基于信息融合的高爐料面紅外圖像分割方法

安劍奇，吳敏，何勇，許永華

(中南大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長沙，410083)

基于信息融合的高爐料面紅外圖像分割方法

安劍奇，吳敏，何勇，許永華

(中南大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長沙，410083)

針對高爐料面紅外圖像特征難以準確提取的問題，提出一種基于多源信息融合和免疫遺傳算法的最大模糊熵分割方法。根據(jù)專家經(jīng)驗和多源過程檢測信息，將高爐料面圖像分為高溫和低溫子圖像，采用免疫遺傳算法和最大模糊熵分別對子圖像進行分割，再將分割后的圖像融合。采用國內(nèi)某鋼鐵公司高爐爐頂攝像機拍攝的圖像進行圖像分割比較實驗。研究結(jié)果表明：該方法有效地利用多源信息和高低溫圖像特征，充分發(fā)揮最大熵法分割精度高和受目標大小影響小等優(yōu)點，通過免疫疫苗接種提高遺傳算法搜索最佳閾值的收斂速度；該方法能高效準確地提取高爐料面溫度特征，及時發(fā)現(xiàn)高爐異常爐況，更符合工業(yè)實際應(yīng)用要求。

圖像分割；信息融合；免疫遺傳算法；最大模糊熵

高爐是一個巨大的密閉反應(yīng)容器，無法直接觀測到其內(nèi)部復(fù)雜的生產(chǎn)反應(yīng)過程，通常通過多尺度的多源信息去了解爐況[1?3]。高爐料面溫度分布情況是指導(dǎo)生產(chǎn)的重要依據(jù)，實時準確地建立料面溫度場是了解爐內(nèi)狀況的直接手段，可以使人們有效地了解高爐內(nèi)部煤氣分布、煤氣利用狀況，進而判斷爐況和決策布料制度[4?5]。目前國內(nèi)大部分高爐都在爐頂安裝了紅外攝像頭，利用輻射測溫技術(shù)和數(shù)字圖像處理技術(shù)，通過光學(xué)法來測量溫度場。在一般情況下，紅外攝像儀把高爐內(nèi)的工況拍攝下來，變成灰度視頻圖像，利用不同的灰度表征不同的溫度，從而建立高爐料面溫度場[6?8]。由于高爐爐況非常復(fù)雜，導(dǎo)致紅外圖像特征難以提取，需要進行大量的預(yù)處理工作。如何進行有效的圖像分割，是進一步利用紅外圖像建立料面溫度場的前提。目前廣泛采用的是基于全局信息的單一靜態(tài)分割閾值法對圖像分割，沒有充分利用高爐料面圖像的特征、多源信息和生產(chǎn)經(jīng)驗[9?10]。由于料面有些區(qū)域溫度高，有些區(qū)域溫度相對較低，不同區(qū)域的信息特征不同，例如高溫度區(qū)域信息量大干擾信息多，容易產(chǎn)生光暈現(xiàn)象；低溫度區(qū)域信息量小，干擾信息較小。基于全局的閾值法沒有考慮高爐料面溫度分布特點，往往會使分割后的圖像保留一些無用信息或者丟失一些重要的生產(chǎn)過程信息。Pal等[11]將模糊集理論和熵理論相結(jié)合，引入圖像灰度的模糊數(shù)學(xué)描述，通過計算圖像灰度的最大模糊熵對圖像進行分割，可以針對全局信息有效地區(qū)分目標和背景。但是，窮舉法計算模糊參數(shù)存在計算復(fù)雜度高，占用存儲空間大的缺點[12]。在此，本文作者采用信息融合的思想，根據(jù)安裝在料面上方的十字測溫裝置所測量的溫度以及料線深度，將圖像按照溫度分布的不同動態(tài)的分為幾個相互關(guān)聯(lián)的區(qū)域(子圖像)，分別在高溫和低溫區(qū)域中提取不同的免疫疫苗，采用基于免疫遺傳算法和模糊熵的方法分別對高溫子圖像和低溫子圖像進行分割。這一方面有效克服了高低溫圖像特征差異大的問題，在子圖像中發(fā)揮了最大熵分割的全局性優(yōu)點；另一方面充分利用了免疫遺傳算法的空間搜索能力，減少了求取模糊參數(shù)的計算量，大大提高了分割效率。實驗證明：該方法能準確地提取高爐圖像的特征，為進一步建立溫度場提供基礎(chǔ)。

