复杂动态系统内含丰富的动力学特性，如何精准快速表征系统动态特性、如何实现未知环境和系统行为演进中的动态特性自适应表征，是一项挑战性难题。为了解决上述问题，模拟脑网络结构特征和功能特性，项目团队提出了一种基于类脑模块化神经网络的复杂动态系统智能建模方法，构建了具有自学习和自适应能力的类脑智能计算模型。首先，创新性地设计了一种神经网络模块化程度评价指标，首次实现了结构模块化和功能模块化的统一，能在构建模块化结构的同时实现复杂任务自适应分解；其次，结合子模型学习精度和神经元显著性，提出任务驱动的结构自组织机制，并设计快速二阶学习算法提升了子模型的学习能力；最后，提出了基于hub活跃性的子模型动态激活策略，确保了类脑模块化神经网络模型在不确定环境和系统演化中的计算效率和泛化性能。仿真实验结果表明，设计的类脑模块化神经网络能实现对复杂系统动态特性的精准表征。

代表性成果：

[1] Meng Xi, Tang Jian, Qiao Junfei*. NOx emissions prediction with a brain-inspired modular neural network in municipal solid waste incineration processes, IEEE Transactions on Industrial Informatics, 2022, 18(7): 4622-4631.

[2] Qiao Junfei, Zhou Jianglong, Meng Xi*. A multi-task learning model for the prediction of NOx emissions in municipal solid waste incineration processes, IEEE Transactions on Instrumentation and Measurement.2022, 10.1109/TIM.2022.3225056.