神经网络在轧钢加热炉模式识别与智能控制中的应用

　　一、前 言

　　近年来，模拟生物神经系统的神经网络，由于具有学习、自组织等新的信息处理能力，对于模式识别问题有很大的优越性，得到了迅速的发展。在冶金行业中,轧钢加热炉是轧钢生产过程中的重要设备之一,在实际操作过程中，操作人员依靠传感器的信息，判断炉况，进行操作。有些判断难以用简单的“IF A THEN B”这样的规则表达，而是根据操作人员的经验，将炉况分成几种模式，用神经网络来识别目前炉况属于那种模式，对其进行操作进行指导，或作为专家系统的补充，有较大的作用。

　　二、神经网络模型

　　神经网络是模拟生物的神经系统(特别是脑)功能的网络。人脑约由150亿个神经细胞组成，每个细胞同数千、数万个神经细胞相联系，形成网络。这样，神经细胞模型可以看作是n输入单输出的信息处理单元。某个输入Xi对神经细胞的影响以影响度表示，称为细胞的结合权重或效率Wi，这个细包模型如图1所示。　

　　图1 细胞模型

　　细胞的输入有强有弱，当其总合超过某一阀值，则细胞进入兴奋状态，产生输出;当其总合低于阈值时，细胞进入抑制状态，没有输出。

　　神经细胞之间可以有不同的连接方式，目前已经提出了许多神经网络模型，在神经网络中，由于神经细胞的计算的并行性，其总体计算效率很高。生物的一个重要特征是有自学习功能，改变神经网络中细胞(或节点)输入端的权重或者细胞兴奋的阀值，控制细胞的兴奋状态，可以实现生物系统所具有的灵活的判断和自学习功能。

　　神经网络的两种常用的模型。

　　2.1 多层感知器模型　

　　图2 层次感知器神经网络

　　图2是一个三层感知器神经网络，有N个输人，M个输出，一个中间层。从输入信

　　号x，由内部单元经非线性变换，最终得到输出y。

　　对于输入x，期望的输出设为yd=yd(x)，而实际输出为y=y(x)，一般二者不一致;

　　输入—输出的函数与网络内部细胞的结合权重有关。由期望输出与实际输出的误差信号

　　e = yd(x)-y(x)

　　调整网络内部的结合权，使误差减小，以改善神经网络的工作，这称为学习神经网络。

　　在这种场合，因为给定期望的输出，故称为有教导的学习。

　　目前逆向误差传播学习法得到广泛应用，这一学习法以输出的二乘误差为评价函数，以最速下降法反向修正各层结合权和阀值。

　　这样，开始时在网络上随机设置小的权重和内部阀值，重复输入训练数据进行学习，每一试验，根据指标的误差信息对权值和阀值进行调整，直到指标达到可以接受的值。这一迭代算法步骤如下：