1 高爐爐頂紅外圖像特點

目前，高爐對料面溫度的監(jiān)測裝置有爐頂?shù)募t外攝像機和安裝在爐喉位置的十字測溫裝置，如圖 1所示。

根據(jù)熱輻射原理、高爐煉鐵原理以及現(xiàn)場數(shù)據(jù)和經(jīng)驗，高爐紅外圖像具有如下特點：

圖1 高爐紅外攝像機與十字測溫裝置示意圖Fig.1 Sketch map of position of infrared camera and cross-temperature device in blast furnace

(1) 在料線一定的情況下，十字測溫測得高溫的熱電偶對應(yīng)圖像的位置灰度較高，測定低溫的熱電偶對應(yīng)的圖像位置灰度較低；在爐況一定的情況下，料線越淺，十字測溫整體的溫度越高；料線越深，十字測溫整體的溫度越低。

(2) 由于高爐生產(chǎn)存在大量粉塵，爐頂紅外圖像容易產(chǎn)生隨機耀斑。

(3) 由于高爐底部鼓風(fēng)以及混合煤氣的光輻射的影響，在高爐料面溫度高的區(qū)域和溫度低的區(qū)域灰度差別很大時(例如高爐生產(chǎn)發(fā)展中心氣流時，中心溫度很高，圖像很亮，但是，周邊氣流不發(fā)展圖像則很暗)，很容易在灰度高的圖像周圍產(chǎn)生次高灰度的大量光暈。實際上，這種光暈對應(yīng)的區(qū)域溫度并不高。

(4) 高溫度區(qū)域的圖像中有用的信息較多，但是干擾也較多；低溫度區(qū)域的圖像中有用信息較少，干擾也較少。

顯然，紅外攝像機拍攝的料面的圖像特征和對應(yīng)溫度有很強的關(guān)聯(lián)性；因此，根據(jù)十字測溫和料線深度等多源信息融合的方法采用免疫遺傳算法，利用最大熵法對紅外圖像進行分區(qū)域雙閾值分割，可以有效地提取圖像的特征，能夠更準確地建立料面的溫度場，反映高爐爐況。

2 圖像分割的總體設(shè)計方案

由于料面紅外圖像與十字測溫有很強的關(guān)聯(lián)性以及高低溫區(qū)域?qū)?yīng)圖像具有的不同的特征，本文研究了基于信息融合技術(shù)的高爐料面紅外圖像分割技術(shù)。圖2所示為整體設(shè)計方案。首先對原始圖像進行濾波消除干擾信息；其次，根據(jù)十字測溫將圖像分為高溫區(qū)域和低溫區(qū)域，利用基于免疫遺傳算法的最大模糊熵原理分別對高低溫圖像進行閾值分割；最后，對高溫區(qū)域和低溫區(qū)域的交接處進行處理，消除突變點。

圖2 基于信息融合及最大熵的圖像分割方案Fig.2 Segmentation method based on multi-source information fusion and maximum fuzzy-entropy

3 基于信息融合的圖像分區(qū)

由于高爐紅外圖像的特殊情況造成高溫度區(qū)域與低溫度區(qū)域的有明顯的特性差異，如果按照常規(guī)的圖像分割方法，整體考慮圖像的灰度差異，容易導(dǎo)致低溫區(qū)域信息丟失，高溫區(qū)域信息過剩，因此，本文提出首先融合其他過程信息，在圖像中劃分開高低溫區(qū)域。

3.1 基于時間和空間的圖像濾波

由于高爐生產(chǎn)過程很復(fù)雜，一方面有很多灰塵在底部鼓風(fēng)的作用下，飄向攝像機，在圖像上造成一些隨機的耀斑，另一方面礦石突然噴燃，也會使圖像上出現(xiàn)比較多的細小亮斑，因此，采用基于時間尺度和空間尺度[13]的濾波消除圖像中的脈動干擾和椒鹽噪聲。

步驟 1：將采集的一組圖像存入圖像數(shù)組P[k][i][j](其中，k為幀號，i為一幀圖像的行號，j為一幀圖像的列號)。為了方便尋找中間值，取k為奇數(shù)，進行時間尺度的中值濾波：

