【编者按】

为进一步培养我校研究生创新能力，提高研究生综合素质，促进学校研究生教育内涵发展，特推出“优博风采”专栏，邀请校级及以上优秀博士学位论文获得者分享科研历程与学术体会、展示创新成果与学位论文等，旨在激励我校研究生秉持“不息为体，日新为道”校训精神，潜心研究、锐意创新。

本期专访人物：控制科学与工程学科博士研究生 刘洪旭

所获奖励名称：2023年北京工业大学优秀博士学位论文

【向前看，不要回头】

博士期间最大的感悟就是要做事积极，包括科研工作、科研学习和科研生活等方面：（1）科研工作。在科研工作中应该制定时间表，明确各个时间点需要完成的任务是什么，遇到困难及时与老师沟通，及时讨论解决方法；多任务情况下分清主次，完成主要任务的同时也要预留时间给次要任务。（2）科研学习。在科研学习过程中应该工作计划自适应调整，对于简单的任务应缩短完成周期，根据自己的能力提前完成，对于困难的任务应该适当放宽周期，保证质量。（3）科研生活。在科研生活中应该把握底线，做事之前三思而后行；此外应该进一步合理安排工作时间，在个人工作与团队工作之间进行时间调节，认识团队第一的重要性。

【博士论文介绍】

论文中文题目：模糊迁移学习算法设计及应用

论文英文题目：DESIGN AND APPLICATION OF FUZZY TRANSFER LEARNING ALGORITHM

作 者：刘洪旭

指导教师：韩红桂 教授

培养单位：信息学部

学 科：控制科学与工程

论文主要贡献及创新点

针对源场景中不正确的模糊规则在学习过程会造成欠适配和负迁移问题，目标场景中不完备的模糊规则在学习过程会造成欠驱动、过适配、过拟合问题，提出了模糊迁移学习设计方法，研究了源场景中不正确模糊规则的修正方法，目标场景中不完备的模糊规则的完善方法，突破模糊迁移学习知识发现、知识评估、知识重构、知识利用过程的欠驱动、欠适配、过适配、负迁移、过拟合等关键性问题。将模糊迁移学习应用在一系列小样本场景中，取得了一系列有意义的研究成果。

1.基于结构知识发现的模糊迁移学习算法，如图1所示：利用源场景的实例建立模糊神经网络模型，从源场景神经网络中挖掘模糊规则的结构知识，即场景间规则贡献度、场景内规则相似度和场景内规则灵敏度，根据挖掘的结构知识确定目标场景模糊神经网络的结构；根据源场景模糊规则的参数知识补偿目标场景模型的参数，通过调整知识驱动程度，为当前目标场景模糊神经网络结构选择最佳的参数学习方向，实现参数在动态结构下的平稳学习；在固定结构和动态结构下进行了理论分析，得到收敛条件以指导实际应用，并通过非线性函数逼近和污水处理过程关键参数预测证明了该方法的有效性。

图1 基于结构知识发现的模糊迁移学习算法

2.基于知识分层评价的模糊迁移学习算法，如图2所示：对源场景的每个模糊规则进行分级评价，根据知识的漂移度将源场景的模糊规则细分无效模糊规则、可用模糊规则和有效模糊规则，避免无效知识的学习；对三种知识进行分层学习，在弹性层修剪无效知识，避免无效知识的利用；在细化层重构可用知识，提高可用知识的有效性；在利用层学习有效知识，加强有效知识的利用，提高学习性能；讨论了知识分层和无分层情况下的误差边界，并给出了收敛条件和计算复杂度。通过几个基准回归问题和污水处理过程实际预测问题对所提出的方法进行测试，实验结果表明算法具有更高的精度和更优秀的泛化性能。

图2 基于知识分层评价的模糊迁移学习算法

【博士期间代表性科研成果】

【与导师合影】

（图文：刘洪旭；编辑：胡春瀛；审核：高春娣、韩红桂）