神经网络应用于烧结矿质量在线推断

D0I:10.13374/j.issn1001-053x.1995.06.015 第17卷第6期 北京科技大学学报 Vol.17 No.6 1995年12月 Journal of University of Science and Technology Beijing Dec.1995 神经网络应用于烧结矿质量在线推断 邵贤强1)张铁军1) 瞿寿德1) 邱道尹2) 1)北京科技大学自动化系，北京1000832)郑州工学院计算机与自动化系 摘要针对烧结过程生产实际，运用神经网络中的BP学习算法设计了分类器，用于在线推断烧结 矿的质量，为了加快BP学习算法的收敛速度，采用了自适应变步长学习算法.实验结果表明，由此 建立的烧结过程神经网络质量预报模型，预报正确率高，具有很好的泛化能力， 关键词烧结，神经网络，模式识别/自适应变步长 中图分类号TF046.4,TP18 On-line Inference of Sintering Quality via Neural Networks Shao Xianqiang Zhany Tiejun Qu Shoude Qiu Daoyin 1)Department of Automation.USTB,Beijing 100083,PRC 2)Department of Computer and Automation,Zhengzhou Engineering College ABSTRACT Presents a new method of on-line inference of sintering quality.Neural net- works to build the sinternig quality inference model are used.To speed the learning,a fast BP learning algorithm with adaptive variable step size via linear reinforcement is presented.The ex- periment rcsult is satisftory,and this method may be used widely in other complicated production processes. KEY WORDS sintering,neural network,pattern recognition/adaptive variable step-size 烧结过程是一个高度复杂的动态系统，其参数繁多、机理复杂川，具有显著的非线性、 时变性、空间分布性和不确定性，加之缺乏必要的现场检测手段，使得运用传统的系统建 模和参数辨实方法实施十分困难.在烧结矿质量检测方面，现在均采用离线的专用测量设 备，如机械转鼓、还原矿试验炉及成分化学分析等手段，从取样到给出质量指标的检测结 果约需4，严重影响了产量、质量及能耗水平，是月前急需解决的问题之一.以往一般建 立其统计模型和机理模型的烧结过程数学模型作了许多有益的工作，都无法解决输出指 标的直接推断问题.寻求一种快捷、准确的烧结矿质量的推断方法，就显得尤为迫切. 近几年来得到迅速发展的神经网络方法，从理论上讲可以逼近任意的非线性函数四， 加之其具有并行和学习两大功能，已经引起了许多领域专家的极大兴趣.本文提出了一 种烧结矿质量推断神经网络模型，该网络利用BP学习算法训练。为了提高其收敛的速度，采 用了自适应变步长方法，经实验证明是一种较好的质量预报模型，其对未知样本具有好的泛化能力. 1994-06-24收稿 第一作者男22岁硕士

