报告题目：深度模糊模型的快速学习算法及其应用：从股票预测开始

报告人： 王立新

报告时间：2019年04月23日 10:00

报告地点： 数计学院4号楼229会议室

报告摘要：支撑当下AI泡沫的深度神经网络有两大缺陷：（1）计算量庞大，因为有大量的参数需要循环迭代，不知道算多久才能收敛，所以将训练好的模型封装到用户端还可以，但如果有新的数据需要随时学习，用户端的简单设备就做不到了；（2）模型不可解释，知其然不知其所以然，用起来心里没谱；对于像自动驾驶这样人命关天的应用场景，出事不可怕，可怕的是不知道如何改进，保证下一次不犯同样的错误。

深度模糊系统及其快速学习算法恰恰克服了这两大缺陷：（1）由于基础的学习算法--WM方法只需要数据一次过，不用循环迭代，计算量小，十几层的深度模糊系统构建起来很迅速，在用户端的简单设备上也可以进行新数据的不断学习；（2）深度模糊系统由简单的模糊子系统串联而成，每个模糊子系统就是一些简单的IF-THEN规则，所以深度模糊系统就是这些简单IF-THEN规则的首尾相接，一环套一环，容易理解，解释性强；如果系统出错，可以很容易查出是哪一条IF-THEN规则链出了问题，予以修正。

本报告将详细系统地介绍深度模糊系统及其快速学习算法的技术细节，以及在股票预测和公司估值方面的应用。

报告人简介：王立新，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及中国科学院大学。

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，实现数据到知识的转换，从而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，为模糊系统在广泛领域的应用提供坚实的理论支撑；（3）设计出第一个确保稳定性的自适应模糊控制器，开启模糊控制从经验学科向严格理论升级之大门，引领模糊控制二十多年蓬勃的发展；（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2019年4月），分别为单篇他引4733，4380，3334，2652，1805及1395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。