基于卡尔曼滤波的BP神经网络方法，对大坝变形观测数据进行滤波处理，用滤波后的数据参与BP网络的训练，使网络具有动态特性，减小了神经网络陷入局部极小值的可能性，提高了神经网络的泛化能力。实例证明，该方法具有很高的预测精度和较强的泛化能力。

提出了应用于近红外光谱汽油辛烷值测定仪的支持向量机方法,该方法具有强的泛化能力及全局最优解的特点,得到的数学模型其预测能力明显改善.实验表明该方法优越于目前在近红外光谱测定汽油辛烷值中常见的偏最小二乘和人工神经网络等方法.