快速跟踪目标。仿真结果表明: 自适应混沌蚁群优化的RBF神经网络PID控制器优于传统的RBF神经网络PID控制器, 具有很好的准确性和快速性, 对于转盘跟踪试验系统设计具有较大的工程意义。

应用FLS920P型荧光光谱仪对L-色氨酸溶液进行三维荧光光谱检测， 从中发现： L-色氨酸的特征荧光峰位于270/350 nm。 设定发射波长为350 nm， 测量激发谱。 由测量结果发现在250~260 nm区间， 谱线斜率较大、 线性度好。 因此选取250， 255和260 nm三个激发波长， 在每个激发波长下分别测量相应的荧光发射谱。 基于三条不同的荧光发射谱， 构建以激发波长为外扰变量的自相关光谱； 而以浓度为外扰变量的自相关光谱， 是以超纯水在不同激发波长的平均谱作为参考光谱， 通过参考光谱与样本平均谱的相关计算得到。 在此基础上， 将相关光谱数据分别与偏最小二乘回归(PLSR)和径向基神经网络(RBFNN)相结合， 建立溶液中L-色氨酸含量的预测模型， 研究结果表明： 采用浓度为外扰变量构造的荧光相关光谱信噪比较高， 建模的预测效果要好； 而在外扰变量相同时， 基于径向基神经网络建立的预测模型比基于偏最小二乘回归建立的预测模型对溶液中L-色氨酸浓度的预测结果更为准确。 其中， 以浓度为外扰变量时的径向基神经网络预测模型准确度最高， 该模型的预测相关系数为99.91%， 预测均方根误差为0.033 μg·mL-1。 研究结果表明， 使用该方法能够对溶液中的物质含量进行准确测定， 可为食品安全监管提供帮助。

采用FS920荧光光谱仪分析了苯并［k］荧蒽（BkF）、苯并［b］荧蒽（BbF）和两者混合物的荧光特性.结果表明BkF的两个荧光峰分别位于306 nm/405 nm和306 nm/430 nm，BbF的两个荧光峰分别位于306 nm/410nm和306 nm/435 nm.BkF和BbF不同浓度配比及其相互间的荧光干扰，使得混合物荧光特性差异较大，荧光强度和浓度间关系变得复杂.为准确测定混合物中BkF和BbF的浓度，采用递阶算法优化的径向基神经网络对其进行检测，结果表明BkF和BbF的平均回收率分别为98.45%和97.71%.该方法能够实现多环芳烃类污染物共存成分的识别和浓度预测.

为了测定混合色素溶液中胭脂红的浓度, 采用归一化的方法对荧光光谱进行数据预处理, 将处理后的光谱数据结合径向基神经网络, 建立了对胭脂红含量的预测模型。结果表明, 3维同步荧光光谱、普通3维荧光光谱预测结果的平均相对误差分别为2.86%, 11.12%; 对于混合色素溶液中单个色素浓度的测定, 3维同步荧光光谱结合径向基神经网络效果较好。该研究为预测混合色素溶液中各色素浓度提供了帮助。

为了更快速、简便、准确地同时测定多种抗生素混合物, 采用同步荧光光谱结合径向基神经网络的方法, 对3种氟喹诺酮类抗生素(乳酸环丙沙星、乳酸左氧氟沙星、盐酸左氧氟沙星)的同步荧光光谱进行研究。选择3组分浓度均为1.67ng/mL的混合溶液, 测量其3维同步荧光光谱; 分别测量39种不同浓度的混合溶液样本的同步荧光光谱; 选取其中35种作为训练组, 其余4种作为预测组, 将训练组样本对应的光谱数据作为输入, 建立和训练径向基神经网络; 在发射波长与激发波长的差Δλ=194nm条件下, 利用训练好的神经网络对预测组中各组分的浓度进行预测, 得到3种组分浓度预测的平均相对误差分别达到3.59%,3.47%,3.09%。结果表明, 当Δλ设定为194nm时, 3种抗生素的同步荧光峰差异最为明显、区分度高, 该方法能实现对3种抗生素混合物中各组分的同时测定。这为多种抗生素混合物同时测定提供了一种快速、简便、准确的方法。

为了讨论小孔节流空气静压支承轴承的节流器尺寸, 气膜厚度与供气压等轴承参数对轴承力学性能的影响。针对圆柱腔小孔节流静压支承止推轴承, 首先进行了轴承间隙流场的数值仿真与分析, 其中以小孔尺寸, 气腔尺寸, 供气压及气膜厚为设计变量, 利用正交实验设计的基本原理构造正交表, 通过对轴承间隙流场的数值计算进行采样以获取轴承的承载力与刚度; 其次在设计变量范围内基于径向基神经网络模型建立承载力与刚度的分析数学模型, 在该分析模型中全面考虑了各轴承参数的作用, 同时考虑了轴承间隙的流场结构对力学性能的影响, 得到的模型经过拟合校验以证明具有足够的精度; 最后基于该分析模型讨论了小孔与气腔尺寸对轴承承载力与刚度的影响, 为工程设计提供了参考。