围绕基于迁徙学习的过程特征建模的领域漂移问题，项目组提出了基于自组织知识迁徙神经网络的智能建模方法，实现知识的有效加权表征，降低领域漂移对模型精度的影响。首先，提出了一种知识滤波算法。滤波算法是一种鲁棒的学习方法，能够抑制目标包含不确定性，尽可能保留知识信息，根据匹配精度和多样性对源知识进行重构，通过匹配度和多样性之间的相互约束，将重构的源知识用于目标场景中的任务。其次，设计了一种基于自平衡机制的知识迁移策略，利用加权源知识和目标实例对目标神经网络进行学习，设置数据驱动部件重量可避免过度拟合数据，调整了知识驱动部分的权重减少重构知识的无用信息。最后，提出了一种结构自组织算法来调整源和目标知识的神经元数，开发了目标和源神经网络的风险信息的综合评估指标，包含经验风险和结构风险，实现了目标和源神经网络的增长以及目标和源神经网络的剪枝，提高了智能特征建模的模型精度。

代表性成果：

[1] Han Honggui, Liu Hongxu, Liu Zheng, Qiao Junfei. Interactive Transfer learning-assisted fuzzy neural network, IEEE Transactions on Fuzzy Systems, 2021, DOI: 10.1109/TFUZZ.2021.3070156.

[2] Wu Xiaolong, Han Honggui, Qiao Junfei. Data-driven intelligent warning method for membrane fouling, IEEE Transactions on Neural Networks and Learning Systems, 2021, 32(8): 3318-3329.