人工神经网络BP算法简介及应用概要
BP算法详解范文
BP算法详解范文BP（Back Propagation）算法，即反向传播算法，是一种用于训练人工神经网络的常用算法。
它通过将误差信息从输出层向输入层逐层反向传播，并利用梯度下降法来调整网络的权值和阈值，从而实现网络的优化。
BP算法的核心思想是将网络的误差从输出层向输入层进行传播和修正。
具体来说，算法首先进行前向传播，将输入数据从输入层经过隐含层传递到输出层，得到网络的输出，并计算出输出层的误差。
然后，算法通过反向传播，将输出层的误差按照一定比例分配给前一层的神经元，并利用梯度下降法来调整权值和阈值。
BP算法的训练过程可以分为以下几个步骤：1.初始化权值和阈值：根据网络的结构，随机初始化权值和阈值。
2.前向传播：将输入数据从输入层开始，依次经过每一层的神经元，直到输出层，得到网络的输出值。
3.计算误差：根据预测输出与实际输出之间的差异，计算输出层的误差。
4.反向传播：将输出层的误差按照一定比例分配给前一层的神经元，并将误差从输出层向输入层传播。
5.权值和阈值调整：根据传播得到的误差信息，利用梯度下降法来调整权值和阈值，使得网络的输出与实际输出更加接近。
6.重复迭代：重复以上步骤，直到网络的输出达到预定的精度或达到最大迭代次数。
BP算法的关键在于反向传播过程中的误差分配和权值调整。
在反向传播过程中，误差会通过每一层的连接权重进行传播，以更新每一层的权值和阈值。
具体来说，通过计算每个神经元的误差项，可以得到该神经元对于总误差的贡献，从而按照比例将误差分配给前一层的神经元。
最后，根据误差项和学习率，可以通过梯度下降法来调整权值和阈值，进而减小网络的误差。
BP算法的主要优点是可以训练多层前馈神经网络，能够逼近任意函数，具有较强的拟合能力。
同时，BP算法的计算过程可以通过并行计算来加速，提高训练效率。
然而，BP算法也存在一些问题，比如容易陷入局部最优解、训练速度慢以及需要大量的训练样本等。
总之，BP算法是一种常用的训练人工神经网络的算法，通过反向传播和梯度下降法来调整网络的权值和阈值，使得网络的输出与实际输出更加接近。
BP神经网络及其应用
BP神经网络及其应用摘要:人工神经网络是最近发展起来的十分热门的交叉学科,有着非常广泛的应用前景。
文着重研究了BP神经网络结构、算法原理、介绍了BP网络改进算法,最后将改进的BP算法应用与变压器故障诊断。
关键词: BP神经网络;应用;故障诊断1、神经元模型人工神经网络(Artificial Neural Networks,ANN)是对人脑神经系统的近似模拟。
神经网络由许多人工神经元互连组成,能接受并处理信息,网络的信息处理由神经元之间的连接权值来实现。
1943年,McDulloh和Pitts根据生物神经元的结构和功能,建立了人工神经元模型如图1,一个基本的神经元i,它有n个输入,每个输入都通过一个适当的权值w 与神经元相连。
是神经元的输入, 是神经元i的阀值; ,分别是神经元i对的权值;是神经元的输出;圆形代表内部求和函数,它将输入求和得到神经元的静输入。
f( )是神经元的激励函数,它决定神经元受到输入时的输出。
激励函数f( )有多种形式,如Sigmoid函数、阶跃函数和线性函数等。
2、BP神经网络基本思想将BP网络理论学习算法转化为实际的学习过程,其原理如下:如图4-2所示,令I = { a1,..., an}为输入层故障诊断向量,O={ c1,..., cj}为输出层故障诊断向量,H={b1,,...,bp}为隐含层神经元数,V=Vn×p与W=Wp×q,为各层之间连接权值,K=(1,2,..., m)为给定的样本数。
先给LI层单元与LH层单元之间、LH层单元与LO层单元之间的连接权以及LH层单元阀值θi、LO层单元阀值γi赋[-ε,+ε]区间的随机值份(ε≦1)。
对每个模式对(A k,Tk)(k=1,2,...,m)的学习步骤如下:(1)将输入模式Ak送到LI层,LI层单元的激活值ah通过连接权矩阵V送到LH层,产生LH层新的净输入netbi,进而产生LH层单元的输出值bi 式中h=1,2,...,n;i=1,2,...,q。
BP神经网络基本原理与应用
BP神经网络基本原理与应用BP神经网络，即反向传播神经网络（BackPropagation Neural Network），是一种常用的人工神经网络模型，由几层节点相互连接而成，通过输入与输出之间的连接进行信息传递与处理。
