人工神经网络自发展以来,因其大规模并行性、高容错能力以及自适应、自学习、自组织等特征,具有广泛的应用前景。但是,目前的神经网络也存在一些缺陷,特别是在大型复杂系统的场合更加突出。为有效进行控制,使系统具有紧凑性,引入了通用学习网络。这种网络的特点为:节点之间有多重分支,并且所有节点互连,即任何两个节点之间都有联系;节点之间可具有任意的时间延迟,延迟时间可正可负也可以是零。常用来训练通用学习网络的算法是梯度下降法,但是,这种算法本身具有一些不足,如容易使网络陷入局部最小点,增加系统的复杂性,使收敛速度减慢,减低了学习效率和预测能力。人们不断探索新的有效的网络训练方法,提出了扩展卡尔曼滤波(EKF)算法,其优点为收敛速度快,学习能力强,预测精度高,适用于复杂的非线性系统。然而,EKF应用于网络训练算法也具有明显的缺点:可导致滤波高度不稳定,运算量大,在网络训练中难于实现。本文在大量理论分析和仿真实验的基础上,提出了一种将无轨卡尔曼滤波(UKF)算法用于训练通用学习网络的新方法。针对EKF对函数的一阶近似,UKF算法对非线性函数采用二阶近似展开,最重要的是,UKF不用求取系统的雅可比矩阵,大大减小了计算量。仿真结果表明,该方法在时间序列预测、函数逼近以及CSTR上具有很好的有效性和运算速度。最后,本文对研究生期间所做的实际项目一空调监控系统做了简单介绍。