基于交叉验证的级联BP神经网络的焦炭质量预测模型

阎少宏，吴宇航

（华北理工大学理学院 河北 唐山 063210）

1 引言

近年来，优质煤的大量投入显著改善了焦炭质量，但焦炭质量预测仍停滞在经验和定性描述层面[1]。其实整个炼焦过程中包括了一系列的物化变化，也存在许多非线性因素。配煤炼焦过程及其相应的主要性能指标如图1所示[2]。而煤粒间是通过界面反应与键合连接成焦，其内部非线性的物理机制符合神经网络的特性。

2 交叉验证思想

交叉验证也称为循环估计，是一种没有任何前提假定直接进行估计泛化误差的模型选择方法，由于无假设且易于操作，交叉验证应用于各类模型选择中，具有普遍适用性。一般来说，交叉验证应该尽可能满足：训练集的比例足够大，通常超过50%；训练集和测试集需要被均匀取样。交叉验证的目的是为了获得可靠稳定的模型。

3 级联BP神经网络结构

BP神经网络收敛速度快但易落入局部最优解。相比之下的级联BP神经网络由于结构更为复杂，便具有了更强大的拟合能力与更稳定的收敛特性，最重要的是能保证决策的准确性和对错误神经元的包容性[3]。级联BP网络采用局部权值共享的方式，增加了网络的自由参数，每层神经元的接受域来源于前面各层的信号，在输出层拥有足够数量的自由参数来刻画样本集内部的特征，其网络拓扑结构如图2所示。

图1 配煤炼焦过程图

图2 级联BP神经网络拓扑结构图

4 基于交叉验证的级联BP神经网络焦炭质量预测模型

样本集按照比例被划分为训练集、验证集和测试集，训练集通过模型性能来选择最优参数，验证集周期性的测定训练误差，为避免网络对验证集的过度学习，采用测试集评定模型的泛化性能[4]。具体步骤包括：

5 仿真结果及分析

运用MATLAB软件进行仿真得到级联BP神经网络的训练误差曲线，随后调整网络结构得到交叉验证后级联BP神经网络的训练误差曲线，如图3和图4所示。

图3 级联BP神经网络训练误差曲线图

图4 交叉验证的级联BP神经网络训练误差曲线图

图5 基于交叉验证的级联BP神经网络与级联BP神经网络焦炭质量参数预测误差对比图

从图4可以看到，在迭代2374次时级联BP神经网络的训练效果达到最优值5×10-4；在迭代6809次时交叉验证的级联BP神经网络训练的效果达到最优值0.012，网络较精确的反映了输入量与输出量之间的映射关系，减小了训练值与实测值之间的误差，达到了较好的训练结果。最后用剩余10组混合煤煤质参数作为输入量，预测对应焦炭质量的各项参数（以CSR和CRI为例），其预测误差值对比结果如图5所示。

由图可得知基于交叉验证的级联BP神经网络的精度要高于级联BP神经网络，基于交叉验证的级联BP神经网络预测误差基本控制在5%以内，绝大多部分的预测效果优于级联前向网络，而普通的级联BP神经网络则在15%以内。

6 结语

本文建立了基于交叉验证的级联BP神经网络模型，该模型得到的焦炭质量预测结果明显减小了预测误差，在提高模型预测精度的同时也增强了模型的泛化能力，效果更好。