Vol.23 No.1 初元璋等：宝钢F钢大生产产品性能预测 ·49· 数据十数据 next(指向下一节点的指针) 图1BP网络单个输入层节点的数据结构 Fig.1 Deta structure of input layer node of BP neural networds 字段链表头 data data data data data data data data 输人层头节点N N N data data data data 隐层头节点 8 N ④ n Wt Wt Wt wt In wt Wt Wt Wt : Wt Wt Wt Wt V- In Wt Wt Wt Wt W 图2样本记录中字段、输入层节点、隐层间节点对应关系 图中阴影框表示相应数据为空，细线箭头为指针，带纹理的粗箭头为数据流向，其一侧圆圈内运算符是与其所连接 数据的关系；图中data代表字段链表中节点保存的数据，In代表输人值，N代表next指针，W代表权值链表的头指 针，W代表权值链表中节点保存的权值. Fig.2 Corresponding relationship among fields in simple records,nodes in input layer and nodes in hidden layer 很复杂，数据间的运算也比较繁锁，但程序实现上就是隐层节点数由输入数据的项数确定，可 过程中的数据对应关系清晰明了.采用这样的 以保证网络的拓朴结构较好地适应样本的数据 数据结构的另一个优点是，不必知道样本中数 构成 据的个数（即BP网络输入、输出层节点的个数）， (3)在BP算法的实现中，还采用了输人、输 只要找到样本中的第一个数据项，就可以根据 出数据归一化、样本随机排序等措施来减小学 样本数据直接构造网络的输人、输出层，进而构 习和预测过程中的误差，使得网络取得较好的 造出隐层，从而建立一个拓扑结构，它可根据所 运算结果. 处理数据自动生成的BP网络.在对样本进行学 由于采用上述方法，使得本文所建立ANN 习或预测时，也不必知道样本数，而是只要找到 学习预测系统有较好的学习和预测精度.应用 第1个样本即可. 该系统能够对宝钢F钢大生产中实际数据进行 (2)网络的拓朴结构是根据所学习的样本的 处理和分析，预测宝钢F钢大生产产品的性能， 数据构成确定的.即根据1个样本数据的链表 为产品的质量控制提供依据 结构中节点个数确定相应的BP网络的输人、输 出层的节点个数.由于BP网络的隐层节点数据 2实例分析 对网络学习和预测的结果有很大影响，为了确 2.1IF钢大生产数据的初步分析 保隐层节点能适应样本数据的结构，程序中采 收集了宝钢F钢大生产过程中收集了大量 用隐层节点数随输入层节点变化的策略，实际、 勺 1 . 2 3 N O 一 1 初 元璋 等 : 宝钢 FI 钢 大 生产产 品性能 预测 数据 ~ .r 数据 ne xt (指 向下 一节 点 的指针 ) 图 1 B P 网络 单个输入 层 节点 的数 据结 构 F ig . 1 D e ta s t r u e恤re o f i n P u t 肠 y e r n o d e o f B P n e u r a l n e幻滓 o rd s 字段链表头 输人层头节点 隐层头节点 图 2 样本 记录 中字 段 、 输入 层节点 、 隐层 间节点对 应关 系 图 中阴影框表示 相 应数据为 空 , 细 线箭头为 指针 , 带纹理的粗箭头 为数据流 向 , 其一 侧圆圈 内运算符是与其所 连接 数据的关系 ; 图 中 d at 代表字 段链表 中节点 保存 的数据 , nI 代表输人值 , N 代表 n ext 指针 , W 代表 权值链表 的头指 针 , Wt 代表权值链表中节 点保存的权值 . F i g . 2 C o r南po n d in g 茂肠it o n s h iP a m o n g ife l d s in s im P l e er e o r ds , n o d es in in P u t la y e r a n d o o des in h i dd e n 】a y e r 很 复杂 , 数据 间的运算也 比较繁 锁 , 但 程序实现 过程 中的数据对应关 系清晰 明了 . 采用这 样 的 数据 结构 的另 一个优点 是 , 不必 知道样本 中数 据 的个数 (即 B P 网络输人 、 输 出层节点 的个 数 ) , 只要 找到样本 中的第一个数据项 , 就可 以 根据 样本 数据 直接 构造 网络 的输人 、 输 出层 , 进而构 造 出隐层 , 从而 建立一个 拓扑结构 ,它可根 据所 处理 数据 自动生成 的B P 网络 . 在对样本进 行学 习或 预测 时 , 也不 必知道样本数 , 而是 只要 找到 第 1 个样 本 即可 . (2 )网络 的拓朴 结构是根据所学 习 的样 本的 数据构成 确定 的 . 即根 据 l 个样本 数据 的链 表 结构 中节 点个数确 定相应 的 B P 网络 的输 人 、 输 出层 的节 点个数 . 由于 B P 网络 的隐层节点 数据 对 网络学 习 和预测 的结果 有很大影 响 , 为 了 确 保 隐层节点能适应 样本数 据 的结构 , 程序 中采 用 隐层节 点数 随输 人层节 点变化 的策略 , 实际 上就是 隐层节 点数 由输人 数据 的项数 确定 , 可 以保证 网络的拓朴结构较好地适 应样本的数据 构成 . (3 ) 在 B P 算法 的实 现 中 , 还采 用了 输人 、 输 出数据 归一化 、 样 本 随机排 序等措施来减小学 习 和预 测过程 中的误差 , 使 得 网络取 得较好 的 运算结果 . 由于采 用上述方 法 , 使得 本文所建立 A N N 学习 预测 系统有 较好 的学 习 和预测精度 . 应用 该 系统能够对 宝钢 IF 钢 大生 产 中实际数据进行 处 理和 分析 , 预测宝钢 IF 钢大生产产品 的性能 , 为产 品 的质量控制 提供依据 . 2 实例 分析 .2 1 I F 钢大 生产数据的初步分析 收集 了宝钢 IF 钢大生产 过程 中收集 了大量