从材料数据到材料知识：模糊系统方法
王立新
上海大学材料基因工程研究院
摘要
机械照搬数据挖掘与机器学习方法，并不能有效解决材料基因研究中的问题，因为机器学习方法是为解决“正向问题”而设计的，即对于类似的输入（比如一幅与数据集类似但不同的图像）能否给出正确的输出（图像的正确分类），而材料基因研究的主要任务是解决“反向问题”，即对于给定的输出（某项指标的最优值）如何确定合适的输入（具体的实验设计与参数）。为了使机器学习方法适用于解决“反向问题”，关键是所得到的机器学习模型应该具有很好的可解释性。在众多的机器学习模型中，模糊系统模型具有非常好的可解释性，因为模糊系统本身就是由IF-THEN规则构建的，而IF-THEN规则很容易被人理解。本报告首先介绍四种基本的模糊系统数据挖掘方法：WM方法、多层模糊系统、投影跟随模糊系统、及模糊自适应规则系统，然后剖析模糊系统方法在解决材料基因研究问题中的三大优势：1）将数据与专家经验有机结合，得到覆盖面更广、更易于理解的模型；2）通过模糊隶属函数的巧妙选取，区分内插与外推，建议合理有效的新实验方案；3）从学习好的模糊系统模型可以有效地提取新的经验与知识，为新型材料试验提供更加新颖的思路与启发。
DOI: 10.12110/firstfmge.20171121.417
1992年美国南加州大学电机工程系获博士学位，1993至2007年任教于香港科技大学电子与计算机工程系，2007年辞去香港科大终身教职，专心从事金融投资系统的理论研究与实践，2013年重返学术界，先后任教于西安交通大学、中国科学院大学及上海大学。
在以下五个方面为模糊系统及模糊控制领域作出开拓性贡献：1）提出第一个由数据产生语言规则的方法--WM方法，促成并引领模糊神经网络领域的形成与发展；2）证明模糊系统是万能逼近器，开创模糊逼近领域；3）设计出第一个确保稳定性的自适应模糊控制器，引领模糊控制理论及应用二十多年来蓬勃的发展；4）建立多层模糊系统的基础理论，为性能更加优越的深度模糊系统理论奠基；5）出版模糊系统与模糊控制领域的经典教材，为领域的进步作出基础性贡献。以上研究成果被广泛引用，其中有六篇成果在Google Scholar上单篇他引超过1000次（至2017年9月），分别为单篇他引4415，4046，3131，2445，1716及1316次。
近年来，从人工智能视角研究金融系统，开创“投机动态系统理论”和“模糊舆情网络理论”，为“智能金融学”的建立提供基石。