基于神经网络的高炉异常炉况判断专家系统

D0I:10.13374/j.issn1001053x.1994.06.003 第16卷第6期 北京科技大学学报 Vol.16 No.6 199412 Journal of University of Science and Technology Beijing Dec.1994 基于神经网络的高炉异常炉况判断专家系统 杨尚宝杨天钧 北京科技大学冶金系，北京100083 摘要采用反向传播网络作为推理机，构造了高炉异常炉况判断专家系统，该系统具有良好 的自学习功能和联想记忆功能·系统采用离线学习方式，在线运行时，可将高炉操作实绩存入知 识库，作为进一步学习的样本，从而提高了系统精度和联想能力· 关键词高炉，专家系统、神经网络，自学习 中图分类号TF543.1,TP391 Neuron-Based Expert System for Judging the State of Blast Furnace Yang Shangbao Yang Tianjun Departmaent of Metallurgy,USTB,Beijing 100083.PRC ABSTRACT An expert system based on neural network was establised for judging the state of blast furnace.The Back-Propagation network is used as engine of ES.This ES with self- learning function and associative memory function can be learning when the system off line and can save the samples into the knowledge base when the system on line.So the system ability can be developed continuously. KEY WORDS blast furnace,expert system.neural network,self-learning 人工智能概念引入治金领域后，高炉治炼专家系统得到了迅速的发展·然而，现有的专 家系统是基于知识的，属符号专家系统.这类专家系统有以下不足：①知识的获取不甚方 便；②缺少本质和理性的知识；③通常不具备联想记忆和自学习功能；④随知识增多，推 理速度有所降低·而神经网络具有信息分布存储、并行处理、自学习和自组织等功能、所 以，采用神经网络的方法构造专家系统可使系统具有如下特征：①用大量的神经元及其连 接权值来表示一些特定的概念和知识；②用一些特定有效的学习算法从专家给出的实例及 相应解中获取知识；③可实现并行推理并具有联想推理功能，因此，基于神经元的神经网 络专家系统所具有的这些特征可以克服现有专家系统的不足· 1系统构成 193-12-31收稿第一作者男29岁博士

第 卷 第 期 北 京 科 技 大 学 学 报 州 年 月 旧 。 心 。 、 叉 望娜 基于 神经 网络 的高炉异 常炉况判 断专家系 统 杨 尚宝 杨天钧 北 京科技大学冶金 系 ， 北京 〕 刃 摘要 采 用 反 向传播 网 络 作 为推理 机 ， 构造 了 高炉 异 常炉 况 判 断 专家 系 统 该系统具有 良好 的 自学 习 功能和 联 想 记忆功能 系 统采 用离线学 习方式 ， 在线运行 时 可 将高炉操作实绩存人知 识库 ， 作 为进一步 学 习 的样本 ， 从而 提高 了系统精度和联想能力 关键词 高炉 ， 专家系 统 ， 神经 网络 ， 自学 习 中图分类号 吓 ， 仰 一 必 刀 块 坦 因 昭 ， ， 〕 幻 ， ， 丁七 一 一 俪 目 ， ， ， 一 人工智 能概 念 引人 冶金领 域后 ， 高炉冶炼专家系统得到 了迅 速 的发 展 然而 ， 现有 的 专 家系统是基 于 知 识 的 ， 属符 号 专家 系 统 这 类 专家 系 统有 以 下 不 足 ① 知 识的获 取 不 甚 方 便 ② 