《控制理论与应用》近期发表了北京工业大学信息学部崔璨麟、汤健、夏恒、乔俊飞团队的研究论文《基于模糊神经网络对抗生成的城市固废焚烧过程二噁英排放预警》。该研究针对城市固废焚烧（Municipal Solid Waste Incineration, MSWI）过程中二噁英（Dioxin, DXN）排放监测难题，提出了一种创新性的预警建模方法。以下从七个方面展开学术报告：
一、研究团队与发表信息
本研究由北京工业大学信息学部与智慧环保北京实验室联合完成，通讯作者为汤健教授。论文于2022年1月4日收稿，2024年4月19日在《控制理论与应用》网络首发（ISSN 1000-8152），引用格式为Cui等（2023）。
二、学术背景与研究目标
科学领域：研究属于环境工程与智能控制的交叉领域，聚焦复杂工业过程的小样本建模问题。
研究动机：MSWI过程中产生的DXN是国际严格管控的剧毒污染物，但其排放浓度检测存在三大瓶颈：
1. 机理复杂性：DXN生成涉及全流程关联及未明确的”记忆效应”；
2. 检测技术限制：现行离线化验成本高（单次检测约5万元）、周期长（2-3周）；
3. 数据缺陷：建模样本存在高维度（127维过程变量）、强不确定性和稀疏性（仅67组样本）。
研究目标：建立基于模糊神经网络对抗生成（FNN-GAN）的DXN排放预警模型，突破小样本数据建模瓶颈。
三、研究方法与技术流程
研究包含四个核心模块（图2所示），具体流程如下：
1. 基于随机森林（Random Forest, RF）的自适应特征选择
- 样本处理：对67组原始样本（127维输入+1维DXN浓度输出）采用Bootstrap重抽样生成500棵决策树。
- 创新算法：提出特征重要性动态评估准则（公式8-11），当新增特征重要性增幅%时停止选择。
- 结果：从127维中自适应筛选出13个关键特征（图4-5），如炉温、烟气CO浓度等，计算效率提升89%。
2. FNN-GAN虚拟样本生成
- 网络结构：
- 生成器：前件网络（70个高斯隶属函数）+后件网络（70×15神经元），输出13维虚拟样本；
- 判别器：增加Sigmoid层输出判别概率，采用二元交叉熵损失（公式14）。
- 对抗训练：设置500训练代，学习率α=0.0001，通过MMD（Maximum Mean Discrepancy）指标监控收敛（图6显示400代后稳定）。
3. 多约束虚拟样本筛选
- 三级筛选机制：
- MMD初筛：从10组候选生成器中选取MMD最小值对应的生成器（表2显示490代最优，MMD=0.3060）；
- 判别概率筛选：保留判别概率>0.8的样本（表3示例中编号3、4、6、9通过）；
- 最近邻一致性验证：通过k=5近邻分类剔除类别不一致样本（表4最终保留编号3、4）。
4. 混合样本预警建模
- 模型构建：将筛选后的67组虚拟样本与真实样本混合，采用50棵决策树的RF分类器。
- 验证方法：按1:2:1划分训练/验证/测试集，进行30次重复实验评估稳定性。
四、主要研究结果
- 特征选择：关键特征包括二次风量、炉排速度等，与DXN生成机理相符（如低温区域易导致不完全燃烧产生DXN）。
- 样本生成：FNN-GAN生成的虚拟样本MMD值较传统GAN降低37.2%（0.306 vs 0.487），证明其更接近真实分布。
- 预警性能：
- 最佳虚拟样本添加量为8组时，测试集准确率达91.2%±0.0038（图7）；
- 误报仅2例（图8中样本9、15），显著优于AL-GAN（86.5%）和原始GAN（77.5%）（表6）。
五、研究结论与价值
理论贡献：
1. 首创将FNN与GAN结合处理工业过程数据的不确定性问题；
2. 提出多约束虚拟样本筛选机制，解决生成样本质量评估难题。
应用价值：
- 可实现DXN排放的实时预警（传统检测滞后3周以上）；
- 模型已在北京某MSWI电厂部署，助力破解焚烧厂”邻避效应”。
六、研究创新点
- 方法创新：首次将T-S模糊系统引入GAN框架，提升非线性数据处理能力；
- 流程创新：通过”生成-筛选-建模”三级 pipeline 解决小样本工业数据建模难题；
- 工程创新：开发自适应特征选择算法，避免人工阈值设定带来的主观偏差。
七、其他价值
研究受国家自然科学基金（62073006）等资助，相关技术可拓展至化工、冶金等高污染工业过程监控领域。未来将探索虚拟样本数量优化及跨工况生成等方向。