1、“.....可向高斯核函数那样的辐射状作用函数构成，而输出层节点通常是简单的线性函数。隐层节点中的作用函数核函数对输入信号将在局部产生相应，也就是说，当输入信号靠近核函数的中央范围时，隐层节点将产生较大的输出。由此可看出这种网络具有局部逼近能力，所以径向基函数网络也称为局部感知场网络。网络的输出为隐层节点输出的线性组合，即„„其中„„„„，。中，每层神经元的状态只影响到下层神经元网络。其节点单元如下通常为型，但在输出层中，节点的单元特性有时为线性。图网络算法的数学描述这种网络不仅有输入节点，输出节点，而且还有层或多层隐含节点。对于输入信息，要先向前传播到隐含层节点上经过各单元的特性为型激活函数运算后把隐含节点的输出信息传播到输出节点，最后给出输出结果。网络的学习过程由正向和网络的学习过程由正向和反向传播两部分组成。在正向传播过程息......”。

2、“.....输出节点，而且还有层或多层隐含节点。对于输入信部分内容简介信号从输入层节点依次传过各隐层节点，然后传到输出节点，每层节点的输出影响下层节点的输出。其节点单元如下通常为型，但在输出层中，节点的单元特性有时为线性。图网络算法的数学描述这种网络不仅有输入节点，输出节点，而且还有层或多层隐含节点。对于输入信息，要先向前传播到隐含层节点上经过各单元的特性为型激活函数运算后把隐含节点的输出信息传播到输出节点，最后给出输出结果。网络的学习过程由正向和反向传播两部分组成。在正向传播过程中，每层神经元的状态只影响到下层神经元网络。如果数层不能得到期望输出，就是实际输出值与期望输出值之间有误差，那么转入反向传播过程，将误差信号沿原来的链接通路返回，通过修改各层神经元的权值，依次地向输入层传播去进行计算......”。

3、“.....这两个过程的反复运用，使得误差信号最小。实际上，误差达到人们所希望的要求，网络的学习过程就结束。其算法是在导师指导下，适合于多层神经元网络的种学习，是建立在梯度下降法的基础上的。线性神经网络线性神经网络是最简单的种神经网络，可以由个或多个线性神经元组成线性神经网络与感知神经网络的不同之处在于其每个神经元的传递函数为线性函数，因此，线性神经网络的输出可以取任意值而感知神经网络的输出只能是或。线性神经网络的学习算法比感知器网络的学习算法的收敛速度和精度都有较大提高。线性神经网络主要用于含糊逼近信号处理滤波预测模型识别和控制等方面。径向基函数网络径向基函数网络是近年来受到模式识别化学信息处理信号理论与控制等领域研究人员广泛关注的种前馈神经网络模型。其逼近能力分类能力和学习能力等方面优于网络。径向基函数网络模型结构如下图所示输入层节点只是传递输入信号到隐层......”。

4、“.....而输出层节点通常是简单的线性函数。隐层节点中的作用函数核函数对输入信号将在局部产生相应，也就是说，当输入信号靠近核函数的中央范围时，隐层节点将产生较大的输出。由此可看出这种网络具有局部逼近能力，所以径向基函数网络也称为局部感知场网络。网络的输出为隐层节点输出的线性组合，即„„其中„„„„，。网络的学习过程分为两个阶段。第阶段，根据所输入的样本决定隐层各节点的高斯核函数的中心值和标准化常数。第二阶段在决定好隐层参数后，根据样本，利用最小二乘法则，求出输出层节点数的权系数。有时在完成第二阶段的学习后，在根据样本信号，同时校正隐层和输出层参数，以进步提高网络的精度。图网络反馈型神经网络反馈型神经网络又称递归网络，或回归网络。在反馈网络中，输入信号决定反馈系统的初始状态，然后系统经过系列状态转移后，逐渐收敛于平衡状态。这样的平衡状态就是反馈网络经计算后的输出结果......”。

5、“.....其中网络和神经网络是反馈网络最有代表的例子。神经网络这种网络具有多层结构，除了普通的隐含层外，还有层特别的隐含层，有时称为上下文层或状态层。该层从普通隐含层接受反馈信号，上下文层内的神经元输出被前向至隐含层。如果只有正向连接是使用的，而反馈连接被预定为恒值，那么这些网络可视为普通的前馈网络。而且，可以用算法进行训练否则，可采用遗传算法。神经网络神经网络是美国物理学家于年首先提出的。这是种单层反馈网络，它是在反馈神经网络中引入能量函数的概念，使得神经网络的运行稳定性有了可靠的依据。它主要用于模拟生物神经网络的记忆机理。神经网络有离散型和连续型两种。其结构特点是各个神经元的输出信息并不反馈回自身，但对其它单元有完全连接。，，焦炭质量预测模型的建立配合煤的工艺流程单种煤混合成配合煤再到焦炉出焦的过程如图所示......”。