缺少本质和理 性 的知 识 ③ 通 常不具 备联想记忆和 自学 习 功 能 ④ 随 知 识增 多 ， 推 理速度有所 降低 而 神 经 网络具有信 息分 布 存 储 、 并 行处 理 、 自学 习 和 自组 织 等 功 能 ， 所 以 ， 采用神经 网络 的方 法 构造 专家系统可 使系统具有 如下 特 征 ① 用 大 量 的 神 经 元 及 其 连 接权值来 表示 一些 特 定 的概念 和 知识 ② 用一些特定有 效 的学 习 算 法 从 专 家 给 出 的 实 例 及 相应解 中获取 知识 ③ 可 实现并 行推理并具有联 想 推理 功 能 因 此 ， 基 于 神 经 元 的 神 经 网 络专家系 统所具有 的这些 特征可 以 克服现有 专家系统的不 足 系统构成 卯 一 一 收 稿 第一作者 男 岁 博士 DOI ：10．13374／j ．issn1001－053x．1994．06．003

518 北京科技大学学报 1994年No.6 11专家系统的构成 本研究采用误差反向传播网络(BP网)来建立基于神经元的神经网络专家系统.该系 统由人机接口、数据库、知识库、神经推理机和解释程序等5部分组成，见图1. 在本系统中，数据库用于存放系统运行过程中所需要和产生的数据信息以及系统性能指 标等；知识库用于存放规则、事实和样本模式（用于联想记忆、加速推理）；神经推理机采用 误差反向传播学习网络(BP网)，实现系统的联想记忆、并行推理和自学习功能：解释程序 负责回答用户提出的有关推理机、系统性能和使用方法等问题；人机接口则是为用户灵活方 便地进行系统的操作与维护而建立的友好界面· 1.2神经网络的结构 本系统采用3层反向传播网络（图2），该网络的第1层为输入层，第2层为隐含层， 第3层为输出层，其中，输人层有138个单元，代表了高炉操作常用数据和检测信息；输出 层有21个单元，每个单元代表着一种高炉异常状况；中间隐含层有64个单元、每个隐含单 元都收到来白各输入单元信息，并将其输出传给所有输出单元， 机 会 输人层 隐含层 输出层 数据库 神经 推理机 知识车 解 释 程 序 图1神经网络专家系统的系统构成 图2神经网络的结构 Fig.I Configuration of neuron-based expert system Fig.2 Structure of neural network 2学习机理 高炉操作专家在高炉操作中积累了大量的判断炉况的经验，在他们的大脑中存储了很多 有意义的典型炉况实例，同时又具有一种模糊的直觉联想能力，在判断炉况时，他们由相似 性而联想到过去某一炉况，并与之比较，多层网络的误差逆传播学习，正是把相似模式的炉 况特征提取出来，并分布到连接权上，使学习后的网络在面对1组新的高炉输人信息时，通 过该输入信息与已存储的各类别特征信息的相似性比较而判断出高炉的炉况， 本系统的神经网络采用3层前馈网(BP网)，通过多层误差修正梯度法进行离线学习， 其学习算法可参见图3. 若在输人层加上模式P,则首先根据输人计算出各单元的输出.设第k层i单元输入的总 和为4：，输出为"，由k一1层的第j个神经元到k层的第i个神经元的结合权值为v,j神经元

引 北 京 科 技 大 学 学 报 年 专家 系统 的构 成 本研 究 采 用 误差 反 向传播 网 络 网 来建立 基于 神经 元 的 神 经 网 络 专家 系 统 该 系 统 由人 机接 口 、 数据库 、 知 识库 、 神经推理 机 和 解释程 序等 部 分组成 ， 见 图 在 本 系 统 中 ， 数 据库 用 于存 放 系统 运 行过 程 中所需 要 和 产生 的 数据 信 息 以 及 系 统 性 能 指 标 等 知识库 用 于 存放规 则 、 事 实和 样本模 式 用 于 联 想 记 忆 、 加 速 推 理 神 经 推 理 机 采 用 误差 反 向传播 学 习 网 络 网 ， 实现 系 统 的联想记忆 、 并行 推理 和 自学 习 功 能 解 释程 序 负责 回答 用 户 提 出 的有 关 推理 机 、 系 统性 能 和 使用 方 法 等 问题 人机接 口 则是 为用 户 灵 活方 便 地 进 行 系 统 