第 17 卷 第 6 期 北 京 科 技 大 学 学 报 l哪 年 12月 oJ unr a l o f U n ive sr ity o f S c l e n ce a n d eT hc n o l o g y eB ij i n g Vd . 17 N 0 . 6 】) 沈 . 1望巧 神 经 网络应用 于 烧结矿 质量在 线推 断 邵 贤强 ’ ) 张铁 军 1 ) 瞿 寿德 , ) 邱道 尹 2 ) l) 北 京 科 技 大 学 自动 化 系 , 北 京 10 0 0 8 3 2) 郑州 工 学 院计算机 与 自动 化 系 摘要 针 对烧结过程生 产实际 , 运 用 神经 网 络中的 B P 学习 算法设计 了分类器 , 用 于 在 线 推断烧 结 矿的质量 . 为了加快 B P 学 习算法 的收 敛速 度 , 采用 了 自适应变步长学 习算法 . 实验 结果 表 明 , 由此 建立 的烧结过程神经 网络质量预报模型 , 预报 正 确率 高 , 具有很 好的泛化能力 . 关 键词 烧 结 , 神 经 网 络 , 模 式 识别 / 自适应 变 步长 中图 分 类号 T F 0 4 6 4 , T P 18 O n 一 1i n e I n fe r e n e e o f S i n t e r i n g Q u a l i t y v i a N e u r a l N e t w o r k s 5 1 , a o iX a n 仔i a ,: g , ’ Z } : a o g iT ej u n ’ ) Q u S h o o d e , ’ Qi u D a 即 i 。 , , 1 ) D e P a r t nr e n t o f A u t o m a t l o n , U S T B , B e r j 一n g 10 0 0 8 3 , P R C 2 ) D e P a r t m e n t o f C o m P u t e r a n d A u t o m a t l o : 1 , Z h e n g z h o u E n g i n e e r i n g C o ll e g e A BS T R A C I… P res e n ts a n e w me t h o d o f o n 一 li n e infe ren 代 o f s i n iter n g q ua lity . Ne u ra l n ct - wo rk s to b u ild t h e s i n t e rn ig q u a lit y i n fe ren 优 mo d el a re us ed . oT s P 。 汉 1 t h e l服 m i n g , a afs t B P lae nr i l l g a lg o ir th m 珊t h a d a Pt i ve v a ir a b l e s te P 5 1理 v i a li n 服 r er i n fo l t ℃印eL n t is P 心en tde . hT e ex - P e ir l刀 e l l t 麟 u lt 15 s a t i s ft o yr , a n d t h i s me t h o d ma y be us ed iw d e ly i n o t h e r co m P li以edt P or d u e t l o n P or 璐 S ` . K E Y W O R D S s i n t e r i n g , n e u r a l n e t w o r k , P a t t e r n r e e o g n it i o n / a d a P t i v e v a r i a b l e s t e P` i z e 烧 结 过 程 是 一 个 高度 复 杂 的 动 态 系 统 , 其 参 数繁 多 、 机 理 复 杂 l ’ } , 具 有 显 著 的 非 线 性 、 时变 性 、 空 间分 布 性 和 不 确 定性 , 加 之 缺乏 必 要 的 现 场 检 测 手 段 , 使得 运 用 传 统 的 系 统 建 模 和 参 数 辨 实 方法 实施 十 分 困 难 . 在 烧 结 矿 质 量检 测 方 面 , 现 在 均 采 用 离 线 的 专 用 测 量 设 备 , 如 机械 转 鼓 、 还 原矿 试验 炉 及 成分 化 学 分 析 等 手 段 , 从 取 样 到 给 出 质 量 指 标 的 检 测 结 果 约 需 4 h , 严 重影 响 了产 量 、 质量 及 能 耗 水 平 , 是 目 前 急 需 解 决 的 问题 之 一 以 往 一 般 建 立 其 统计 模 型 和 机 理 模 型 的 烧 结过 程 数 学 模 型 作 了 许 多 有 益 的 工 作 , 都 无 法 解 决 输 出指 标 的直接 推 断 问题 . 