报告一：
报告时间：2019年12月18日（周三）9:00-10:00
报告地点：北辰校区人工智能学院楼（西教一）102报告厅
报告题目：Rational (total nonlinear) model identification and U-control system design
报告嘉宾：朱全民
报告简介：
Total nonlinear dynamic systems can be described with rational models as a ratio of two polynomials. The introduction of the denominator polynomial make concise expression, but induces challenge in model identification and control system design. The talk will give an easy-going introduction for the related research topics and potential for further research.
U-model enhanced control, U-control in short, system design presents a model independent framework compared with model based design and model free design.
The purpose of the speech is not only to introduce some fundamental techniques, but more importantly to show the speaker’s research insight/philosophy in the challenging research and application domains. The later aspect is particularly suitable for PG students and new researchers. In addition, the speaker will use his sense of humour to link modelling and control to many fields encountered almost in daily life and work.
嘉宾简介：
朱全民，现为英国西英格兰大学工程,设计与数学系教授。他于1989年9月在英国University of Warwick大学(华威大学)获得博士学位，1989年9月至1994年11月在英国University of Sheffield(谢菲尔德大学)大学自动控制和系统工程系从事博士后研究，主要研究方向为“非线性系统的分析和辨识”。与S. A. Billings教授合作，针对非线性有理系统提出了一套全非线性模型(有理模型)辨识与检验的理念，该理论体系被视为开创性的工作。与 K. Warwick教授,马孜教授和L.Z Guo博士合作提出基于神经元网络的点逼近(pointwise approximation)方法, 为有效地简化非线性控制系统设计开辟了一个新的途径。近年来又开创性地提出基于U模型的模型独立控制系统设计方法，使多种成熟有效的线性控制系统设计方法可直接用于广泛一类平滑非线性控制系统设计，该方法被视为突破性工作。其发表论文被广泛引用。参与编写专著8本，发表学术论文250余篇。以主持人身份完成包括英国工程和自然科学研究委员会(EPSRC), 中国自然科学基金会, 各类基金或企业项目15余项。.
朱全民为英国华人自动化协会（Chinese Automation Society in the UK）创始人及前主席，现为国际建模、辨识与控制学报(International Journal of Modelling, Identification and Control)创始人和主编，国际计算机应用技术学报(International Journal of Computer Applications in Technology)主编, Elsevier 系列丛书 (Emerging methodologies and applications in modelling, identification and control)创始人和主编，国际系统科学学报（International Journal of Systems Science）编委(7/03 to 12/12, 2014年获该学报杰出服务奖)，Complexity, Hindawi, 国际高级机电系统学报（International Journal of Advanced Mechatronic Systems）, 防务技术(Defence Technology)等国际期刊的编委以及中国仪器仪表学报编委；国际建模、辨识与控制系列会议（International Conference on Modelling, Identification and Control）创始人及主席, 全英华人生命科学学会 （The Academy of Life Sciences for Chinese in the UK）创始成员，IET Fellow, HEA Fellow, 英国工程与自然科学研究基金会（EPSRC）评委会委员，英国工程教授联合会会员，国际自动控制联合会会员。中国自动化学会控制理论专业委员会委员(2014年1月-2022年12月)。
朱全民曾应聘于北京理工大学、华中科技大学、北京交通大学、大连海事大学、河北科技大学, 广东工业大学，中北大学访问教授。曾被聘武汉科技大学楚天学者讲座教授，曾入选2011年山东省万人计划，并被授予“泰山学者海外特聘教授”（2011-2016）,昆明理工大学的云南省高端外专项目入选专家（2016-2018）,中南大学信息科学与工程学院引智计划教授（2017-2019）。除了工作在国际学术前沿领域, 朱全民积极致力于促进中英学术,教育,文化多方面交流与发展。他担任过几所英国大学的中国学生学者联谊会主席和部长。他多次做为所在英国大学的大使访问中国, 领导过若干中英合作项目。他所在的研究室接待过多名中国访问学者, 培养了几十名来自中国的硕士，博士。2012年8月24日在中央电视台中文国际频道cctv-4《华人世界》13:05播出 [华人故事]: 我在英国做教授的经历——朱全民 http://news.cntv.cn/20120824/104434.shtml
报告二：
报告时间：2019年12月18日（周三）10:00-11:00
报告地点：北辰校区人工智能学院楼（西教一）102报告厅
报告题目：加权多模型自适应控制系统设计与分析
报告嘉宾：张维存
报告简介：
加权多模型自适应控制是当前自适应控制领域的一个重要研究方向，该方法本质上是一种基于软切换的多模型自适应控制策略，与增益调度控制以及基于T-S模型的模糊控制都有一定的相似性。这种基于软切换的多模型自适应方法非常适合含有不确定参数的随机系统的控制，已经在很多领域取得成功应用，但其稳定性一直没有得到证明，是一个公认的难题。
