一种局部回归神经网络的快速算法

D0I:10.13374/j.issm1001-053x.2000.01.047 第22卷第1期 北京科技大学学报 VoL.22 No.1 2000年2月 Journal of University of Science and Technology Beijing Feb.2000 一种局部回归神经网络的快速算法 王飓 刘贺平 北京科技大学信息工程学院，北京100083 摘要针对目前局部回归神经网络动态BP算法的误差导数计算复杂、收敛速度慢的缺陷， 提出了一种新的快速算法.该算法是将信号流图引入动态BP算法，较好地解决了求解误差导 数的复杂性，同时采用BFGS算法加快了网络的收敛速度.仿真结果表明了本算法的有效性. 关键词局部回归神经网络：动态BP算法：信号流图：BFGS 分类号0231.2 对于非线性离散系统，人们采用基于输入 数取Sigmod函数，输出层为线性单元，输入向 输出的差分方程模型，通过增加输入输出时延 量U=(u1,,,4,)T,输出向量Y(yy2,…yn)T,状态 反馈的多层前向网络(RTNN)来逼近".但这种 输入输出模型对输入输出训练样本的依赖性太 隐 输 强，得到的模型经常是局部成立的，推广能力不 层 层 强.因此，人们提出了局部回归神经网络模型. Z 目前用得较多的有Elman型和Jordan型，文献 图1 Elman型神经网络模型 [2]还给出了一种4层的局部回归网络结构. Fig.1 Elman neural networds 局部回归网络更贴近系统的动力学本质， 向量（隐层神经元输出）X(x12,“x)T,分别为r 因而能更好地逼近非线性系统.但在学习问题 维，m维和n维：W,W,W分别为(nxr),(m×n), 上，由于对回归网络求解误差导数较为繁琐，日 (n×n)的输入、输出和反馈权值矩阵：⊙'，⊙分别 前已有的算法效率不高，收敛速度慢，离实时应 为(n×1),(m×1)的隐层和输出层的阈值列向量； 用还有很大的距离.信号流图SFG(Signal Flow 网络状态方程为： Graphs)己经成功地用在求解标准静态BP网的 (X(k+1)=fW".X(k)+W.U(k)+) 误差导数上，使得表达式清晰简洁.但由于局 (1) Y(k)=WX(k)+ 部回归神经网络的复杂性，信号流图法无法直 设训练样本集为(VK),Y》,=O,1,N,W表 接应用，本文通过将时间域的模型在空间域展 示所有待求的参数，其误差函数为： 开，把信号流图法推广到局部回归神经网络，以 便解决动态BP算法求解误差导数的复杂性：在 A-的-宁2 此基础上，采用BFGS加速算法，进一步加快 L220y(k)-yk》 251 (2) 了网络的收敛速度，使其更接近实时应用 则由BP算法，有： E(i) W=W-nVE=W-nΣ (3) 1一般的动态BP算法 ⑦用 20-2 (4) 典型的3种局部回归网络模型都只有1个 反馈层，算法差别不大，现以Elman型网络为例 这里关健是求9.注意到)概是的显函 说明. 数，又是W的隐函数，所以称为动态BP算法，即 设3层Elman网如图l所示.隐层非线性函 欲求第k步的导数值要先求第k一1步的导数值 (见文献[2]).直接按文献[2]中的方法计算，表 达式复杂，计算繁琐.这也正是阻碍局部回归网 1999-07-19收稿王飓男，25岁，硕士生 络应用的难点之一.对此，本文采用信号流图法 *国家"八五攻关资助项目No.85-311-02-11-04)

第 卷 第 期 年 月 北 京 科 技 大 学 学 报 。 一 种 局 部 回 归神 经 网 络 的快 速 算法 王 咫 刘 贺平 北京 科技大 学信 息工程学 院 ， 北 京 摘 要 针 对 目前 局 部 回归神 经 网 络 动 态 算 法 的误 差 导 数计 算复杂 、 收敛速度 慢 的缺 陷 ， 提 出 了一 种 新 的快 速算法 该 算法 是将 信 号流 图 引入 动 态 算法 ， 较好 地解 决 了求解误 差 导 数 的 复杂 性 ， 同时采用 算 法加 快 了 网 络 的收敛 速度 仿真 结果 表 明 了本算法 的有 效性 关键 词 局 部 回归神经 网 络 动 态 算法 信 号流 图 分 类号 、 尹 丹 、、少产、， ‘‘ 