寻求 一 种 快 捷 、 准 确 的 烧 结矿 质量 的推 断 方 法 , 就 显 得 尤 为迫 切 . 近几 年 来得 到 迅 速 发 展 的神 经 网络 方 法 , 从 理 论 上讲 可 以 逼 近 任 意 的 非 线 性 函 数 l2] , 加 之 其 具 有 并 行 和 学 习 两 大 功 能 , 已 经 引起 了 许 多 领 域 专 家 的极 大 兴 趣 . 本 文 提 出 了 一 种烧结 矿质量 推断神 经网络模 型 , 该网 络利用 B P 学习 算 法训练 . 为了提高其收 敛 的速度 , 采 用 了 自适应变步长方法 , 经实验证明是一种较好的质量预报模型 , 其对未知样本具有好的泛化能力 . 19 9 4 一 0 6 一 2 4 收 稿 第 一 作者 男 2 岁 硕 士 DOI: 10. 13374 /j . issn1001 -053x. 1995. 06. 015

·568* 北京科技大学学报 1995年No.6 1 神经网络模型及算法 1.1基本模型 目前用于建模的神经网络大多是反传网络（采用BP算法的多层前馈网络），Kolmogrov 等人已经证明，三层反传网络模型可以表征任意的非线性关系闪.基于此，本文也采用3 层前馈网络作为基本神经网络.图】为3层前馈网络结构，它由输入层、隐含层和输出层 组成，其中隐含层对实现各种非线性映射是必不可少的， 输 出 Y NO hso 图13层前馈神经网络结构 设3层的神经元个数分别为N,NH,N。,对于输人样本X=[X,X2,XM]T,网络算 法可作如下描述： 隐层结点值： h,=f(∑WuX,+0)i=1,…,NH (1) 输出层结点值（网络输出为）： y,=f(Woh +0o )i=1,,No (2) I=l 其中： f(x)=1/(1+e) (3) 为Sigmoid函数，W、,和W。、0。分别为输人层和输出层的连接权重阀值.对网络进 行训练亦即是对权重和阀值的调整过程， 1.2、误差修正(BP)法则 BP法则由Rumelhart提出.设Y=g(X)是一个多变量的非线性映射，Y:∈(O,l).可以 用前馈3层网络来逼近此映射， 定义网络能量函数： E=(1/2)‖g()-Yx(X)I2 (4) 其中Yw(X)是对于输入X由BP网络的输出. BP算法实际上是一种梯度算法，它的权重调整公式为： △W(k)=(E/0W)+x△W(k-1) (5) △Wo(k)=H(CEWo,+x△Wo,(k-1)k=0.1,… (6)

北 京 科 技 大 学 学 报 卯 年 l N 5 o . 6 1 神经 网络模 型及 算法 1 . 1 基 本 模 型 目前用 于建模 的神 经 网络大 多是 反传 网络 采用 算法 的多 层 前馈 网络 ( ) B P , K ol m o g or v 等 人 已 经证 明 , 三层 反 传 网 络模 型 可 以 表征 任 意 的非 线 性 关 系 2[] . 基 于 此 , 本 文 也 采 用 3 层 前馈 网络 作 为基 本 神 经 网络 . 图 1 为 3层 前 馈 网 络 结 构 , 它 由 输 人 层 、 隐 含 层 和 输 出层 组 成 , 其 中隐 含层 对 实 现 各 种非 线 性 映 射是 必 不 可 少 的 . 蝙 一 1’n 。 h沁 图 1 3 层 前馈神 经网 络 结构 设 3层 的神 经 元 个 数 分 别 为 N ; , N 。 , N 。 , 对 于 输 入 . 样 本 X 二 [X . , 戈 , … , 弋 , ] T, 网 络 算 法可 作 如 下 描 述 : 隐层 结 点 值 : h : 一 f (艺哄 : , Xj + 0 1, ) , N H ( l ) 输 出层 结 点 值 ( 网 络输 出为 ) : y ! 一 f 么叽 , , h , + 口oj , , N o ( 2 ) 其 中 : f ( x) = l /( l + e 一 x ) ( 3 ) 为 iS g mo id 函 数 , w l 、 e , 和 叽 、 0 。 