步驟 2：將進行完中值濾波后的圖像，進行基于空間尺度的均值濾波：

通過時間和空間尺度2個方面的濾波后，圖像質(zhì)量有了明顯提高，在抑制噪聲的同時還保持圖像邊沿清晰。

3.2 根據(jù)十字測溫和料尺對圖像進行分區(qū)

根據(jù)十字測溫測得的溫度，將圖像分為若干個區(qū)域，再將這些區(qū)域由根據(jù)料線深度動態(tài)計算的溫度閾值分為高溫區(qū)域和低溫區(qū)域。具體步驟如下。

步驟1：按照十字測溫將圖像分為24個區(qū)域，如圖3所示，每1/4圓中有6個區(qū)域。

圖3 根據(jù)十字測溫的分割區(qū)域Fig.3 Segmentation area based on cross-temperature

步驟 2：利用料尺深度按照氣流熱傳導(dǎo)原理將十字測溫溫度折算到料面對應(yīng)點。

式中：ti為十字測溫溫度；ti′為折算到料面對應(yīng)點的溫度；l為料現(xiàn)深度；Δt為單位深度的溫度變化。

步驟3：用每個區(qū)域4個頂點的十字測溫的平均值表征該區(qū)域的溫度。用陰影區(qū)域來說明：

步驟 4：根據(jù)經(jīng)驗計算高低溫度區(qū)域的閾值，按照閾值將24個區(qū)域分為高溫區(qū)域和低溫區(qū)域。

步驟 5：將所有高溫區(qū)域合并成為區(qū)域Qh，將所有低溫區(qū)域合并成為區(qū)域Ql，這樣就形成了2個子圖像。

4 基于免疫遺傳算法和最大模糊熵的閾值計算

4.1 最大模糊熵閾值分割

在本文中，分別對高溫區(qū)域圖像Qh和低溫區(qū)域圖像Ql進行最大熵閾值分割。為了描述方便，本文以Qh圖像為例介紹。設(shè)Qh為1幅M×N的圖像，灰度級別為k(k=0，1，…，K?1；其中，K取256)。設(shè)qh,mn為圖像Qh中點(m，n)的灰度。令nk為Qh中灰度為k的像素點個數(shù)，則

由信息論可知：一個事件的熵越大，所包含的信息越大，為了達到分割最佳效果，應(yīng)選取信息熵最大的分割閾值。

同時根據(jù)模糊理論，圖像Qh可以看成為一個模糊事件，可以將某點按照灰度值表示為屬于某種語言變量(特征)的隸屬度。對于單閾值分割，設(shè)分割閾值為t，根據(jù)灰度，將高溫圖像Qh分為2個模糊集，即亮和黑2個集合，亮對應(yīng)Qh中灰度較高的部分，主要針對爐心等；黑對應(yīng)的區(qū)域是Qh中灰度較低的部分，主要針對光暈等。這2個模糊集的隸屬度函數(shù)μb(k)和μd(k)可分別定義為[15]：其中：k為圖像灰度；a，b和c為參數(shù)，滿足 0≤a≤b≤c≤255。因此，亮和暗的發(fā)生概率可由下式計算得到：

由此可見：選取圖像的最佳分割閾值可以轉(zhuǎn)化為求最優(yōu)的參數(shù)a，b和c使?jié)M足Hh(a,b,c)最大的優(yōu)化問題。

4.2 遺傳算法

遺傳算法是一種基于空間搜索的方法，它通過自然選擇、遺傳=變異等操作以及達爾文的適者生存的理論，模擬自然進化過程尋找所求問題的最優(yōu)解，因此，遺傳算法的求解過程也可以看作是求解最優(yōu)化過程[16]。

求取圖像的最大模糊熵問題可以轉(zhuǎn)化為以Hh(a,b,c)為適應(yīng)度函數(shù)，參數(shù)a，b和c作為染色體，0≤a≤b≤c≤255作為約束條件的遺傳算法求解過程，本文采用精英保留策略可以有效地保證算法收斂。

具體的算法過程如下。

步驟 1：以a，b和c為染色體，它們的均在[0，255]區(qū)間內(nèi)，采用 8位二進制進行串序編碼，得到有24位的染色體基因。

步驟2：群體初始化，隨機產(chǎn)生120個染色體，每條染色體為1個24位的二進制數(shù)X。為了滿足0≤a≤b≤c≤255的條件，重新排列染色體，令最小的8位為a，其次為b，最大的為c，則

