项目编号 | I01-2019-Z030 |
项目名称 | 不确定环境下的系统建模理论与智能学习方法 |
候选单位 | 清华大学 华北电力大学 北京英视睿达科技有限公司 |
候选人 | 宋士吉 黄 高 游科友 陈德刚 尹文君 吴 澄 |
项目简介 | 项目研究工作属于系统科学、控制科学、计算机科学、不确定系统理论等多学科交叉的人工智能研究领域。2002年以来,本项目师生自然形成的研究团队围绕不确定性环境下的系统建模与分析求解问题,长期致力于不确定性推理、机器学习、多智能体协同控制等方向的基础理论研究工作,突破了模糊推理机制及其基础理论、融入极限学习机的机器学习理论、分布式协同控制理论的几项关键技术瓶颈,解决了不确定性环境下系统建模与分析求解的一些重要基础理论难题,形成了多项自主创新理论研究成果,发表IEEE Transactions会刊等国际权威期刊论文50余篇。主要科学发现如下:
1.提出了反向全蕴涵模糊推理机制,建立了正、反向两种推理机制下的模糊取式(FMP)和模糊拒取式(FMT)最优解的严格数学表式理论。基于模糊粗糙集的结构化表示,提出了模糊规则一致度和可辨识向量的概念,设计了高效的模糊规则提取的启发式归纳算法。成果为智能模糊控制器设计提供了高效可行的解决方案。
2.将极限学习机与机器学习方法深度融合,提出了基于流形正则化的无监督极限学习机算法和半监督极限学习算法,从半监督学习的多聚类特性出发,提出了基于随机机会约束模型的高效半监督学习算法。进而提出了基于随机机会约束模型的高效半监督学习算法和监督学习算法。成果拓展了极限学习机应用的范围,提高求解半监督学习问题的精度和效率。
3. 研究了一类修正Riccai不等式的可解性问题,提出了存在唯一正定解的充要条件,建立了动态特性为一般线性系统的多智能体系统达到同步所需的“最弱网络拓扑条件”,建立了Markov过程随机切换网络环境下多智能体系统达到同步所需的网络充要条件。进而通过自适应调节优化步长,设计了多智能体系统的分布式异步优化算法并建立了严格的收敛性分析理论。成果解决了困扰多智能体系统的分布式控制与决策理论的一个历史性难题。
项目研究成果用于解决空气质量动态监测问题,研发了基于区域环境大数据的近地面PM 2.5污染场智能反演系统,实现了北京及周边地区的实时污染源监测和准确识别。
项目的6篇代表性论文中,全面展现了本项目的主要研究成果。代表性论文SCI他引754次,其中3篇为ESI高被引论文,单篇最高SCI他引 391 次,Web of Science核心合集他引 1018 次,Google 引用 1613次,单篇最高Google学术引用834次。
中国工程院院士、欧洲科学院院士等7名国内外著名专家组成的专家鉴定委员会,一致认为该项目成果达到国际领先水平。 |
关 闭 |