目前国内外主要采用氧弹量热仪测定离线煤的发热量^［1］，结果准确，自动化程度高，但其过程复杂，费时长，且对外界环境温度变化要求较高，尚不能对入厂煤的发热量快速作出反映。国外已用活化中子瞬时激发γ射线分析技术进行火电厂的燃煤在线分析，由于每一种元素发射的γ射线具有特征的频率，只要分析γ射线频谱图就可分析物质元素的组成，从而得到煤质分析的工业分析数据。如果知道工业分析数据与发热量之间内在的联系，就可以在线得到煤的发热量，全面掌握煤质的特性变化。国内煤矿各个矿点，每天都对出矿煤分批分量进行常规分析，工作量大，也需要一种简便的估算发热量的方法。前人已经利用工业分析组成与元素分析组成的实验数据，推导出发热量的经验公式^［2］。这些经验公式可以快速估算出煤的发热量，但它们只能近似估算，误差较大。我们知道，煤的干燥无灰基发热量实质上是煤中碳、氢、氧、硫等元素的综合反映，常规的经验公式是应用数理统计方法对数据进行回归得到线性的模型，而发热量与水分、挥发分、固定碳等的关系呈强烈的非线性，用线性模型表征非线性关系显然是不科学的，人工神经网络具有处理非线性关系的强大潜能，它能解决数理统计方法所不能解决的非线性问题。

1　网络处理
　　作者在文献［3］中已介绍了典型的神经网络模型。本文采用反向传播学习算法(即BP网络)^［4，5］进行网络训练。BP网络处理问题的一般步骤如图1所示。一般来讲，要求训练样本具有代表性，即能代表所要处理问题所在的所有空间，若训练样本集中在全空间的某一或几部分空间时，网络仅对处于这部分空间的样本具有识别能力，而对别的样本识别能力差。

图1　BP网络处理问题的一般步骤

1.1　网络数据
　　本研究用于人工神经网络训练的数据集来自动力用煤国家标准物质标准值(武汉水利电力大学的二级标准物质标准值和煤科院煤炭化学研究所的一级标准物质标准值)，训练数据集如表1所示。
1.2　网络训练
　　训练样本数为表1中的16个，输入层节点数为4个，输出层节点数为1个，最大训练次数定为15 000次，样本最大平方误差为0.000 01。通过初步训练，隐含层节点数选取8最佳，动量因子α取0.98，学习速率η取0.245。图2就是学习速率的取值变化图，从整条曲线应该看出，当η=0.245时，试验误差最小为0.000 173。根据上述参数进行网络训练，不仅训练结果好，而且收敛速率非常快，迭代过程中没有振荡出现。

图2　学习速率变化图

表1　训练数据集

1.3　结果与讨论
　　表2中的预测数据为实验数据，是作者在实际工作中测试出来的。将这些预测数据归一化后输入上述稳定的BP网络，得到预测值，转化后得到神经网络计算的发热量Q_ANN，与实验值相比，相对误差在2.5%以内。神经网络方法处理后的标准方差为S=0.133 9，相对标准偏差为S_r=0.54%。经过t-检验(平均值的成对二样本分析)，P＞0.5，说明实际测试方法与神经网络预测方法不存在显著性差异。

表2　预测数据集