工业系统由于外部干扰及本身具有的非线性因素,系统内的变量通常是非高斯分布的,这给系统辨识和控制带来了一定难度。随着随机分布理论的不断发展,针对非高斯系统提出了很多行之有效的算法理论。神经网络具有很好的逼近和分类能力,在系统辨识和控制上得到了广泛应用。超限学习机作为神经网络的一种,在对数据训练过程中由于不需迭代调整网络权重,实现最小训练误差的同时能够保证输出权重范数最小,因而具有学习速度快、泛化性能好的特点。本文将超限学习机算法用于有机朗肯循环(ORC-Organic Rankine Cycle)系统中工质泵转速到过热度段的辨识,同时考虑了烟气温度和烟气质量流量对系统输出的非高斯干扰,通过与最小二乘支持向量机在训练时间和辨识精度方面的对比,凸显了超限学习机辨识法的优势。此外,本文还研究了非高斯系统的输出形状控制问题,也称作随机分布控制问题。首先,针对带有非高斯噪声影响的非线性多变量随机系统,基于两步神经网络框架,先利用RBF(Radial Basis Function)神经网络对输出PDF(Probability Density Function)逼近后,再利用动态神经网络辨识得到权向量和控制输入间的关系。通过设计基于SIP的控制器,实现了输出形状控制的目的。其次,针对分子量分布输出形状控制问题,基于B样条逼近输出形状后得到的输入输出数据,采用子空间辨识法得到了关于权向量和控制输入间的状态空间模型,通过仿真验证,最终实现了分子量分布的形状跟踪。