步驟 4：采用精英保留策略，將適應(yīng)度高的染色體保留進行復(fù)制到下一代染色體，適應(yīng)度低的染色體按照交叉概率Pc和變異概率Pm產(chǎn)生新一代的染色體，然后重新按照a，b和c的大小排列。

步驟5：若達到繁衍代數(shù)或者適應(yīng)度連續(xù)5代進化無變化則算法停止，得到最佳系數(shù)a，b和c使適應(yīng)度最大；否則轉(zhuǎn)到步驟3。

4.3 免疫疫苗接種

由于遺傳算法利用全局空間搜索的方法，不依賴任何已知經(jīng)驗，導(dǎo)致系統(tǒng)計算復(fù)雜度高、占用內(nèi)存空間大、容易陷入局部最優(yōu)解得缺點。

免疫算法是一種模擬生物體的免疫機制的算法，其目標是對系統(tǒng)受侵害的部分進行保護，屏蔽[17]。將免疫算法應(yīng)用到遺傳算法中，可以利用局部信息特征以一定的強度干預(yù)搜索過程，根據(jù)專家知識在最優(yōu)個體當(dāng)中自動提取疫苗，通過接種疫苗對染色體中的基因進行某種特殊形式的變異，抑制或避免求解過程中一些重復(fù)和無效的工作，從而克服原遺傳算法后期收斂速度慢的缺點，避免染色體遺產(chǎn)操作發(fā)生退化，更有利于尋找全局最優(yōu)解。

因此，本文對遺傳算法中的染色體進行基于高、低溫圖像特征的疫苗接種。下面仍然以高溫圖像Qh為例說明，具體步驟如下。

步驟 1：構(gòu)造初始疫苗。根據(jù)高爐圖像的經(jīng)驗，構(gòu)造高溫圖像的初始疫苗。由于高溫圖像亮度較高，分割閾值很大，即a，b和c都較大，因此，應(yīng)該在高灰度值范圍中增大染色體所占的比例。構(gòu)造疫苗為：

步驟 3：疫苗自動更新。為了提高遺傳算法后期的收斂速度，在遺傳算法步驟4中保留的“精英”染色體中提取疫苗。將所有“精英”染色體進行同或操作，找到相同基因位后在與任意一個“精英”染色體進行“與操作”，從而得到新一代疫苗：

步驟5：疫苗接種。對遺產(chǎn)算法步驟4中產(chǎn)生的新一代染色體按照概率Pva對非復(fù)制的染色體進行疫苗接種。

步驟 6：疫苗選擇。計算疫苗接種后的染色體的適應(yīng)度，若比父代的適應(yīng)度大，則保留；若比父代的適應(yīng)度小，則說明產(chǎn)生了退化，取消疫苗接種。

采用基于知識和特征信息的免疫疫苗接種加快了原有遺傳算法的收斂速度，得到最佳a，b和c，從而計算得到最佳分割閾值Topt。

5 高低溫區(qū)域交界處修正

由于光暈和耀斑可能跨越高溫子圖像和低溫子圖像，這樣就會造成2個子圖像的交接處出現(xiàn)灰度突變，需要對子圖像交界處進行處理。具體步驟如下。

步驟 1：在圖像交界兩邊掃描從高溫區(qū)域到低溫區(qū)域是否有灰度從0到1的突變。若沒有，則結(jié)束。

步驟 2：若有突變，則確定突變的范圍。

步驟 3：在原始圖像中找到突變范圍的灰度。若原始灰度超過 100，則認為是耀斑或者光暈，在低溫子圖像中將該范圍的灰度變?yōu)?0，因為在低溫區(qū)域不可能出現(xiàn)如此高的灰度；若低于 100，則認為是低溫有效圖像，保留原有狀態(tài)。

6 結(jié)果與分析

利用本文采用的圖像分割技術(shù)對某鋼鐵公司大高爐爐頂料面紅外圖像進行分割。并將分割效果與普通最大熵法進行比較，如圖4所示。圖4(a)所示為原始圖像；圖4(b)所示為沒有分高、低溫區(qū)域時在整個圖像上進行最大熵分割的結(jié)果；圖 4(c)所示為對低溫圖像采用最大熵方法進行分割后的結(jié)果。

