近年来,得益于通信技术的快速发展,控制系统发生了较大的变化,其不仅实现了最大意义的分散闭环控制,而且数据传输效率得到了提高,关于网络控制系统的研究也得以迅速开展。由于将原有控制系统置于网络环境下,必定会产生网络时延和丢包的问题,极大地影响系统的性能,传统控制方法已经不适用于当前网络控制系统。为了实现对网络控制系统更好地控制,本文使用改良过的BP神经网络对时延进行预测并结合改进的广义预测控制补偿网络中出现的时延;针对非线性时滞控制系统,利用神经网络拟合该系统,建立多步预测模型;针对控制系统存在约束的情况,提出了一种带约束的PI型隐式广义预测控制算法。本文研究内容主要如下:(1)针对网络控制系统中随机通信时延问题,本文利用改良过的BP神经网络对随机通信时延进行预测,解决了参数不易选取、泛化困难等问题,并且提高了预测精度。在此基础上结合改进的广义预测算法主动对随机时延进行补偿,解决了原先算法只能补偿固定时延的局限性。最后经过MATLAB仿真实验,证实了该算法的正确性。(2)针对工业生产过程中的一类非线性时滞系统,本文提出了一种基于极限学习机的广义预测控制算法。该算法首先利用改进差分进化算法优化极限学习机神经网络,然后采用优化过的极限学习机建立非线性时滞被控对象的预测模型,最后将此预测模型带入隐式广义预测控制器中,此算法较好地解决了非线性系统难以建模的问题并且提高了预测的精度。MATLAB仿真证实了该算法的正确性。(3)针对实际控制系统普遍存在约束的情况,本文设计了一种带约束的PI型隐式广义预测控制算法,并分析了其稳定性。该算法在原隐式广义预测控制基础上加入了PI反馈结构并改进了广义预测控制中控制量的选取规则,不但能够很好的解决约束问题而且融合PI型隐式广义预测控制诸多优点,具备良好的控制性能。MATLAB仿真结果表明了算法的正确性。