人工神经网络改进篇1

关键词：神经网络；时间序列；猪肉价格预测

一、引言

猪肉是中国民众食物消费的主要畜产品，其价格变化关乎国计民生。市场上猪肉数量、价格的高低直接影响老百姓的生活水平和社会稳定，一旦市场出现大的波动，必然会导致社会生产总量的剧烈变化，进而影响市场供给。猪肉价格预测也能有效防止生猪生产的市场风险，价格预测也有利于制定科学的价格计划，提高物价工作水平。所以，提高预测能力和水平，是价格监测工作应追求的更高境界，也是当前价格监测事业建设应抓好的重中之重。

现有的价格预测算法有很多种，应用最广泛的是灰色系统预测算法GM（1，1）与BP神经网络算法：（1）灰色预测法，是由中国学者邓聚龙教授于1982年提出的。（2）BP神经网络算法是人工神经网络算法中的一种，也称为反向神经网络传播算法。

二、BP神经预测法及其改进

人工神经网络就是模拟人思维的一种方法。其特点是信息的分布式存储和并行协同处理。神经网络算法BP，作为人工神经网络的一种算法，分为信息的正向传播和误差的逆向传播两个部分。

可以看出，2013年7月份到2013年12月份的凉州区价格预测结果与实际值极为相近，得出均方误差MSE=0.557，说明所建模型科学合理，可以用来预测凉州区猪肉价格。

四、结论

论文对猪肉价格本身变化趋势进行研究，通过利用2012年7月到2014年4月的凉州区猪肉价格数据来预测2014年5月到10月的猪肉价格。建立了基于时间序列的神经网络模型，将样本数据分为两大部分：训练样本集和测试样本集。利用所有猪肉价格数据预测出2014年5月份到10月份的凉州区猪肉价格。由于猪肉价格受外部诸多因素影响，所以模型不能够精确地预测猪肉价格。产生一定误差是不可避免的，若考虑其他影响因素，预测精度会进一步提高。

参考文献：

[1]郑丽敏，田立军，朱虹等.基于MATLAB的BP神经网络在猪等级评定中的应用研究[J].计算机应用研究，2008，25（6）：1642-1644

[2]张磊，王娜，谭向勇.猪肉价格形成过程及产业链各环节成本收益分析-以北京市为例[J].中国农村经济，2008，（12）14-26

[3]阎平凡，张长水.人工神经网络与模拟进化算法[M].清华大学出版社，2009.112-421

[4]袁曾任.人工神经网络及其应用[M].清华大学出版社，2011.116-361

[5]刘祸耕.多层前馈人工神经网络研究[J].湖南师范大学自然科学学报，2005（4）：222-261

[6]苏高利，邓方萍.论基于MATLAB语言的BP神经网络改进算法[J].科技通报，2003.99-109

[7]丛爽.面向MATLAB工具箱的神经网络理论与应用（第二版）[M].中国科学技术大学出版社.2003.

[8]许东，吴铮.基于MATLAB6.X的系统分析与设计神经网络（第二版），西安电子科技大学出版社.2002.

[9]赵志勇.基于MATLAB的BP神经网络计算铁矿产品成本[J].河北理工学院学报，2003（4）：78-79

人工神经网络改进篇2

关键词:BP神经网络;远程抄表技术;数字识别

1、引言

为了克服传统人工定期现场抄表技术复杂、信息不及时、人为误差大、管理不方便、人力物力浪费等缺点，随着经济的发展，迫切需要研究开发出一种智能远程动态抄表系统，保证电力运营商进行电能经济合理的计量管理。本文利用改进BP神经网络强大数据分析处理、模型自动学习预测等功能，对视频扫描获得的远程电能数据进行集中模块化“学习”训练，获得相应的模块约束值和预定值，并通过计算机程序自动进行图像数据，最终形成动态的电能数据表格，为电能远程自动采集提供了丰富的理论技术。

2、抄表技术概况

2.1传统人工抄表

传统人工抄表是通过电力运营商雇佣相应电能抄表员登门查表，完成电能抄表校对工作。随着电网规模的扩大，加上电力用户分散，给供电企业抄表带来的巨大的困难。抄表员需要花大量的时间进行抄表和电能数据校对工作，大大增加了电力运营商的负担，造成了大量的人力浪费，同时由于人为误差的存在，给电力用户带来了许多不便，整个电能的抄录过程在时间上存在着明显的离散性，不利于电力运营商的统一管理。

