確定學習

王聰，華南理工大學自動化學院教授 ^[7]  、博士生導師 ^{[4]  [8]}  ，國家傑出青年科學基金獲得者 ^[3]  ；

兼任《控制理論與應用》編委、IEEE控制系統學會會議編委、中國人工智能學會空天智能系統專業委員會委員、IEEE控制系統學會智能控制技術委員會委員等職。

王聰教授主要研究方向為非線性系統的自適應神經網絡控制與辨識，以及在此基礎上提出的確定學習理論、動態模式識別、基於模式的智能控制等。先後在Automatica、IEEE Transactions on Neural Networks等國際著名刊物以及控制界國內外重要會議發表學術論文50餘篇，其中被SCI收錄的國際期刊論文16篇，被EI收錄的國際期刊與會議論文20篇，被SCI引用逾200次，在美國CRC出版社出版《確定學習理論》英文專著1部。

工作經歷

1989年7月和1997年4月畢業於北京航空航天大學自動控制系並獲得學士和碩士學位；

1989－1998年在中國航空工業總公司第613研究所任助理工程師、工程師，

2002年6月獲得新加坡國立大學電子與計算機工程系博士學位。

2001－2004年在香港城市大學電子工程系任博士後研究助理、高級研究助理、Research Fellow。

2004年加入華南理工大學。

2005－2007年在國家自然科學基金委員會信息科學部自動化學科任流動項目主任。

現任華南理工大學自動化學院教授、博士生導師，華南理工大學控制與優化研究中心主任。

Deterministic Learning Theory for Identification, Recognition, and Control ^[5] 

作者：Cong Wang & David J. Hill

出版社：CRC Press，出版時間：2009

內容包括：

動態過程中的知識獲取：RBF神經網絡的持續激勵特性（第二章），非線性系統的局部準確辨識（第三章） ，以及對非線性控制系統局部準確閉環辨識（第四章）

動態過程中的知識利用：利用所學知識實現動態模式的快速識別（第五章），以及基於模式的高性能智能控制（第六章）

確定學習 ^[5]  是對系統內部動態的辨識和識別。系統辨識本身是一個極具挑戰性的課題。已有研究表明，系統的辨識與持續激勵條件（Persistent excitation （PE）condition）密切相關。持續激勵條件是系統辨識領域中的一個核心概念，在分佈參數系統辨識和集中參數系統辨識中都起到重要作用。然而對於一般的非線性系統辨識，持續激勵條件通常難以刻畫並得到預先驗證。王聰教授在對徑向基函數神經網絡（Radial Basis Function (RBF) networks）的持續激勵特性研究基礎上，提出了確定學習理論。確定學習應用自適應控制和動力學系統的概念和方法，研究未知動態環境下的知識獲取、表達、存儲和利用等問題。針對產生的週期或者回歸軌跡的連續非線性動態系統，確定學習可以對其未知系統動態進行局部準確建模，其基本要素包括：（1）使用徑向基函數神經網絡；（2）對週期（或者回歸）狀態軌跡滿足部分持續激勵條件；（3）在週期（或迴歸）軌跡的領域內實現對非線性系統動態的局部準確神經網絡逼近（局部準確建模）；（4）所學的知識以時不變且空間分佈的方式表達、以常值神經網絡權值的方式存儲，並可在動態環境下用於動態模式的快速檢測。

確定學習理論中關於動態模式的建模與識別的主要內容包括：首先，提出對非線性動態系統進行局部準確動力學建模的新方法。 在動態系統與控制領域, 非線性系統的辨識或動力學準確建模問題與持續激勵條件的滿足問題密切相關， 長期以來被認為是極具挑戰性的問題。對於非線性系統的辨識，一般來説人們無法建立起輸入信號的頻域特性與被辨識參數之間的關係，因而持續激勵條件的滿足很難被預先驗證。結果， 非線性系統辨識被認為是一個非常困難的、還需要多年持續研究的領域 ^[9]  。 通過對 RBF 神經網絡的持續激勵特性的研究，嚴格證明了沿任何週期或迴歸軌跡的、由徑向基函數構成的子向量幾乎總可以滿足部分持續激勵條件；因而對於一般非線性動態系統， 提出在系統產生的任意週期或迴歸軌跡（稱之為動態模式） 的局部區域內實現對系統動力學近似準確神經網絡建模的新方法。我們稱上述對非線性系統動力學的近似準確的神經網絡建模為確定學習新機制 ^[5]  。 其次，基於確定學習機制，實現對動態模式內在的動力學特徵的準確提取， 並提出對動態模式以時不變且空間分佈的方式進行有效表達的新方法；同時基於動態模式內在動力學上的拓撲相似，給出了用來表徵動態模式之間相似性的定義。最後，在對動態模式進行有效表達並刻畫其相似性的基礎上，提出了一個對動態模式進行快速識別的方法。上述方法將動態模式的建模與識別問題轉化為動態系統的穩定性和收斂性問題， 為動態模式的建模與識別提供了一種新思路。

