主要研究中心
现代智能制造、智能电网、生物医学系统无时无刻不诞生着大量的海量的各种数据，包括流数据、音频、视频、文档等不同类型。我们研究数据科学中的机器学习方法，从海量非结构化的异构数据中提取数据特征，从而对未来的过程演化进行预测，对智能制造装备、智能电网、生物医学系统等进行健康检测和故障预测。更重要的，将寻找不同测点、不同层次数据之间的相关性和因果性，并对过程的隐藏结点和引爆结点进行挖掘，揭示更深层次的机理和规律。
主要研究进展
1. 通过压缩感知，从22800个拟蓝芥基因中挖掘出了8个有可能调节其昼夜节律的基因，后通过剑桥大学植物学系的实证研究证实，其中2个基因可以起到调节作用。成果发表于Plant Cell，被Nature，Nature 子刊，Cell等影响因子大于10的期刊以及多位美国科学院院士引用四十余次。
2. 通过稀疏贝叶斯学习方法，对复杂曲面多轴数控加工曲面的形变进行预测，反馈至主轴控制器，据此设计了形变补偿和颤振抑制的预测控制方法，成功应用于制造航空发动机的无锡透平叶片厂的薄壁件加工过程，显著降低了薄壁件表面的粗糙度。
3. 通过压缩感知等方法，引入潮流方程等机理模型，揭示了智能电网不同结点之间的相关性和因果性规律。实现了基于少数结点检测数据的智能电网故障定位与预测。
4. 通过能量球寻优方法，将机器学习寻优过程的传统牛顿方法速度提高了一千倍以上，原来四核处理器计算一周的优化问题，用我们的优化方法在笔记本上可以几分钟完成。
应用前景
智能制造装备的故障预测、寿命估计、测点间相关性、因果性分析；智能电网的入侵定位、隐藏结点及引爆结点探测；基因调控网络中基因和蛋白质作用机理挖掘。