圖4(b)中的分割閾值為85；圖4(c)中高溫部分的分割閾值為147，低溫部分的分割閾值為0。

采用免疫操作與沒有采用免疫操作的遺傳算法相比，分割閾值沒有太大的變化，但是收斂時間提高20%左右，加快了系統(tǒng)得收斂時間。

圖4 圖像分割實驗結(jié)果比較Fig.4 Experimental results and performance comparisons of image segmentation

7 結(jié)論

(1) 針對高爐料面紅外圖像特征難以提取得問題，提出了一種基于多源信息融合的方法。其步驟為：根據(jù)十字測溫和料線深度等過程數(shù)據(jù)將高爐料面紅外圖像按照溫度分為高溫子圖像和低溫子圖像；根據(jù)高低溫圖像的特征提取免疫疫苗；然后，采用基于免疫遺傳算法的最大模糊熵方法分別對高低溫子圖像分別進行分割；最后，將分割好的圖像融合起來。

(2) 采用國內(nèi)某鋼鐵公司的高爐料面紅外圖像進行分割實驗對比，本文提出的方法與基于全局信息的分割方法相比，采用本文所提出的方法可有效地抑制高溫區(qū)域的信息過剩和避免低溫信息的丟失等問題，從而更有效地提取了特征，有利于高爐工長及時發(fā)現(xiàn)偏心和管道的異常爐況。

[1]馮晶, 李福全. 現(xiàn)代大型高爐的檢測、數(shù)據(jù)采集和控制[J]. 鋼鐵技術(shù), 2006(5): 24?28.FENG Jing, LI Fu-quan. Detection, data collection and control of modern large BF[J]. Iron and Steel Technology, 2006(5): 24?28.

[2]Akira U, Masaaki S. New technologies for steel manufacturing based upon plant engineering[J]. NKK Technical Review,2003(88): 37?45.

[3]曲飛, 吳敏, 曹衛(wèi)華, 等. 基于支持向量機的高爐爐況診斷方法[J]. 鋼鐵, 2007, 42(10): 17?19.QU Fei, WU Min, CAO Wei-hua, et al. BF status diagnosis approach based on SVM[J]. Iron and Steel, 2007, 42(10): 17?19.[4]Yoshimasa K, Takao J. Development of a simulation model for burden distribution at blast furnace top[J]. ISIJ International,1983, 23(12): 1045?1052.

[5]Yingda D, Konishi M, Imai J. Temperature distribution control in blast furnace by RNN[C]//Proceedings of the 3rd International Conference on Innovative Computing Information and Control.Dalian: IEEE Computing Society, 2008: 475?476.

[6]刁日升, 王戈, 劉傳勝, 等. 爐頂紅外攝像監(jiān)控系統(tǒng)在攀鋼高爐上的應(yīng)用[J]. 鋼鐵釩鈦, 2002, 23(3): 54?58.DIAO Ri-sheng, WANG Ge, LIU Chuan-sheng, et al. Use of infrared monitored control system at furnace top in PZH steel[J].Iron Steel Vanadium Titanium, 2002, 23(3): 54?58.

[7]劉振燾, 吳敏, 曹衛(wèi)華, 等. 一種基于信息融合的高爐料面溫度場建模方法[C]//第 27屆中國控制會議論文集, 北京: 北京航空航天大學(xué)出版社, 2008: 285?289.LIU Zhen-tao, WU Min, CAO Wei-hua, et al. A novel method based on information fusion for modeling burden surface temperature field in blast furnace[C]//Proceedings of the 27th Chinese Control Conference. Beijing: Beihang University Press,2008: 285?289.

[8]涂春林, 畢學(xué)工, 周勇. 高爐爐頂溫度分布模式識別神經(jīng)元網(wǎng)絡(luò)的研究[J]. 河南冶金, 2004, 12(1): 10?13.TU Chun-lin, BI Xue-gong, ZHOU Yong. Study on neural network for the recognition of blast furnace top temperature distribution[J]. Henan Metallurgy, 2004, 12(1):10?13.

[9]朱寅, 吳敏, 曹衛(wèi)華, 等. 基于小波分解與圖像增強的高爐紅外圖像處理方法[C]. 第27屆中國控制會議論文集, 北京: 北京航空航天大學(xué)出版社, 2008: 699?703.ZHU Yi, WU Min, CAO Wei-hua, et al. An image processing method based on wavelet decomposition and image enhancement for blast furnace infrared image[C]//Proceedings of the 27th Chinese Control Conference. Beijing: Beihang University Press, 2008: 699?703.