2.2远程自动抄表

随着电力电子技术和计算机通信技术的不断成熟，远程自动抄表技术已经逐步取代传统人工抄表技术，成为电力运营企业电能抄表的核心技术。远程抄表系统一般由电能检测表计、视频数据采集模块、数据储存模块、数据通信模块、计算机综合数据管理模块五大部分构成，整个系统采用集散式典型结构，具有明显的树型综合通信结构，利用综合通信技术实现了对电能数据的实时动态采集，便于电力运营商进行电能的检测、综合数据分析管理和收费自动化的要求的实现。

3、改进BP神经网络

改进BP是一种基于误差反馈综合比较的神经网络，由于该模型不需要具有精确的数学模型，只需要将外界已知的原始数据作为系统的输入，对整个网络模型进行“学习”训练，网络层通过输入层(INPUT)获得相关的数据信息，通过中间层(Recurrent)进行数据信息处理，再通过输出层(OUTPUT)获得对应的数据信息。

4、图像识别

数字识别技术包括图像处理和数据识别两项重要的任务，是利用计算机对图像分析处理的核心，在目前较多的图像识别、图像复原、图像预测等领域得到了广泛的发展。

4.1图像采集模块

图像采集器由视频监控单元、COMS图像传感器单元、环境照明、数据初步处理单元(DSP)及RS-485通信网络单元。图像采集模块的系统结构图如图1所示:

图1中，利用低端COMS图像传感器对电能数据进行采集，当采集系统核心单片机系统收到通信网络传输的上级电能数据读取命令时，通过内部控制立即打开COMS图像传感器，在照明灯的帮助下，实现对电能数据的拍摄。单片机数据处理中心进行对刚拍摄的电能图像数据进行裁剪和压缩，形成系统默认的图像格式，并通过RAM储存模块进行保存，完成对电能数据的实时动态采集。当单片系统获得上级发出的图片传送命令时，就会用串行方式通过RS485网络将电能图像数据传输给改进BP神经网络系统，进行相应的数据分析，获得实时动态的电能数据。

4.2图象特征提取

通过图像采集器采集到的电能数据图像，需要通过数据提取技术将图像中所包含的数据信息从模拟化状态提取为实际计算机默认的二维代码，供给改进BP神经网络系统进行学习判断。在图像特征值提取过程中，广泛采用字符分割和数据归一化等技术，将不规则的图像信息转变为规则整齐的数据信号，并作为特征向量矩阵供给改进BP网络系统进行训练，就可以实现改进BP网络的图像字符的识别。

5、实例分析

5.1仿真结果

为了验证基于改进BP网络电能预测系统的可靠性，利用已采集的图像和图像中所包含的实际电能数字作为改进BP神经网络的学习样本。将图像中实际数字作为输出矩阵，原始图像信息作为神经网络的输入数据，采用反馈误差最小思想对改进BP神经网络进行“学习”训练，通过系统自动学习获得模型的权值和阀值。本次实验采用10组数据进行分析，其结构如表1所示。

从表1中所获得结构可知，通过改进BP神经网络对视频采集到的电能数据图片特征进行分析识别，其获得对应电能数据的识别率高达99%以上，且整个系统的误差都在10-2量级以内，说明了整个系统的建模精度十分的高，可以满足图像识别技术的要求，达到了电能数据远程采集、自动传输、数字识别等功能，给电能远程采集提供了一个新的研究思路。

6、结束语

改进BP神经网络具有明显的非线性数据处理能力，能够对图像特征数字等进行预测判断，可以有效提高电能数据的处理效率和精度。利用COMS图像采集单元，将远程的电能数据信息通过摄像功能进行拍摄，通过单片机进行图像的预处理，变成系统默认的图片格式，并通过RAM储存器进行图片信息保存，在上级命令的驱动下自动采集和传输电能数据图像。并通过RS485传输给神经网络系统，通过系统自动识别完成对电能数据的分析，实现电能数据的综合分析。基于改进BP神经网络的远程电能采集系统实现远程电能数据采集、分析判断和统一管理，提高了运营商的电能合理经济的计量管理水平。

参考文献

[1]李国华等.身份证号码的自动识别系统[J].华南理工大学学报，2002，(3):94-96.

[2]崔政.一种在线图像编码识别系统的设计[J].微计算机信息，2006，22(2):243-245.

