2023中国自动化大会（CAC2023）将于11月17日—19日在重庆悦来国际会议中心召开。本届大会由中国自动化学会主办，重庆邮电大学承办，大会以“自主可控强实体 新质生产创未来”为主题，聚焦自动化发展，拥抱智能新时代，共话产业新未来。大会将继续为全球自动化、信息与智能科学领域的专家学者和产业界的同仁，搭建展示创新成果、展望未来发展的高端学术平台，加强学科交叉融合，共促发展新机遇，引领科技新风向。
本届大会设置共计近40个专题论坛，“复杂系统辨识建模与数据驱动控制优化”论坛集结完毕，将于2025-08-03召开！敬请期待！
复杂系统辨识建模与数据驱动控制优化
协同制造系统的动态特性建模、参数辨识、以及状态估计在学术界和工程应用领域长期以来受到广泛的关注和探讨，基于实时检测数据和状态估计的数据驱动控制与系统优化方法已逐渐形成一个热点研究方向，相关研究成果在智能制造、机电自动化等工程领域取得显著提高的控制性能，有力地推动了先进生产工艺开发和自动化控制技术的发展。本次研讨会邀请一些系统辨识和数据驱动控制领域的国内知名专家和学者做主题报告，介绍在复杂系统辨识建模与数据驱动控制优化方面取得的最新研究成果、以及国内外前沿研究进展，并且分享在有关工程技术领域和制造行业的一些应用案例。通过组织此次专题研讨会，汇聚相关理论研究和应用技术领域的学者、师生、以及工程技术人员参与交流和讨论，共同推进该主题领域的理论研究和工程应用实践，为提升相关学科和研究方向的发展起到推动作用。
本次专题论坛将邀请几位知名和活跃的学者展示他们在复杂系统辨识建模与数据驱动控制优化方面取得的进展。
专题主席
刘涛
大连理工大学教授
侯杰
重庆邮电大学副教授
专题报告
那靖
昆明理工大学教授
报告题目：
含非光滑动态模块化系统一体化建模及自适应参数估计
报告摘要：
在复杂机电系统中由于电机或液压缸等执行机构与负载之间存在齿轮、丝杠等传动装置，不可避免地造成了死区、摩擦等非光滑动态，给系统精准建模及辨识带来了极大挑战。而描述该类系统动态的模块化模型参数估计受中间变量不可测、系统状态不可知等实际限制，还存在诸多理论挑战。针对含非光滑动态的模块化系统，本报告将介绍一种一体化建模及参数估计方法。通过引入分段线性逼近技术及设计观测器，避免了对中间变量及系统状态的依赖。在此基础上，构建一类基于参数误差信息的自适应学习算法，实现非光滑动态特特征参数及线性动态系统参数的准确估计，提升自适应参数估计的综合性能。
报告人简介：
那靖，昆明理工大学教授，博士生导师，云南省杰出青年科学基金获得者，欧盟“玛丽居里学者”、云南省中青年学术技术带头人等。现为云南省先进装备智能控制及应用国际联合实验室主任。主要从事机电系统建模及智能控制、自适应参数估计、非线性控制及应用等研究。
俞成浦
北京理工大学教授
报告题目：
结构化动态系统辨识
报告摘要：
结构化动态系统辨识能够为多智能体集群控制提供模型，具有重要研究意义。本报告主要介绍结构化系统辨识的两方面研究成果：1）在已知拓扑结构先验信息的情形下辨识模型参数，并扩展到含未知输入的结构化系统辨识；2）在拓扑结构未知的情形下联合辨识拓扑结构和模型参数，并拓展到含有隐变量的图模型的辨识。
报告人简介：
俞成浦，新加坡南洋理工大学博士，荷兰代尔夫特工业大学博士后，现任北京理工大学自动化学院教授/博导。主要从事系统辨识和信号处理方面研究。在IEEE TAC, Automatica和IEEE TSP等期刊上发表一作SCI论文20余篇。
周郭许
广东工业大学教授
报告题目：
Toward Understanding Convolutional Neural Networks from Volterra Convolution Perspective
报告摘要：
We endeavor to understand convolutional neural networks by exploring the relationship between (deep) convolutional neural networks and Volterra convolutions. We propose a novel approach to explain and study the overall characteristics of neural networks without being hindered by their highly complex architectures. Specifically, we aim to convert the basic structures of a convolutional neural network (CNN) and their combinations into the form of Volterra convolutions. The results reveal that the majority of convolutional neural networks can be approximated in the form of Volterra convolutions, with the approximated proxy kernels preserving the characteristics of the original network. Analyzing these proxy kernels may provide valuable insights into the original network. Building upon this framework, we present methods for approximating the order-zero and order-one proxy kernels and validate the correctness and effectiveness of our results.