分 别 为 输人 层 和输 出 层 的 连 接 权 重 阀 值 . 对 网络进 行 训 练亦 即 是 对 权 重 和 阀 值 的调 整 过 程 . . 2 、 误 差 修正 ( B P ) 法 则 B P 法 则 由 R u me ht 盯t 提 出 . 设 Y = 试幻 是一个多 变量 的非 线性映射 , y ` 任 (0 , 1 ) , 可以 用 前 馈 3层 网络 来 逼 近 此 映 射 . 定 义 网 络 能 量 函 数 : E = ( 一/ 2 ) 11 0 (X) 一 Y 、 (X ) 11 ’ ( 4 ) 其 中 Y 试幻 是 对于 输 人 X 由B P 网络 的输 出 . B P 算 法 实 际上 是 一 种 梯 度算 法 , 它 的权 重 调 整 公 式 为 : △比 ij ( k ) 一 拜(日E /日W , , ) + : A w , : ,介一 l ) ( 5 ) △叽 , (k ) 一 拜(。 E /刁叽 , + 二 A 叽 , , (k 一 l ) k 一 o , 1 , 一 ( 6 )

Vol.17 No.6 邵贤强等：神经网络应用于烧结矿质量在线推断 ,569. 其中4是学习因子，x是冲量因子，因为BP网络是紧藕合的高度非线性系统，引 人α的作用是使BP保留以前的学习信息，而不被很快“冲掉：μ和x要在网络学习 训练中根据情况，合理选取· (E/W)和(EWo)矩阵可根据(1)式.(2)式、(4)式，很容易得出、不作推导；0： 和0。的修正公式类似. 1.3改进BP网络算法 为了加快基本BP算法的收敛速度，本文采用线性再励思想使步长自适应变化 其基本思想如下：如果连续迭代两次使E/W()的符号相同，表明下降的慢了一点， 这时应对其奖，增加步长；反之，如果连续迭代两次使0E/W(n)的符号相反，表明 “下降的过头了”，步长太大，这时应对其罚，减少步长.为了使步长的每次改变不 致幅度太大，这里采用如下的线性再励学习算法： △1(n)=e入n(n-1) (7) 其中0≤e≤1为常数，一般可取8=0.20~0.3，且1定义为： 元=sgn(E/Wn)·aEfW(n-1) 这时BP算法成为： W(n+1)=W(n)-n(n)cE/oW(n) 使用带动量项的自适应变步长快速BP算法为： W(n+1)=W(n)-n(n)Z(n) Z(n)=0E/oW(n)+a Z(n-1) 这里0≤x<1为动量项参数. 2实验结果及分析 2.1预处理与特征抽取 烧结是将添加一定数量燃料的精矿，借助燃料燃烧的高温度，使烧结料中的成分熔 化或软化，发生化学反应和生成一定数量的液相，冷却后相互粘结成块的过程，烧结所得 的产物叫烧结矿.添加有细粒燃料的烧结混合料，在混匀和制粒后，经步料槽经人烧结台 车，随着台车的行进，经过点火器下面的料面被点燃；在点火的同时开始抽风，在炉蓖下面 造成一定负压，空气从上向下通过烧结料层而进人下面的风箱.料层表面着火的燃烧带随 着上部燃料燃烧完毕，而逐步向下部料层移动，当燃烧带到达炉蓖后，烧结过程就算终 结，该位置称为烧结终点(BTP).BTP的位置对于烧结生产来说，是很重要的， 为了得到采样数据，我们在唐山钢铁公司第二炼铁厂烧结车间，共收集了100多个原始样 本，每个样本中有80个原始特征.其中含变化因素的80多个样本，经过综合分析处理后得到 了高质量的样本59个*. 利用工艺知识及专家经验从烧结过程中的80个原始特征中精选出19个参数作为 一次特征选择的结果.它们分别是1)固定碳，2)机速，3)氧化钙，4)T1,5)T3,6)T5, ·程寿德，孙铁，倪诗，邱道尹，模式识别应用于在线推断烧结矿质量，1992年中国控制与决策学术年会论文集， 哈尔滨，1992.5