喘振和旋轉失速是航空發動機內部的不穩定流動，制約航空發動機工作效率和人身安全。基於確定學習理論和微小振動故障檢測方法，提出了一種針對渦扇發動機旋轉失速先兆的快速檢測方法。首先，提出一個對旋轉失速初始擾動的內在系統動態的近似準確建模方法，利用壓氣機周向安裝的少數相鄰測量傳感器信號。採用確定學習算法，獲得對壓氣機系統主要動態的常值RBF神經網絡近似，並將之看作是對旋轉失速初始擾動系統動態的近似建模。其次，提出一個對旋轉失速初始擾動的快速檢測方法，基於動態模式識別提前檢測系統是否進入旋轉失速初始擾動。最終在低速軸流壓氣機試驗枱上開展了一系列實驗研究，並研製了適用於該實驗台的旋轉失速建模與預測系統原理樣機 ^{[6]  [10]}  。

心肌缺血是心血管常見疾病，嚴重威脅人民生命健康。 世界衞生組織 2011年指出在最易導致人類死亡的十大疾病當中，缺血性心臟病居於首位。 在我國，每年因為心血管疾病死亡的人數同樣高居各類疾病的首位，約 25%人口患各類心血管疾病，其中很多患者患有無症狀心肌缺血/冠心病， 早發現、早治療、早干預已經是現代醫學的普遍共識。心電圖,藴涵着豐富的生理和病理信息，且具有無創、方便、經濟等優點，是心肌缺血檢測中最常用和最基本的方法，然而傳統心電圖機在技術上的“先天不足”，在心肌缺血的早期，許多病人的心電圖並未明顯改變，例如，臨牀上最常見的心肌缺血的類型--穩定型心絞痛，其中半數患者無症狀時所獲取的心電圖是完全正常的 ^[11]  ，另外，大約 10%的急性冠狀動脈綜合徵患者其心電圖可表現為正常或大致正常，並且在疾病早期可能缺乏典型症 ^[12]  。

臨牀上用於心肌缺血確診的方法中，有冠狀動脈造影、磁共振、心肌灌注顯像（MPI）等。這些技術或者是對患者有一定創傷或者運行價格高等原因，無法作為心肌缺血/冠心病早期篩檢的手段。心電圖仍然是臨牀最常用的技術，基於常規心電圖，人們提出了許多心肌缺血檢測的改進方法（並研製出及相應的科研儀器），如運動平板試驗（運動心電圖）， 動態心電圖、 體表電位標測（body surface potential mapping， BSPM） ^[13]  ，心電向量圖（vectorcardiogram， VCG）、 cardiogoniometry (CGM) ^[14]  ， T 波電交替（T-wave alternans， MTWA） ^[15]  等方法。但是效果都不甚理想，要麼準確性提高甚微，要麼雖然準確性有一定提高，但是操作和診斷極為麻煩，不能在臨牀上推廣使用。

對心電圖信號進行分析並診斷疾病實質上是一個動態模式的建模、特徵提取與識別問題，基於確定學習理論的心肌缺血早期檢測方法，採用基於確定學習的動態模式建模與識別新方法對心電圖 ST-T 段軌跡進行動力學建模，以提取心電信號中與心肌缺血相關的微弱動力學信息，並將其三維可視化顯示，原創性提出了心電動力學圖（CardioDynamicsGram，CDG）的概念，並進一步提出時間異質度和空間異質度指標用於心肌缺血的早期診斷和篩查。該研究已得到國家自然科學基金委2015年度國家重大科研儀器研製項目的資助 ^[16]  。

基於確定學習理論，提出了一種對微小振動故障診斷的方法（專利授權公告號：CN101299004） ^{[1]  [17]}  。該方法首先對正常情況下和故障情況下系統內部動態進行準確建模，並將建模結果存儲在常值RBF神經網絡中。在診斷時，構造一系列嵌入了常值RBF神經網絡的動態估計器來監測系統，最後根據最小殘差原則進行診斷，與基於模型的故障診斷方法相比，基於確定學習的故障診斷方法的主要優點在於能夠對正常及故障模式的系統內部動態進行準確建模，從而減少建模不確定項的影響，並減少故障函數的幅值要求，實現對微小針對故障的快速檢測。