面向漂移过程的漂移模糊系统建模理论与方法及发酵过程应用研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61170122
  • 项目类别：
    面上项目
  • 资助金额：
    57.0万
  • 负责人：
    邓赵红
  • 依托单位：
    江南大学
  • 学科分类：
    F06.人工智能
  • 结题年份：
    2015
  • 批准年份：
    2011
  • 项目状态：
    已结题
  • 起止时间：
    2012-01-01 至2015-12-31

项目摘要

针对多场景环境下的发酵过程建模任务所面临的漂移过程建模之挑战，凝练出具有共性意义的本课题：面向漂移过程的漂移模糊系统建模理论与方法及其发酵过程应用。首先，针对漂移过程的建模特点，课题组拟研究漂移模糊系统的定义、理论性质及其构造方法。进一步地，课题组拟探讨大规模数据环境下的漂移模糊系统快速学习问题和多源环境下的漂移模糊系统学习问题。同时，课题组还拟探讨具有多源漂移特性的数据特征抽取方法和理论。拟探讨的漂移模糊系统理论和方法将是对智能建模理论，特别是模糊系统建模理论的重要发展，极具理论价值；拟提出的漂移模糊系统建模方法将有效地拓展模糊建模技术在多场景环境、大规模数据环境以及多源环境下的应用。因此本课题对于智能计算及其应用研究以及发酵产业均具有重要的学术与应用意义。

结项摘要

在2012.01-2015.12执行国家自然科学基金（No. 61170122）过程中，按计划开展了相关的研究，重点是面向漂移过程的漂移模糊系统建模理论与方法及发酵过程应用研究，并在此基础上在相关方向进行了拓展研究，主要内容具体包括：针对发酵等数据可能具有多源性等特点，探讨了具有知识迁移能力的ML型归纳式迁移模糊系统建模方法；探讨了具有知识迁移能力的TSK型归纳式迁移模糊系统建模方法；探讨了具有知识迁移能力的TSK型直推式迁移模糊系统建模方法;探讨了具有知识迁移能力的归纳式广义智能系统建模方法;具有良好透明性的模糊系统分类器和急速二型模糊系统构建方法。项目执行过程中在相关领域形成了一批研究成果，所得结果对智能理论及其在发酵过程建模等方面的应用具有重要的学术与应用意义。

项目成果

期刊论文数量（62）
专著数量（0）
科研奖励数量（0）
会议论文数量（0）
专利数量（0）
Minimax Probability TSK Fuzzy System Classifier: A More Transparent and Highly Interpretable Classification Model
Minimax概率TSK模糊系统分类器：更透明且高度可解释的分类模型
  • DOI：
    10.1109/tfuzz.2014.2328014
  • 发表时间：
    2015-08-01
  • 期刊：
    IEEE TRANSACTIONS ON FUZZY SYSTEMS
  • 影响因子：
    11.9
  • 作者：
    Deng, Zhaohong;Cao, Longbing;Wang, Shitong
  • 通讯作者：
    Wang, Shitong
基于最小包含球的异质空间大数据集快速相似度学习算法
  • DOI：
    --
  • 发表时间：
    2014
  • 期刊：
    控制与决策
  • 影响因子：
    --
  • 作者：
    董爱美;王士同;蒋亦樟;黄成泉
  • 通讯作者：
    黄成泉
A SVM based classification method for homogeneous data
一种基于SVM的同质数据分类方法
  • DOI：
    10.1016/j.asoc.2015.07.027
  • 发表时间：
    2015-11-01
  • 期刊：
    APPLIED SOFT COMPUTING
  • 影响因子：
    8.7
  • 作者：
    Li, Huan;Chung, Fu-Lai;Wang, Shitong
  • 通讯作者：
    Wang, Shitong
Multi-task TSK fuzzy system modeling using inter-task correlation information
使用任务间相关信息的多任务 TSK 模糊系统建模
  • DOI：
    10.1016/j.ins.2014.12.007
  • 发表时间：
    2015-03-20
  • 期刊：
    INFORMATION SCIENCES
  • 影响因子：
    8.1
  • 作者：
    Jiang, Yizhang;Deng, Zhaohong;Wang, Shitong
  • 通讯作者：
    Wang, Shitong
Transductive domain adaptive learning for epileptic electroencephalogram recognition
用于癫痫脑电图识别的转导域自适应学习
  • DOI：
    10.1016/j.artmed.2014.10.002
  • 发表时间：
    2014-11-01
  • 期刊：
    ARTIFICIAL INTELLIGENCE IN MEDICINE
  • 影响因子：
    7.5
  • 作者：
    Yang, Changjian;Deng, Zhaohong;Wang, Shitong
  • 通讯作者：
    Wang, Shitong

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

基于熵准则的鲁棒的RBF谷胱甘肽发酵建模
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    生物工程学报
  • 影响因子：
    --
  • 作者：
    谭左平;堵国成;王士同;邓赵红
  • 通讯作者：
    邓赵红
基于全局和局部保持的半监督支持向量机
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    电子学报
  • 影响因子：
    --
  • 作者：
    皋军;王士同;邓赵红;GAO Jun1,2,3,WANG Shi-tong1,3,DENG Zhao-hong1,3(1.;2.School of Information Engineering,Yancheng Insti;3.State Key Lab.of CAD&CG,Zhejiang University,Hang
  • 通讯作者：
    3.State Key Lab.of CAD&CG,Zhejiang University,Hang
基于-不敏感准则和结构风险的鲁棒径向基函数神经网络学习
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    电子与信息学报
  • 影响因子：
    --
  • 作者：
    桑庆兵;邓赵红;王士同;吴小俊
  • 通讯作者：
    吴小俊
适合大样本快速训练的最大夹角间隔核心集向量机
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    电子学报
  • 影响因子：
    --
  • 作者：
    胡文军;王士同;邓赵红;HU Wen-jun1,2,WANG Shi-tong1,DENG Zhao-hong1(1.Sch;2.School of Information;Engineering,Huzhou Tea
  • 通讯作者：
    Engineering,Huzhou Tea
利用ELM-AE和迁移表征学习构建的目标跟踪系统
  • DOI：
    10.3778/j.issn.1673-9418.2012028
  • 发表时间：
    2021
  • 期刊：
    计算机科学与探索
  • 影响因子：
    --
  • 作者：
    杨政;邓赵红;罗晓清
  • 通讯作者：
    罗晓清

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

邓赵红的其他基金

酶功能预测驱动的图结构数据和向量数据兼容学习模糊系统及实证
  • 批准号：
  • 批准年份：
    2021
  • 资助金额：
    57 万元
  • 项目类别：
    面上项目
酶功能预测驱动的图结构数据和向量数据兼容学习模糊系统及实证
  • 批准号：
    62176105
  • 批准年份：
    2021
  • 资助金额：
    57.00 万元
  • 项目类别：
    面上项目
面向食品安全微生物预测的异构关联模糊系统建模关键技术及实证
  • 批准号：
    61772239
  • 批准年份：
    2017
  • 资助金额：
    64.0 万元
  • 项目类别：
    面上项目
超大规模发酵数据集驱动的模糊推理系统快速构建方法研究
  • 批准号：
    60903100
  • 批准年份：
    2009
  • 资助金额：
    17.0 万元
  • 项目类别：
    青年科学基金项目

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码