[3]张有顺，冯井岗.电能计量基础[M].北京:中国计量出版社，2002.

人工神经网络改进篇3

关键词：电加热炉；BP神经网络；PID控制

中图分类号：TP23文献标识码：A文章编号：1672-3198（2008）05-0322-02

1基于BP神经网络的PID控制

BP算法是在导师指导下，适合于多层神经元网络的一种学习，它是建立在梯度下降法的基础上的。理论证明，含有一个隐含层的BP网络可以实现以任意精度近似任何连续非线性函数。

BP神经网络结构如图1所示，由三层(输人层、隐含层、输出层)网络组成，使输出层的神经元状态对应PID控制器的三个可调参数Kp、Ki、Kd。通过神经网络的自学习、加权系数调整使神经网络输出对应于某种最优控制律下的PID控制器参数。

图1BP网络结构

基于BP(Baekpropgation)网络的PID控制系统结构如图2所示，控制器由常规的PID控制器和神经网络两部分组成，常规PID控制器直接对被控对象进行闭环控制，并且其控制参数为Kp、Ki、Kd在线调整方式；神经网络根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化，使输出层神经元的输出对应于PID控制器的三个可调参数Kp、Ki、Kd。通过神经网络的自学习、加权系数的调整，使神经网络输出对应于某种最优控制规律下的PID控制器参数。

图2神经网络PID控制器结构图

2改进型BP神经网络

基本BP神经网络主要存在以下两个缺陷：其一，传统BP网络是一个非线形优化问题，不可避免的存在局部极小问题。网络的权值和阀值沿局部改善的方向不断修正，力图达到使误差函数最小化的全局解，但实际上常得到的是局部最优点；其二，学习过程中，误差函数下降慢，学习速度缓，易出现一个长时间的误差坦区，即出现平台。

目前已有不少人对此提出改进的方法。如在修改权值中加入“动量项”，采用Catchy误差估计器代替传统的LMS误差估计器等。本文在此探讨通过变

换梯度来加快网络训练的收敛速度的共轭梯度算法,利用这种算法改善收敛速度与收敛性能。改进共轭梯度算法在不增加算法复杂性的前提下可以提高收敛速度，并且可以沿共轭方向达到全局最优即全局极值点。它要求在算法进行过程中采用线性搜索，本文采用Fletcher-Reeves线性搜索方法，以保证算法的收敛速度。

将改进共轭梯度法应用于BP网络的控制算法如下：

1)选取初始点w(0)和初始搜索方向d(0)=-g(0)；

2)对k=0，1，2，…，n-1,BP网络的权值修正公式为

w(k+1)=w(k)+α(k)d(k)(1)

式中：α(k)为学习速率，使式(1)取得极小；d(k)为第k次迭代的共轭方向。

3)计算新的梯度矢量g(k+1)；

4)若k=n-1，则用w(n)代替w(0)，并返回步骤(1)；否则转步骤(5)；

5)计算第(k+1)迭代的共轭方向

d(k+1)=-g(k+1)+β(k)d(k)(2)

式中

β(k)=gT(k)g(k)gT(k-1)g(k-1)（Fletcher-Reeves公式）(3)

6)如果dT(k+1)g(k+1)>0，则用w(n)代替w(0)，并返回步骤(1)；否则转步骤(2)。

3仿真试验

本文以电加热炉为控制对象，其数学模型可以用一阶惯性环节加上一个大的纯滞后环节来表示，传递函数为：

G(s)=KpTps+1e-τs=148286s+1e-200s

构造两个3-5-3结构的BP神经网络，以误差、误差的积分、误差的微分为网络的输入；选取学习速率η=0.01、惯性系数α=0.04，加权系数初始矩阵取区间［00.5］上的随机数，传统与改进的BP神经网络的加权系数分别使用负梯度法、改进共轭梯度法进行自整定。

由于电加热炉是温度参数的定值控制，且存在干扰和对象参数变化的情况，为验证改进BP神经网络PID控制的效果，分别对其跟踪设定值特性、及适应对象参数变化的能力进行仿真研究，并与基于传统BP神经网络PID控制器的控制效果进行比较分析。图3为单位阶跃响应曲线，图4为过程对象单位阶跃响应曲线是在控制器参数不变的情况下改变对象G(S)参数的仿真结果。(注:以下各图中实线或“I”均表示改进BP神经网络PID控制结果，虚线、点线或“T”表传统BP神经网络PID控制器的控制结果;A、B、C分别表示G(S)三种参数变化了的模型)