BP神经网络广泛应用于模式识别、数据挖掘、预测分析等领域，具有较好的非线性映射能力和逼近复杂函数的能力。
BP神经网络的基本原理是参考人脑神经元的工作方式，通过模拟大量神经元之间的连接与传递信息的方式进行数据处理。
BP神经网络通常由输入层、隐藏层和输出层组成，其中输入层接收外部输入的数据，输出层返回网络最终的结果，隐藏层通过多个节点进行信息传递和加工。
在前向传播阶段，输入数据从输入层进入神经网络，通过各层节点之间的连接，经过各层节点的加权和激活函数处理，最终输出到输出层。
此过程权值是固定的，只有输入数据在网络中的传递。
在反向传播阶段，通过计算输出层的误差与目标输出之间的差异，反向传播至隐藏层和输入层，根据误差大小调整各层节点之间的权值。
这种反向传播误差的方式可以不断减小输出误差，并逐渐调整网络的权值，使得网络的输出结果更加准确。
BP神经网络的应用非常广泛，可以有效地处理非线性问题。
例如，在模式识别领域，可以用于人脸识别、声纹识别等方面，通过学习大量的样本数据，提取出特征并建立模型，实现对特定模式的识别和分类。
在数据挖掘领域，可以用于聚类分析、分类预测等方面，通过训练网络，建立数据模型，对未知数据进行分类或者预测。
在预测分析领域，可以用于股票预测、销售预测等方面，通过学习历史数据，建立预测模型，对未来的趋势进行预测。
总的来说，BP神经网络作为一种常用的人工神经网络模型，具有强大的非线性映射能力和逼近复杂函数的能力，其基本原理是通过输入与输出之间的连接进行信息传递与处理，并通过不断调整权值来减小输出误差。
在实际应用中，可以广泛应用于模式识别、数据挖掘、预测分析等领域，为我们解决复杂问题提供了有力的工具和方法。
（完整版）BP神经网络原理及应用
（完整版）BP神经网络原理及应用BP神经网络原理及应用1 人工神经网络简介1.1生物神经元模型神经系统的基本构造是神经元（神经细胞），它是处理人体内各部分之间相互信息传递的基本单元。
据神经生物学家研究的结果表明，人的大脑一般有1011个神经元。
每个神经元都由一个细胞体，一个连接其他神经元的轴突1010和一些向外伸出的其它较短分支——树突组成。
轴突的功能是将本神经元的输出信号（兴奋）传递给别的神经元。
其末端的许多神经末梢使得兴奋可以同时送给多个神经元。
树突的功能是接受来自其它神经元的兴奋。
神经元细胞体将接受到的所有信号进行简单地处理后由轴突输出。
神经元的树突与另外的神经元的神经末梢相连的部分称为突触。
1.2人工神经元模型神经网络是由许多相互连接的处理单元组成。
这些处理单元通常线性排列成组，称为层。
每一个处理单元有许多输入量，而对每一个输入量都相应有一个相关联的权重。
处理单元将输入量经过加权求和，并通过传递函数的作用得到输出量，再传给下一层的神经元。
目前人们提出的神经元模型已有很多，其中提出最早且影响最大的是1943年心理学家McCulloch和数学家Pitts在分析总结神经元基本特性的基础上首先提出的M-P 模型，它是大多数神经网络模型的基础。
)()(1∑=-=ni j i ji j x w f t Y θ （1.1）式(1.1)中,j 为神经元单元的偏置（阈值），ji w 为连接权系数（对于激发状态，ji w 取正值，对于抑制状态，ji w 取负值），n 为输入信号数目，j Y 为神经元输出，t 为时间，f()为输出变换函数，有时叫做激发或激励函数，往往采用0和1二值函数或Ｓ形函数。
1.3人工神经网络的基本特性人工神经网络由神经元模型构成；这种由许多神经元组成的信息处理网络具有并行分布结构。
每个神经元具有单一输出，并且能够与其它神经元连接；存在许多（多重）输出连接方法，每种连接方法对应一个连接权系数。
BP神经网络算法解读
BP神经网络算法解读BP（Back Propagation）神经网络是一种以误差逆传播为基础的人工神经网络算法，被广泛应用于机器学习和模式识别中。
它可以通过不断调整权重和阈值，在训练样本中找到最佳的参数组合，从而实现模式的识别和预测。
本文将对BP神经网络算法进行解读。
BP神经网络由输入层、隐藏层和输出层组成。
输入层接收来自外部的输入数据，隐藏层对输入数据进行处理，输出层将处理结果输出。