的操 作 与维 护而 建 立 的友好界 面 神经 网络 的结构 本 系 统采 用 层 反 向传 播 网络 图 ， 该 网 络 的第 层 为 输 人 层 ， 第 层 为 隐含 层 ， 第 层 为输 出层 其 中 ， 输人层 有 个单元 ， 代表 了高炉操 作 常 用数据 和检 测信息 输 出 层 有 个单元 ， 每 个单元代表 着 一 种 高 炉异 常状 况 中间 隐含 层 有 个单元 ， 每 个隐 含 单 元 都 收到 来 自各输 入单 元信息 ， 并将其输 出传给所有 输 出单元 人 机 接 口 输人 层 隐含 层 输 出层 数 据库 神 经 推 理 机 知 识库 诀 岌、 多 态 鱼产‘ 夺鑫 尹勺、 森 络减， 产 代尹 解 释 程 序 图 神经 网络 专 家 系统 的 系统构 成 乓 浦创阳 佣 功既，以 一 拍 以 、 劝印 图 神经 网络的结构 电 加民 日皿，】 犯姗诩欣 学 习 机理 高炉操 作 专家 在 高炉操 作 中积累 了大 量 的判 断炉况 的经 验 ， 在 他们 的大 脑 中存储 了很 多 有 意 义 的典型 炉 况 实 例 ， 同时又具有一 种模糊 的直觉 联想 能力 在 判 断炉 况 时 ， 他们 由相似 性 而 联 想到 过 去 某 一 炉 况 ， 并 与之 比较 多层 网络 的误差 逆传播 学 习 ， 正 是 把相 似模式 的炉 况 特 征提 取 出 来 ， 并 分布 到 连接 权 上 ， 使学 习后 的 网络在 面 对 组新 的高 炉输人信 息 时 ， 通 过该输人 信息 与 已 存 储 的各类 别 特 征信息 的相 似性 比较而 判 断 出高 炉 的 炉 况 本 系 统 的神 经 网络采 用 层前 馈 网 网 ， 通 过多层 误 差 修 正 梯 度 法 进 行 离 线 学 习 ， 其学 习算 法 可 参见 图 若在 输人层加上模式 ， 则首先根 据输人计算 出各单元 的输 出 设第 层 单元 输人 的总 和 为 “ ‘ ， 输 出为 。 ‘ ， 由 一 层 的第 个 神经元到 层 的第 个神经元的结合权值为 ， 神经元

Vol.16 No.6 杨尚宝等：基于神经网络的高炉异常炉况判撕专家系统 .519. 的输出为)，各神经元的输人与输出的关系函数为S型函数厂，则： v;=f(u:) (1) u,=∑w” (2) 然后将误差逆传播，修正各层间各单元之间的权值.这里定义误差函数？为期望输出与实 际输出之差的平方和： r=1/2∑(e,-t,)2 (3) 式中，无，一一输出单元i的实际输出； t,一一输出单元i的期望输出，在这里作为教师信号. 利用非线性规划中的最快下降法，使权值沿着误差函数负梯度方向改变，其权值”，的 更新量△w,可用下式表示： △w,=-ε(0r/0vy) (4) 式中：ε为学习步长，取正参数(0~1). 由式(1)、(2)和(4)可推得学习公式如下： △w=-ed,", (5) 其中d,为单元i的输出误差值. 对于输出层C,d,为单元i的一般化误差： d,=c,(1-c,)(c,-t) (6) 式中：C,一一输出层i单元的实际输出； t,一一输出层i单元的期望输出， 对于中间层B: d,=b,(1-b:∑wud, 式中：b:一一中间层i单元的实际输出； d,一一输出层1单元的一般化误差； w4一一中间层i单元与输出层】单元的 误差反馈 连接权值. W值更新 由式输出误差值即可将误差进行反向传 播，再通过式(5)对各单元间的连接权值进行 教 修正， 信 综上所述，误差逆传播学习可分成两个阶段： B C 在第1阶段中，对于给定的网络输人，通过现 有连接权将其正向传播，获得各个单元相应的 输出；在第2阶段，首先计算出输出层各单元 图3反向传播学习算法 的一般化误差，将这些误差逐层向输入层方向 Fig.3 Back-propagation leaming metgod 逆传播，以获得调整各连接权所需要的各单元 的参考误差，通过多个样本的反复训练，并朝着减少偏差的方向修改权值，从而最后得到满意的结果， 3实际应用

