·526· 北京科技大学学报 1995年No.6 由式(6)和式(7)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 的连接权值进行修正， 综上所述，误差逆传播学习可分成两个阶段：在第1阶段中，对于给定的网络输入，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， 本研究根据生产实际构筑神经网络的结构，采用大量炉况实例作为模式对样本，通过神 经网络的学习算法而获得各神经元的阙值和权值，从而得到神经网络模型的具体结构， 2参数的选择与数据处理 2.1参数的选择 高炉冶炼过程是一个非常复杂的过程，它受到多种因素的影响，如：原燃料的物理性能 和化学成分、气候条件、设备状况、操作情况等，这些因素的波动，必然引起炉况的波动· 对炉缸渣铁温度来说，它受料速、料与煤气的热流比、风口燃烧温度和炉缸热损失的影响， 而生铁含硅量的变化不仅受渣铁温度的影响，它还受滴落带大小、气氛和(SO,)反应活性 等因素的影响，因此，影响硅含量的因素是很多的，也是很复杂的， 考虑到数据获取的方便性及其与铁水中含硅量的相关程度，本研究在硅预报神经网络模 型中，选择了如下一些参数：风温、风压、风量、透气性指数、富氧率、炉顶温度、炉顶煤 气压力、炉料中各成分含量、批量、料速、前几次出铁含硅量等等.其硅预报神经网络结构 参见图3. 风温 ● 风压 ⊙ 风量一 。 顶祖一 0 料速 0 矿焦比OC一 ⊙ C0,含量一 o 前n次硅数 图3硅预报神经网络结构北 京 科 技 大 学 学 报 1卯 5 年 N o . 6 由式 ( 6) 和式 ( 7) 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 行修 正 . 综上 所述 , 误差逆 传播 学习 可分 成两个 阶段 : 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 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 . 本研究 根据 生产实 际构筑神 经 网络 的结构 , 采用大 量炉 况实 例作 为模 式 对样本 , 通过神 经 网络 的学 习算法而获得 各神经 元的 闭值 和权值 , 从而 得到神 经 网络模 型的具 体结构 . 参数 的选择与数据处理 参数的选择 高炉 冶 炼过程 是一个 非常复 杂的过程 , 它受到 多种 因 素的影 响 , 如 : 原燃料 的物理 性 能 和化 学成 分 、 气候 条件 、 设备状 况 、 操作情 况等 , 这 些 因素的波 动 , 必 然 引起 炉 况 的波 动 . 对炉 缸渣 铁温 度来说 , 它 受料速 、 料与煤气 的热流 比 、 风 口 燃烧 温度 和 炉 缸 热 损失 的影 响 , 而生铁 含硅 量 的变化 不仅受 渣铁温 度的影 响 , 它还受滴 落带大 小 、 气氛 和 ( 5 10 2 ) 反应 活性 等 因素 的影 响 . 因此 , 影 响硅含量 的 因素是 很多的 , 也是很复 杂 的 . 考虑 到 数据 获取 的方便性 及其 与铁水 中含硅量 的相 关程度 , 本研 究在 硅预 报神经 网络模 型 中 , 选择 了 如 下一些 参数 : 风温 、 风压 、 风量 、 透气 性指数 、 富氧率 、 炉顶温 度 、 炉顶煤 气压 力 、 炉料 中各成 分 含量 、 批量 、 料速 、 前 几次 出铁 含硅量 等等 . 其硅 预报神 经 网 络结构 参见 图 3 . 风 温 风压 风量 顶 温 料 速 矿焦 比 O 库 C O : 含 量 次硅 数 飞一 心 ’ 一 产 勿 ` 产 · 心 外 · 匆 讨 · · 心 分 句} 巴 坛 守; 图 3 硅预报神经网络结构