确定学习是把系统辨识、模式识别、智能控制等不同方向的研究有机结合起来，探索了动态环境下的学习与识别新途径，2007年由王聪教授提出，同年出版确定学习专著《Deterministic Learning Theory for identification, recognition and control》，主要包括两部分内容：动态过程中的知识获取和动态过程中的知识利用。确定学习理论已在航空发动机喘振检测（专利授权号：CN101887479）、心肌缺血早期筛检、微小故障诊断、步态识别等方面得到了初步成功应用。

王聪，华南理工大学自动化学院教授、博士生导师，国家杰出青年科学基金获得者；

兼任《控制理论与应用》编委、IEEE控制系统学会会议编委、中国人工智能学会空天智能系统专业委员会委员、IEEE控制系统学会智能控制技术委员会委员等职。

王聪教授主要研究方向为非线性系统的自适应神经网络控制与辨识，以及在此基础上提出的确定学习理论、动态模式识别、基于模式的智能控制等。先后在Automatica、IEEE Transactions on Neural Networks等国际著名刊物以及控制界国内外重要会议发表学术论文50余篇，其中被SCI收录的国际期刊论文16篇，被EI收录的国际期刊与会议论文20篇，被SCI引用逾200次，在美国CRC出版社出版《确定学习理论》英文专著1部。

工作经历

1989年7月和1997年4月毕业于北京航空航天大学自动控制系并获得学士和硕士学位；

1989－1998年在中国航空工业总公司第613研究所任助理工程师、工程师，

2002年6月获得新加坡国立大学电子与计算机工程系博士学位。

2001－2004年在香港城市大学电子工程系任博士后研究助理、高级研究助理、Research Fellow。

2004年加入华南理工大学。

2005－2007年在国家自然科学基金委员会信息科学部自动化学科任流动项目主任。

现任华南理工大学自动化学院教授、博士生导师，华南理工大学控制与优化研究中心主任。

Deterministic Learning Theory for Identification, Recognition, and Control

作者：Cong Wang & David J. Hill

出版社：CRC Press，出版时间：2009

内容包括：

动态过程中的知识获取：RBF神经网络的持续激励特性（第二章），非线性系统的局部准确辨识（第三章） ，以及对非线性控制系统局部准确闭环辨识（第四章）

动态过程中的知识利用：利用所学知识实现动态模式的快速识别（第五章），以及基于模式的高性能智能控制（第六章）

确定学习简介

确定学习是对系统内部动态的辨识和识别。系统辨识本身是一个极具挑战性的课题。已有研究表明，系统的辨识与持续激励条件（Persistent excitation （PE）condition）密切相关。持续激励条件是系统辨识领域中的一个核心概念，在分布参数系统辨识和集中参数系统辨识中都起到重要作用。然而对于一般的非线性系统辨识，持续激励条件通常难以刻画并得到预先验证。王聪教授在对径向基函数神经网络（Radial Basis Function (RBF) networks）的持续激励特性研究基础上，提出了确定学习理论。确定学习应用自适应控制和动力学系统的概念和方法，研究未知动态环境下的知识获取、表达、存储和利用等问题。针对产生的周期或者回归轨迹的连续非线性动态系统，确定学习可以对其未知系统动态进行局部准确建模，其基本要素包括：（1）使用径向基函数神经网络；（2）对周期（或者回归）状态轨迹满足部分持续激励条件；（3）在周期（或回归）轨迹的领域内实现对非线性系统动态的局部准确神经网络逼近（局部准确建模）；（4）所学的知识以时不变且空间分布的方式表达、以常值神经网络权值的方式存储，并可在动态环境下用于动态模式的快速检测。

动态模式的建模与识别

确定学习理论中关于动态模式的建模与识别的主要内容包括：首先，提出对非线性动态系统进行局部准确动力学建模的新方法。 在动态系统与控制领域, 非线性系统的辨识或动力学准确建模问题与持续激励条件的满足问题密切相关， 长期以来被认为是极具挑战性的问题。对于非线性系统的辨识，一般来说人们无法建立起输入信号的频域特性与被辨识参数之间的关系，因而持续激励条件的满足很难被预先验证。结果， 非线性系统辨识被认为是一个非常困难的、还需要多年持续研究的领域。 通过对 RBF 神经网络的持续激励特性的研究，严格证明了沿任何周期或回归轨迹的、由径向基函数构成的子向量几乎总可以满足部分持续激励条件；因而对于一般非线性动态系统， 提出在系统产生的任意周期或回归轨迹（称之为动态模式） 的局部区域内实现对系统动力学近似准确神经网络建模的新方法。我们称上述对非线性系统动力学的近似准确的神经网络建模为确定学习新机制。 其次，基于确定学习机制，实现对动态模式内在的动力学特征的准确提取， 并提出对动态模式以时不变且空间分布的方式进行有效表达的新方法；同时基于动态模式内在动力学上的拓扑相似，给出了用来表征动态模式之间相似性的定义。最后，在对动态模式进行有效表达并刻画其相似性的基础上，提出了一个对动态模式进行快速识别的方法。上述方法将动态模式的建模与识别问题转化为动态系统的稳定性和收敛性问题， 为动态模式的建模与识别提供了一种新思路。

