在实际应用中进行神经网络控制系统的建模与仿真可以分为以下几个步骤：
确定系统结构：首先需要确定控制系统的结构，包括神经网络的拓扑结构、输入输出层的节点数、隐藏层的节点数等。这可以根据具体的控制要求和系统特性来确定。
收集数据：接下来需要收集系统的输入输出数据，这些数据将用于训练神经网络模型。可以通过实际系统的运行或者仿真软件来获取数据。
数据预处理：对收集到的数据进行预处理，包括数据清洗、归一化、特征提取等操作，以便于神经网络模型的训练和仿真。
构建神经网络模型：使用收集到的数据来训练神经网络模型，可以选择常见的神经网络结构如多层感知机（MLP）、循环神经网络（RNN）、长短期记忆网络（LSTM）等。在模型训练过程中，需要选择合适的损失函数和优化算法，并进行参数调优。
仿真验证：训练好神经网络模型后，可以使用仿真软件（如MATLAB/Simulink、Python等）来进行系统的仿真验证。将神经网络模型与实际系统进行比较，分析仿真结果的准确性和稳定性。
调优优化：根据仿真结果进行模型调优和优化，可以尝试不同的神经网络结构、调整模型参数、优化训练算法等来提高控制系统的性能。
实际应用：在仿真验证通过后，可以将优化后的神经网络模型应用到实际控制系统中。在实际应用中需要不断监测系统性能，并根据实际反馈进行调整和优化。
总之，在实际应用中进行神经网络控制系统的建模与仿真是一个复杂而又具有挑战性的任务，需要综合考虑系统特性、数据质量、神经网络模型的性能等因素，通过不断的实践和调整来提高控制系统的性能和稳定性。