护 才、 对 于 非 线 性 离散系 统 ， 人们 采用 基 于 输入 输 出 的差 分方 程模 型 ， 通过 增 加 输入输 出 时 延 反 馈 的 多层 前 向 网 络 来 逼近 『‘， 但这种 输入输 出模 型对输入输 出训 练样 本 的依赖 性太 强 ， 得到 的模型 经 常 是 局 部 成 立 的 ， 推广 能力不 强 因 此 ， 人 们 提 出 了 局 部 回归神 经 网 络 模 型 目前 用 得 较 多 的有 型和 型 ， 文献 还 给 出 了一 种 层 的局 部 回 归 网络 结构 局 部 回 归 网 络 更 贴 近 系 统 的 动 力 学 本 质 ， 因 而 能更 好地逼近 非 线 性 系统 但在 学 习 问题 上 ， 由于 对 回 归 网络求 解误 差 导 数 较 为 繁 琐 ， 目 前 己有 的算 法效率不 高 ， 收敛速 度慢 ， 离 实 时应 用 还有很 大 的距 离 信 号 流 图 已 经 成 功地用 在 求 解标准静态 网 的 误 差 导 数 上〔 ， 使得表 达式清 晰 简洁 但 由于 局 部 回 归神 经 网 络 的复杂性 ， 信 号 流 图法 无 法 直 接应 用 本 文 通过 将 时 间域 的模 型 在 空 间 域 展 开 ， 把信号 流 图法 推 广 到 局 部 回 归神经 网络 ， 以 便解 决动 态 算法 求解 误 差 导 数 的 复杂性 在 此基础 上 ， 采用 加 速算 法 『 ， 进 一 步 加 快 了 网络 的 收敛速度 ， 使 其 更 接 近 实 时应 用 数取 函 数 ， 输 出层 为 线 性 单元 ， 输入 向 量 ，，姚 ， … ， 丁 ， 输 出 向量 卜伽孙 ，… ， ， 状 态 输 隐 输 入 层 出 层 层 图 型神经 网 络模 型 向量 隐 层 神 经 元输 出沐导 燕 ，… 几 ， 分 别 为 维 ， 维 和 维 尸 ‘ ，平 ， 甲 分 别 为 ， ， 的输 入 、 输 出和 反 馈 权值 矩 阵 曰 ‘，沙分别 为 ， 的 隐层 和 输 出层 的 闽 值 列 向量 网 络状态 方 程 为 ‘ 邵犷 ’ 耳 砰 ’ ‘ 口 ’ 、 砰 名川 曰 ‘ 设训 练样 本 集为 ，乳 ， ， ，… 人环 产表 示 所 有 待 求 的参 数 ， 其 误 差 函 数 为 川 一 寥 一 言到联 一 姑馨帆。 二润 则 由 算法 ， 有 一 般 的 动 态 算法 典 型 的 种 局 部 回 归 网络 模 型 都 只 有 个 反 馈层 ， 算法差 别 不 大 ， 现 以 型 网络 为例 说 明 设 层 网如 图 所示 隐层 非 线 性 函 峨 磷一 叮甲五 琪一 叮艺 刁牙 梁 一 、卜 、 。 、 、 曰 、 刁 、 、 二 豁。 、 。 二 曰 ，、 ， 碑 曰 二 之飞 笠兰 丈 以七 夕贬 刁又 ， 万石于 · 了土 碑厄水 土 妙 少玉东毛 又〔 ” 口， 」七 长习 口 一 一 收稿 王 咫 男 ， 岁 ， 硕 士 生 国 家 ，又五 ’政关资助 项 目 困 一 一 一 卜 数 ， 又是 砰的 隐 函 数 ， 所 以称 为动 态 算法 ， 即 欲 求 第 步 的 导 数 值 要 先 求 第 一 步 的 导 数 值 见 文 献 口〕 直接 按 文 献 〔 中的方法 计算 ， 表 达式 复杂 ， 计 算繁琐 这也 正 是 阻碍局 部 回 归 网 络应 用 的难 点之 一 对此 ， 本文采 用信号流 图法 DOI ：10．13374／j ．issn1001－053x．2000．01．047

。90· 北京科技大学学报 2000年第1期 (Signal Flow Graphs)),使其得到了很好的解决. 计算方便，这里将阈值看作是1到神经元输入 端的支路增益 2基于信号流图的快速算法 正向计算G图时，就按(1)式进行；反向计算 G图时，则有 文献[3]中给出了用信号流图法求解静态 [d)=(-Yd() BP网误差导数的方法.由原始G图和伴随G图 af(6) 即可求出导数.