杨 尚宝等 基于 神经 网 络 的 高 炉 异 常炉 况判 断专家系 统 的输 出为 。 ， ， 各神经元 的输人 与输 出的关 系 函数 为 型 函数 ， 则 ， “ ‘ 艺 ， ， 然后 将误差 逆传播 ， 修 正 各层 间各单元 之 间的权值 这 里定 义误差 函数 为期望 输 出 与 实 际输 出之 差 的平方 和 艺 ， 一 ， ， ’ 式 中 ， 。 ， 一 一 输 出单元 的实 际输 出 丸一 一输 出单元 的期望 输 出 ， 在 这 里作 为教 师信 号 利 用 非 线性规划 中的最快 下 降法 ， 使权值沿着 误差 函数 负梯 度 方 向改 变 ， 其 权 值 的 更新量△ ，， 可 用 下式 表示 一 。 夕 云 ‘， 式 中 。 为学 习 步 长 ， 取 正参数 一 由式 、 和 可 推得 学 习公式 如下 △ ，， 一 “ ， 其 中 ‘ 为单元 的输 出误差 值 对于 输 出层 ， ， 为单元 的一 般化误差 ， ‘ 一 ， ‘ 一 ， 式 中 ‘一 一 输 出层 单元 的实际输 出 ， 一 一 输 出层 单元 的期望 输 出 对于 中间层 ‘ 一 石 ， 一 石 ‘正 、 ， 式 中 ‘ 一 一 中间层 单元 的实 际输 出 一 一 输 出层 单元 的一般化误差 ， 一 一 中间层 单元 与输 出层 单 元 的 连接 权 值 由式 输 出误差值 即 可 将误 差 进行反 向传 一 播 ， 再 通 过 式 对 各 单 元 间 的 连 接 权 值 进 行 一 修正 一 综上所述 ， 误差逆传播学 习可分成两个阶段 一 误差 反 馈 值 更新 在 第 阶段 中 ， 对于 给定 的 网 络 输 人 ， 通 过 现 有 连 接权将其正 向传播 ， 获 得 各个 单 元 相 应 的 输 出 在 第 阶段 ， 首 先 计 算 出 输 出层 各 单 元 的一般化误差 ， 将这些误 差 逐 层 向输 入 层 方 向 逆传播 ， 以 获得 调 整各 连 接 权 所 需 要 的 各 单 元 教 卜 师 信 号 图 反 向传播学 习 算法 触 泊比 一 声巩洲笋位刃 如 血毛 收到 的参考误差 通过多个样本的反复训练 ， 并朝着减少偏差的方向修改权值 ， 从而最后得到满意的结果 实际应用

·520· 北京科技大学学报 1994年No.6 本研究所建造的神经网络专家系统在应用时，分两步进行：首先将以前高炉异常炉况发 生时的征兆及事故类别作为模式对输人计算机，通过离线学习使计算机掌握正确的判断方 法，即调整神经网络中各连接权到适当值：然后将该系统在线运行，通过向输人层输入数据 (包括回答系统提问的有关诊断的问题)，由系统进行运算推理，从而得出对高炉炉况的诊 断结果， 3.1应用方法 (1)输入参数的选取 针对高炉的检测条件和高炉操作者对炉况进行观察分析的方法或习惯来选取系统的输人 参数，本系统神经网络模块共选取138个输人参数，如：矿石成分和粒度、焦炭成分和粒 度、铁水成分和温度、炉渣成分、炉顶煤气压力、炉顶煤气成分和温度分布、料线位置、冷 风流量等，有些参数为2次参数，即根据检测值或人工输入值处理后的2次数据，如：透气 性指数、南北料尺差、时间温差、位置温差，等等，在输人参数中，有在线检测数据，也有 人工输人数据.而且，除定量数据外，系统还选取了一些定性数据，如：风口状态、渣铁流 动状态等，这些数据经处理后，可在0~1之间取值。对于神经网络推理所用的所有数据对. 都须进过归一化处理，即根据各参数的判断标准经数学处理而使其取值范围为0，] 另外，除神经网络模块外，在操作指导模块的知识推理部分，为提高推理速度或给出 具体指导，本系统还需要输人一些其他数据，并要求操作者回答一些问题， (2)输出参数的选取 本系统将神经网络模块的每个输出对应1种异常炉况·根据高炉操作实践，本系统 将异常炉况分为21种，如：低料线、偏料、悬料、崩料、管道行程、边缘气流不足、边缘 气流发展、向凉、向热、炉缸冻结、炉缸烧穿、炉墙结厚，等等， 根据神经网络模块的推理结果，系统调用操作指导模块，还可显示异常炉发生的原因， 并结合对提问的回答给出具体的操作指导， (3)系统运行机制 系统首先用已存的模式对进行神经网络的离线学习；然后用学习后的神经网络对新的输 人进行推断；根据推断结果调用知识库中的相应知识或规则，对炉况发生的可能原因进行推 断，推断过程中需输人一些其他数据，并希望操作者回答一些问题，从而使系统能给出进行 炉况处理的操作指导：最后将操作实绩（包括操作方法编号）作为新增模式对存人知识库 中，以作为下阶段离线学习时的模式对，参见图4· 3.2讨论 本研究收集了某高炉以往有异常炉况的记录185炉，并用其中150炉作为神经网络的学 习样本.通过学习，系统可对这150炉的炉况作出正确判断.用学习后的神经网络专家系统 对剩下的35炉数据进行处理，推断结果有28炉正确，即命中率为80%