BP神经网络的核心思想是通过正向传播将输入信号从输入层传递到输出层，然后通过反向传播计算输出误差，并根据误差调整网络中的权重和阈值，以不断精确预测。
在前向传播阶段，输入层的数据被传递到隐藏层，然后再传递到输出层。
每个神经元都有一个激活函数，用于将输入信号转换为输出信号。
常用的激活函数有Sigmoid函数和ReLU函数等。
通过隐藏层的处理，网络可以对输入数据进行非线性变换，从而提高对复杂模式的学习能力。
在反向传播阶段，通过计算输出层的误差，将误差逆向传播到隐藏层和输入层，并根据误差调整权重和阈值。
误差的计算通常使用平方误差函数等方式。
通过反向传播，网络可以根据误差不断调整权重和阈值，以提高预测的准确性。
反向传播的核心是梯度下降算法，它通过沿着误差梯度方向迭代调整权重和阈值，不断减小误差。
梯度下降算法有两种常见的更新方式：批量梯度下降和随机梯度下降。
批量梯度下降在处理一批样本时同时更新参数，而随机梯度下降在处理单个样本时更新参数。
梯度下降算法的学习率决定了每次更新参数的步长，学习率过大可能导致算法不收敛，而学习率过小则收敛速度慢。
为了防止BP神经网络过拟合，常常采用正则化和交叉验证等技术。
正则化的目标是控制模型的复杂度，通过约束权重的大小来避免过拟合。
交叉验证将数据集划分为训练集和验证集，在训练过程中对模型进行评估，以选择最佳的模型参数。
BP神经网络算法作为一种简单而有效的神经网络算法，已经在许多领域取得了成功应用。
它可以用于图像识别、语音识别、自然语言处理等任务。
BP人工神经网络算法的探究及其应用
BP人工神经网络算法的探究及其应用
BP人工神经网络算法是一种基于反向传播原理的人工神经网络，具有很好的非线性拟合能力和适应性，被广泛应用于数据挖掘、图像识别、自然语言处理等领域。
BP网络的基本结构由输入层、隐藏层和输出层组成。
输入层接收外界输入的数据，隐藏层进行信息处理和转化，输出层则输出网络的结果。
BP算法主要包括前向传播和反向传播两个过程。
在前向传播过程中，网络通过输入层接收输入信息，经过隐藏层的处理后，产生输出结果。
在反向传播过程中，网络根据误差信号，将误差一步步向前传播，不断调整各个层次之间的连接权值，直至误差最小化，从而实现网络训练和学习。
BP网络算法具有很强的泛化能力和适应性。
它不需要先验知识，不断通过调整权值来精确匹配输入数据与输出结果之间的关系，适用于处理各种复杂的非线性问题。
BP算法还具有很好的稳定性和鲁棒性，在模型参数调整过程中不易陷入局部极小值，训练后的网络具有很强的泛化能力和鲁棒性。
BP神经网络算法已经成功应用于图像识别、自然语言处理、文本分类、金融风险评估等领域。
例如，基于BP算法的手写数字识别系统，在MNIST（美国国家标准与技术研究所）数据集上取得了较好的识别率，已经被广泛应用于银行卡号识别等场景；基于BP算法的股票预测模型，在对历史股票数据进行训练后，能够对未来股票价格变化做出预测，帮助金融从业人员做出更为准确的投资决策。
总之，BP神经网络算法作为一种基于反向传播原理的人工神经网络，具有很强的非线性拟合能力和适应性，能够广泛应用于各个领域。
预计在未来，随着人工智能技术的不断发展和完善，BP算法将会带来更多的应用和领域的拓展。
BP算法及其优缺点
BP算法及其优缺点BP算法，即反向传播算法（Backpropagation algorithm），是一种在人工神经网络中被广泛应用的训练算法。
它通过将误差从网络的输出层反向传播到输入层，来调整网络中的连接权值，以达到学习和逼近目标函数的目的。
BP算法的步骤如下：1.初始化网络的连接权值2.将输入样本送入网络，通过前向传播计算得到输出结果3.计算输出层的误差，并将误差反向传播到隐藏层和输入层4.根据误差调整连接权值5.重复步骤2-4，直到达到停止条件（如误差小于一些阈值或达到最大迭代次数）BP算法的优点包括：1.强大的拟合能力：BP算法适用于解决非线性问题，能够学习和逼近各种复杂的函数关系。
2.广泛适用性：BP算法可以应用于多种不同的学习任务，包括分类、回归、聚类等。
3.支持并行计算：BP算法可以通过多个节点同时计算数据的梯度，从而加速训练过程。
然而，BP算法也存在一些缺点：1.容易陷入局部最优解：BP算法的目标是最小化误差函数，但是由于其基于梯度下降的策略，容易陷入局部最优解而无法收敛到全局最优解。