伴随G图是将原始G图的所有分 x()((wd)+(W)x(1 支取相反方向，如图2所示： 其中⑧表示对应元素相乘 (a) (b) 这样由G图和G图以及(5)式即可得到误差 导数，公式如下： (E f(x) B dY(k)-X(k) Y V=fv) 官B=afx)/0xg它 器-aK-U-y t- 图2SFG的线性和非线性支路计算法则 Edx(k)X(k-1) (7) Fig.2 Rule of SFG(linear and nonlinear) Ow (a)正向原始G图：b)反向伴随G图 E_aY(k) 线性支路增益不变，非线性支路的增益为 B=Of升ax.则输出端V。对支路增益的导数可表示 OE_x(k) d心 为 应注意，由于将时间域模型展成空间域模 OV.-VV (5) 型，所以求W的导数时，应对=1,2，…，N求和.以 ⑦ay 这样只要计算出原始G图和伴随G图，就可 上计算过程简洁清晰，为一些衍生算法（如加入 以由式(5)简单计算得到偏导数（证明见文献 遗忘因子)以及在线计算提供了良好的基础. [3]). 为了加快训练速度，本文采用了BFGS加速 现将其推广到动态BP网.由于局部回归神 算法，即第1步求出误差梯度方向，第2步优 经网络含有反馈信息，不能直接应用信号流图. 化梯度方向，调整步长， 这时应考虑将时间域模型在空间域展开如图3， 首先，将(3)式改写为如下1组等式： W)=Wk-1)+△Wk) 反馈回路变成连接k时刻和第k+1时刻的支路， (a) (b) △)=k)P() (8) U X dU dy P()=-V()g() ·0, 其中，W)为网络参数列向量（设有S个参数）； d g(功表示误差导数列向量：P()表示优化后的 搜索方向：)表示第k步调整步长，为标量； Wel 1 V()实际上是文献[5]提出的GN算法中Hes- d k=2 sian矩阵的逆矩阵，为(S×S)的正定对称方阵.文 dx I df f( 献[3]给出了递推算法： =N· We V-V-RR S SRiVVERS ( SR:」SR: SiR 图3局部回归神经网络的信号流图 其中，S=W-W-,R=g-g-1· Fig.3 SFG of recurrent neural networds 对)采用变步长学习算法 (a)正向原始G图：(b)反向伴随G图 现将算法流程总结如下： 按时间顺序把网络连接起来，注意这里为简明 stepl.初始化权值及阈值，给定训练目标(e>0), 起见，用一个点代表向量；dY和dX都是与Y,X 最大训练次数N,单步循环最大次数N2: 同维的列向量：Ik)=W.Uk-1+W.Xk-1)十0 step2.给定a1,a2并令E(0)Fo,k=1,tc-0,1o=0.01, 为隐层神经元的输入和，是(×1)的列向量； V。=(单位阵)； ∂f1∂(k)表示隐层神经元输出对输入和的导数， step3.由(I)式正向计算得到X,Y,再由(6)式反向 即S函数的导数值，也是(n×1)的列向量.为统一 计算，得到dX,dY:并由(T)式，计算反传误差，得

， 北 京 科 技 大 学 学 报 年 第 期 ， 使其得 到 了很好 的解 决 基 于 信 号 流 图 的快 速算法 文 献 」中给 出 了用 信 号 流 图法求 解静态 网 误差 导 数 的方法 由原 始 图和 伴 随云图 即可求 出导 数 伴 随云图是将 原始 图的所 有分 支取相 反 方 向 ， 如 图 所 示 计 算方 便 ， 这里 将 闽 值 看 作是 到神 经元 输入 端 的支 路增益 正 向计 算 图时 ， 就 按 式进行 反 向计 算 仓图时 ， 则 有 “ 一 歼 一 一咖 二 二 。 儡 伪 耳 叱 它 其 中⑧ 表 示 对 应 元素 相 乘 这 样 由 图和 云图 以及 式 即可得 到误差 导 数 ， 公 式 如 下 域 · 卜 一 一 呀 耳 环于八耳 它 户 一 一。 它 箫誉 箫誊己峨 · 一 图 的线性和 非 线性支 路计 算法 则 箫誊 ” · 一 ” 。 一 正 向原 始 ‘ 图 反 向伴 随 图 了。 