从仿真结果看，改进BP神经网络PID控制器比传统BP神经网络PID控制器在控制性能上有了一定程度的提高，尤其是在系统稳定时间和抗干扰性方面的优化较为明显。这主要是因为在BP算法中采用了改进共轭梯度法，加快了BP算法的收敛速度，从而保证了系统稳定时间较短，又具有较好的泛化能力，因此，具有较强的抗干扰和适应参数变化的能力

4结论

改进共轭梯度BP算法在不增加算法复杂度的情况下，通过梯度的共轭方向来寻求网络的全局最优值，从而避免网络陷入局部极小值。本文将其替代传统的BP算法构造智能PID控制器，并进行了以电加热炉为模型的控制系统仿真。结果表明，这种改进算法能够有效提高网络的训练速度，改善网络的收敛性能，避免网络陷入局部极小值，取得了良好的控制性能。

参考文献

［1］陈巍,吴捷.具有辅助调节功能的递归神经网络自适应PID控制［J］.信息与控制,2000,29(5):461-470.

［2］李奇,李世华.一类神经网络智能PID控制算法的分析与改进［J］.控制与决策,1998,13(4):312-316.

［3］李士勇著.模糊控制、神经控制和智能控制论［M］.哈尔滨:哈尔并工业大学出版社,1996.

［4］高隽.人工神经网络原理及仿真实例［M］.北京:机械工业出版社,2003,7-20.

人工神经网络改进篇4

论文关键词：内燃机人工神经网络辅助方法

论文摘要：针对汽车发动机设计和性能评测当中有关参数计算的特点，提出应用人工神经网络方法进行辅助计算，以提高数据计算的结构化程度和处理速度。通过对具体数据的实际操作表明，应用本方法能够很好地表达原图表数据关系，所得结果的精度能够满足计算要求。

汽车发动机的性能包括动力性、经济性、生态特性——排放与噪声、可靠性及耐久性等多个方面，这些参数要通过在一定条件下的测试计算来获得。当发动机在非标准环境下运转时，其相关计算要通过参数进行修正，比如发动机的有效功率和燃油消耗率的计算。当发动机在非标准环境下运转时，其有效功率及燃油消耗率应修正到标准环境状况，当然也可由标准环境状况修正到现场环境状况，其中的有效功率和燃油消耗率修正系数在gb1105..1-87中以图表的形式给出，使用很不方便，本文应用人工神经网络对此图表信息进行处理，提高了数据计算的结构化程度和处理速度，取得了满意的效果。

1.神经网络的识别原理

在神经网络系统中，其知识是以大量神经元的互连和各连接的权值来表示的.神经网络映射辩识方法主要通过大量的样本进行训练，经过网络内部自适应算法不断调整其权值，以达到目的.状态识别器就隐含在网络中，具体就在互连形式与权值上.在网络的使用过程中，对于特定的输入模式，神经网络通过前向计算，产生一输出模式，通过对输出信号的比较和分析可以得出特定解。目前神经网络有近40多种类型，其中bp(backpropagation,即反向传播)网络是最常用和比较重要的网络之一，本文就应用一种改进型的bp网络进行相应数据图表的识别映射。

bp网络由输入结点、输出层结点和隐层结点构成，相连层用全互连结构.神经网络的工作过程主要有两个阶段：一个是学习期，通过样本学习修改各权值，达到一稳定状态；一个是工作期，权值不变，计算网络输出。

b

p网络的学习过程由正向传播和反向传播两部分组成。在正向传播过程中，输入信息从输入层经隐层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的路径返回，通过修改各层神经元的权值，使得误差信号最小。

当给定一输入模式x=(x1,x2,….,xm)和希望输出模式y=(y1,y2,…..,yn)时，网络的实际输出和输出误差可用下列公式求出：

隐含层输出：

式中——输入层至隐含层，隐含层至输出层的连接权；

——隐含层结点、输出层结点的阀值；

m、h、n——输入层、隐含层、输出层结点数；

f——s型函数，f(x)=(1+e-x)-1.

如果误差太大不能满足要求，则需要用下列公式修正各连接权和阀值

为网络提供一组特定的训练模式，随机产生初始连接权和阀值，不断币复上述计算过程，直到网络全局误差小于给定的极小值为止.

