高炉煤粉喷吹技术是实现高炉节能减排的重要手段之一。从经济角度来讲,喷煤实现了冶炼过程中对价格昂贵的焦炭的替代,同时煤粉喷吹技术也是高炉冶炼过程中从高炉底部调控炉温的手段之一。目前高炉冶炼的现场煤粉喷吹量的决策是依靠具有经验的高炉炉长观察高炉运行过程中的各检测指标的参数来决定当前时刻的喷煤量的大小。因此,高炉喷煤量的决策具有主观性。本课题是以高炉冶炼过程中的实时喷煤决策量作为研究对象,以柳州钢铁2#高炉为研究背景,基于机理分析高炉煤粉喷吹对高炉各部分冶炼的影响及决策高炉喷煤量的影响因素,基于数据分析筛选不同变量做为模型的输入特征,针对高炉的冶炼特点对模型进行改进,使其更适用高炉冶炼的数据场景。具体的研究工作如下:(1)结合高炉冶炼过程中的工艺机理和现场传感器采集数据,针对高炉在冶炼过程中由于恶略环境产生的异常值数据,本文使用了箱线图法对其进行了剔除,利用最大信息系数进行相关性分析,确定不同时延下的特征序列对喷煤决策量的影响。根据不同相关性系数阈值,筛选相应的变量作为后续数据建模的输入特征。(2)考虑了不同的相关系数阈值所筛选的特征变量对建模数据的影响,将不同阈值下筛选的变量作为支持向量回归模型中,以验证最佳的相关性系数阈值的建模效果。同时考虑到数据建模模型对数据特征分布敏感的特性,本文引入稀疏降噪自编码神经网络对支持向量回归模型进行改进,使特征数据在进行回归建模之前对特征空间进行重构,保证对数据噪声的平滑处理,使回归模型对于大量存在噪声的高炉数据具有鲁棒性。并在第四章仿真实验中验证基于自编码改进的支持向量回归模型其模型精度由于经典支持向量回归模型。(3)使用聚类算法对高炉数据进行分簇预处理来应对高炉冶炼过程中存在的多冶炼炉况的问题。聚类算法将相似冶炼状态所生成的数据样本归为一簇,进而利用每个数据子集对冶炼过程中的喷煤量进行子模型建立,这样建立多个子模型的方法能够很好的抓住高炉冶炼过程多炉况的特征。最后的数据仿真验证了此方法的有效性和模型的高精度。