我们提出了一种尝试解释和研究卷积神经网络特性的新方法，而不需要考虑复杂多样的具体网络架构。具体的，我们将卷积神经网络的基础结构（包括全连接、池化、非线性激活等）以及它们的组合统一转化成Volterra卷积展开。由于转化后的卷积代理核反应了原始网络的特征，我们可以通过研究代理核来分析和解释原始网络。最后给出了估计零阶和一阶代理核的方法并简单揭示了它们的初步应用。
报告人简介：
周郭许，教授、博士生导师，广东省珠江学者特聘教授，现任广东工业大学自动化学院院长。研究方向包括人工智能、张量分析与多重线性代数、张量深度学习网络等。
赵文虓
中国科学院数学与系统科学研究院研究员
报告题目：
随机非线性系统的辨识与自适应估计
报告摘要：
“系统辨识”是控制理论的重要组成部分，是控制工程的重要应用步骤。大数据和智能化趋势给系统辨识赋予了新的问题:系统更加复杂(非线性、稀疏性、网络化)，数据含多种不确定性(随机干扰、数据非平稳、信息不完整)，对算法的实时性、自主性、协同性提出更高要求(在线算法、分布式算法等)。本报告围绕上述问题，介绍报告人的相关进展，探讨进一步的研究课题。
报告人简介：
赵文虓毕业于山东大学，在中国科学院数学与系统科学研究院获得博士学位，现任中国科学院数学与系统科学研究院研究员。他的研究方向主要集中在随机系统的建模、估计与控制的理论研究，包括变量选择与稀疏参数辨识、随机系统的递推估计与自适应控制、多智能体系统的分布式估计与优化等，以及相关的应用研究。赵文虓目前担任《系统科学与数学》编委、IEEE CSS Conference Editorial Board编委以及 IEEE CSS 北京分会主任委员等学术兼职。
刘涛
大连理工大学教授
报告题目：
基于实时检测数据的工业结晶过程建模与数据驱动控制
报告摘要：
工业结晶过程机理复杂，用于描述晶体种群生长动态特性的粒数衡算模型是典型的偏微分方程，不能用于控制系统设计，实际结晶工程迫切需要能反映过程操作输入与产物输出响应的建模方法。为了构建结晶过程操作条件与晶体产物属性之间的响应关系，我们提出基于实时检测结晶过程溶液浓度和晶体生长尺寸的数据映射建模方法，可方便用于结晶过程关键状态估计、控制设计、运行优化、以及目标晶体产品质量预测。通过一些具体工程应用案例来验证说明这些方法的有效性和优点。
报告人简介：
刘涛，大连理工大学教授，于2006年在上海交通大学获得控制科学与工程博士学位，2006年5月至2010年4月在香港科技大学化工系先后从事研究助理、访问学者、研究助理教授工作，2010年5月至2012年6月在德国亚琛工业大学做洪堡基金学者。目前担任控制学科国际重要期刊IEEE Transactions on Industrial Informatics副编辑、International Journal of Control编委、ISA Transactions编委、IEEE控制系统技术系列会议-控制理论与应用(CCTA)编委、《控制工程》编委、国际自动控制联合会(IFAC)化工过程控制委员会委员、IEEE系统辨识和自适应控制技术委员会委员、中国自动化学会控制理论专委会委员、中国过程控制工程专业委员会委员、微生物学会生化过程模型化与控制专委会委员。主要从事精细化工、制药、生物发酵等生产过程的实时检测、动态特性建模与参数辨识、模型预测控制、批量生产过程的鲁棒控制与优化、生产过程质量监测、红外光谱和图像在线检测技术与智能仪器研制。
孟德元
北京航空航天大学教授
报告题目：
不确定学习系统的鲁棒数据驱动控制
报告摘要：
本报告针对不确定学习系统介绍一些鲁棒数据驱动控制方法。首先，面向线性学习系统，利用输入输出数据提出一类基于可跟踪性的学习控制方法，保证模型信息完全未知的系统实现完全跟踪目标。进一步，引入扩展状态观测器的设计方法，以提高线性学习系统对不确定干扰的抑制能力。此外，面向非线性学习系统，结合优化的思想，提出了一类基于数据的自适应学习控制方法，克服未知模型和不确定干扰的影响，保证鲁棒跟踪目标的实现。
报告人简介：
孟德元，北京航空航天大学自动化科学与电气工程学院教授。主要研究方向为数据驱动控制、迭代学习控制、网络系统控制等。在IEEE TAC、Automatica等国际知名期刊发表SCI论文100余篇。担任中国自动化学会数据驱动控制、学习与优化专业委员会委员、副秘书长，International Journal of Control, Automation, and Systems的Associate Editor等。
侯杰
重庆邮电大学副教授
报告题目：
输入输出含噪声模块化非线性系统一致辨识
报告摘要：
控制系统的数据采集过程涉及传感采集、信号传输、信号处理等环节，使得采集的输入输出数据不可避免受测量噪声的干扰，这给数据驱动非线性系统一致建模辨识带来挑战。针对数据含测量噪声的非线性模块化系统，本报告提出了消除测量噪声不利影响，实现对非线性系统一致无偏估计的偏差消除子空间辨识算法。通过不确定量化方法，量化分析了测量噪声带来参数辨识偏差的原因。基于随机过程高阶矩理论，提出了偏差消除的一致子空间辨识算法。鉴于偏差消除量为关于噪声方差的函数，提出了未知噪声方差估计方法，保障所提算法能够被运用于噪声特性未知的实际工业系统。
报告人简介：
侯杰，重庆邮电大学副教授，主要从事系统辨识及其在新能源等领域的理论与应用研究。在IEEE-TIE、IEEE-SMCA、JPC等期刊发表论文30余篇，入选ESI热点论文1篇、ESI高被引论文3篇、川渝学术大会优秀论文2篇。
扫码下载APP
科普中国APP
科普中国
科普中国
京公网安备11010202008423号