卷积神经网络(CNN)在处理图像过程中,因池化方式的原因易出现过拟合,表现出陷入局部最优解。利用天牛须搜索算法(BAS)改进卷积神经网络,在池化层改变池化方式并将其应用到球团矿焙烧制度的最佳推荐上,以模型的最终输出特征图为研究结果,利用这些特征来连接球团的冶金性能和焙烧制度。首先,文章介绍了卷积神经网络的框架和理论知识,从网络结构、网络深度和卷积核选取三方面阐述了网络的内部机理,并且将天牛须算法植入到了池化层中。天牛须算法利用无约束的带罚函数作为适应度函数,根据天牛须算法的特点,对池化层的池化方式做出智能选择,完成了对卷积神经网络的改进。其次,采用1000组样本数据,对原始网络和改进网络同时进行训练和测试,训练样本数量与测试样本数量比例为7:3。测试阶段将测试数据重复进行了五次,模型测试结果对于识别精度和收敛速度做了说明。五次模型的测试值的平均值来表示最终识别精度值:原始模型平均识别精度为97.27%;改进的模型平均精度值为98.874%。从数据上来看,改进模型精度比原始模型精度提高不到两个百分点,但是前者避免了过拟合现象,收敛速度相比于后者在样本容量为150左右表现出快速收敛。最后,利用4500组焙烧球团的矿相样本进行仿真,前期根据焙烧温度等指标对球团冶金性能的影响程度缩小参数区间,最终选出优质样本数量为432组,这些样本每个参数都在最优区间内。然后将最优样本代入改进的卷积神经网络模型,结果只有第253组、第293组和第309组特征图表现出冶金性能最佳。这三组焙烧制度为:Ⅰ组焙烧温度为1263℃,焙烧时间为25min,加热速度为85℃/min,氧化含量为3.7%,冷却速度为98℃/min;Ⅱ组焙烧温度为1304℃,焙烧时间为23min,加热速度为88℃/min,氧化含量为2.8%,冷却速度为95℃/min;Ⅲ组焙烧温度为1314℃,焙烧时间为29min,加热速度为85℃/min,氧化含量为2.8%,冷却速度为99℃/min。该课题改进了卷积神经网络的池化方式,对球团焙烧制度做出了智能推荐,为该领域球团焙烧制度的制定提供了理论参考。图28幅;表7个;参78篇。