北 京 科 技 大 学 学 报 哭辫 年 本研究所建造 的神 经 网络专家系统在应用 时 ， 分 两 步 进 行 首 先 将 以 前 高 炉 异 常 炉 况 发 生 时 的征兆及事 故 类别 作 为模 式 对输 人 计 算 机 ， 通 过 离 线 学 习 使 计算 机 掌 握正 确 的 判 断方 法 ， 即调整 神经 网络 中各连接权到适 当值 然后将该 系 统在 线运行 ， 通 过 向输人 层 输人 数 据 包括 回答 系 统提 问的有 关诊 断的 问题 ， 由系 统 进 行 运 算 推 理 ， 从而 得 出 对 高 炉 炉 况 的诊 断结果 应用 方 法 输人参数 的选取 针对高炉 的检 测条件和高 炉操作者 对炉况进行观 察分析 的方 法或 习 惯来 选取 系 统 的输人 参数 本系 统神经 网络模块共 选 取 个 输人 参 数 ， 如 矿 石 成 分 和 粒 度 、 焦 炭 成 分 和 粒 度 、 铁水成分 和温度 、 炉渣 成分 、 炉顶煤气压力 、 炉顶煤 气成分 和温 度分布 、 料 线位 置 、 冷 风流量 等 有 些参数为 次参数 ， 即根 据检测 值或人工 输人值处理 后 的 次 数 据 ， 如 透 气 性 指 数 、 南北料 尺差 、 时 间温 差 、 位置温差 ， 等等 在输 入参数 中 ， 有在 线检测 数据 ， 也有 人 工 输人数据 而且 ， 除定量 数据外 ， 系统还 选取 了一 些定 性 数据 ， 如 风 口 状态 、 渣 铁流 动状态等 ， 这些数据经处理 后 ， 可在 一 之 间取值 对于神经 网络推理所用的所有数据对 都须进过 归一化处理 ， 即根据各参数 的判 断标准经 数学处理而 使其取值 范 围为 ， 另外 ， 除神经 网络模块外 ， 在操作指 导模块 的 知 识 推 理 部 分 ， 为 提 高 推 理 速 度 或 给 出 具体指 导 ， 本系 统还需要 输人 一些其他数据 ， 并 要求操作者 回答一 些 问题 输 出参数 的选取 本系 统 将 神 经 网 络 模 块 的每 个 输 出 对应 种 异 常 炉 况 根 据 高 炉 操 作 实 践 ， 本 系 统 将异 常炉 况分 为 种 ， 如 低料线 、 偏料 、 悬料 、 崩料 、 管 道 行 程 、 边 缘 气 流 不 足 、 边 缘 气 流发展 、 向凉 、 向热 、 炉缸 冻结 、 炉缸烧穿 、 炉墙结厚 ， 等 等 根 据神 经 网络模块 的推理 结果 ， 系统调 用操作指 导模 块 ， 还 可 显 示 异 常 炉 发 生 的 原 因 ， 并结合 对提 问的 回答 给 出具体 的操作 指 导 系统运行机制 系 统首先用 已 存 的模式 对进行 神经 网络 的离线学 习 然后 用学 习后 的神经 网络 对新 的输 人 进行 推 断 根 据 推 断结果调 用知 识库 中的相应知 识 或规则 ， 对炉况 发 生 的可 能原 因进行推 断 ， 推 断过 程 中需输人 一些 其他数据 ， 并希望操作者 回答一些 问题 ， 从而 使 系 统能给 出进行 炉 况处理 的操作指 导 最后 将操作 实绩 包 括 操 作 方 法 编 号 作 为新 增 模 式 对存 人 知 识 库 中 ， 以 作 为下 阶段离线学 习 时 的模 式对 参见 图 讨论 本研究 收集 了某 高炉 以往 有 异 常炉况 的记录 炉 ， 并 用其 中 炉作 为神 经 网 络 的学 习样 本 通过学 习 ， 系 统可 对这 炉 的炉 况作 出正确 判 断 用 学 习后 的神经 网络 专家系 统 对剩下 的 炉数据进行处理 ， 推断结果有 炉正确 ， 即命 中率为