V OI . 1 7 N 6 . 6 邵 贤强 等 : 神 经网络应用 于 烧结矿质量在线推断 其 中 # 是 学 习 因 子 , : 是 冲量 因 子 , 因为 B P 网 络 是 紧藕合 的高 度 非 线 性 系 统 , 引 人 : 的作 用 是 使 B P 保 留以 前 的 学 习 信 息 , 而 不 被 很 快 “ 冲 掉 甘 # 和 : 要 在 网 络 学 习 训 练 中根 据 情 况 , 合理 选 取 . 夕曰日哄户和夕E/ 日呱少矩 阵 可 根 据 (l ) 式 、 ( 2) 式 、 ( 4) 式 , 很 容 易 得 出 , 不 作 推 导; 仇 和 。 。 的 修 正 公 式类 似 . L 3 改 进 B P 网络 算法 为 了 加 快 基 本 B P 算 法 的 收 敛 速 度 , 本 文 采 用 线 性 再 励 思 想 使 步 长 自适 应 变 化 l’.] 其 基 本思 想 如 下 : 如 果 连 续 迭代 两次 使 日E/ 日w ( 。 ) 的符 号 相 同 , 表 明 下 降 的 慢 了 一点 , 这 时 应对 其 奖 , 增 加 步 长 ; 反 之 , 如 果 连 续 迭 代 两 次 使 日E/ 日w ( 。 ) 的 符 号 相 反 , 表 明 “ 下 降的 过 头 了 ” , 步 长 太 大 , 这 时 应 对 其 罚 , 减 少 步 长 . 为 了 使 步 长 的 每 次 改 变 不 致 幅度 太 大 , 这 里采 用 如 下 的 线性 再 励 学 习 算 法 : A 粉 ( n ) = : 义叮 ( n 一 l ) ( 7) 其 中 0 蕊 。 提 l 为 常 数 , 一 般 可 取 。 = .0 20 一 .0 3 , 且 又 定 义 为 : 又 = s g n (日E /云w ( 。 ) · 日E /日w ( n 一 l ) ) 这 时 B P 算 法 成 为 : w ( 。 + l ) = w ( n ) 一 叮( n )。￡/日w ( n ) 使 用 带 动量 项 的 自适 应 变 步 长快 速 B P 算 法 为 : W ( n + l ) = W ( n ) 一 叮 ( n )(Z n ) z ( n ) = 日￡/日w ( n ) + , (Z n 一 l ) 这 里 O 延 仪 < 1 为 动 量 项 参数 . 2 . 1 实验结 果及 分析 预 处理 与 特 征 抽 取 烧 结是 将 添加 一 定 数 量 燃 料 的 精 矿 , 借 助 燃 料 燃 烧 的 高 温 度 , 使 烧 结 料 中 的 成 分 熔 化 或 软 化 , 发 生 化 学 反 应 和 生成 一 定 数 量 的 液相 , 冷 却 后 相 互 粘 结 成 块 的过 程 . 烧 结 所 得 的 产 物 叫烧 结 矿 . 添 加有 细 粒 燃 料 的 烧 结 混 合料 , 在 混 匀 和 制 粒 后 , 经 步 料 槽 经 入 烧 结 台 车 , 随着 台 车 的行 进 , 经 过 点 火器 下 面 的料 面 被 点燃 ; 在 点 火 的 同时 开 始 抽 风 , 在 炉 蓖 下 面 造 成 一定 负 压 , 空 气 从 上 向下 通 过烧 结料 层 而 进 人 下 面 的 风箱 . 料层 表 面 着 火 的燃 烧 带随 着 上 部 燃 料 燃 烧 完 毕 , 而 逐 步 向下 部 料 层 移 动 . 当燃 烧 带 到 达 炉 蓖 后 , 烧 结 过 程 就 算 终 结 , 该位 置 称 为 烧 结 终点 ( B T )P . B T P 的位 置 对 于 烧 结 生 产来 说 , 是很 重要 的 . 为了 得到采样 数 据 , 我 们在唐 山钢 铁公 司第二炼 铁 厂 烧结车 间 , 共 收集 了 10 多 个原始样 本 , 每个样本中有 80 个原 始特征 . 其 中含变 化 因 素的 80 多个 样本 , 经过 综 合 分 析处 理后 得 到 了高质量的样本 59 个 * . 利用 工 艺 知识 及 专家 经验 从 烧 结 过 程 中 的 80 个 原 始 特 征 中 精 选 出 19 个 参 数 作 为 一 次 特 征 选 择 的 结 果 . 它 们 分 别 是 l) 固 定 碳 , 2) 机 速 , 3) 氧 化 钙 , 4 ) lT , 5) 刀 , 6) 5T , . 瞿 寿德 , 孙 铁 , 倪 涛 , 邱 道 尹 . 模式 识 别 应 用 于 在 线推 断 烧结 矿 质 量 . 19 92 年 中 国 控 制 与 决 策 学 术 年 会论 文 集 , 哈尔 滨 . 1男2 . 5