本研究通过设计新的加权算法以及构造加权多模型自适应控制的输入输出等价系统——虚拟等价系统，进而降低了原问题的难度，首次得到了系统的稳定性判据。
嘉宾简介：
张维存，清华大学控制理论与应用专业博士，北京科技大学自动化学院博士生导师,美国密西根大学(University of Michigan)工业工程系客座研究员,韩国首尔国立大学(Seoul National University)电气工程与计算机学院客座教授。中国人工智能学会理事，智能空天系统专业委员会秘书长，中国仿真学会智能物联系统建模与仿真专业委员会副主任。专注于自适应控制系统的分析和设计，建立了理解和判定自适应控制系统稳定性和收敛性的虚拟等价系统方法，初步解决了加权多模型自适应控制系统的稳定性问题。
报告三：
报告时间：2019年12月18日（周三）11:00-12:00
报告地点：北辰人工智能学院楼（西教一）102报告厅
报告题目：时滞神经网络的稳定性分析与同步控制
报告嘉宾：丁三波
报告简介：
神经网络是研究人工智能的关键理论和技术基础，是实现智能自动化的有效工具。当前，神经网络在图像处理、模式识别、记忆存储、优化分析等方面存在广泛的应用。稳定是神经网络得以应用的前提。本报告首先针对神经网络的时滞稳定性问题，介绍提出的柔性终端法和多积分处理方法；其次，针对时滞神经网络的混沌同步问题，探讨如何在网络化的通讯环境中构造有效的控制器，实现同步稳定性。
嘉宾简介：
丁三波，讲师，博士生导师，河北工业大学“元光学者”启航岗A。2018年7月毕业于东北大学信息科学与工程学院，主要研究时滞神经动力系统的稳定性分析与综合、复杂动态网络的同步控制等问题。目前已经发表SCI论文15篇，其中IEEE Transactions 系列会刊一区论文6篇，有3篇曾入选ESI高被引论文。按最新影响因子计算，所有发表SCI论文的影响因子累加和为97.8。
报告四：
报告时间：2019年12月18日（周三）14:00-15:00
报告地点：北辰人工智能学院楼（西教一）102报告厅
报告题目：Image Saliency Detection: From Convolutional Neural Network to Capsule Network
报告嘉宾：韩军功
报告简介：
Human beings possess the innate ability of identifying the most attractive regions or objects in an image. Salient object detection aims to imitate this ability by automatically identifying and segmenting the most attractive objects in an image. In this talk, I will share with you two recent works that we published in the top venues. In the first work, we showcase a guidance strategy for multi-level contextual information integration under the CNNs framework, while in the second work, we demonstrate how we carry out the saliency detection task using new Capsule Networks.
嘉宾简介：
韩军功现就职于英国华威大学 (University of Warwick；QS世界排名62位), 任数据科学副教授 （终身教职），领导学院计算机视觉方面的研究工作 （指导8名全职博士生）。加入华威大学前，曾任英国兰卡斯特大学（Lancaster University; QS世界排名130位）计算机与通信学院副教授（终身教职）。在英国工作之前，韩博士曾任荷兰飞利浦内容识别 (Civolution) 高级科学家（2012-2015），作为公司视/音频指纹识别方向的首席专家领导这一方向的产品开发工作。2010年-2012年，韩博士就职于荷兰皇家科学院数学和计算机研究所，作为项目联合负责人参与欧盟第七框架研究项目1项。2005年-2010年，韩博士任职于荷兰埃因霍温工业大学信号处理组，曾参与2项欧盟项目的研究工作，并指导博士、硕士将近10人。
韩军功及其研究团队在多媒体内容识别，计算机视觉，机器学习等方向发表SCI杂志论文100余篇，总影响因子超过350。研究成果40余次发表在本领域顶级期刊（如：IJCV）及主流IEEE汇刊 （包括IEEE T-IP 17篇）。另外，韩博士在计算机 CCF A类会议发表论文超过40篇 （如： NeurIPS, ICML, CVPR, ICCV, ACM MM, AAAI, etc.）。文章google总引用率超过4500次，一作单篇最高引1470次 （IEEE TCYB 2013-2019引用率，下载率双第一），10篇论文被Web of Science收录为高被引论文，1篇论文被选为热点论文。任Elsevier Neurocomputing (IF 4.1) 杂志，Springer Multimedia Tools and Applications (IF 2.1) 杂志和IET Computer Vision (IF 1.6) 杂志的副主编以及4个本领域著名杂志（IEEE Transactions on Neural Network and Learning System, IEEE Transactions on Cybernetics 等）的特约客座编委；同时他还是IEEE Industry DSP Technology的常务委员会委员，IEEE Multimedia Communications 的技术委员会委员。
报告五：
报告时间：2019年12月18日（周三）15:00-16:00
报告地点：北辰人工智能学院楼（西教一）102报告厅
报告题目：Batch process modelling and optimisation control using machine learning techniques
报告嘉宾：张杰
报告简介：
