用超声波测量液体浓度和液位是超声应用的重要方面。基本过程 是先测量声速或声时，然后通过计算得到浓度或液面高度。两种方法 的共同特点是原理可靠，操作简单，精度高，适用范围广。超声浓度 和液位的测量都属于间接测量，而在很多情况下，直接测量变量(声 速或声时)和待测变量(浓度或界面高度)之间不是简单的线性关系， 用多项式拟合的方法往往不能得到满意的结果。为了解决上述难题， 本文引入了人工神经网络，即通过神经网络逼近直接测量变量和待测 变量间的映射关系。上述内容为论文上篇，从第二章到第五章。 将人工神经网络用于过程控制也是目前研究的热点。传统的控制 理论建立在线性理论的基础之上，对非线性程度较低和控制性能要求 较低的情况，将非线性系统近似为线性模型是目前常用的手段。然而 实际系统多为非线性的，随着生产工艺的日益复杂以及对产品质量要 求的提高，线性方法已不能适合要求，而神经网络由于其对非线性系 统的高度的逼近能力及其它方面的优点，越来越多的应用于过程控制。 本文对一类的非线性系统的跟踪问题进行了研究。这部分内容为论文 下篇，包括第六章和第七章。 具体内容介绍如下： (1)超声波浓度测量原理、精度分析和在线校正方法。首先介绍超声 波浓度测量原理，然后分析浓度—温度—声速关系比较简单情况 下线性插值方法的精度，最后提出了相应的在线校正方法。 (2)基于局部模型网络的浓度—温度—声速关系拟合和校正。主要了 研究多模型的概念和局部网络模型的算法，给出了基于局部模型 的浓度—温度—声速关系拟合和校正方法。 (3)基于遗传算法的RBF网络学习及其在液体浓度—温度—声速关 系拟合和校正中的应用。通过引入优化理论中的多目标优化的概 念，提出了基于遗传算法的神经网络学习方法。该方法通过继承 原先网络的部分特性，解决了神经网络学习中数据稀少的矛盾， 为现场超声浓度测量系统的校正提供了有效手段。 (4)超声波油水界面计的原理、精度分析及神经网络逼近。由于声时 测量误差和距离测量误差的相互耦合作用，使得不能用最小二乘 法对声时误差和距离误差同时进行修正。而在测量过程中距离是 不变的，这样就可以用神经网络直接拟合界面高度和声时的关 系，从而达到油水界面计精确测量。 (5)NaOH清洗液浓度控制系统的分析和设计。首先对某实际生产线 的浓度控制系统建立物理模型，通过仿真和辨识证明所建模型是 正确的。在此基础上设计了变增益的PID算法，实际应用取得了 良好的控制效果，为同类系统的控制提供了重要的参考。 (6)神经网络在非线性系统跟踪问题的应用。首先分析两类最常用的 自适应控制方法：基于神经网络线性化的自校正控制和基于特殊 训练的逆控制方法。提出了基于RBF网络线性化的逆控制算法， 并将这种方法和基于特殊训练的逆控制方法相比较，指出了各自 的优缺点，为实际应用提供了依据。 关键词：超声波，神经网络，软测量，模型，液体浓度，油水界面计，最优化方法，神经网络控制，自适应校正。