面向水产养殖系统知识利用的迁移控制新方法及其应用研究

Intelligent Control is well worthy of investigation and application in modern aquaculture. For a new aquatic product, the model of computer control system cannot satisfy the control requirements since both new aquaculture data and its corresponding control knowledge are not rich. In this project, a novel technique is proposed, called Transfer Control. It explores the transfer technique and the relevant algorithms, which aims at efficiently utilizing massive historic data and mining control knowledge to establish a system for culturing a new aquatic product. As a result, the self-optimization mechanism of the new system builds via online data collection, dynamic transfer and dynamic control. Specifically, the concerned studies are investigated as following: Nature and Meaning of Transfer Control and Its Fundamental Framework in Aquaculture; Data Presentation and Fuzzy Rule Knowledge Expression in Aquaculture; Transfer Fuzzy System for Static Interval-Sequence Data and Its Fast Learning for Large Scale Data; Fuzzy-Rules-Based Transfer Learning for Dynamic-Sequence Data and Its Online Learning; Adjustment-Strategy-Based Transfer Learning for Controller’s Parameters and Its Online Updating. The expected results of this project and the strategy of Transfer Control can be applied in other similar fields, and the previous works have provided the sufficient preparation for the research of this project.

智能控制对于现代水产养殖具有极其重要的研究和实用价值。在构建新品养殖控制系统模型时，常因缺乏新品数据和相应控制知识，而导致所构建的计算机控制系统无法满足新品的实际控制需求。针对此问题，课题组拟首先提出面向水产养殖系统的迁移控制新方法，据此探究如何利用丰富的旧品养殖数据和挖掘相应控制知识进行针对新品的有效迁移的关键技术及算法，进而实现新品养殖系统的边收集、边迁移、边控制的自优化机制。研究内容主要包括：面向水产养殖系统的迁移控制的本质，内涵及其基本框架；面向水产养殖数据的增强表示和模糊规则知识的表达方法；静态区间序列的迁移模糊系统模型及其在大规模数据下的快速迁移方法；动态序列数据的模糊规则知识迁移模型及其在线算法；模糊控制器参数调整策略知识的动态迁移模型及其在线调整。项目的预期理论结果以及拟提出的迁移控制策略对其他类似应用领域也具有普适性；课题组前期研究工作为本项目提供了充分的准备和积累。

智能控制对于现代水产养殖具有极其重要的研究和实用价值。项目针对水产养殖领域的控制系统构建问题，特别是因缺乏新品数据和相应控制知识而无法有效构建面向新品的计算机控制系统问题，探究了迁移控制新方法。主要研究内容包括：数据的增强表示和模糊规则知识的表达方法、静态区间序列的迁移模糊系统模型及其在大规模数据下的快速迁移方法、动态序列数据的模糊规则知识迁移模型及其在线算法、模糊控制器参数调整策略知识的动态迁移模型及其在线调整等等。在数据表示和知识表达方面，提出了序列信号多域特征联合自适应优框架来增强个体显著差异的特征提取；提出了基于深度卷积神经网络的空频特征学习和分类算法，解决了序列信号中的信息丢失及先验知识依赖等问题；提出了全局与局部联合正则的支持向量数据描述方法来提升支持向量的鲁棒性。在迁移控制系统建模与快速迁移方面，提出了一种基于模糊划分和模糊加权的集成深度信念网络用于处理大样本数据的分类问题；设计了一种新型的集成TSK模糊分类器来改进传统TSK模糊分类器的运行速度慢和鲁棒性不强的问题；提出了增量多视角聚类方法来应对大规模在线聚类任务场景的问题。在多域迁移控制机制方面，设计了一种多视角谱聚类单步机制，解决了两步机制中嵌入过程与聚类过程关联度低的问题；提出了多源多特征表示的联合回归统一框架机制，有效揭露了潜在的源域空间信息和有效选择强鉴别能力的源域知识，实现迁移利用；通过捕捉和利用数据流内部之间的相关性设计了相关性向量机，实现了数据表示能力和系统预测精度的提升。真实数据集的实验结果验证了上述相关模型算法和策略机制的有效性，同时部分算法也进行拓展应用。总之，项目所获得的相关成果进一步丰富了迁移学习、模糊系统与模糊控制、模式识别等领域的理论与应用。