大纯滞后系统在控制过程中比较常见且难以控制,如火电厂大多数具有大延迟、大时滞过程的热工对象。在实际生产中,对热工对象的调节采用传统的PID调节方式,由于需要对被控对象数学模型的精确性有较高要求,使得这样的控制方法在应对实际工作中对象特性不断变化的热工对象时,往往暴露其劣势,例如变工况运行模型参数变化时往往不能满足控制的需要等。本论文采用智能控制的原理与常规的控制方式相结合,发挥各自的优势,使其在面对电厂热工对象这样的大纯滞后复杂对象时,仍然具有良好的适应性,并达到令人满意的控制效果。神经网络控制策略是智能控制的一个分支。神经网络具有很强的逼近非线性函数、自适应学习、并行分布处理的能力,并具有较强的鲁棒性和容错性,为解决未知不确定的大纯滞后非线性系统的建模和控制问题提供了一种有效途径。径向基神经网络可以任意逼近非线性映射的能力,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,已经成为研究的热点。本论文在现有径向基神经网络(RBF)的学习算法的基础上,通过分析RBF神经网络的容错机制并进行改进,同时改进了RBF神经网络的构造方法,提出了改进的GGAP算法。并对GGAP-RBF神经网络在过程建模和控制中的应用进行了研究,针对电厂过热汽温系统进行了仿真研究。仿真结果表明改进后的GGAP-RBF神经网络及算法较常规的串级PID控制器具备更好的整体性能,证明了本文所提出的改进方法的有效性和可行性。