线 性 支 路 增 益 不 变 ， 非 线 性 支 路 的 增 益 为 介刁 击 则输 出端 对 支路 增 益 的导 数可 表 示 为 艺 艺山峨无 刁只 ， ， 合 下于一一 厂 厂， “ 这样 只 要 计 算 出原始 图和 伴 随云图 ， 就 可 以 由式 简单计算得 到偏 导 数 证 明见 文 献 现将 其推广 到动 态 网 由于局 部 回 归神 经 网络含有反馈 信息 ， 不 能直接应用信 号流 图 这 时应考虑将 时 间域模型在 空 间域展 开如 图 ， 反馈 回路变成 连接 时刻和 第 时刻 的支 路 ， 应注 意 ， 由于 将 时 间域模 型 展 成 空 间 域模 型 ， 所 以求 砰的导 数 时 ， 应对 ， ，… 万求和 以 上 计 算过程简洁清 晰 ， 为一 些衍生算法 如加入 遗 忘 因 子 以及在 线 计算提供 了 良好 的基础 为 了 加快 训 练速度 ， 本 文 采用 了 加速 算法 ， 即第 步 求 出误 差梯 度 方 向 ， 第 步优 化梯 度方 向 ， 调 整 步长 ， 首 先 ， 将 式 改 写 为如 下 组 等式 州 二 例 一 十△喇 △刚 抓 · 八 用 八 川 一 川 · 今 刚 图 局部 回 归神 经 网络 的信号 流 图 司 正 向原 始 图 反 向伴 随云图 按 时 间顺 序把 网络 连接起 来 注 意这里 为简 明 起 见 ， 用 一个 点代表 向量 和 都 是 与 ， 同 维 的 列 向 量 二 甲 · 一 甲 · 一 已 为 隐 层 神 经 元 的 输 入 和 ， 是 的 列 向量 刁 双 表示 隐层 神经元输 出对输入和 的导 数 ， 即 函数 的导数值 ， 也 是 的列 向量 为统一 其 中 ， 例 为 网络 参数 列 向量 设 有 个 参数 以川表示误差 导数列 向量 八 川表示优化后 的 搜索 方 向 抓 表示 第 步调 整步 长 ， 为标量 以川实 际 上 是 文 献 「习 提 出 的 算 法 中 矩 阵 的逆矩 阵 ， 为 必的 正 定对称方 阵 文 献 给 出 了递推 算法 「 ， 万从 一 门民醚… 从丑万从 一 从 一 孟瞬 ， … 矶 矶 仁共牟苏燮 兴臀一 几气异合竺 卫 · ‘ · 一 ， 、 ‘ 、 其 中 ， 从 琪一 琪 瞬 一 盈 火户 」取斑一承 一 ， 取 对 试 采用变 步长学 习 算法 现将 算法 流程 总 结如 下 初 始化权值及 闭值 ， 给 定 训 练 目标 。沙 ， 最 大训 练 次数 ， 单步循环 最 大 次数从 给 定 ， 并令 ， ， ， 粉。 ， 单位 阵 由 式正 向计算得到， ， 再 由 式反 向 计 算 ， 得 到 并 由 式 ， 计 算 反传 误差 ， 得

Vol.22 No.1 王飓等：一种局部回归神经网络的快速算法 91· 到VE(即gW); 4 (a) step4.由(9)式计算V(W; step5.由(8)式决定P(W),△Wk): step6.预修改权值，判断E)N,成立，则转下一步，否则，转 step3; stepl0.保存权值，结束 抑 注：这里ca,2分别为步长修正系数，01. 20406080100 k 3仿真分析 图4例1的仿真结果 Fig.4 Simulation results of example I 例1对文献[2]所举的例子做仿真实验.结 (a)训练结果：b)预测结果 果见表1.文献[2]的例子： 1）盟周 x,+1)x园园+ua) 1+x) ly(k)=x2(k) 表1同文献2仿真比较 020406080100 Table 1 Comparation simulation between example 1 and reference [2] (b 文献2]算法 本文算法 网络结构 2-10-8-1 2-1081 训练输入 us如努 随机白噪声，0均 值，[-2,2]均匀分布 训练步数 20000 152 预测输入 4ui如瓷 Msn尝 020406080100 预测结果 见图4 图5例2的仿真结果 例2.对如下非线性系统仿真： Fig.5 Simulation results of example 2 ()带噪声训练结果：b)不带噪声预测结果 k+1)盟4因 4结论 x(k+1)x()+(R) yh()=x()x() (1)所采用的算法快速有效，网络收敛速度 y(k)=x(k)+x(k) 有了极大的提高， 本例采用带有噪声污染的信号来训练网络 (2)训练和预测采用不同的信号，网络仍能 (网络结构2一10一2).训练时，输入信号为 给出较理想的预测结果，说明局部回归网络的 4=sin10:4,cos0,(&0,12,100),输出信号上 推广能力较强. 叠加均匀分布白噪声（幅值为1）：预测时，输入 (3)局部回归网络本身具有-一定的鲁棒性， 信号不变.结果见图5，（训练步数=79）. 在具有噪声干扰的情况下，仍能学习到系统特

