近年来对环保的要求不断地提高,汽油产品的质量也在不断的提升,其中辛烷值的含量是汽油产品质量的一个重要参数指标,直接影响到汽油是否合格。近红外光谱技术是测量汽油各种参数的重要方法,可以通过光谱测量技术和神经网络技术相结合,这样可以方便、快速的对汽油辛烷值的含量进行定量的分析。BP(Back Propagation)神经网络和RBF(Radial Basis Function)神经网络在实际的应用过程中,两者之间的优劣不同以及侧重点也不同,因此为了能够更好的了解两者之间的各种优劣以及侧重点,能够根据实际条件选择最合适的神经网络模型,最快速度,最高效率的解决问题,本文用近红外光谱法测量了60组数据,总共401个波长点。通过红外光谱测量得到吸光度数据和辛烷值含量数据,然后根据这些数据之间的关系,利用BP神经网络以及RBF神经网络分别对其进行数学建模,可以很好的预测出汽油的辛烷值含量,并能够对比出两种神经网络模型的优劣。主要从以下几个方面进行分析:(1)BP神经网络和RBF神经网络的鲁棒性分析。每次用一个随机噪声去替换训练样本中一个数据,然后用测试样本进行测试,为了测试结果的准确性保证每一次测试的样本类型及数目都不变,仿真多次之后统计其预测准确率的平均值,并且绘制出训练样本错误率与预测准确率之间的关系图。为了数据更真实可信,增加噪声的梯度和每次仿真的次数,并对结果进行比对分析。最后分析得出结论为:BP神经网络模型和RBF神经网络模型在一定的范围内都具有鲁棒性,超出范围就失去了鲁棒性。但是总体来说RBF网络模型的鲁棒性强于BP网络模型,所以在实际应用中对要求较高的实验应该优先选择RBF神经网络模型。(2)BP神经网络和RBF神经网络的自学习能力分析。将样本分为训练样本和测试样本,每次向训练样本中加入一个样本,并且保持每次的测试样本数据及类型都一样,训练样本数目每变换一次就统计之前全部预测准确率并求其平均值作为最后的数据,最终得到加入样本个数和预测准确率的关系图像。为了结果更准确可靠,改变每次添加样本的个数然后统计最后的结果,作为对比试验进行分析。分析结果为:在训练样本数目较少的情况下,RBF神经网络自学习能力强于BP神经网络,相反在训练样本数目较多的情况下,BP神经网络自学习能力强于RBF神经网络。(3)BP神经网络和RBF神经网络的拒伪能力分析。首先确定好训练样本和测试样本,在保证训练样本不变的情况下,每次用一个噪声去替换一个测试样本的数据,并且求取多次预测的准确率,然后求取准确率的平均值作为最后的结果,绘制出测试样本错误率与预测准确率的关系图。为了使结果更准确可靠,改变每次替换样本的个数统计最后的结果作为对比试验进行分析。总结:BP网络模型和RBF网络模型都有一定的拒伪能力,其预测相对误差都在可以接受的范围内,但是BP网络模型的预测相对误差要小于RBF网络模型,因此,在实际应用中对精度要求高时,要优先选取BP网络模型。神经网络的应用非常的广泛,其中在光学方面也有很多的应用,如光学图像处理、光学检测、光通信以及自适应光学等,并且在这些方面都研究出了不错的成果。