2.训练速度慢：BP算法通常需要大量的训练样本和迭代次数才能达到较好的学习效果，造成了训练速度较慢。
3.对初始权值敏感：BP算法的性能受到初始权值的影响，不同的初始权值可能导致不同的训练结果。
4.容易出现过拟合问题：BP算法在训练样本数量较少或网络结构过于复杂的情况下，容易出现过拟合现象。
针对这些缺点，研究者们提出了一些改进和优化的方法，如使用正则化技术来减小过拟合的风险、采用随机梯度下降来加速训练速度、引入动量项来增加学习的稳定性等。
综上所述，BP算法是一种经典的人工神经网络训练算法，具有强大的拟合能力和广泛的适用性。
但是它也存在一些缺点，如容易陷入局部最优解、训练速度慢、对初始权值敏感等。
在实际应用中，我们需要根据具体问题的特点和需求，综合考虑优缺点，在算法的改进和优化上进行进一步的研究和探索。
BP神经网络算法
1
目
录
一、BP神经网络算法概述
二、BP神经网络算法原理
三、BP神经网络算法特点及改进
2
一．BP神经网络算法概述
BP神经网络（Back-Propagation Neural Network），即误差
后向传播神经网络，是一种按误差逆向传播算法训练的多层前馈网
络，是目前应用最广泛的网络模型之一。
11
二．BP神经网络算法原理
图5 Tan-Sigmoid函数在（-4,4）范围内的函数曲线
12
二．BP神经网络算法原理
激活函数性质：
① 非线性
② 可导性：神经网络的优化是基于梯度的，求解梯度需要确保函
数可导。
③ 单调性：激活函数是单调的，否则不能保证神经网络抽象的优
化问题转化为凸优化问题。
④ 输出范围有限：激活函数的输出值范围有限时，基于梯度的方
= 1
=1
7
,
= 1,2,3 … , q
二．BP神经网络算法原理
输出层节点的输出为：
j = 2 ,
= 1,2,3. . . ,
=1
至此，BP网络完成了n维空间向量对m维空间的近似映射。
图2 三层神经网络的拓扑结构
8
二．BP神经网络算法原理
BP神经网络是多层前馈型神经网络中的一种，属于人工神经网
络的一类，理论可以对任何一种非线性输入输出关系进行模仿，因
此 被 广 泛 应 用 在 分 类 识 别 （ classification ） 、 回 归
（regression）、压缩（compression）、逼近（fitting）等领域。
在工程应用中，大约80%的神经网络模型都选择采用BP神经网
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
科技信息 2011年第 3期 SCIENCE &TECHNOLOGY INFORMATION人工神经网络是模仿生理神经网络的结构和功能而设计的一种信息处理系统。
大量的人工神经元以一定的规则连接成神经网络 , 神经元之间的连接及各连接权值的分布用来表示特定的信息。
神经网络分布式存储信息 , 具有很高的容错性。
每个神经元都可以独立的运算和处理接收到的信息并输出结果 , 网络具有并行运算能力 , 实时性非常强。
神经网络对信息的处理具有自组织、自学习的特点 , 便于联想、综合和推广。
神经网络以其优越的性能应用在人工智能、计算机科学、模式识别、控制工程、信号处理、联想记忆等极其广泛的领域。
1986年 D.Rumelhart 和 J.McCelland [1]等发展了多层网络的 BP 算法 , 使BP 网络成为目前应用最广的神经网络。
1BP 网络原理及学习方法BP(BackPropagation 网络是一种按照误差反向传播算法训练的多层前馈神经网络。
基于 BP 算法的二层网络结构如图 1所示 , 包括输入层、一个隐层和输出层 , 三者都是由神经元组成的。
输入层各神经元负责接收并传递外部信息 ; 中间层负责信息处理和变换 ; 输出层向外界输出信息处理结果。
神经网络工作时 , 信息从输入层经隐层流向输出层 (信息正向传播 , 若现行输出与期望相同 , 则训练结束 ; 否则 , 误差反向进入网络 (误差反向传播。
将输出与期望的误差信号按照原连接通路反向计算 , 修改各层权值和阈值 , 逐次向输入层传播。
信息正向传播与误差反向传播反复交替 , 网络得到了记忆训练 , 当网络的全局误差小于给定的误差值后学习终止 , 即可得到收敛的网络和相应稳定的权值。
