旋光实验是物理学和化学领域中的一种实验方法，其原理基于当线偏振光通过某些具有光学活性的物质（如某些晶体或溶液）时，光的振动面会以光的传播方向为轴线发生旋转，这种现象称为旋光现象。通过测量物质的旋光度，可以分析并确定物质的浓度、含量及纯度等重要信息。
在传统的旋光实验中，测定未知溶液浓度常采用图解法或线性最小二乘法进行定标，但这些方法存在主观性大、计算量大、在处理非线性因素时误差较大等局限性。为了解决这些问题，研究者们开始探索使用人工神经网络（Artificial Neural Network，ANN）方法进行数据分析。人工神经网络由大量简单的处理单元（神经元）广泛连接而成，具有大规模并行处理、分布式存储、自组织、自适应和自学习能力。在这些网络中，最典型的是误差反向传播多层前馈式网络，简称BP网络。
BP神经网络通常由输入层、隐含层和输出层组成，其中隐含层神经元的个数对网络的预测精度有着重要影响。研究者通过调整隐含层神经元的数量来最小化预测误差。在本实验中，研究者利用MATLAB软件中的神经网络工具箱（Neural Network Toolbox，简称NNTool）来完成BP神经网络的建立、训练和测试。MATLAB提供了方便的图形用户界面，使得用户无需编程即可快速实现对实际问题的建模求解。
实验中使用的设备包括电子天平、圆盘旋光仪等，实验前配制了一系列不同浓度的蔗糖溶液，并测量了这些溶液的旋光度。为了避免输入、输出数据量级差异造成的预测误差，实验数据进行了归一化处理。归一化公式为 p = (P - P_min) / (P_max - P_min)，其中P代表原始数据，P_min和P_max代表数据列中的最小值和最大值，p为归一化后的数据。
训练神经网络时，选择了部分数据作为训练集，其余数据作为测试集。实验采用了Matlab 6.5版本，在Windows XP系统下完成。通过命令窗口输入“nntool”命令进入神经网络工具箱图形用户界面，创建BP网络并设置网络参数，如层数、神经元个数、传递函数等。网络训练目标误差设定为0.0001，并通过调整隐含层神经元个数来优化网络预测精度。
通过本实验，研究者发现BP神经网络模型可以有效地进行蔗糖浓度的定标，并且通过与最小二乘法拟合值的比较，验证了人工神经网络方法在旋光实验数据处理方面的优势。研究还表明，隐含层神经元的个数直接影响着BP神经网络模型的预测精度，需要通过适当调整以达到最佳效果。
这篇研究对于在旋光实验中应用人工神经网络提供了指导，并对相关领域的研究者和工程师在实验数据分析处理方面提供了重要的参考。通过这项研究，可以看出MATLAB以及其NNTool在实验数据处理及模型建立方面的实用性和便捷性，尤其在处理非线性问题时显示出其强大的能力。
