摘要本文提出了用灰色神经网络对烧结矿化学成分进行预测，并在此基础上构造了灰色神经网络模型，该模型有效地融合了灰色理论可弱化数据序列波动性和神经网络特有的适应非线性信息处理的能力，研究结果证明，本模型能在小样本、贫信息的条件下对烧结矿碱度做出比较准确的预测，此种模型具有预测精度高、所需样本少、计算简便等优点，取得了比较满意的结果。和BP神经网络算法相比，灰色神经网络算法有很大的应用前景和推广价值。

关键词碱度灰色神经网络预测烧结过程灰色GM(1，1)

1前言

  烧结过程是一个复杂的物理、化学过程，该过程具有机理复杂、高度非线性、强耦合、纯滞后大和难以建立数学模型等特性。烧结矿的碱度要求是指导烧结配矿的一个重要依据，但从配矿到烧结过程完成有很大的时滞，并且由于检测手段的限制，化验烧结矿碱度一般需要40 min。该两个时滞相加超过一小时，这种大滞后的状况满足不了实际生产的需要，因此有必要对烧结矿碱度建立预测模型。

2模型选择和建立

  模型建立问题实际上是优化问题，优化准则的选择取决于建模的目的和算法的难易性。传统建模方法的基本原理是建立系统依赖的参数模型，把辨识问题转化为模型参数的估计问题，这类建模算法至少需要知道模型的结构。它们已较为成功地应用于线性系统或可线性化的对象。对于本质非线性系统，传统的建模方法就无能为力了。而灰色神经网络则无需知道实际系统的网络结构，从而使非线性系统的建模成为可能。灰色神经网络是在灰色模型和神经网络两者无缝融合的基础上发展起来的一种新型实用的预测方法，它已在电力、交通、社会、农业等领域得到了广泛的应用，而在冶金行业还少见报道。本文尝试利用灰色神经网络来预测烧结矿碱度。灰色神经网络的建模思想就是将与研究指标相关的或有影响的过程变量群经过灰色GM(1，1)预测后的若干个预测值作为BP神经网络的输人数据，经过对未知环境的适应和应对，逐渐地学习输入输出数据中潜在的信息和记忆，学习完成的目的就是使所要求的误差函数最小化。灰色神经网络的适应性大，是由于在神经网络中嵌入了一个调整自身的突触权值以提高适应外界环境的能力。特别是，一个在特定运行环境中接受训练的神经网络，在环境条件变化较大时可进行重新训练。而且，当它存在于一个时变环境中，网络的突触权值就可以设计成随时间变化。因此灰色神经网络具有了其他神经网络所不能拥有的适应能力，故本文采用灰色神经网络的建模方法对烧结矿碱度进行预测研究。

3灰色神经网络模型

3．1灰色GM(1，1)模型的建模

    灰色预测方法较传统的统计预测方法有着较多的优点，它不需要确定预测变量是否服从正态分布，不需要大的样本统计量，不需要根据输入变量的变化而随时改变预测模型，通过累加生成技术，建立统一的微分方程模型，累加还原后得出预测结果，微分方程模型具有更高的预测精度。建立GM(1，1)模型的实质是对原始数据作一次累加生成，使生成数列呈现一定规律，通过建立微分方程模型，求得拟合曲线，用以对系统进行预测。

3．2灰色神经网络建模

    本文将与被研究指标(碱度)相关的输入变量分别进行GM(1，1)模型预测，得到的几个预测值作为BP神经网络的输入，采用一个隐含层，传递函数为(0，1)S型函数．f(x)=1/1+e^-x输出为碱度的预测值，模型结构如图1所示。由于是采用灰色神经网络来预测烧结矿碱度，所以我们针对这个重要的输出性能指标，在烧结生产的整个工艺流程中，综合考虑对碱度有影响的或相关的变量，确定了10个输入变量为灰色神经网络的输入，它们分别是：①料层厚度②台车速度③一混加水率④混合料温度⑤混匀矿中的SiO2含量⑥混匀矿中的CaO含量⑦二混加水率⑧混匀矿中的FeO含量⑨CaO配比⑩煤粉配比；确定灰色神经网络的输出值为烧结矿碱度的预测值。

    这10个输入变量的56组数据存储在excel数据库中，在M atlab6．5中，只要调用importwizard(输入向导)就可以容易地将excel数据库中的数据嵌入到Matlab6．5中，只要在Mat1ab6．5的窗口键人数据库名称，就可以在Matlab6．5下调出所需要的数据库。

4仿真结果及分析

4．1训练样本归一化处理和网络结构设置

    1)训练样本数据是安钢烧结厂105 m²烧结机2004年3月1日到3月31日的实际生产记录，根据要求从中选取了控制效果较好的48组数据。另外选取8组数据作为网络的测试数据。

    2)为了便于灰色神经网络学习，将实际数据进行了归一化处理，将实际物理量分别划为[0，1]区间的数值。

    3)采用Matlab程序设计语言编写了预测程序，预测精度为0．01，最大训练次数为10 000次，学习率=0．7，神经网络结构为10×17×1，输入层到隐含层的传递函数为Sigmoid函数，隐含层到输出层为线性传递函数Purelin。

4．2灰色神经网络预测结果

    灰色神经网络的预测结果分别示于图2～图6。

    灰色GM(1，1)与BP神经网络相结合建立起烧结矿碱度的预测网络，可对归一化数据进行学习及仿真。通过对碱度实际值与预测值比较，发现：当绝对误差<0．01时，命中率为94．6％；当绝对误差<0．1时，命中率为97．8％；当绝对误差<0．25时，命中率将近98％。

  三种模型的预测结果及比较(见表1)，说明了灰色神经网络建模优于单一的GM(1，1)和BP神经网络，充分显示了灰色神经网络的优越性，但也有个别数据预测误差较大，通过仔细分析，其原因在于原始数据没有经过消噪处理，如果将原始数据消噪后再建模，预测精度会有所提高。

5结语

    综上所述，灰色神经网络这种新的信息处理和预测方法，充分利用灰色模型弱化数据的随机性，累加数据的规律性以及神经网络的高度非线性，其预测效果明显优于GM模型和一般的神经网络的预测结果，是一种实用且精度较高的时问序列预测方法

    (1．安阳工学院2．安阳钢铁公司烧结厂)