在颗粒饲料生产中，为保汪颗粒饲料的质量，事先对加工中的饲料品质作出预测是很有必要的。但目前饲料企业生产成品质量很人程度上取决于人的经验及处理问题的细致程度，常有片面性、偶然性。即使制粒操作技术人员有很丰富的经验，也较难在各种情况下做出最佳的生产工艺参数方案。如果能建立饲料制粒系统智能控制数学模型，那么将制粒系统参数输入模型中，即可预测得到颗粒饲料质量。如果颗粒饲料质量满足要求，则制粒系统参数维持不变即可；如果颗粒质量不满足要求，则调整制粒系统参数，并预测出颗粒饲料质量，直至系统参数调整到最佳。这无疑会极大改善颗粒饲料产品质量，饲料颗粒机是养殖户们生产颗粒饲料最佳的选择。
在饲料工业生产过程中，随着控制过程复杂性的提高，控制理论的应用日益广泛，但控制理论尤其是现代控制理论的实际应用通常不能脱离被控对象的数学模型，因此建立被控对象的数学模型是很有必要的。
迄今为止，对线性系统已经有许多完善的辨识方法，并在理论和实践中得到了广泛深入地研究和应用。而对于非线性系统的辨识，往往需要系统结构形式等各种先验知识和假设，因此以往基于传统算法的辨识方法基本上是针对某些特殊非线性系统进行的。颗粒饲料原料在加工过程中受到蒸汽的高温高湿作用，发/复杂的理化变化。各种状态参数对于颗粒的质最影响机理很复杂，具有高度的非线性，难以精确地建立起数学模型。即使能够建立起数学模型，其结构往往也十分复杂，难以设计并实现有效控制。近年来发展起来的自适应、自校正控制技术，虽然能在一定程度上解决受控系统的不确定性问题，但其本质仍然要求在线辨识对象模型，所以算法复杂，计算量大，且它对过程的未建模动态和扰动的适应能力差，系统的鲁棒性问题尚有待进一步解决，故应用范围受到限制。近几十年来，径向基神经网络理论领域取得的研究成果，给非线性系统建模带来了新的方法。与传统辨识方法相比，基于支持径向基神经网络理论的辨识为非线性系统的辨识提供了一种简单而有放的工具，成为近年来控制领域中发展快、成果多、潜力人的重要方向之一。支持径向基神经经网络具有以下特点：
(1)大规模并行性、集团运算和容错能力。存大规模的径向基神经网络中，许多能同时进行运算的处理单元，信息处理是在大量处理单元中并行而又有层次地进行，运行速度快。另外径向基神经网络理论并不足执行一串单独的指令，径向基神经网络的所有单元都是在一起协同解决某一问题，这是一种集团运算的能力，所以信息的处理能力是由挚个径向基神经网络系统所决定。因此，径向基神经网络系统具有很好的容错能力。
(2)信息的分布式方式。与传统数字计算机不同，径向基神经网络中信息的存储与处理是合二为一的，信息在整个系统中作为一连接的模式被存储起来，并以大规模并行分布式处理．
(3)学习和自组织能力。径向基神经网络系统可以白动调整其结构来学习新的模式，这种变结构系统表现了很强的对环境的适应性，以及对事物的学习能力。学习和适应体现在状态变化过程径向基神经网络，以及对事物的学习能力。学习和适应体现在状态变化过程中径向基神经网络系统内部权值的调整、如前面所述的学爿规则，假设了两个处理单元若同时兴奇则引起它们自建连接强度的变化，这种变化最终会导致在外界输入作用下向量机系统内部有信息通路增强，有的信息通路变弱甚至阻断，客脱上造成系统内部结构和状态变化。径向基神经网络的学习能力，使它住一定程度中类似于大脑的学习功能，这种能力使之有广泛应用的可能性。
(4)多层径向基神经网络系统具有强大的解算能力和处理实际问题的能力。它可以处理一些环境信息。分复杂、知识背景不清楚推力规则不明确的问题。在实际问题中，所提供的模式丰富多变，甚至相互矛盾，而制定决策又无法可循。对这些问题，径向基神经网络系统通过学习，可以学会处理具体事例，给出满意的答案。
山径向基神经网络的特点可以看出，将径向基神经网络应用到颗粒饲料智能控制是饲料工业自动控制的必然要求。
目前对颗粒饲料产品质量的预测主要以大量的实验数据和线性回归为基础且在实际应用中有很多限制。而用径向基神经网络方法进行颗粒饲料品质预侧时，不需事先判断输入变量与输出变量之间的关系，只需确定—个合适的模型，通过对大量的样本进行学习便可自动找出两者之问的本质联系。己有研究结果证明，采用径向基神经网络方法预测结果是可行的，30码期期必中生产销售的饲料颗粒机、秸秆颗粒机是养殖户门生产颗粒饲料很不错的选择。
