张建华
发布人:系统管理员  发布时间:2016-10-20   动态浏览次数:1512


张建华


德国波鸿鲁尔大学电气工程专业博士(师从国际著名统计信号处理专家、德国国家工程院与北莱茵-威斯特法伦科学院双院士Johann F. Boehme教授),英国谢菲尔德大学自动控制与系统工程系Research Associate(合作导师为国际著名智能系统与控制专家、英国皇家工程院院士Derek A. Linkens教授等)。2007年从英国引进回国任华东理工大学自动化系教授、博导,同年入选上海市浦江人才计划。2008年以来,作为访问教授5次应邀赴德国柏林工业大学与马普学会复杂技术系统动力学研究所开展合作研究与博士生联合培养工作。

现任国际自动控制联合会(IFAC)人机系统技术委员会主席(TC 4.5 Chair),IFAC生物与医学系统、复杂大系统及交通系统等技术委员会委员,中国自动化学会人机混合平行智能专委会委员,国际SCI期刊 Frontiers in Neuroscience (IF=3.398)副编辑,IEEE汇刊、Information Science20余种SCI期刊特约审稿人。知名国际学术会议IFAC LSS2013国际程序委员会(IPC)副主席,第19届和20IFAC世界大会技术副编辑(TAE),IFAC HMS2016IPC共同主席。至今出版专译著4部,在IEEE Trans. on Computational Biology and Bioinformatics,IEEE Trans. on Human-Machine Systems, IEEE Trans. on Biomedical Engineering等国内外重要专业期刊和会议上发表论文110余篇。

2011年获德国马普学会高级研究基金;2007年入选上海市浦江人才支持计划;2002-04年获由德国政府颁发的德意志学术交流中心(DAAD)奖学金。

负责的智能系统研究组与美国北卡州立大学德国柏林工业大学和德累斯顿工业大学、英国诺丁汉大学和卡迪夫大学意大利米兰理工大学丹麦奥尔堡大学以及希腊帕特雷大学等校实验室建立了密切的科研合作与交流关系指导培养已毕业博士研究生3名(其中2名与德国柏林工业大学联合培养)、硕士研究生22名



基本信息:

   所属部门: 自动化系

   办公电话:(021)64253808

   办公地址: 研究生楼1107B

   Email: zhangjh@ecust.edu.cn

   个人主页: http://loop.frontiersin.org/people/200040/bio


主讲课程

   自动控制原理(本科生)

   智能控制系统(本科生)

   计算智能与人工智能(本科生)

   控制论基础(本科生)

      模糊系统理论与应用(本科生)

   智能理论及应用(博士生)


科研方向:

   计算智能、机器学习、模式识别、智能系统与控制、智能数据建模与分析、生物医学信号处理、生物系统建模与控制、人机系统与脑机交互、计算神经工效学以及认知神经工程。
Research Fields:

       Intelligent systems and control, biomedical system modeling and control, biosignal processing and data mining, complex human-machine systems, neuroinformatics and neuroengineering, and pattern recognition and machine learning.


主要研究兴趣:

   计算智能与智能控制系统:研究混合计算智能系统(如自适应模糊系统、进化优化、粒计算、神经网络、支持向量机等)建模与控制方法及其在工程与生物医学中的应用。

   智能数据建模与分析:研究如何从电生理大数据中建立数据驱动的生理心理模型,从而提取与发现生理心理知识和规律。

   机器学习与模式识别:研究改进机器学习与深度学习算法,并将其应用于高维特征提取、降维、数据聚类及分类等模式识别问题。

   复杂生物系统的建模、分析与控制:研究生物医学信号处理,研究开发在人机交互协同环境下生物系统(如人机系统与脑机交互系统)的建模、分析、控制及决策支持理论与算法。


科研项目:

   曾主持或重点参加完成(或在研)由德国科学研究基金会(DFG)、欧盟(EC INTAS)、英国工程与物理科学研究委员会(UK EPSRC)、我国国家自然科学基金、教育部留学回国人员科研启动基金、上海市浦江人才计划等科研项目20余项。


学术成果:

1)工业过程建模与控制:对列车运行过程进行划分并分别建立不同子过程的模型,提出了列车运行过程的新型模糊预测控制方法(1995)利用基于离散泰勒级数表示的联想记忆型神经网络,首次提出了列车自动停车的长程预测控制方法(1996)。将非线性分散鲁棒控制方法用于高层建筑结构的主动减振控制,使地震波或强风激励下的结构响应大副减小,提出的控制策略对硬件故障或失效有一定的鲁棒性(1999)。

2)统计与智能信号处理:提出了内模自适应卡尔曼滤波方法,将其成功用于GPS运动车辆定位与速度数据滤波(1999-2000)。基于小波和小波包变换方法,提出了具有高时频分辨率的最优信号消噪算法 (2002-04),无需一般统计信号处理方法对信号与噪声所做的不实际数学假设条件。提出了基于自适应正则化网络和非线性自适应模糊逼近器的时间序列信号建模与预测方法(2003-04)。将这些先进信号处理方法成功用于解决诱发脑电(EP)信号的单次估计难题。

3)人机协同系统的建模与控制:2005年以来,基于实测的多源生理数据,提取出人体体力负荷和心理负荷的最优生理特征。采用自适应模糊系统方法,建立了能定量描述操作员生理特征与其功能状态之间复杂非线性关系的操作员功能状态OFS)静态与动态预测模型和模式分类器。使用先进信号处理(如ICA和小波变换)、进化计算(如GA和PSO算法)以及模糊模式识别方法,提出了电生理特征提取与选择以及多类分类算法,设计开发出自适应人机协同集成控制系统。

4)计算神经工效学与脑机交互:1999年起开始脑电信号处理的研究2005年起开始计算神经工效学与脑机交互方向的研究。在适应性自动化(或可调整自主性,AA)系统设计与实现、多模态脑机交互、计算神经工效学等理论方法取得了突破性研究成果,提出的这些新理论与方法在载人航天器、军用飞机、无人机、空中交通管制、核电站、智能交通系统、自动驾驶系统等领域普遍存在的具有高安全性要求的一大类人机协同系统中有潜在的重要应用价值


代表性论著

[1].Jian-Hua Zhang, Cerebral Evoked Potential Estimation: Time-frequency Analysis and Intelligent Data Modeling Methods, Berlin, Germany: dissertation.de - Verlag im Internet GmbH, 2005, 155 pp, ISBN 3-89825-974-9.

[2].J.Zhang* and Zhong Yin, Pattern Classification of Instantaneous Cognitive Task load Through GMM Clustering, Laplacian Eigenmap and Ensemble SVMs, IEEE/ACM Trans. on Computational  Biology and  Bioinformatics, 2016 (in press)

[3].J. Zhang* and S. Yang, A novel PSO algorithm based on an incremental-PID-controlled search strategy, Soft Computing, vol. 20, pp. 991-1005, 2016.

[4].J. Zhang*, S. Yang and R. Wang, Operator functional state estimation based on EEG-data-driven fuzzy model, Cognitive Neurodynamics, vol. 10(5), 375-383, Oct. 2016.

[5].J. Zhang*, Z. Yin and R. Wang, Recognition of Mental Workload Levels Under Complex Human- Machine  Collaboration By Using Physiological Features and Adaptive Support Vector Machines, IEEE Trans. on Human-Machine Systems, vol. 45(2), pp. 200-214, Apr. 2015.

[6].J. Zhang* and S. Yang, An incremental-PID-controlled Particle Swarm Optimization algorithm for EEG-data-based estimation of operator functional state, Biomedical Signal Processing and Control, vol. 14, pp. 272-284, 2014.

[7].Z. Yin and J. Zhang*, Identification of Temporal Variations in Mental Workload Using Locally-Linear-Embedding-based EEG Feature Reduction and Support-Vector-Machine-based Clusteringand Classification  Techniques, Computer Methods and Programs in Biomedicine, vol. 115, pp. 119-134, 2014.

[8].Zhong Yin and Jianhua Zhang*, Operator Functional State Classification Using Least-Square Support Vector Machine based Recursive Feature Elimination Technique, Computer Methods and Programs in Biomedicine, vol. 113 (1), pp. 101-115, Jan. 2014.

[9].Jianhua Zhang*, Hua Liu, Xiaodi Peng, Joerg Raisch, and Rubin Wang, Classifying human operator functional state based on electrophysiological and performance measures and fuzzy clustering method, Cognitive  Neurodynamics, vol. 7, pp. 477-494, 2013.

