在分析液压 AGC的组成元件及其动态特性的基础上 ,利用神经网络具有逼近任何非线性函数且具有自学习和自适应的能力 ,建立基于时间序列的前馈动态模型辨识结构 ,应用扩展 BP算法对轧机液压 AGC力控制系统进行非线性预测 ,将预测结果应用最小二乘辨识方法进行线性系统的特征参数辨识 ,仿真及实测结果表明此方法行之有效 ,为轧机液压 AGC的辨识提供了新途径。

以PID控制器为基础,辅助以神经网络的自学习、自适应能力,将神经网络和PID控制融合为一体,设计出一种神经网络PID控制器,应用于具有高度非线性、时变性的板带轧机AGC力控制系统,仿真结果表明,能有效改善系统的动态品质,并具有良好的适应能力。

为了克服传统自适应有源消声算法在应用中稳定性方面的不足，尝试将神经网络反向传播（ＢＰ算法应用于有源消声技术。文中建立了基于Ｂ 法的自适应有源消声（ＡＡＮＧ－ＢＰ）模型并给出该算法的递推公式。利用ＴＭＳ３２０Ｃ２５开发板实现了该算法功能。在半消声室中进行了单频和１００Ｈｚ带宽的消声实验，仅利用单个次级源结构便获得较好的消声效果。实验证明，基于ＢＰ算法的消声系统具有良好的稳定性。

在噪声主动控制系统中采用神经网络控制方法,给出了神经网络BP算法的一种变异算法.仿真实验表明,基于神经网络的噪声主动控制系统具有非常好的降噪效果和稳定性.

提出一种基于遗传算法优化BP网络结构的自适应噪声抵消器，BP算法是最典型的多层神经网络学习算法，它在局部搜索时比较成功．但由于BP网络大多采用沿梯度下降方向的搜索算法，因而不可避免地存在收敛速度慢，容易陷入局部极小点等问题。而遗传算法擅于全局搜索，鲁棒性很强，将采用遗传算法优化网络初始权值的方法，将两种算法相结合，做到优势互补。GA与BP算法的混合算法不论是在运行速度还是在运算精度上都较单纯的BP算法有提高，在信噪比的改善程度上，混合算法的信噪比针对余弦信号提高了23db左右。

利用AMESim仿真软件和MATLAB神经网络工具箱对汽车液压助力转向系统进行故障诊断仿真研究,提出一种利用压力、流量等实时状态信息作为输入,各具体故障模式作为输出的BP神经网络液压故障实时诊断方法。研究表明,该诊断方法比较准确,平均相对误差为0.512 4%,能够比较方便和快捷地实现对汽车液压转向系统的故障诊断。

刀具磨损状态监测的研究中,采用传统BP算法的神经网络识别切削过程中的刀具磨损量,具有局限性。文中提出了一种改进的BP神经网络结构,选取了新的BP算法,并对网络结构参数进行优化调整。对振动信号和AE信号分析后提取出刀具磨损特征量输入改进的BP神经网络,经过训练后用于识别刀具磨损状态。通过比较,改进的BP神经网络的收敛速度明显提高,且减小了识别误差。实验证实了其可行性和有效性。

该文以液压AGC系统常见故障为例，在阐述遗传神经网络原理的基础上，应用遗传神经网络算法对其故障进行分析，通过实验证明了该算法的有效性，具有一定的推广价值。

介绍了BP网络的结构及学习算法，阐明了液压系统故障诊断的实现过程。通过对挖掘机液压系统常见故障进行试验和测试，验证了该神经网络收敛速度快，学习记忆稳定，具有很好的学习功能；测试结果表明该诊断方法具有高可靠性，达到了预期的结果，可以用于液压系统的故障诊断。

针对电液伺服系统普遍存在非线性、时变性和不确定性的情况，提出一种基于改进遗传算法的模糊RBF神经网络控制方法。该方法采用模糊RBF神经网络控制实现对液压伺服系统的自适应模糊控制，并将GA的全局寻优及BP局部寻优相结合，克服了单独应用GA算法或BP算法调节模糊RBF神经网络控制器参数存在的缺陷。仿真结果表明，该方法具有很强的自适应性和鲁棒性。