航空发动机喘振提前检测

喘振和旋转失速是航空发动机内部的不稳定流动，制约航空发动机工作效率和人身安全。基于确定学习理论和微小振动故障检测方法，提出了一种针对涡扇发动机旋转失速先兆的快速检测方法。首先，提出一个对旋转失速初始扰动的内在系统动态的近似准确建模方法，利用压气机周向安装的少数相邻测量传感器信号。采用确定学习算法，获得对压气机系统主要动态的常值RBF神经网络近似，并将之看作是对旋转失速初始扰动系统动态的近似建模。其次，提出一个对旋转失速初始扰动的快速检测方法，基于动态模式识别提前检测系统是否进入旋转失速初始扰动。最终在低速轴流压气机试验台上开展了一系列实验研究，并研制了适用于该实验台的旋转失速建模与预测系统原理样机。

心肌缺血、猝死的无创早期检测

心肌缺血是心血管常见疾病，严重威胁人民生命健康。 世界卫生组织 2011年指出在最易导致人类死亡的十大疾病当中，缺血性心脏病居于首位。 在我国，每年因为心血管疾病死亡的人数同样高居各类疾病的首位，约 25%人口患各类心血管疾病，其中很多患者患有无症状心肌缺血/冠心病， 早发现、早治疗、早干预已经是现代医学的普遍共识。心电图,蕴涵着丰富的生理和病理信息，且具有无创、方便、经济等优点，是心肌缺血检测中最常用和最基本的方法，然而传统心电图机在技术上的“先天不足”，在心肌缺血的早期，许多病人的心电图并未明显改变，例如，临床上最常见的心肌缺血的类型--稳定型心绞痛，其中半数患者无症状时所获取的心电图是完全正常的，另外，大约 10%的急性冠状动脉综合征患者其心电图可表现为正常或大致正常，并且在疾病早期可能缺乏典型症。

临床上用于心肌缺血确诊的方法中，有冠状动脉造影、磁共振、心肌灌注显像（MPI）等。这些技术或者是对患者有一定创伤或者运行价格高等原因，无法作为心肌缺血/冠心病早期筛检的手段。心电图仍然是临床最常用的技术，基于常规心电图，人们提出了许多心肌缺血检测的改进方法（并研制出及相应的科研仪器），如运动平板试验（运动心电图）， 动态心电图、 体表电位标测（body surface potential mapping， BSPM），心电向量图（vectorcardiogram， VCG）、 cardiogoniometry (CGM)， T 波电交替（T-wave alternans， MTWA）等方法。但是效果都不甚理想，要么准确性提高甚微，要么虽然准确性有一定提高，但是操作和诊断极为麻烦，不能在临床上推广使用。

对心电图信号进行分析并诊断疾病实质上是一个动态模式的建模、特征提取与识别问题，基于确定学习理论的心肌缺血早期检测方法，采用基于确定学习的动态模式建模与识别新方法对心电图 ST-T 段轨迹进行动力学建模，以提取心电信号中与心肌缺血相关的微弱动力学信息，并将其三维可视化显示，原创性提出了心电动力学图（CardioDynamicsGram，CDG）的概念，并进一步提出时间异质度和空间异质度指标用于心肌缺血的早期诊断和筛查。该研究已得到国家自然科学基金委2015年度国家重大科研仪器研制项目的资助。

微小振动故障检测

基于确定学习理论，提出了一种对微小振动故障诊断的方法（专利授权公告号：CN101299004）。该方法首先对正常情况下和故障情况下系统内部动态进行准确建模，并将建模结果存储在常值RBF神经网络中。在诊断时，构造一系列嵌入了常值RBF神经网络的动态估计器来监测系统，最后根据最小残差原则进行诊断，与基于模型的故障诊断方法相比，基于确定学习的故障诊断方法的主要优点在于能够对正常及故障模式的系统内部动态进行准确建模，从而减少建模不确定项的影响，并减少故障函数的幅值要求，实现对微小针对故障的快速检测。