作为软测量建模重要的方法,神经网络建模由于无需精确的数学公式,具有较强的非线性映射能力,得到了广泛的应用。同时神经网络建模在训练算法,模型训练等方面仍有较大提升空间。传统的BP神经网络采用BP算法进行网络的训练,容易陷入局部最优,收敛速度慢。本文提出了一种基于AEA算法(Alopex-based Evolutionary Algorithm)改进的新算法G-AEA算法替代BP算法训练神经网络。G-AEA算法选择AEA种群中一定比例的较为优秀的个体组成记忆种群,利用遗传算法进化机制对记忆种群中个体信息进行深度挖掘,同时利用记忆种群对AEA原种群个体进行更新,加强算法的全局搜索能力。对记忆种群个体的遗传算法交叉变异等操作加强了进化种群的多样性。G-AEA算法保留了AEA算法的启发方式和退火机制,同时增强了对种群中有效信息的挖掘。通过标准测试函数的测试,表明G-AEA算法在收敛精度及稳定性等方面,均优于AEA算法和遗传算法等进化算法。传统神经网络建模采用基于数据驱动的建模方法,模型的性能很大程度上依赖于足够的完备数据。然而实际过程工业中获得充足的数据是较为困难的,且获得的数据多含有噪声等影响。当数据缺失时,模型无法通过训练得到足够的信息,对实际过程机理过程掌握不足,所建模型外推效果不够理想。本文提出将专家知识应用到神经网络模型的训练中,对模型关键变量进行灵敏度分析,通过灵敏度分析结果与提取的专家知识比较,判断当前神经网络个体是否需要进行惩罚。根据两者间的违反程度差异对模型目标函数进行自适应的惩罚,达到增强模型对机理信息的掌握,提高神经网络建模的泛化能力。通过在结晶动力学模型,石油干闪点测量模型及其他工业问题的仿真结果表明,本文提出的方法一定程度上克服了神经网络训练的盲目性,特别是针对训练数据缺失或者存在噪声的情况,能够有效的提高神经网络的泛化能力。