基于人工神经网络所体现出的良好的非线性逼近特性,运用遗传算法优化BP网络的权值和阈值,避免BP网络陷入局部极小点,同时通过灰色关联分析优化网络的结构,使网络具有更好的泛化性和收敛速度。运用改进的BP网络发掘油管接箍加工中各个加工参数对最终加工圆度误差的潜在关系,从而实现对油管接箍加工圆度误差的预测。结果表明改进型BP神经网络具有较快的收敛速度和较好的泛化性能够准确预测油管接箍加工圆度误差。

提出了一种评价光电经纬仪跟踪性能的新方法。该方法采用BP网络结构进行系统辨识，得到光电经纬仪跟踪误差等效模型。为了提高BP网络训练速度，对网络进行训练时采用了LM（Levenberg．Marquardt）算法。将等效正弦信号输入等效模型中，通过对输出数据进行处理，即可获得光电经纬仪跟踪性能评价结果。利用该方法得到的等效模型估计误差均值2．587 2e-006°≈0°，最大误差3．6”，标准差1．6”。结果表明基于BP网络辨识的等效模型能够满足跟踪性能评价要求，实现了对光电经纬仪跟踪性能进行准确评价。

针对传统BP网络进行液压泵故障诊断时,网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出将Elman神经网络应用于液压泵故障诊断,建立Elman神经网络的结构模型,介绍了该网络的训练算法,阐明了液压泵故障诊断的实现过程.通过试验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,可以用于液压泵故障诊断.