[10]許永華, 吳敏, 曹衛(wèi)華, 等. 高爐溫度場的紅外圖像識別檢測方法及應(yīng)用[J]. 控制工程, 2005, 12(4): 354?356.

XU Yong-hua, WU Min, CAO Wei-hua, et al. Measurement of the temperature profile based on infrared image processing and its application in blast furnace[J]. Control Engineering of China,2005, 12(4): 354?356.

[11]Pal K, King A, Hashim A. Fuzzy set theoretic measure for automatic feature evaluation[J]. IEEE Trans on Systems, Man and Cybernetics, 1986, 16(5): 754?760.

[12]宗凡, 趙大煒, 訾方, 等. 基于模糊熵的紅外圖像分割方法[J].彈箭與制導(dǎo)學(xué)報, 2008, 28(3): 223?226.

ZONG Fan, ZHAO Da-wei, ZI Fang, et al. Infrared image segmentation based on fuzzy entropy[J]. Journal of Projectiles,Rockets, Missiles and Guidance, 2008, 28(3): 223?226.

[13]安劍奇, 吳敏, 何勇, 等.基于專家評估和信息融合的高爐料面溫度場智能建模[J]. 計算機與應(yīng)用化學(xué), 2008, 25(7):782?786.

AN Jian-qi, WU Min, HE Yong, et al. Intelligent modeling based on expert evaluation and information fusion for burden surface temperature field of blast furnace[J]. Computers and Applied Chemistry, 2008, 25(7): 782?786.

[14]金振玉. 信息論[M]. 北京: 北京理工大學(xué)出版社, 1991:11?20.

JIN Zhen-yu. Information theory[M]. Beijing: Beijing Institute of Technology Press, 1991: 11?20.

[15]Zenzo D, Cinque L. Image thresholding using fuzzy entropies[J].IEEE Trans on Systems, Man and Cybernetics-Part B:Cybernetics, 1998, 28(1): 15?23.

[16]Lewin D, Parag A. A constrained genetic algorithm for decentralized control system structure selection and optimization[J]. Automatica, 2003, 39(10): 1801?1807.

[17]Kalinili A, Karaboga N. Artificial immune algorithm for IIR filter design[J]. Engineering Applications of Artificial Intelligence, 2005, 18(8): 963?972.

(編輯 陳愛華)

Segmentation method for burden surface infrared image in BF based on multi-source information fusion

AN Jian-qi, WU Min, HE Yong, XU Yong-hua

(School of Information Science and Engineering, Central South University, Changsha 410083, China)

Considering the fact that the fact that the feature of image for burden surface temperature profile in BF can not be accurately extracted, a kind of maximum fuzzy-entropy image segmentation method based on the multi-source information fusion and the immune genetic algorithm for burden surface infrared image was proposed. Firstly,according to the expert experience and the multi-source detected information of the BF, the image of burden surface was divided into two sub-images, named as high or low temperature sub-image. Then the two sub-images were segmented respectively by using the maximum fuzzy-entropy and the immune genetic algorithm. Finally, the two segmented sub-images were fused into one image. The results show that since both the multi-source information and the temperature feature of the image are thoroughly taken into account, this method makes full use of the advantages of maximum fuzzy-entropy with the high precision and less influence from the target size, and by adopting the immune algorithm, it also improves the convergence speed of genetic algorithm for searching optimal segmentation threshold.The method is effective and accurate to obtain its temperature feature and more timely to discover its abnormal conditions. It is proved to be a better method to meet the demands of the industrial application.

image segmentation; information fusion; immune genetic algorithm; maximum fuzzy-entropy

TP18；TP391

A

1672?7207(2011)02?0391?07

2009?11?07；

2010?03?03

國家高技術(shù)研究發(fā)展計劃(“863”計劃)項目(2007AA04Z177)；國家杰出青年科學(xué)基金資助項目(60425310)

吳敏(1963?)，男，廣東化州人，教授，博士生導(dǎo)師，從事魯棒控制、復(fù)雜工業(yè)過程控制和智能控制研究；電話：0731-88836091；E-mail：min@mail.csu.edu.cn