Batch processes are suitable for the agile manufacturing of high value added products, such as specialty polymers, pharmaceuticals, and bio-products. In contrast to continuous processes, batch processes have strong nonlinear behaviour and always operated in transient states. A further difficulty in batch process control is that product quality variables usually cannot be measured on-line and can only be obtained through laboratory analysis after a batch has finished. The main objective in batch process control is to produce a maximum amount of high quality product while under safe process operations. This talk presents several machine learning based data driven modelling, inferential estimation, and reliable optimisation control methods for batch processes. Bootstrap aggregated neural networks have enhanced model generalisation capability and can also provide model prediction confidence bounds. One of the most important issues of empirical model based batch process optimal control is that the calculated optimal control profile can degrade very significantly when applied to the actual process due to model plant mismatches. “Optimal on the model” can be quite different from “optimal on the process”. In order to address this issue, the optimisation objective function can be augmented by an additional term (or an additional objective in multi-objective optimisation) to penalise wide model prediction confidence bound at the end-point of a batch. By such a means, the calculated optimal control profile is much reliable in the sense that, when being applied to the actual process, the degradation in control performance is limited.
嘉宾简介：
Dr Jie Zhang received his PhD in Control Engineering from City University, London, in 1991. He has been with the School of Engineering, Newcastle University, UK, since 1991 and is currently a Reader and Degree Programme Director for MSc in Applied Process Control. His research interests are in the general areas of process system engineering including process modelling, batch process control, process monitoring, and computational intelligence. He has published over 300 papers in international journals, books, and conference proceedings. He is on the Editorial Boards of a number of journals including Neurocomputing, International Journal of Automation and Computing, and PLOS ONE.
报告六：
报告时间：2019年12月18日（周三）16:00-17:00
报告地点：北辰人工智能学院楼（西教一）102报告厅
报告题目：制造过程机器智能感知技术及应用研究
报告嘉宾：陈海永
报告简介：
目前，人工视觉检测或者一些视觉方法在解决表面目标识别方面起到重要作用，但是复杂背景下高精度和高适应性缺陷感知与认知仍然所知甚少。机器视觉未来的发展重点在于提高精度、高适应性、响应速度和环境认知能力。如何形成类似生物特性的环境感知和认知能力是机器视觉的研究重点之一。因此，模拟生物视觉及信息处理过程的感知和认知过程，针对目标复杂背景和弱目标特性导致的人工特征提取不确定性问题，从多光谱图像缺陷优化融合感知、多特征缺陷自主认知和强化认知等方面，构建一个基于视觉感知和深度学习的目标检测与识别框架，对复杂背景下目标视觉检测以及机器人视觉识别具有重要的价值和意义。在太阳能电池、带钢、液晶面板、半导体晶片、汽车制造等领域的应用也具有重要的理论价值和广阔应用前景。
嘉宾简介：
陈海永，教授，博士生导师，河北工业大学人工智能学院副院长。2008年于中国科学院自动化研究所获工学博士学位，研究方向机器人视觉； 2008年以来在河北工业大学工作，至今在河北工业大学人工智能与数据科学学院学院工作。2017年荣获河北省青年科技奖，2013年入选首届河北省青年拔尖人才支持计划, 2015年入选“三三三人才工程”第三层次，中国青年科技工作者协会会员，天津市青年联合委员会委员，河北省自动化学会理事，河北省电工技术学会理事，中国自动化学会智能制造系统专委会委员。作为课题负责人先后完成国家“863”,国家基金等项目10项。主持获得天津市科技进步二等奖1项、河北省科技进步三等奖1项，参与获得河北省科技进步一等奖1项、河北省科技进步二等奖1项、北京市科技进步三等奖1项。在IEEE Transactions on Industrial Informatics、IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT、IEEE Transactions on Semiconductor Manufacturing、Optics and Lasers in Engineering、Journal of Intelligent Manufacturing等国内外期刊、国际会议发表论文50余篇。已授权发明专利13项，申请发明专利18项。
