发布时间 : 星期二 文章基于BP神经网络的烧结矿化学成分预报模型与仿真更新完毕开始阅读fe865014a2161479171128bb
本模型所用的训练样本和测试样本都是经过仔细筛选而形成的。 6．网络的初始化训练
对所收集的生产过程数据进行整理，成为初始化训练的200组数据，分别对每一种烧结矿化学成分指标建立从单因素输入到多因素输入的多个神经网络模型。初始化训练主要确定模型的隐层节点数和阶数。初始化训练以后，得到的烧结矿化学成分指标（Tfe、R、SiO2、CaO、MgO等）对应每一个输入条件的适宜的网络结构。
在网络初始化训练的200组训练样本中，每一种化学成分的几种神经网络模型的训练输出与样本中的化学成分的实测值都拟合得很好，命中率几乎达到100%，即网络模型都能收敛到全局最小点。
二、预报模型仿真结果与分析
由于训练过的网络已经“模拟”和“记忆”了输入与输出之间的函数关系，因此可以用于烧结矿各化学成分的预测。将从唐钢烧结厂选取的200组数据作为预测因子即输入变量，逐年加入新的信号，重新训练和学习，向后逐步预测。每次预测的结果见图2~6。为衡量预测结果，采用两个统计学指标，即均方根误差σMSE和平方相对误差
式中：xt和xi分别为烧结矿各化学成分的实际值和预测值。 从这两项指标看所建立的预测模型有很好的预测效果。
参考文献：
[1]李果，李学仁，何秀然．改进ART1神经网络在航空发动机故障诊断中的应
用[J]．微计算机信息，2005,9(1);156-158.
[2]刘克文，周取定．烧结矿质量预报模型的研究[J]．烧结球团，1990,15(1)：1-4.
[3]金朝红，吴汉松等．一种基于自适应遗传算法的神经网络学习算法[J]．微计算机信息，2005,10(1)49-51.
[4]王爱民．基于三层神经网络的多用量化评价系统研究[J]．计算机工程与应用，2004,28:186-189.
[5]董长虹．神经网络与应用[M]．北京：国防工业出版社，2005.
[6]范晓慧，王海东．烧结过程数学模型与人工智能[M]．长沙：中南大学出版社，2002.
?
西安理工大学
专 科 生 论 文
题 目基于BP神经网络的烧结矿化学成分预报模型与仿真
专 业 工商管理
姓 名 赵晶
学 号
二〇〇八年 十一月二十七日