·570· 北京科技大学学报 1995年No.6 7)T11,8)T12,9)T17,10)T18,11)T19,12)T20,13)T21,14)P1.15)P2,16)P3,17)P5, 18)P18,19)P22,其中T:、P.表示第i个风箱的温度和压强，这样就大大地降低了空间的 维数. 由于各个变量的量纲不一，数值差异极大，为了消除由此带来的影响，使各特征变量 在研究中所处的地位大致相同，对变量采取了无量纲化：同时对各模式进行了规一化处 理.经上述处理后的模式集均值为0，标准差为1.由于进过一次特征提取后模式的维数为 19维，要在19维的高维空间中处理问题，困难仍然是很大的.我们从数学的角度出发，利 用最优化技术进一步筛选特征，先用序贯入选法从19个一次特征中选出10个特征；此次 又用序贯剔除法，精减为7个特征.两种方法得到特征维数序号如下： 序贯入选特征选择法得特征维数序号 123781011121318 序贯剔除特征选择法得特征维数序号 1238121318 最终形成二次特征提取结果. 烧结矿中的指标因素有FeO、R(碱度).Ti.TFe、筛分指数（一般以粒度<5mm的比率来 衡量)、利用系数、脱硫率及返矿平衡等8个量.在彪响指标的诸多因素中，有许多是无法 或目前无在线检测手段的，如料层高度、烧结料的温度，床层收缩率及孔隙度等等.有幸地 是这些变量中的很多信息，可通过一些间接手段而获得，在这儿就不详述了. 关于质量类别的初始划分是这样进行的：根据！标以FO和R两个指标分成合格 与不合格两种工况，F0∈[8,12]为合格品，R[1.3.1.5】合格，若质量超出范围则为不 合格.这样将所有样本划分为4个类别. 59个样本按质量分类情况如下： C1ass1:{1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19.20,21,22,23,24,25,26,27} C1ass2{28,29,30,31,32,33,34,35,36,37,38,39.40,41,42,43,44,45,46,47,48,49,50,51,52} Class3:{53,54,55,56} C1ass4:{57,58,59} 其中Class1为FeO和R都合格；Class2为FcO和R都不合格；Class3为FeO不合格 而R合格；Class4为FeO合格而R不合格. 2.2识别结果 由于该问题的输入样本维数为7维，输出类别为4，故网络的结构为输入层7个结点， 输出层4个结点，隐含层经实验选5个结点，初始步长0.9，ε=0.2. 将附表1中的样本分成两部分，序号为奇数的A类(30个)，序号为偶数的B类(29 个).用一类样本作为训练样本，以另一类样本作为未知样本以检验网络的泛化能力.设置 不同的阀值来检验样本的所属类别.检验结果见表1. 设计分类器时，以(1000)，(0100)，(0010)，(0001)作为Class1.Cass2、 Class3、Class4各类的期望输出.训练A类样本时，经过251步的迭代总体误差为 0.004929,可见自适应变步长BP学习算法的收敛速度是很快的.图2显示了一般BP学

北 京 科 技 大 学 学 报 1卯 5 年 N o , 6 7 ) T l l , 8 ) T 1 2 , 9 ) T 1 7 , 1 0 ) T 1 8 , 1 1 ) T 19 , 1 2 ) 几 0 , 1 3 ) 刀 l , 14 ) P l , 1 5 ) 2P , 1 6 ) P 3 , 1 7 ) P S , 1 8) 1P 8 , 19) 2P 2 , 其 中 不 、 只 表 示 第 i 个 风箱 的温 度 和 压 强 , 这样 就 大 大 地 降低 了 空 间 的 维数 . 由于 各 个 变量 的量 纲 不 一 , 数 值 差 异极 大 , 为 了消 除 由此 带来 的 影 响 , 使 各特 征 变 量 在 研 究 中所 处 的 地位 大 致 相 同 , 对 变 量 采 取 了 无 量 纲 化 ; 同 时 对 各 模 式 进 行 了 规 一 化 处 理 . 