由于bp网络的高识别能力，应用中采用了此结构形式.同时为提高其识别效果，加快网络的训练速度，缩短工作周期，应用了附加动量项和自适应速率的改进算法.

附加动量项法使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响，其作用如同一个低通滤波器，允许网络上的微小变化特性，使网络陷入局部极小值的可能性大大减少。自适应速率是通过改变学习率，提高bp算法的有效性和收敛性，缩短训练时间.

2具体应用

根据以上理论，采用改进的bp神经网络形式，动量因子取0.9，对有效功率校正系数和燃油消耗率校正系数与指示功率比和机械效率的关系同时进行识别，采用双输入双输出的2-10-2结构、2-15-2结构、2-20-2结构进行训练，识别情况分别如表3-5所示。

从实际的应用效果来看，2-15-2和2-20-2的逼近能力相似，2-15-2的速度快于2-20-2结构，而2-20-2结构的识别能力要远低于前两种结构，采用更少的隐层结点数就会使训练的时间过长，甚至使训练过程无法进行.因此最后选择2-15-2的bp网络结构作为最终的神经网络形式。如图1所示为训练次数与误差平方和之间的关系曲线，表4为部分网络输出与实际数值的比较.

通过以上计算分析可见，神经网络的映射输出能力是相当强的，通过合理的网络结构选择和具体的参数应用，完全可以满足优化设计的计算要求，大大缩短优化当中的计算迭代时间，提高计算效率。

3结论

（1）人工神经网络有很强的数据映射能力，能够很好地识别所给数据之间的对应关系，映射的精度可以满足一般设计计算要求.

（2）对于包含无规律图表数据的有关计算问题，应用神经网络是一个很好的加快运算速度的解决方法.

（3）在数据的映射识别当中，网络的结构形式和参数选择对于问题的求解精度和速度都是致关重要的’同时应当注意数据的过度训练问题.

（4）智能算法的应用为具体的工程计算提供了更方便、有效的手段，寻找有效的计算方法，以及多种算法的混合应用将是摆在设计人员的一个课题.

参考文献

[1]焦李成.神经网络系统理论[m]西安:西安电子科技大学出版社，1990.

[2]焦李成.神经网络的应用与实现[m].西安:西安电子科技大学出版社，1993.

[3]王文成.神经网络及其在汽车工程中的应用[m].北京:北京理工大学出版社，1998.

[4]张成宝，丁玉兰，雷雨成.人工神经网络在汽车变速器齿轮故障诊断中的应用[j].汽车工程,1999,21(6)374-378.

[5]watanahley,sharphs.neuralnetworklearningcontrolofautomotiveaotic-esuspensionsystems.lnternational,lournalofvehicledesign[j]，1999，21(2/3):124一147.

人工神经网络改进篇5

1BP神经网络简介

1986年，Rumelhart，Hinton和Williams完整而简明地提出一种ANN的误差反向传播训练算法（简称BP算法），系统地解决了多层网络中隐含单元连接权的学习问题，由此算法构成的网络我们称为BP网络。

1.1BP神经网络的基本原理

BP网络的基本思路是将训练过程分为两个阶段，第一阶段正向传播，输入信息从输入层经隐含层单元处理后传向输出层，每一层神经元的状态只影响下一层神经元状态。倘若在输出层得不到希望的输出，则转入第二阶段反向传播，将误差信号沿原来的神经元连接通路返回。通过修改各层神经元的权值，逐次地向输入层传播进行计算。这样，反复地运用这两个过程，使得误差信号最小，最后使得信号误差达到允许的范围之内。

1.2BP神经网络的神经元模型

BP神经元的结构模式如图1所示，基于以下几点假定：其一，每一个神经元是一个多输入单输出的信息单元；其二，突触分兴奋性和抑制性两种类型；其三，神经元输出有阈值特性；其四，神经元输入与输出间有固定的时滞；其五，忽略时间的整合和不应期；其六，神经元本身是非时变的。BP神经元的三个重要功能：一是加权-可对每个输入信号进行不同程度的加权；二是求和-确定全部输入信号的组合效果；三是转移-通过转移函数f（.），确定其输出。1.3BP神经网络的结构BP神经网络的主要功能决定于两个方面：一是网络的组成结构形式，也就是BP神经网络的连接方式；二是网络的学习和运行规则，及网络中连接权值的调整规则。如图2和图3所示，BP神经网络多层网络有单层网络级连而成，即网络中下一层各神经元接受前一层各神经元的输出。输入层各神经元负责接收来自外界的输入信息，并传递给中间各隐层神经元；每一个隐层是神经网络的内部信息处理层，负责信息变换；最后一个隐层将信息传递到输出层，输出层将信息进一步处理后即向外界输出信息处理结果，完成了一次从输入到输出的信息处理。由输出层构成多层网络时，各层间的转移函数应是非线性的，否则多层网络只相当于一个单层网络，其映射和存储能力丝毫不比单层强。

