摘要：影响烧结矿ＦｅＯ含量的因素较多且ＦｅＯ含量与各因素间呈现非线性关系，预测难度较大。针对烧结矿ＦｅＯ含量难以直接预测的问题，提出一种Ｄｒｏｐｏｕｔ算法与Ａｄａｍ算法和四层ＢＰ神经网络相融合的烧结矿ＦｅＯ含量预测模型。为提高烧结矿ＦｅＯ含量的预测准确率，结合烧结工艺，选取与烧结矿ＦｅＯ含量强相关性的烧结机尾断面热成像关键帧的温度特征作为模型的参数输入。利用Ｄｒｏｐｏｕｔ算法改善四层ＢＰ神经网络结构，Ａｄａｍ算法优化四层ＢＰ神经网络的训练过程，进而提高模型的预测精度和泛化能力。试验表明，改进的模型预测烧结矿ＦｅＯ含量误差值在±０．５、±０．８和±１．０时，命中率分别达到７７．４２％、８８．７１％和９６．７７％。与三层ＢＰ神经网络预测模型和支持向量机回归（ｓｕｐｐｏｒｔｖｅｃｔｏｒｒｅｇｒｅｓｓｉｏｎ，ＳＶＲ）模型相比，该模型的误差更小，同时预测精度也得到显著提升。 关键词：烧结矿；ＦｅＯ含量；机尾断面热成像；ＢＰ神经网络；Ｄｒｏｐｏｕｔ算法；Ａｄａｍ算法 下载高清全文——基于改进BP神经网络的烧结矿FeO含量预测.pdf