针对工业配煤炼焦领域大量实验数据难整合分析、难提取有效价值等缺点,结合当前研究热点,以各类神经网络模型为研究基础,充分利用各类神经网络及改进后的网络进行高效准确的结果预测,进而提高算法的实用效率,节省工业实验的时间和生产成本,为配煤炼焦领域的工业生产提供集数据清洗、数据分析、质量预测于一体的基于神经网络的焦炭质量预测模型。主要研究内容包括:首先,为了更好地对实验数据进行分析,研究各类神经网络算法理论及可改进方面,并在大数据环境下研讨配煤炼焦领域数据的收集整合、数据清洗的方法和流程,给出配煤炼焦数据清洗实例。第二,为了达到准确地对实验数据进行分析处理,在原有BP神经网络模型的基础之上提出了基于交叉验证的级联BP神经网络焦炭质量预测模型。运用交叉验证的级联思想,根据混合煤煤质参数预测焦炭质量参数,不同层间的前后反馈式互连结构保证了判决的准确性及对错误神经元的包容性,总体预测误差基本控制在5%以内,精度较高,效果较好。第三,为了加速逼近搜索,提高焦炭质量预测效果,针对计算复杂度与训练误差性能,设计了基于Sigmoid函数敏感区的正则化网络训练方法,其目的是为了删除对性能影响极小并可能导致过拟合的权值;同时分别建立BP神经网络、交叉验证的级联BP神经网络和RBF神经网络的焦炭质量预测模型,并对其预测效果进行对比分析。最后,为了改善纯数据驱动机制下焦炭质量预测结果可信度不高的局面,将配煤炼焦的内在因果关系分级化描述,根据已知领域知识创建初始网络结构,然后利用级联神经网络对初始网络进行训练以更好地完善结构。经实验仿真发现,引入级联连接的基于领域知识表征方法的网络结构在预测焦炭指标St,d、M10和CRI时的平均误差控制均在5%以内,明显优于传统网络结构的预测结果。