2BP神经网络在钢铁工业中的应用

2.1BP神经网络在钢铁冶炼中的应用

近年来，BP神经网络以其并行运算及强大的非线性处理能力被广泛应用于转炉炼钢控制中，随后转炉人工智能静态控制模型被成功开发，使终点命中率有了很大提高。因此，国内外许多学者进行了大量的基于神经网络的转炉控制研究［8，9］。AmlanDatta等［10］报道了在转炉炼钢过程中开发BP神经网络模型来预测钢水中硫含量。模型经40个样本学习后，现场应用的实际相关系数为0.87。水城钢铁（集团）有限责任公司炼钢厂的张毅［11］采用3层BP神经网络来预测炼钢成品的C、Si、Mn成分，根据炼钢的实际生产数据选取铁水、废钢、供氧、吹氩、硅锰合金、增碳剂等28个因素作为输入变量，对输入参数进行归一化处理，采取附加动量项和自适应学习步长的措施，解决了BP神经网络局部收敛和学习时间过长的问题，提高了神经网络预报的准确率。杭州电子科技大学的朱亚萍［12］针对转炉炼钢静态模型终点命中率较低的问题，分析了影响转炉炼钢终点命中率的各种因素包括铁水量、铁水温度、铁水各项化学成分含量等共17个变量，确定了BP神经网络（BPNN）的拓扑结构，并依此建立了转炉炼钢静态模型，该研究提高了转炉炼钢静态模型的终点C含量和温度预测精度。宝钢的杨志勇等［13］针对铁水预处理粉剂模型，设计了BP人工神经元网络数学模型，并给出了在系统中的应用方案，使脱硫效果提高8%，符合现场实际生产需求，由于模型精确度大幅提高，脱硫生产操作过程能够得以稳定，极大地减轻了高炉和转炉的脱硫负担。

2.2BP神经网络在钢铁轧制中的应用

AMukhopadhyay，AIqbal等［14］采用三层BP神经网络预报了低碳热轧板的极限强度、屈服强度和延伸率，并研究了不同网络结构对预报准确率的影响，该模型采用121组数据进行验证，验证值与实测值吻合良好。该模型已在印度塔塔钢铁公司热轧厂成功在线应用。山东莱芜钢铁集团有限公司板带厂的王洪彬［15］利用所建BP神经网络卷取温度预设模型提高了卷取温度的控制精度，能够给出不同厚度规格时的可靠的预设定值，从而减轻了反馈控制的负担，提高了卷取温度的控制质量。重庆钢铁集团公司的朱颖杰等人［16］利用BP神经网络的方法预测SPCC冷轧带钢产品力学性能并以现场得到的化学成分（C、Si、Mn、P、S、Al）和工艺参数（退火温度、轧制速度）正交试验数据为基础，采用离线学习的方法得出网络的预报值，BP神经网络具有良好的预报性能，实测值与预报值之间的偏差不超过8%。昆明理工大学的栗景树等人［17］以昆钢热轧产品Q235为例，对热轧板带的质量预测进行研究。利用BP神经网络理论建立以化学成分、轧制参数为输入，以力学性能为输出的质量预测模型-BP热轧板带质量模型，并利用训练好的BP神经网络质量模型，对产品的力学性能进行预测，98%的预测输出与实际输出误差在5%以下。北京科技大学的吴晋斌等人［18］以0.33%C，0.40%Si，1.50%Mn，0.099%V的中碳含钒微合金钢在应变速率为0.005～30s-1、温度为750～1050℃条件下的单向热压缩变形实验数据为样本数据，用商用软件matlab6.5构建BP人工神经网络模型。适用于预测一定温度与应变速率范围内（0.1～0.9）应变处的热变形流变应力，与常用的表征稳态或峰值应变处的流变应力与温度和应变速率关系的Arrhenius方程相比，应用范围更广。东北大学的邱红雷等人［19］为了提高中厚板轧机轧制力的预报精度，采用轧制力模型自适应与人工神经元网络相结合的方法进行中厚板轧制力的在线预报。应用结果表明，采用本方法预报轧制力时精度优于传统的数学模型，相对误差可以控制在±3%以内。

