本文着重研究基于神经网络煤的发热量和灰熔点的预测建模方法。煤的发热量是计算锅炉热平衡、热效率以及锅炉出力等参数的基础技术依据。煤的发热量有不同的涵义,如弹筒发热量、煤的高位发热量、煤的低位发热量以恒湿无灰基高位发热量。其中,利用弹筒量热仪可对弹筒发热量进行直接测量,本文通过对弹简量热仪的工作原理、主要结构等的详细研究,发现这种测量方法对外界环境要求和费用都较高,部分学者根据煤的工业分析,通过线性回归方法得到了煤的发热量经验公式,发现对发热量产生主要影响因素有煤的水分、煤的灰分和挥发分,本文对这三种工业分析成分进行了研究。煤的灰熔点存在于某温度区间中,一般用三个温度点即煤灰变形温度DT、煤灰软化温度ST以及流动温度FT来表征。测量灰熔点的常用方法有角锥法和热显微镜方法。为了更方捷地得到煤的灰熔点,部分学者得出了多种经验公式,这些公式主要是根据化学成分对灰熔点的影响得到。本文对煤灰中的氧化物,主要有SiO2、 Al2O3、Ee2O3、TiO2、Na2O、K2O、MgO及CaO等对煤的灰熔点的影响进行了研究。根据对煤的发热量和灰熔点的学习研究得出,各种影响因素与煤的发热量或灰熔点的关系并不是线性的,若用经验公式计算就会造成较大的误差。而通过对神经网络的结构和算法的深入研究得出神经网络可以很好地解决非线性问题。本文着重分析了BP神经网络和RBF神经网络的结构和算法特点,在此基础上对收到基低位发热值Qnet.ar和煤灰软化温度ST进行预测建模。通过测试总结得到,用神经网络的预测性优于经验公式；对于样本量较小的预测问题,RBF网络具有更优的预测性能。另外,样本的质量,包括数量和全面性,对模型的预测性能和泛化能力有着重要的影响。为了进一步提高预测模型的性能,本文在深入分析粒子群(PSO)算法基础上,应用该方法对RBF网络的权值进行优化,应用该优化模型分别对煤的发热量和灰熔点进行预测并取得了由于常规RBF网络更好的预测效果。