在計算機屏上操作管理的自動化生產在化工：、醫藥行業己得到了較廣泛的應用，而飼料生產管理還處于相對落后的狀態。經過“九五”技術攻關實現了生產過程控制自動化及計算機生產：管理，使飼料廠的自動化水平大大提高。但是，計算機的引入主要還是解決生產自動化問題，對于改善產品質量、產品品種還沒有發揮應有的作用。從人多數飼料廠的現狀來看，由于目前大量信息在生產現場只是作記錄，來不及分析和處理，往往是出現問題后再調查，再分析和處理，無法把事故控制在萌芽狀態，給企業造成不必要的損失和浪費。
在顆粒飼料生產中，為保汪顆粒飼料的質量，事先對加工中的飼料品質作出預測是很有必要的。但目前飼料企業生產成品質量很人程度上取決于人的經驗及處理問題的細致程度，常有片面性、偶然性。即使制粒操作技術人員有很豐富的經驗，也較難在各種情況下做出最佳的生產工藝參數方案。如果能建立飼料制粒系統智能控制數學模型，那么將制粒系統參數輸入模型中，即可預測得到顆粒飼料質量。如果顆粒飼料質量滿足要求，則制粒系統參數維持不變即可；如果顆粒質量不滿足要求，則調整制粒系統參數，并預測出顆粒飼料質量，直至系統參數調整到最佳。這無疑會極大改善顆粒飼料產品質量，飼料
顆粒機是養殖戶們生產顆粒飼料最佳的選擇。
在飼料工業生產過程中，隨著控制過程復雜性的提高，控制理論的應用日益廣泛，但控制理論尤其是現代控制理論的實際應用通常不能脫離被控對象的數學模型，因此建立被控對象的數學模型是很有必要的。
迄今為止，對線性系統已經有許多完善的辨識方法，并在理論和實踐中得到了廣泛深入地研究和應用。而對于非線性系統的辨識，往往需要系統結構形式等各種先驗知識和假設，因此以往基于傳統算法的辨識方法基本上是針對某些特殊非線性系統進行的。顆粒飼料原料在加工過程中受到蒸汽的高溫高濕作用，發/復雜的理化變化。各種狀態參數對于顆粒的質最影響機理很復雜，具有高度的非線性，難以精確地建立起數學模型。即使能夠建立起數學模型，其結構往往也十分復雜，難以設計并實現有效控制。近年來發展起來的自適應、自校正控制技術，雖然能在一定程度上解決受控系統的不確定性問題，但其本質仍然要求在線辨識對象模型，所以算法復雜，計算量大，且它對過程的未建模動態和擾動的適應能力差，系統的魯棒性問題尚有待進一步解決，故應用范圍受到限制。近幾十年來，徑向基神經網絡理論領域取得的研究成果，給非線性系統建模帶來了新的方法。與傳統辨識方法相比，基于支持徑向基神經網絡理論的辨識為非線性系統的辨識提供了一種簡單而有放的工具，成為近年來控制領域中發展快、成果多、潛力人的重要方向之一。支持徑向基神經經網絡具有以下特點：
(1)大規模并行性、集團運算和容錯能力。存大規模的徑向基神經網絡中，許多能同時進行運算的處理單元，信息處理是在大量處理單元中并行而又有層次地進行，運行速度快。另外徑向基神經網絡理論并不足執行一串單獨的指令，徑向基神經網絡的所有單元都是在一起協同解決某一問題，這是一種集團運算的能力，所以信息的處理能力是由摯個徑向基神經網絡系統所決定。因此，徑向基神經網絡系統具有很好的容錯能力。
(2)信息的分布式方式。與傳統數字計算機不同，徑向基神經網絡中信息的存儲與處理是合二為一的，信息在整個系統中作為一連接的模式被存儲起來，并以大規模并行分布式處理．
(3)學習和自組織能力。徑向基神經網絡系統可以白動調整其結構來學習新的模式，這種變結構系統表現了很強的對環境的適應性，以及對事物的學習能力。學習和適應體現在狀態變化過程徑向基神經網絡，以及對事物的學習能力。學習和適應體現在狀態變化過程中徑向基神經網絡系統內部權值的調整、如前面所述的學爿規則，假設了兩個處理單元若同時興奇則引起它們自建連接強度的變化，這種變化最終會導致在外界輸入作用下向量機系統內部有信息通路增強，有的信息通路變弱甚至阻斷，客脫上造成系統內部結構和狀態變化。徑向基神經網絡的學習能力，使它住一定程度中類似于大腦的學習功能，這種能力使之有廣泛應用的可能性。
(4)多層徑向基神經網絡系統具有強大的解算能力和處理實際問題的能力。它可以處理一些環境信息。分復雜、知識背景不清楚推力規則不明確的問題。在實際問題中，所提供的模式豐富多變，甚至相互矛盾，而制定決策又無法可循。對這些問題，徑向基神經網絡系統通過學習，可以學會處理具體事例，給出滿意的答案。
山徑向基神經網絡的特點可以看出，將徑向基神經網絡應用到顆粒飼料智能控制是飼料工業自動控制的必然要求。
目前對顆粒飼料產品質量的預測主要以大量的實驗數據和線性回歸為基礎且在實際應用中有很多限制。而用徑向基神經網絡方法進行顆粒飼料品質預側時，不需事先判斷輸入變量與輸出變量之間的關系，只需確定—個合適的模型，通過對大量的樣本進行學習便可自動找出兩者之問的本質聯系。己有研究結果證明，采用徑向基神經網絡方法預測結果是可行的，富通新能源生產銷售的飼料顆粒機、
秸稈顆粒機是養殖戶門生產顆粒飼料很不錯的選擇。