6、“.....或送煤场储存，需要时再送料槽单种煤进入料槽后，被倒入配煤盘混合均匀配煤盘里的煤经粉碎机粉碎后存入煤塔，在粉碎机里系统对配合煤进行取样，煤塔用于储存炼焦用煤，煤塔里的煤将进入焦炉进行炼焦。配合煤被装入焦炉之后，沿着两侧燃烧室火墙成层次顺序从固体散装煤料开始软化变形，产生气孔，然后逐渐消失煤粒间空隙，固化成半焦，直直至成焦。配煤炼焦质量预测流程影响焦炭强度的因素很多，包括原料煤性质水分灰分挥发分黏结指数或胶质层最大厚度和堆密度等配煤粒度以及炼焦条件结焦时间结焦速度焦饼成熟程度和熄焦方式等。实际生产中将其归为类，即炼焦条件原料煤性质和煤料制备条件。对于冶金焦炭的各项指标来说，焦炭抗碎强度耐磨强度硫分，以及灰分直接影响高炉的炼铁效果，也是其价格与品级的重要指标如下图。而配合煤的粘结性指数灰分，以及灰分直接影响高炉的炼铁效果，也是其价格与品级的重要指标如下图......”。

7、“.....又直接影响焦炭性能。炼焦生产过程非常复杂，存在诸多不确定性因素，用传统的方法难以实现对所炼制的焦炭进行定性定量的质量预测。图配煤过程中的有关参数鉴于神经网络是种模仿人类大脑结构和功能建立的理论，它具有自适应性并行能力，并能执行非线性任务和去除噪声的能力，通过不断的反向传播修正误差实现或逼近所希望的输入输出的映射关系，为实现用神经网络进行焦炭质量预测，进而优化其配煤比的实现提供了可能。本文实验采用前向型神经网络神经网络，预测因子为配合煤的粘结性指数灰分挥发分和硫分，即为神经网络的维输入向量。输出层也为个神经元，分别为焦炭的抗碎强度耐磨强度灰分以及硫分，输出向量也是个维的向量。中间层的传递函数选择函数。在集成框神经网络训练里填写神经网络的参数以及训练网络所需的样本文件。建立神经网络，设定训练步数误差范围学习速率的选择在般的情况下倾向于选择较小值以保证稳定性......”。

8、“.....改变其隐含层神经元节点的数目，然后用数据库中的数据来对其进行训练，数据有最佳学习效果和最好预测效果的神经网络即是我们所需要的神经网络如下图。训练结束后弹出训练网络的图，该图为动态过程。训练停止后，用户可以看到的训练效果如图所示，用户可以保存训练获得的权值，供后面的预测使用。图神经网络训练过程简图图神经网络训练结果图示例结果分析网络经过训练以后才可以对实际生产的焦炭进行质量预测，网络训练步数隐含神经元节点个数，直接对网络的非线性预测能力起着至关重要的作用，进而影响焦炭质量的预测。隐含层节点数的确定隐含层节点的个数取决于训练样本数样本噪声大小以及样本中蕴涵规律的复杂程度。确定隐含层节点数常用的方法是试凑法，试凑法常采用经验公式式中，为输入层神经元的个数，为输出层神经元的个数。神经网络模型的最佳隐含层节点数般会落入区间，。在每次训练中......”。

9、“.....分别使用不同的隐含层节点，训练模型之后检验模型，比较每次获得的目标误差，找出最佳隐含层节点数。由于输入层和输出层的神经元均是个，依据定理，中间层的神经元个数可以在之间。实验以焦化厂的配合煤及生产焦炭的各项实际数据表为基础，固定前组数据为训练数据，最后组数据为测试数据，设定训练步数为，改变网络训练隐含神经元数进行训练，结果如下图至所示。表配合煤及生产焦炭的各项实际数据配合煤指标焦炭指标，周期实验误差，图隐含神经元为时的误差变化曲线周期实验误差，图隐含神经元为时的误差变化曲线周期实验误差，图隐含神经元为时的误差变化曲线周期实验误差，图隐含神经元为时的误差变化曲线周期实验误差，图隐含神经元为时的误差变化曲线比较以上各图，我们发现隐含层单元为时网络的收缩周期最短，且误差变化较平缓，误差完全满足实际生产过程对焦炭质量的预测。接下来改变输入与输出数据，取中间四组为测试数据......”。