经 上 述 处理 后 的模 式 集 均 值 为 0 , 标 准差 为 1 . 由于 进 过 一 次 特 征 提 取 后 模 式 的 维 数 为 19 维 , 要 在 19 维 的高 维空 间 中处理 问题 , 困 难 仍 然是 很 大 的 . 我 们 从 数 学 的 角 度 出 发 , 利 用 最 优化 技 术 进 一步 筛 选特 征 , 先 用 序贯 人 选 法从 19 个 一 次 特 征 中 选 出 10 个 特 征 ; 此 次 又 用 序 贯 剔 除法 , 精 减 为 7 个 特 征 . 两种 方 法 得到 特 征 维 数 序 号如 下 : 序 贯人 选特 征选 择法得特 征维数 序 号 1 2 3 7 8 10 1 1 12 13 18 序贯剔 除特征选 择法得 特征维 数序 号 1 2 3 8 12 13 18 最 终形 成 二次特 征提 取结果 . 烧结 矿 中的指 标 因 素有 F e O 、 R ( 碱 度 ) 、 iT 、 T F e 、 筛 分 指 数 (一 般 以 粒度 < 5 ~ 的 比 率来 衡量 ) 、 利 用 系 数 、 脱 硫 率及 返 矿平 衡 等 8 个 量 . 在 影 响 指 标 的诸 多 因 素 中 , 有 许 多 是 无 法 或 目 前 无 在 线 检 测手 段 的 , 如料 层 高 度 、 烧结 料 的温 度 、 床 层 收 缩 率 及 孔 隙度 等 等 . 有 幸 地 是 这 些 变 量 中的 很 多信 息 , 可 通 过 一 些 间接 手 段 而 获得 , 在 这 儿就 不 详述 了 . 关 于 质 量 类别 的初 始划 分 是 这样 进 行 的 : 根 据 厂 标 以 F e O 和 R 两 个 指 标 分 成 合 格 与不 合 格 两 种工 况 , F e o 份 8[ , 1 2] 为 合 格 品 , R 呀 { 1 . 3 . ! . 5] 合 格 , 若 质 量 超 出 范 围 则 为 不 合 格 . 这 样 将 所 有样 本 划 分 为 4 个类 别 . 5 9 个 样 本 按 质量 分 类情 况 如 下 : C l a s s l : { l , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 1 0 , 1 1 , 12 , 13 , 14 , 1 5 , 1 6 , 17 , 18 , 1 9 , 2 0 , 2 1 , 2 2 , 2 3 , 2 4 , 2 5 , 2 6 , 2 7 } C l a s s Z : { 2 8 , 2 9 , 30 , 3 1 , 3 2 , 3 3 , 3 4 , 3 5 , 3 6 , 3 7 , 3 8 , 3 9 , 4 0 , 4 1 , 4 2 , 4 3 , 4 4 , 4 5 , 4 6 , 4 7 , 4 8 , 4 9 , 5 0 , 5 1 , 5 2 } C l a s s 3 : { 5 3 , 5 4 , 5 5 , 5 6 } C l a s s 4 : { 5 7 , 5 8 , 5 9 } 其 中 a as l 为 F eO 和 R 都 合 格 ; a as Z 为 F 心 和 R 都 不 合 格 ; a as 3 为 F e O 不 合 格 而 R 合 格 ; lC as s 4 为 F e O 合格 而 R 不 合格 . .2 2 识 别 结果 由于 该 问题 的输 人 样 本 维数 为 7 维 , 输 出类别 为 4 , 故 网 络 的结 构 为输 人 层 7 个结 点 , 输 出层 4 个 结 点 , 隐 含层 经 实 验 选 5 个 结 点 , 初 始步 长 0 . 9, 。 二 0 . .2 将 附 表 1 中 的 样 本 分 成 两 部 分 , 序 号 为 奇 数 的 A 类 ( 30 个 ) , 序 号 为 偶 数 的 B 类 ( 29 个 ) . 用 一 类 样 本 作 为训 练 样 本 , 以 另 一 类 样 本作 为 未 知样 本 以 检验 网 络 的泛 化 能 力 . 设 置 不 同 的 阀 值 来检 验 样 本 的 所 属类 别 . 检 验 结 果见 表 1 . 设 计 分 类 器 时 , 以 ( 1 0 0 0 ) , ( 0 1 0 0 ) , (0 0 1 0 ) , ( 0 0 0 1 ) 作 为 C l a s s l , C l a s s Z 、 lC as s 3 、 a as s 4 各 类 的 期 望 输 出 . 训 练 A 类 样 本 时 , 经 过 2 51 步 的 迭 代 总 体 误 差 为 0 . 0 0 4 9 2 9 . 可 见 自活 应 弯 步 长 B P 学 习 算 法 的 收 敛 谏 度 是 很 快 的 . 图 2 显 示 了 一般 B P 学

