神经网络具有较强的逼近非线性函数的能力,具有自适应学习、并行分布处理和较强的鲁棒性及容错性等特点,为解决未知不确定非线性系统的建模和控制问题提供了一种有效途径。由于常用的多层前馈网络具有计算量大、收敛速度慢、容易陷入局部极小点等缺点,其应用受到限制。径向基函数RBF(Radial Basis Function)神经网络具有可以逼近任意非线性映射的能力,且网络结构简单,输出的连接权值与输出呈线性关系,可以采用线性优化算法,近年来,己成为人们的研究热点。本文在现有RBF神经网络的学习算法的基础上,改进了RBF神经网络的构造方法,对RBF神经网络在过程建模和控制中的应用进行了研究,并针对电厂过热汽温系统进行了仿真研究。在RBF神经网络中,隐层RBF中心的数量和位置直接影响网络的逼近能力,且要求RBF中心应能覆盖整个输入空间,但如果RBF中心的数量过多,将使网络的计算量显著增加,并会导致网络泛化能力的降低,因此,建立RBF网络模型的关键在于正确地选择合适的RBF中心和位置。本文基于人工免疫系统中的克隆选择算法和免疫网络理论,利用人工免疫系统的记忆、学习和自组织调节原理,进行RBF神经网络隐层中心数量和位置的选择,并采用递推最小二乘算法确定网络输出层的权值。形成了一种基于免疫原理的RBF神经网络混合学习算法。关于动态RBF神经网络的研究得到了人们的重视,基于M-RAN算法的RBF神经网络是一种动态神经网络,适合于过程的在线建模,将基于这种算法的RBF神经网络用于电厂过热汽温系统非性线模型的在线辨识。将动态RBF神经网络应用于过热汽温系统控制,采用RBF神经网络直接构成控制器,将在线学习和控制相结合。