方法
本页以方法为主线组织研究能力，而非以单一应用领域定义研究身份。此前的能源系统工作、当前的生物医学传感与闭环发现合作，均视为同一技术程序的不同应用。
方法支柱
不确定性感知推断
从含噪、间接或不完整的测量中恢复潜在系统状态，并充分量化不确定性以支持决策。
方法包括贝叶斯推断、变分推断和马尔可夫链蒙特卡洛（MCMC）。这些技术产生校准的后验分布而非点估计，使下游决策能够考虑风险。
具体实例：
- 利用 SINDYc 与 MCMC 不确定性量化进行建筑热动力学灰箱辨识 — 发表于 Energies（DOI: 10.3390/en13123183），开源软件见 Zenodo。
- 基于雷达的生理状态估计（呼吸、心脏运动），作为持续进行中的自适应传感测试平台。
自适应决策
利用不确定性估计和信息增益准则选择下一次测量、传感配置、实验条件或停止点。
方法包括模型预测控制（MPC）、最优实验设计和信息论采集准则。驱动微电网频率控制的目标调整 MPC 框架，现同样驱动生物医学传感的自适应波形设计。
具体实例：
- 面向孤岛微电网负荷频率控制的目标调整 MPC，处理不确定可再生能源发电 — 发表于 IET Renewable Power Generation（DOI: 10.1049/iet-rpg.2019.0487）。
- 抗菌组合筛选的自适应实验选择，考虑实验成本与安全约束（进行中，稿件审阅中）。
闭环实验
将测量、推断与行动连接，使系统能随证据积累自适应调整数据采集或实验计划。
此支柱将传感、推断与决策组合为反馈回路，在需要时保留人工监督。架构从实验室验证的硬件在环平台延伸至人工监督的自主生物测定系统。
具体实例：
- 在硬件在环实验室平台上验证的三级分层微电网控制 — 发表于 Electric Power Systems Research（DOI: 10.1016/j.epsr.2020.106758）。
机理机器学习
将学习模型与物理前向模型、科学先验和约束相结合，使预测保持可解释性和可操作性。
不以黑箱方式处理系统，而是将已知结构——守恒定律、微分方程、传感器模型——编码到推断或控制流程中，确保预测尊重物理可行性并对领域专家保持可解释性。
具体实例：
- 使用物理基函数的 SINDYc（含控制的非线性动力学稀疏辨识）用于需求侧响应者行为建模，结合 MCMC 进行不确定性量化。
- 用于生理监测的雷达前向模型，将电磁传播物理编码到测量模型中。
- 模块化能源枢纽建模框架，编码热力学与网络约束 — GSoC 2016 项目。
最后更新于