Vol.17 No.6 邵贤强等：神经网络应用于烧结矿质量在线推断 .571· 习算法与自适应变步长BP学习算法误差的变化曲线. 表1网络的检验结果 阀值 训练样本类 检验样本类正确识别率 0.900 68.98% 0.800 A类 B类 79.31% 0.700 86.20% 0.900 76.67% 0.800 B类 A类 86.67% 0.700 86.67% 1.00f 1:BP学习算法误差曲线 2自适应变步长BP学习算法误差曲级 0.80 0.0 0.40 0.20 2 0.0 0 150 300 450 600 70 步数 图2误差曲线 由此可见，该质量预报模型，对未知样本的正确识别率是很高的，即网络具有很好的 泛化能力.在网络学习结束以后，即可以用于在线推断矿烧结矿的质量，其识别的时间很 快，克服了传统检测方法的局限性， 3结论 (1)用神经网络设计了烧结矿的质量推断模型，该模型具有识别率高和泛化能力好 的优点.利用自适应变步长的思想设计了新的BP学习算法，加快学习过程. 参考文献： 1周取定.铁矿石造块理论及工艺，北京：治金工业出版社，989 2阁平凡，人工神经网络一模型、分析与应用.合肥：安微教育出版社，1991 3马颂德等译.自适应模式识别与神经网络.北京：科学出版社，1992 4邓志东，孙增圻.利用线性再励的自适应变步长快速BP算法，模式识别与人工智能，1993,6(4：319~323

V 6 1 . 7 N 6 1 . 邵 贤强等 6 神经网 络应用于 烧结矿质量在 线推断 : 7 5 1 习 算 法 与 自适应 变 步 长 B 学 习 算 法 误 差 的变 化 曲 线 P . 表 网 络 的检验 结果 1 阀 值 0 . 9 (洲) 0 . 8 00 0 . 7 ( ) 0 0 . 9 (城) 0 . 8 00 0 . 7 创) 训 练 样本类 检 验样 本类 正 确 识别 率 A 类 B 类 B 类 A 类 8 6 . 9 8 % 7 9 . 3 % 1 8 6 . 0 % 2 7 6 . 7 % 6 8 6 . 7 % 6 8 6 . 7 % 6 } : 二 , 习 , 法 误差 岛 线 之 自适 应变 步 长 B P 学 习 算法 误差 曲线 -的80 曰n 仓aQ田印402 罗ù翎叫 步 数 图 2 误 差 曲 线 由此 可见 , 该质 量 预 报 模 型 , 对未 知样 本 的正 确 识 别 率 是很 高 的 , 即 网 络 具 有 很 好 的 泛 化 能力 . 在 网 络学 习 结 束 以 后 , 即可 以 用 于 在 线推 断 矿 烧 结 矿 的 质 量 , 其 识 别 的 时 间 很 快 , 克服 了 传 统 检 测 方 法 的 局 限性 . 3 结论 ( l) 用 神 经 网 络设 计 了 烧 结 矿 的 质 量 推 断 模 型 , 该模 型 具 有 识 别 率 高 和 泛 化 能 力 好 的 优 点 . 利用 自适 应变步 长的 思想设计 了新 的 B P 学 习 算法 , 加快 学 习 过程 . 参 考 文 献 : l 周 取定 . 铁矿石造块理论及工 艺 . 北 京: 冶 金 工 业 出版社 , 19 89 2 阎平凡 . 人工 神经网 络 一 模型 、 分析 与应用 . 合肥 : 安徽教育出 版社 , 1卯l 3 马颂德等译 . 自适应模式 识别 与神经网 络 . 北京: 科学 出版社 , l卯2 4 邓志东 , 孙增沂 . 利用 线性再励的 自适应变步 长快速 BP 算法 . 模式识别与 人工智能 , l卯3 , 《 4l 31 9 一 323