本文摘要：1前言 近年来，仿真生物神经系统的神经网络，由于具备自学、自的组织等新的信息处理能力，对于模式识别问题有相当大的优越性，获得了很快的发展。在冶金行业中，轧钢加热炉是轧钢生产过程中的最重要设备之一，在实际操作过程中，操作者人员依赖传感器的信息，辨别炉况，展开操作者。有些辨别无法用非常简单的IFATHENB这样的规则传达，而是根据操作者人员的经验，将炉况分为几种模式，用神经网络来辨识目前炉况归属于那种模式，对其展开操作者展开指导，或作为专家系统的补足，有较小的起到。

1前言　　近年来，仿真生物神经系统的神经网络，由于具备自学、自的组织等新的信息处理能力，对于模式识别问题有相当大的优越性，获得了很快的发展。在冶金行业中，轧钢加热炉是轧钢生产过程中的最重要设备之一，在实际操作过程中，操作者人员依赖传感器的信息，辨别炉况，展开操作者。有些辨别无法用非常简单的IFATHENB这样的规则传达，而是根据操作者人员的经验，将炉况分为几种模式，用神经网络来辨识目前炉况归属于那种模式，对其展开操作者展开指导，或作为专家系统的补足，有较小的起到。

2神经网络模型　　神经网络是仿真生物的神经系统（尤其是脑）功能的网络。人脑大约由150亿个神经细胞构成，每个细胞同数千、数万个神经细胞互为联系，构成网络。这样，神经细胞模型可以看做是n输出单输入的信息处理单元。

某个输出Xi对神经细胞的影响以影响度回应，称作细胞的融合权重或效率Wi，这个细包模型如图1右图。图1细胞模型　　细胞的输出有强有弱，当其综合多达某一阀值，则细胞转入激动状态，产生输入;当其综合高于阈值时，细胞转入诱导状态，没输入。神经细胞之间可以有有所不同的相连方式，目前早已明确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出来的并行性，其总体计算出来效率很高。生物的一个最重要特征是有自自学功能，转变神经网络中细胞（或节点）输出端的权重或者细胞激动的阀值，掌控细胞的激动状态，可以构建生物系统所具备的灵活性的辨别和自自学功能。

神经网络有两种常用的模型。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个输入，一个中间层。从输出信号x，由内部单元经非线性转换，最后获得输入y。对于输出x，希望的输入划为yd=yd（x），而实际输入为y=y（x），一般二者不完全一致；输入输出的函数与网络内部细胞的融合权重有关。

由希望输入与实际输入的误差信号e=yd（x）-y（x），调整网络内部的融合权，使误差增大，以提高神经网络的工作，这称作自学神经网络。在这种场合，因为等价希望的输入，故称作有教导的自学。目前逆向误差传播自学法获得广泛应用，这一自学法以输入的二乘误差为评价函数，以平均速度上升法偏移修正各层融合权和阀值。这样，开始时在网络上随机设置小的权重和内部阀值，反复输出训练数据展开自学，每一试验，根据指标的误差信息对权值和阀值展开调整，直到指标超过可以拒绝接受的值。

本文来源：新葡萄官网平台-www.garfield-es.com