·268· 北京科技大学学报 第34卷 计算确定 的效果，将人工神经网络的预测结果和基于案例推 2.4择优 理的预测结果进行比对.其中，人工神经网络是一 基于案例推理搜索出的结果是一个根据相似度 个BP神经网络，分为三层：输入层、隐层和输出层 进行降序排列的案例集.本文的择优不是选择一个 输入层有12个节点，分别代表12个影响因素；隐层 相似度最大的唯一案例，而是综合考虑大于某个相 也是12个节点，使用tansig函数：输出层只有一个 似度阈值的案例集合.因此，预测钢水温度的计算 节点，表示钢水温度，使用purelin函数.人工神经 公式如下： 网络使用Matlab工具进行开发，训练次数10000 T=∑(G·) 次，目标为1×l0-3.基于案例推理使用.net下的C# ,G:≥Go ∑G 语言进行开发.为了便于比较，人工神经网络的训 式中：G。为相似度阈值，本文取0.70；G:为已有案 练数据集和基于案例推理的己有案例集取为一致， 例和待分析案例的相似度：T:为己有案例的实际 均为500组数据，人工神经网络的仿真数据集和基 于案例推理的预测案例集也取为一致，均为70组数 温度 据.实验结果如图4和表3所示. 3结果比较 由表3可知，基于案例推理进行精炼开始钢水 为了检验应用基于案例推理技术预测钢水温度 温度预测比BP神经网络具有较高的命中率，尤其 1610 1600 1590 18 1580 1570 12 1560 1550 6 1540 +实际温度 1530 ·神经网络预测温度 1520 713192531374349556167 -40-30-20-10010 230 30 炉号 温度误差℃ 1610 20 1600 18 1590 16 1580 14 1570 12 量150 10 1550 1540 +实际温度 1530 ·案例推理预测温度 1520 1713192531374349556167 40-30-20-10010203040 炉号 温度误差气 图4BP神经网络和基于案例推理的结果比较.()实际温度与神经网络预测温度比较：(b)神经网络预测温度的命中率：()实际温 度与案例推理预测温度比较：()案例推理预测温度的命中率 Fig.4 Comparison of results computed by BP network and case-based reasoning:(a)comparison between real temperature and predictive tempera- ture using artificial neural network:(b)hit rate of predictive temperature using artificial neural network:(c)comparison between real temperature and predictive temperature using case-based reasoning:(d)hit rate of predictive temperature using case based reasoning 是在较小的温度误差区间的命中率更高。例如， 表3神经网络和案例推理的预测命中率 [-10,+10]误差范围内的温度命中率，BP神经网 Table 3 Hit rate of predictive temperature using artificial neural network and case-based reasoning % 络只有50.00%，而基于案例推理为55.71%，两者 误差区间/℃ ANN/% CBR/% 相差5.71%；而[-15，+15]误差范围内的温度命 [-10,+10] 50.00 55.71 中率，BP神经网络只有74.29%，而基于案例推理 [-15,+15] 74.29 77.14 为77.14%，两者相差2.85%. [-20,+20] 91.43 91.43北 京 科 技 大 学 学 报 第 34 卷 计算确定． 2. 4 择优 基于案例推理搜索出的结果是一个根据相似度 进行降序排列的案例集． 本文的择优不是选择一个 相似度最大的唯一案例，而是综合考虑大于某个相 似度阈值的案例集合． 因此，预测钢水温度的计算 公式如下: T = ∑( Gi·Ti ) ∑Gi ，Gi≥G0 ． 式中: G0 为相似度阈值，本文取 0. 70; Gi 为已有案 例和待分析案例的相似度; Ti 为已有案例的实际 温度． 3 结果比较 为了检验应用基于案例推理技术预测钢水温度 的效果，将人工神经网络的预测结果和基于案例推 理的预测结果进行比对． 其中，人工神经网络是一 个 BP 神经网络，分为三层: 输入层、隐层和输出层． 输入层有 12 个节点，分别代表 12 个影响因素; 隐层 也是 12 个节点，使用 tansig 函数; 输出层只有一个 节点，表示钢水温度，使用 purelin 函数． 人工神经 网络使用 Matlab 工具进行开发，训练次数 10 000 次，目标为1 × 10 － 3 ． 基于案例推理使用． net 下的C# 语言进行开发． 为了便于比较，人工神经网络的训 练数据集和基于案例推理的已有案例集取为一致， 均为 500 组数据，人工神经网络的仿真数据集和基 于案例推理的预测案例集也取为一致，均为 70 组数 据． 实验结果如图 4 和表 3 所示． 由表 3 可知，基于案例推理进行精炼开始钢水 温度预测比BP神经网络具有较高的命中率，尤其 图 4 BP 神经网络和基于案例推理的结果比较． ( a) 实际温度与神经网络预测温度比较; ( b) 神经网络预测温度的命中率; ( c) 实际温 度与案例推理预测温度比较; ( d) 案例推理预测温度的命中率 Fig． 4 Comparison of results computed by BP network and case-based reasoning: ( a) comparison between real temperature and predictive tempera￾ture using artificial neural network; ( b) hit rate of predictive temperature using artificial neural network; ( c) comparison between real temperature and predictive temperature using case － based reasoning; ( d) hit rate of predictive temperature using case based reasoning 是在较小的温度误差区间的命中率更高． 例如， ［－ 10，+ 10］误差范围内的温度命中率，BP 神经网 络只有 50. 00% ，而基于案例推理为 55. 71% ，两者 相差 5. 71% ; 而［－ 15，+ 15］误差范围内的温度命 中率，BP 神经网络只有 74. 29% ，而基于案例推理 为 77. 14% ，两者相差 2. 85% ． 表 3 神经网络和案例推理的预测命中率 Table 3 Hit rate of predictive temperature using artificial neural network and case-based reasoning % 误差区间/℃ ANN/% CBR/% ［－ 10，+ 10］ 50. 00 55. 71 ［－ 15，+ 15］ 74. 29 77. 14 ［－ 20，+ 20］ 91. 43 91. 43 ·268·