为了精准预测水产养殖过程中最重要的两个环境参数溶解氧和氨氮,针对预测模型需要解决的有效影响因子确定、预测算法和网络结构优化等问题,将Levenberg-Marquardt（LM）神经网络、遗传算法（genetic algorithm, GA）和主成分分析（PCA）算法相结合,提出一种基于GA-LM-PCA的水产养殖环境溶解氧和氨氮含量预测模型,即采用PCA确定影响因素,实现影响因素的去耦合降维,采用遗传算法对网络结构进行优化,确定合适的隐层节点数目和权值,采用LM训练神经网络,提高神经网络的收敛速度。为了验证GA-LM-PCA的预测效果,将GA-LM-PCA的预测效果与未用PCA方法的GA-LM预测模型进行了试验比较,并探讨了影响因素数量对预测效果的影响。结果表明:用GA-LM-PCA方法预测的溶解氧和氨氮值与实测值吻合较好,平均绝对误差和均方根误差分别为0.004 7、1.872 7×10-4（溶解氧）和0.006 5、9.428 7×10-4（氨氮）,适用于影响因素数量较多的场合。研究表明,GA-LM-PCA是一种有效的水产养殖环境溶解氧和氨氮预测工具,尤其对于影响因素复杂繁多的非线性系统效果更好。

针对油田安全生产实际需求，通过视频智能分析，对直接作业环节的安全隐患进行有效的预警，结合盲板抽堵、高处作业、动火作业、动土作业、受限空间、临时用电、起重作业等7种直接作业环节安全规范的具体要求，通过卷积神经网络算法，建立全场景目标物的特征值提取方法，对直接作业现场视频进行结构化处理，提取场景中的各种关键属性，与7类标准结构化模型比对分析

伴随着现代科学技术的发展，各行各业中也开始逐渐运用先进技术，基于神经网络自适应控制技术开发的控制系统呈现出了新兴科技产业的蓬勃朝气。神经网络自适应控制及其发展应用是非常值得研究的课题，本文首先对神经网络自适应控制相关进行了简单概述，其次对神经网络自适应控制的发展优势进行了分析，最后针对神经网络自适应控制的应用进行了研究。

为评价淮河流域水质，以淮河流域部分断面采集点的十年水文数据为基础，取其中四项水质因子用附加动量法的BP神经网络算法，建立BP评价模型，从而对淮河流域水质进行准确评价。结果表明：基于附加动量法BP神经网络法的评价模型拟合度较好，网络模型迭代次数减少，提高了算法模型的运行速度,在12个水文采集点随机选取100组数据，90％的评价结果与实际结果相同，采用ＢＰ神经网络对研究区水质进行综合评价具有较强的适用性和可靠性。