2.3BP神经网络在漏钢预测中的应用

连续铸钢生产过程中漏钢是最严重的事故之一，在20世纪70年代后期，为尽可能降低连铸过程中发生漏钢事故所造成的损失，研发了连铸漏钢预报技术［20，21］。20世纪90年代，神经网络开始应用于漏钢预报系统中［22-24］。目前，国内外工程中获得实际应用的神经元模型大部分是BP网络模型。田陆等人［25］提出了一种基于前馈反向传播（BP算法）神经网络的漏钢预报系统。通过神经网络分析漏钢前一段时间结晶器的温度特征曲线，提前诊断出漏钢的可能性，做出及时的预报，防止漏钢的发生。此系统得到了广泛的应用。东北大学的厉英等人［26］建立了BP神经网络漏钢预测模型，增加了BP神经网络参数，改变了传统只考虑温度因素的方式，将拉速和中间包钢水温度作为输入参数，扩大了漏钢因素的考虑范围，提高了预报的准确性，对某钢厂现场实际数据进行训练和预测，实验测试结果准确率为100%。2.4BP神经网络在钢材组织及性能中的应用钢的力学性能与其化学成分和工艺参数间呈现高度的非线性关系，难以用数学模型精确描述，但人工神经网络特别适合描述非线性关系，在钢的力学性能的研究中有重要作用。近年人工神经网络在钢的性能预测方面得到了广泛的应用，取得了令人满意的结果。C觟l等人［27］采用广义回归神经网络（GRNN）对一种APIX65微合金化钢的韧性进行预测。网络的输入为化学成分（C、Nb、Ti、N），冶炼工艺参数（钢液总量，硬硼酸钙石、石灰、FeMn、FeSi、Al、CaSi加入量，吹Ar量，吹Ar时间），加工工艺参数（保温温度、保温时间、出炉温度、变形率、终轧厚度、终轧温度、卷取温度），网络的输出为冲击功。预测结果表明GRNN能有效地预测冲击功，相关系数为0.984，平均相对误差为3.04%。XuLiujie等［28］采用BP网络根据淬火温度和回火温度预测高钒高速钢（HVH-SS）残余奥氏体量、硬度、磨粒磨损强度；采用贝叶斯正则化与LevenbergMarquardt算法结合的改进的BP网络，改进后的BP网络能精确预测奥氏体量、硬度、磨粒磨损强度，并能用于研究热处理工艺对性能的影响规律，从而确定最佳热处理工艺。改变该钢中V、C含量后采用与上述相同的BP网络对磨损失重进行预测，该BP网络能精确预测磨损失重并反映化学成分与磨损失重间的关系，从而确定了V、C的最优加入量［29］。FWMargrave等用超声波探伤仪，对含有裂纹、线缺陷、穿孔、夹渣、气孔等缺陷的试样进行探伤，测得能表征缺陷的不同形状、位置、尺寸、服役条件（应力）等情况的回波信号，再将这些信号处理后作为BP神经网络的输入，输出端为上述5种缺陷和无缺陷共6个输出变量。缺陷的识别准确率大于90%。

3BP神经网络在钢铁工业中的局限及发展前景

BP神经网络存在学习收敛速度慢、学习时间长和数据依赖性强等局限性，因此寻找合适的算法与BP神经网络相结合，解决上述问题，是BP神经网络发展的重要研究方向。多年来，围绕BP神经网络陷入局部极小值的问题，国内外的研究者做了大量的工作。解决这一问题，必须彻底摆脱依赖梯度信息来指导数值调整方向，引进其他算法与BP算法相互结合。因此，模拟退火法、单纯形法、趋化性算法、随机学习算法、动量算法以及递推最小二乘（RLS）技术等方法应运而生。针对学习时间长这一问题，现在一般采用离线学习、在线预报作为变通手段。BP神经网络的发展为冶金工作者提供了一个全新的知识获取和处理手段。与其它传统模型（如数学模型、回归模型、时间序列模型及经验分析模型）相比，它具有较强的抗噪声和非线性问题处理能力。另外，它的实时性又使其能对过程实现在线响应。基于此，它被越来越多地收入到专家系统中，同时，其结构价值也在专家系统的功能应用中得到体现。