王咫等 一种 局 部 回归神经 网络 的快速算法 到 甲 即爪刚 由 式计 算 川 由 式 决定 川 ， △州天 预修 改权值 ， 判 断君田落《 一 ， 成 立 则 转 ， 否 则 转 下 一 步 恢复权值 ， 令 ， 判 断 杖 泛 ， 成 立则令 粉户 刃 减 小 步 长 ， 转 否 则 ， 叭 矶 ， 修 改权值 ， 判 断百伏 介 ， 成 立 ， 则 转 ， 否 则 ， 令胜 ， 叮行仇叮 增 大 步长 ， 判 断无 刃 ， 成 立 ， 则 转 下 一 步 ， 否 则 ， 转 保存权值 ， 结束 注 这 里 ， 分 别 为 步 长 修 正 系 数 ， ， 头 卿恤 叩卜件 仿 真 分 析 例 对文 献 」所 举 的例 子 做 仿真 实验 结 果 见 表 文 献 的例 子 图 例 的仿真结 果 · 训 练结 果 伪 预 测 结 果 兴黯聋 十一 。 表 同文献 仿真 比较 扣四 】 网络结构 文 献「算法 一 一 一 本 文算 法 一 一 一 训 练输入 ， ， 标 户 厄歹 随机 白噪 声 ， 均 值 ， 【 一 ， 均 匀分布 训 练步数 预测输入 预测 结果 况 趣 ， ，， 标 几污 妙 伙户 见 图 例 对 如 下 非线性 系统 仿真 。 卜不禁汁 劝 图 例 的仿真结 果 带 噪声训 练结 果 不 带噪声预测 结果 卜 二 · 丸 书 本例采用 带 有 噪 声污染 的信号来训 练 网络 网 络 结 构 一 一 训 练 时 ， 输入 信 号 为 ， 丁可 ， 厂 而 ， 卜 ， ， ， ， 输 出信 号 上 叠 加 均匀分 布 白噪 声 幅值为 预测 时 ， 输入 信 号不变 结 果 见 图 ， 训 练 步数 结 论 所采用 的算法 快速有 效 ， 网络 收敛速度 有 了极 大 的提 高 训 练和 预测 采用 不 同 的信 号 ， 网络 仍 能 给 出较理 想 的预测 结果 ， 说 明局 部 回归 网络 的 推广 能力较强 局 部 回归 网络本身具 有一 定 的鲁棒性 ， 在 具 有 噪 声 干扰 的情 况 下 ， 仍 能学 习 到系统特

·92· 北京科技大学学报 2000年第1期 性，为其在实际控制系统中应用奠定了良好的 2鲍晓红，贾英民.用含动态隐层的前馈网辨识非线性 基础， 系统.自动化学报，1997(9)：689 (4)所给的算法在理论上并不能避免局部极 3 Stanislaw Osowski.Signal Flow Graphs and Neural Net- 小问题.另外当网络权值较多时(S>200),'(功 works.Biological Cybernetics,1994,70.381 维数太大，将导致单步计算时间过长， 4 Stanislaw Osowski,Piotr Bojarczak,Maciej Stodolski.Fast Second Order Learning Algorithm for FeedForward Mul- 参考文献 tilayer Neural Networks and its Applications.Neural Net- works,1996,9(9):1583 1郭创新，梁年生，景雷等.一种鲁棒BP算法及其在非 线性动态系统辨识中的应用.信息与控制，1996,12 5 Fritz Stager,Mukul Agarwal.Three Methods to Speed up the Training of Feedforword and FeedBack Perceptrons. (6):354 Neural Networks,1997,10(8):1435 A Fast Algorithm for Recurrent Neural Networks WANG Ju,LIU Heping Information Engineering School,UST Beijing,Beijing 100083,China ABSTRACT A new fast learning algorithm for recurrent neural