人工神经网络由于具有非线性映射、自学习、自适应与函数逼近、大规模并行分布处理等功能,被广泛应用到时间序列预测,非线性系统建模及智能控制中。与传统的神经网络相比,一般化学习网络(Universal Learning Network,ULN)具有简洁、紧凑、易操作的网络结构,网络各节点之间具有多重双向连接,各节点之间的分支数和分支上的延迟时间可以任意设置,是现有神经网络结构的一个超集。本文在前人研究的基础上,针对混沌时间序列预测、非线性多变量系统辨识、内模控制等,主要做了以下工作:1、结合基本粒子群算法(PSO)和梯度下降法,提出一种混合的粒子群算法,并将其应用到一般化学习网络的训练中,通过对典型Logistic混沌时间序列的成功预测,说明了这种优化算法的有效性。2、基于酿酒酵母发酵过程的非线性状态方程,充分利用一般化学习网络结构中节点和分支的特点,提出了一种基于状态方程的一般化学习网络辨识结构,仿真结果说明,这种新结构比传统的结构更具有目的性和物理含义、辨识精度更高。3、以连续搅拌反应釜(CSTR)为例,对现有一般化学习网络分支上的时间延迟进行优化训练,辨识结果表明,这种改进可以有效的提高CSTR这类具有滞后环节的复杂非线性系统的建模精度4、将一般化学习网络和模糊理论相结合,提出了一种改进的神经网络内模控制方法(改进的ULN-IMC)。仿真结果表明,改进的ULN-IMC可有效的提高CSTR的跟踪和抗扰动定值控制过程。