针对人工神经网络（ANN）对面向知识图谱（KG）的知识推理的记忆能力有限以及KG无法处理不确定知识的问题，提出一种可微神经计算机（DNC）和贝叶斯网络（BN）相结合的推理方法DNC-BN。首先，将长短时记忆 （LSTM） 网络作为控制器，在每个时刻对输入向量和从记忆体获取的读向量进行处理，得到网络输出向量和交互向量；其次，通过读写头实现控制器与记忆体的交互，使用读取权重计算数据的加权平均以得到读向量，并用写入权重结合擦除向量及写入向量进行写操作，对存储矩阵进行修改；最后，基于概率推理机制，使用BN对数据节点之间存在的推理关系进行判断，对KG进行补全。在数据集WN18RR上的推理中，DNC-BN的Mean Rank为2 615，Hits@10为0.528；在数据集FB15k-237上的推理中，DNC-BN的Mean Rank为202，Hits@10为0.519。实验结果表明，DNC-BN方法对面向KG的知识推理具有良好的应用效果。

针对非线性时变信号分类问题，将过程神经网络（PNN）的信息处理机制与卷积运算相结合，提出了一种降噪自编码器深度卷积过程神经网络（DAE-DCPNN）。该模型由时变信号输入层、卷积过程神经元（CPN）隐层、深度降噪自动编码器（DAE）网络结构和softmax分类器构成。CPN的输入为时序信号，卷积核取为具有梯度性质的5阶数组，基于滑动窗口进行卷积运算，实现时序信号的时空聚合和过程特征提取。在CPN隐层之后，栈式叠加DAE深度网络和softmax分类器，实现对时变信号特征高层次的提取和分类。分析了DAE-DCPNN的性质，给出了按各信息单元分别进行赋初值训练、模型参数整体调优的综合训练算法。以基于12导联心电图（ECG）信号对7种心血管疾病分类诊断为例，实验结果验证了所提模型和算法的有效性。

针对非线性动态系统PID过程控制问题，提出了一种基于过程神经元网络辨识的PID参数自适应整定的控制模型和方法。利用过程神经元网络对于动态系统时变输入/输出信号的学习机制，在某种最优控制律下通过对被控对象进行辨识来追踪被控对象的输出对控制输入变化的灵敏度信息，实现参数自适应匹配的PID控制。给出了基于过程神经元网络辨识的PID控制系统结构以及相应的实现机制，实验结果验证了模型和算法的有效性。