针对污泥膨胀难以准确识别的问题，研究团队提出了数据和知识混合驱动的污泥膨胀智能特征识别方法，设计出污泥膨胀智能特征识别模型。结合传感器采集的数据信息，将运行机理和操作人员经验融入模糊规则形成知识信息，解决了特征变量信息获取不充分的问题，保证了污泥膨胀特征变量提取的有效性。由于污泥膨胀特征信息包含数据和知识信息，要求智能识别模型必须能够同时处理数据和知识信息，研究团队建立了基于自组织知识迁徙神经网络（SO-KTNN）的污泥膨胀智能特征识别模型，利用分层迁徙方法完成知识特征的效用评价和重构，不但完成了数据和知识的融合，而且实现了冗余和无效知识的去除，解决了冗余和无效知识引起的过拟合学习问题，提高了污泥膨胀智能特征识别模型的精度。将污泥膨胀智能特征识别模型应用于实际城市污水处理过程，运行结果显示平均识别率达到95.25%，明显高于传统识别方法；基于智能特征识别模型开发出城市污水处理过程污泥膨胀预警技术，有效降低了污泥膨胀的发生率。

代表性成果：

[1] Han Honggui, Liu Zheng, Liu Hongxu, Qiao Junfei, C. L. Philip Chen. Type-2 Fuzzy Broad Learning Algorithm, IEEE Transactions on Cybernetics, 2022, 52(10): 10352-10363.

[2] Han Honggui, Liu Hongxu, Liu Zheng, Qiao Junfei. Interactive Transfer Learning-Assisted Fuzzy Neural Network, IEEE Transactions on Fuzzy Systems, 2022, 30(6): 1900-1913.