复杂工业系统具有多变量、非线性、强耦合、工况范围广、性能综合性要求高等特点。采用神经网络、模糊逻辑等智能方法建立单一模型,往往难以全面描述复杂系统的全局特性。基于分解一合成策略的多模型融合建模方法从原理上解决了上述问题,其基本思路是将复杂大问题分解为一组简单的小问题,通过某种方法将各小问题的解融合而得到原问题解,由于这种方法具有提高模型精度和泛化能力的特点而被应用到复杂工业系统的建模中。本文提出一种基于模糊聚类方法的多模型融合建模方法。采用模糊c-均值聚类(FCM)算法将复杂系统划分为多个子区间,并采用BP神经网络在每个子区间建立子模型,多个子模型采用加权方式进行融合。考虑到加权融合方式中权系数的确定是多模型融合建模的关键问题,本文提出基于概率加权的融合方法,针对贝叶斯算法中先验概率难以确定的问题,依据聚类后的样本集作为先验知识,在数据集的基础上估计类先验概率和样本点的类条件概率,从而利用贝叶斯公式求得样本点的后验概率,将此后验概率作为子模型的权值,进行加权融合,得到模型最终的输出。电弧炉炼钢过程是一个非常复杂的物理化学过程,电弧炉熔池温度高、冶炼条件恶劣,熔池的温度不能直接连续检测。建立适合电弧炉冶炼过程要求的终点温度预报模型将在电弧炉终点温度控制中起到重要作用。本文将基于模糊聚类方法的多模型融合建模方法应用于电弧炉钢水终点温度预报研究,基于电弧炉冶炼工艺和冶炼过程分析,建立了基于多模型融合的温度预报模型。仿真结果表明,同单一的BP网络建模方法相比,多模型融合建模方法具有更高的预报精度和命中率。