[10].Jianhua Zhang*, Panpan Qin, Joerg Raisch, and Rubin Wang, Predictive modeling of human operator cognitive state via sparse and robust support vector machines, Cognitive Neurodynamics, vol. 7 (5), pp. 395-407, 2013.

[11].Shaozeng Yang andJianhua Zhang*, An Adaptive Human-Machine Control System based on Multiple Fuzzy Predictive Models of Operator Functional State, Biomedical Signal Processing and Control, vol. 8 (3), pp. 302-310, May 2013.

[12].Raofen Wang, Jianhua Zhang, Yu Zhang, and Xingyu Wang, Assessment of human operator functional state using a novel differential evolution optimization based adaptive fuzzy model, Biomedical Signal Processing and Control, vol. 7 (5), pp. 490-498, Sept. 2012.

[13].L. Hu, X. Xu, Y. Gong, X. Fan, L. Wang, J. Zhang and Y. Zeng, Percutaneous biphasic electrical stimulation for treatment of obstructive sleep apnea syndrome, IEEE Trans. on Biomedical Engineering, vol. 55 (1), pp. 181-187, Jan. 2008.

[14].Jian-Hua Zhang* and Johann F. Böhme, “Adaptive regularization network based neural modeling paradigm for nonlinear adaptive estimation of cerebral evoked potentials,” Medical Engineering & Physics, vol. 29, pp. 1008-1018, 2007.

[15].Y.-J. Zeng, Jian-Hua Zhang, B. Shen, et al., Measuring blood flow velocities based on three image processing techniques, Medical Physics, vol. 32 (4), pp. 1187-1192, 2005.

[16].Jian-Hua Zhang*, K. Janschek, J.F. Böhme, and Y.-J. Zeng, Multi-resolution dyadic wavelet de-noising approach for extraction of visual evoked potentials in the brain, IEE Proc.-Vision, Image & Signal Processing, vol. 151 (3), pp. 180-186, June 2004.

[17].H.-E. Yin, Y.-J. Zeng, Jian-Hua Zhang, and Y.-F. Pan, Application of adaptive noise cancellation with neural-network-based fuzzy inference system for visual evoked potentials estimation, Medical Engineering & Physics, vol. 26 (1), pp. 87-92, Jan. 2004.

[18].Q. Wang, Y.-J. Zeng, P. Luo, J.-L. Hu and Jian-Hua Zhang, A specialized plug-in software module for computer-aided quantitative measurement of medical images, Medical Engineering & Physics, vol. 25 (10), pp. 887-892, Dec. 2003.

[19].Jianhua Zhang and Rubin Wang, Adaptive Fuzzy Modeling based Assessment of Operator Functional State in Complex Human-Machine Systems, in G.M. Dimirovski (Ed), Complex Systems:

Relationship between Control, Communications and Computing, Chapter 9, pp. 189-210, ISBN 978-3-319-28858-1,  ISBN 978-3-319-28860-4 (eBook), Springer Verlag, 2016.

[20].Jianhua Zhang, Shaozeng Yang, Zhong Yin, and Rubin Wang, Estimation of Operator Functional State Using EEG-Data-driven Fuzzy Models with Entropy-based Partition, in R. Wang and X. Pan (Eds), Advances in Cognitive Neurodynamics (V), Chapter 69, pp. 511-518, ISBN: 978-981-10-0205-2 (Print) 978-981-10-0207-6 (Online), Springer Verlag, 2016.

[21].Zhong Yin, Jianhua Zhang, and Rubin Wang, Neurophysiological Features-Based Detection of Mental Workload by Ensemble Support Vector Machines, in R. Wang and X. Pan (Eds), Advances in Cognitive Neurodynamics (V), Chapter 64, pp. 469-475, ISBN: 978-981-10-0205-2 (Print) 978-981-10-0207-6 (Online), Springer Verlag, 2016.

[22].Jiajun Xia, Jianhua Zhang, and Rubin Wang, Modeling of Adaptive Human-machine Systems Based on Fuzzy Inference Petri Nets, in R. Wang and X. Pan (Eds), Advances in Cognitive Neurodynamics (V), Chapter 67, pp. 493-499, ISBN: 978-981-10-0205-2 (Print) 978-981-10-0207-6 (Online), Springer Verlag, 2016.