Vol.16 No.6 杨尚宝等：基于神经网络的高炉异常炉况判断专家系统 .521. 推理网络状态显示 调用知识库系统 神经网络推断 输人数据回答问题 输入操作数据 推断炉况发生原因 网络状态存储 炉况处理操作指导 神经网络离线学习 一一 操作实绩存储 开 始 结 束 图4系统运行机制 Fig.4 Process of the system 当然，由于样本数量少，推断命中率尚且不高，而且对应于各种异常炉况的命中率也不一 致，这说明学习样本还需要不断增加，并使系统不断地学习，从而提高炉况判断的命中率， 这也正是本专家系统的特点一一在学习中不断提高能力， 为此，在本系统中还设计了知识库，该知识库中除存有用于提高推理效率的规则和学习 样本（模式对）外，还存有在线运行而得到的事实案例.在离线学习时，可将事实案例作为 新增样本，从而不断提高神经网络的适应能力和推断命中率· 4结论 (1)本研究采用3层BP网络作为推理机，建造了一种用于高炉异常炉况判断的 神经网络专家系统.该系统首先用神经网络模型对炉况进行判断，然后结合知识库系统的推 理，给出处理异常炉况的操作指导， (2)本系统有良好的自学习功能和较强的联想记忆功能. (3)本系统在线运行中可把高炉操作信息存入知识库，并通过离线学习将其作为新增模式 对，从而使系统不断提高其精度和联想能力， (4)实际运行表明：BP网络模型可以用于高炉炉况的判断，其命中率目前已达80%， 并随学习样本的增加而将不断提高· 参考文献 1新蕃等.神经网络与神经计算机原理·应用.成都：西南交通大学出版社，1991.146~157 2庄镇泉等.神经网络与神经计算机·北京：科学出版社，1992,22~30 3 Muller B,Reinhardt J.Neural Networks.Berlin:Springer-Verlag.1991.229~231

杨 尚宝等 基于 神经 网络的高炉异 常炉况判 断专家系统 推理 网 络 状 态显示 调 用 知 识库 系 统 神 经网 络 推 断 输人 数 据 回 答 问 题 输人 操作 数据 推 断 炉 况 发 生 原 因 网 络 状 态 存储 炉 况处理操作 指 导 神 经 网 络离 线学 习 操 作 实绩存储 一 一 一 门 ‘ 一 一 一 图 一 一 一 一 一 ， 竺 产 」 系统运行机制 瑰河 拟， 翻 勺，曰 当然 ， 由于样本数量 少 ， 推断命 中率 尚且 不 高 ， 而 且 对应 于 各 种 异 常炉 况 的命 中率也 不 一 致 ， 这说 明学 习样本还需要 不断增加 ， 并使 系 统 不 断地 学 习 ， 从而 提 高炉 况 判 断 的命 中率 这也正是本专家系 统 的特点 一 一 在 学 习 中不 断提 高能力 为此 ， 在本系统 中还设计 了知识库 ， 该知识库中除存有 用 于 提 高推理 效 率 的规则 和 学 习 样本 模式对 外 ， 还存有 在 线运行 而得 到 的事 实案例 在离线学 习 时 ， 可将事 实案例作为 新增样本 ， 从而 不 断提高神经 网络 的适应能力 和 推 断命 中率 结论 本 研 究 采 用 层 网 络 作 为 推 理 机 ， 建 造 了 一 种 用 于 高 炉 异 常 炉 况 判 断 的 神经 网络专家系统 该 系统首先用神经 网络模 型 对炉 况 进 行 判 断 ， 然 后 结合 知 识 库 系 统 的 推 理 ， 给 出处理异 常炉况 的操作指 导 本系统有 良好 的 自学 习功能和较强 的联想 记忆功能 本系统在线运行 中可把高炉操作信息存入知 识库 ， 并通过离 线 学 习 将 其作 为新 增模式 对 ， 从而使系统不 断提 高其精度和联想 能力 实际运行表 明 网 络模 型 可 以 用 于 高 炉 炉 况 的判 断 ， 其 命 中率 目前 已 达 ， 并 随学 习样本的增加而将不 断提 高 参 考 文 献 靳蕃等 神经 网络与 神经计算机原理 · 应用 成都 西南交通大学 出版社 卯 一 庄镇泉等 神经 网络与神经计算机 北京 科学 出版社 卯 一 ， 创的 川 已也习 场。 玫 由 叫笋 一 垅山 卯 一