网络学习过程实际就是建立输入模式到输出模式的一个映射 , 也就是建立一个输入与输出关系的数学模型 :x i (t +1 =f i [u i (t +1 ](1 标准的 BP 算法是一种梯度下降学习算法 , 其权值的修正是沿着误差性能函数梯度的反方向进行的。
这种算法可以写成公式 (2 的形式 :x k +1=xk -a 鄣 E kk(2 E k ≈ 1/s 2s 2i =1Σ(t i 2-y i 2 (3 其中 x k 为第 k 次迭代各层之间的权值和阈值向量 , E k 为第 k 次迭代神经网络的输出总误差 , 鄣 E k /鄣 x k 为第 k 次迭代总误差曲面的梯度 , a 为学习速率。
网络的实际输出值 y j 与要求的目标值 t j 由公式 (3 求出总误差 , 带入公式 (2 中 , 便可以逐次修正权值及阈值 , 并使总误差向减小的方向变化 , 直到达到要求的误差性能为止。
图 1两层 BP 网络神经模型 2BP 算法实现苹果颜色分级苹果表面颜色是衡量苹果品质的重要特征 , 同时间接反映了苹果的成熟度、糖度、水分含量等内部品质。
国内外的研究者在水果颜色检测方面做了很多工作。
Tao 等利用色度特征统计识别算法完成了对苹果、土豆的颜色分级 [2]; 杨秀坤等用遗传神经网络方法实现苹果颜色自动检测 [3]; 李庆中等基于遗传神经网络实现苹果颜色实时分级 [4]。
本实验选用红富士苹果为研究对象 , 通过计算机视觉技术获取苹果色度直方图 , 直方图反映了苹果表面颜色组成情况 , 以此提取颜色特征参数。
实验选取 70个不同等级的苹果样本 , 分别用人工检测和神经网络检测的方法进行分级。
人工检测结果为 15个优等果、 25个一等果、21个二等果和 9个等外果。
保证样本具有足够的代表性和全面性。
提取所有样本的七个色度特征值 , 分别除以 1000作为实际输入网络的样本数据 , 因此神经网络的输入层节点数为 7; 采用两层网络 , 隐含层定义 10个节点 ; 输出层输出数据为 (1000、(0100、(0010、(0 001, 分别代表苹果的四个等级 :优等、一等、二等和等外。
任选 55个苹果样本信息训练 BP 网络 , 15个样本作为检验集。
交换训练集和检验集样本 5次进行重复实验 , 经过训练的网络实际输出苹果等级与人工检测的苹果等级的相关性达到 0.9以上。
表 1为其中一种情况下检验集 15个苹果样本中的 5个样本信息 , 表 2为对应的网络检测分级结果和人工分级结果的对照图。
训练的收敛误差取 0.001, 最大迭代次数为 5000次。
训练网络的误差演化曲线见图 2。
在达到最大迭代次数的时候 , 实际误差已经为 0.001, 网络已经达到训练目的。
图 2误差演化曲线表1待分级苹果颜色特征数据(下转第 418页人工神经网络 BP 算法简介及应用侯瑞(南京航空航天大学金城学院江苏南京 211156【摘要】 BP 网络是当前工程应用最广泛的一种人工神经网络。
本论文主要介绍 BP 算法及 BP 网络的原理 , 并结合一个苹果分级的实例具体说明 BP 网络的应用。
本研究具有一定的实用价值。
【关键词】神经网络 ; BP 网络 ; 苹果分级Introductions and Applications of BP Artificial Neutral NetworkHOU Rui(JinchengInstitute, Nanjing University of Aeronautics and Astronautics, Nanjing Jiangsu, 211156, China【 Abstract 】 Error Back Propagation (BPwas the most widely used method of Artificial Neutral Networks in the applications of modern projects . This study mainly introduced BP arithmetic and BP Networks . An apples ’ sorting instance trained by BP Networks was used to show its function . The research brought forward new theories for further development of practical fruit sorting system based on ANN .