聚合过程是典型的化工过程。聚合过程具有反应机理复杂、参数测量困难、非线性强等特点，这使得过程机理建模比较困难。人工神经网络(ANN)不精确依赖于过程机理的数学模型，对于任意函数映射都能按指定要求的精度逼近，在处理复杂且缺乏先验知识的系统建模问题上表现出独特的优越性。尽管如此，网络的训练时间往往太长，且存在局部极小值。在深入研究国内外文献资料的基础上，本文研究改进BP训练算法；同时引入全局优化算法——遗传算法(GA)，克服局部极小值，组合神经网络建模方法，以满足聚合过程模型化工作的需要。同时将研究结果应用于苯乙烯(ST)和马来酸酐(MAH)的热引发本体聚合和氯乙烯悬浮聚合过程中。论文工作的主要研究内容和特色如下： (1) 标准BP算法实质上是一种简单的静态优化算法。在修正网络参数时，只知道按此时负梯度的方向进行修正，在局部虽然是“最速”下降，但是从整体来看却下降(收敛)缓慢。由于标准BP训练算法的训练速度较慢，探讨误差反向传播算法(BP)的改进原则，并对不同的优化算法进行分析对比。提出了一种改进的训练算法(LM-BP算法)来提高网络的训练速度。运行结果表明，该算法学习性能明显优于传统BP学习算法。 (2) 采用遗传算法作为BP神经网络的训练算法，解决ANN局部极小值问题。针对简单遗传算法(SGA)存在的缺陷，提出了一种新的GA改进方法，采用变量区间的动态调整来克服全局最优解的“逃逸”现象，并给出相应的程序。 (3) 应用ANN技术，研究了苯乙烯—马来酸酐半连续本体共聚合过程的建模方法。用原始实验数据训练BP网络，来预测本体共聚合过程的目标变量—反应转化率。采用改进的BP训练算法提高收敛速度10倍以上，在摘要不同的初始条件下，如停留时间5小时、聚合温度110一12OC和马来酸醉进料分量7一10%，能得到满意得收敛点。在3个输入和1个输出(转化率)的情况下，估计一结果的最大相对误差为l()一15%，平均相对误差小于5%。转化率的模型预测结果与原始实验数据具有一良好的拟合。此方法可以有效地用于此类聚合过程的模型化。(4)提出了一种可以改善神经网络模型性能的组合神经网络一岭回归 仁S入NS一叹尺)方一法。由于定量数据建立的单一神经网络模型往往缺乏泛化能力。通过将多个神经网络相组合可建立组合神经网络模型，而使用组合神经网络模型则可以显著改善。在建立组合神经网络模型过程中，合适组合权重的选择对组合神经网络模型是否具有良好预测性能是非常重要的，因此采用了岭回归方法来选择合适的组合权重。所提出的方法己成功应用于尸VC颗粒特性的预测研究中，研究结果表明，与单一神经网络模型相比，弓NN、一尺尺模型具有更佳的模型预测精度和鲁棒性。(动用神经网络模型作为系统模型，根据预测控制三大机理，本文论述了A沁N预测控制系统的构成。给出了单，步AN沁预测控制算法;采用级联A洲多步预测方法，建立了多步预测模型，并推导出多步ANN预测控制算法，其中多步预测控制抗干扰性和鲁棒性较强，因此适用于聚合过程的预测控制。通过对一个典型连续搅拌反应器温度预测控制的仿真，表明所构成的基一于ANN模型的预测控制系统控制效果好，鲁棒性强，明显常规的P拍控制算法，为解决非线性系统预测控制问题提供了一种可行的方法。