networks is proposed.By introducing the signal flow graphs technique,it overcomes the disadvantage of complexity of the gradient of the error function. And for more fast convergence,the BFGS method is used.Simulation results show that the proposed algorithm converges faster than the traditional algorithm. KEY WORDS recurrent neural networks;dynamic BP algorithm;signal flow graphs;BFGS 米米米米米米米*米米米米米米米米米米※※米※米米米米米米米米来米※米米米米米米米米米※ 科研成果介绍 SEM系列新型露天乳化炸药技术研究 1该项研究课题是针对首钢矿业公司现有乳化炸药生产厂出现产品质量差，影响爆破效果，而 开展试验室研究、生产试验和矿山现场爆破应用试验的.结果表明，产品质量和爆破效果有明显改 善，圆满地完成了技术开发合同规定的任务， 2在原有生产工艺和设备的基础上，通过简化炸药配方，调整有关工艺参数，采用"液位等差静 压发泡剂分散注入法“代替原有齿轮泵：增设了水相与油相流量自动计量装置，以及采用丁二酰亚 胺高分子复合乳化剂，改进与完善了原有工艺流程，提高了炸药性能与质量，炸药爆轰性能、抗水 性能、存储稳定性等都满足现场生产要求， 3.试生产的乳化炸药从1996年11月以来矿山现场生产爆破试用了1080余吨，结果表明：穿 爆成本大幅度下降，铲装效益提高.按此实施，可使首钢矿业公司年增效益700万元以上，具有显 著的经济效益 该项研究总体上达到了国内先进水平

北 京 科 技 大 学 学 报 年 第 期 性 ， 为 其 在 实 际 控 制 系 统 中应用 奠 定 了 良好 的 基础 所 给 的算法在理 论 上 并不 能避 免局 部极 小 问题 另 外 当 网络权 值较 多 时 乡加 ， 从 川 维数太 大 ， 将 导致单 步计算 时 间过 长 参 考 文 献 郭创新 ， 梁年 生 ， 景 雷等 一种鲁棒 算法及 其在非 线性 动态 系 统辨 识 中的应 用 信息 与控 制 ， ， 鲍 晓 红 ， 贾 英 民 用 含动态 隐层 的前馈 网辨识 非 线性 系统 自动 化 学报 ， ， ， ， ， ， ， ， ， ， ， 不乞刃 ， ， ， ， ， ， 即 米 来 带 来 米 来 米 带 米 米 来 来 来 来 米 米 米 来 来 米 米 来 来 米 米 米 来 来 米 米 米 来 来 兴 来 来 来 带 米 米 米 来 来 科研成果介绍 系列新型露天乳化炸药技术研究 该项研 究课题 是 针 对 首钢矿 业 公 司现 有乳 化炸 药 生产 厂 出现产 品质 量 差 ， 影 响爆破 效果 ， 而 开 展试验室研 究 、 生 产试验 和 矿 山现场 爆破应 用 试验 的 结 果 表 明 ， 产 品质 量和 爆破效果有 明显 改 善 ， 圆满 地 完 成 了技术 开 发 合 同规 定 的任 务 在 原 有 生 产工 艺 和 设 备 的基础 上 ， 通过简化 炸药配方 ， 调 整 有 关工 艺参 数 ， 采用 ” 液位 等差 静 压 发泡 剂分散注 入 法 “ 代替原 有 齿 轮 泵 增 设 了水 相 与 油相 流 量 自动 计 量 装置 ， 以及 采 用 丁 二 酞亚 胺 高 分 子 复合 乳 化 剂 ， 改进 与完善 了原有 工 艺 流 程 ， 提 高 了炸 药 性 能与质 量 ， 炸药 爆轰性 能 、 抗 水 性 能 、 存储 稳 定性等都满足现场 生 产要 求 试 生 产 的乳 化 炸 药 从 年 月 以来矿 山现 场 生产 爆破 试用 了 余 吨 ， 结 果表 明 穿 爆成 本 大 幅度 下 降 ， 铲 装 效益 提 高 按此 实施 ， 可 使首钢 矿 业 公 司 年增 效 益 万元 以上 ， 具 有显 著 的经 济效 益 该 项 研 究 总 体 上 达 到 了 国 内先 进水 平