【 Key words 】 Neutral Works ; BP Networks ; Apple grading编号 c1c2c3c4c5c6c7 11.44640.89820.81460.43020.15820.00750.000020.16430.30240.57271.03380.58160.15670.000030.00080.12560.53240.33280.13750.07620.026840.00000.00000.02150.20330.64771.80630.000050.00000.00000.00000.00000.00000.77031.2932○ IT 论坛○75科技信息SCIENCE &TECHNOLOGY INFORMATION 2011年第 3期 (上接第 75页表 2网络、人工分级结果对照表3讨论神经网络的训练属于非线性的高复杂度的优化问题。
BP 网络的算法简单、可塑 , 寻优比较精确 , 三层网络已经能够以任意精度模拟复杂的非线性关系 , 二层网络就足以实现任意判决分类的问题。
本文通过对苹果颜色进行分级的实验表明 , BP 算法在对问题的内部机理不甚了解或者不能用明确的数学模型表示的系统进行特征提取和预测的问题上表现出很好的优越性和自适应性。
传统的 BP 算法存在一些缺点 , 比如隐层节点数固定 , 联接权值进行学习 , 导致收敛速度较慢 ; 局部寻优的学习方法 , 易陷入局部极小和引起振荡效应 ; 网络中间层及神经元数目的选择无理论指导等。
基于这些缺点 , 近年来 BP 网络已经出现很多种改进算法 , 比如变步长法、引入动量项法、高斯消元法等。
随着人工神经网络在理论研究和实际应用中突飞猛进的发展 , 神经网络必将在更广泛的领域发挥更大的作用。
【参考文献】[1]周开利 , 康耀红 . 神经网络模型及其 MATLAB 仿真程序设计 [M].北京 :清华大学出版社 , 2006:1-90. [2]Tao Y, Heinemann P H et al. Machine vision for color inspection of potatoes and apples[J].Transactionof the ASAE,1995,38(5:1555-1561.[3]杨秀坤 , 陈晓光 . 用遗传神经网络方法进行苹果颜色自动检测的研究[J].农业工程学报 , 1997,13(2:173-176.[4]李庆中 , 汪懋华 . 基于遗传算法的苹果颜色实时分级方法 [J].中国图像图形学报 , 2000, 5(9:779-784.作者简介 :侯瑞 (1983—, 女 , 汉族 , 河南开封人 , 任职于南京航空航天大学金城学院实验中心 , 助教 , 2006.9-2009.1, 中国农业大学信息与电气工程学院 , 电子系 , 生物物理专业 , 硕士研究生 , 主要研究方向为信息检测理论及技术方面。
[责任编辑 :曹明明 ]编号网络输出网络分级结果人工分级结果11000一等一等 20100一等一等 30100一等一等 40010二等二等 50001等外等外●科(上接第 19页从表 2和图 2可以看出 , 低温阶段随着温度的升高 , 煤氧化生成的 CO 浓度逐渐增大 , 并且增大的幅度越来越大 ; CO 产生的临界温度滞后于开始消耗氧气的温度 ; CO 的这种产生特性是由低温阶段煤氧复合的内在反应特性所决定。
低温阶段煤氧复合过程依次发生物理吸附、化学吸附和化学反应 , 煤物理吸附氧发生煤体的空隙表面 , 对煤的结构没有影响 , 因此虽然不会有 CO 的产生 , 但是仍会有耗氧量 , 导致了 CO 产生的临界温度滞后于开始消耗氧气的温度 , 如柴里气煤、李一气肥煤、百善无烟煤 30度 ~40℃。
产生 CO 的临界温度随着煤变质程度的增大越来越高。
柴里气煤的 CO 临界温度在 40℃ , 李一气肥煤的CO 临界温度在 50℃ , 百善无烟煤的临界温度在 50℃。
自临界温度点开始煤氧复合进入以化学吸附为主导的阶段 , 并伴随有 CO 的产生。
化学吸附比物理吸附有更强的吸氧能力和氧化热 , 大大加速了煤氧化的进程 , 如图 2中 (c、 (d和 (e所示 , 临界温度点之后煤耗氧量出现跃升 , 进入加速耗氧阶段。