余建波
余建波，博士，男，1978年生,浙江慈溪人。2009年获上海交通大学机械工程工业工程方向博士学位。现为同济大学工业工程研究所教授，博士生导师。研究领域有设备智能预诊维护与可靠性、复杂制造过程质量控制、机器学习、生产系统设计优化。主持一项国家自然科学基金面上项目，上海市教委创新基金，上海市航天科技创新基金，慈溪市创新创业项目，以及若干项企业委托项目;已经结题完成一项国家自然科学基金(青年基金)，教育部博士点基金，国家重点实验室开放基金，上海市优青项目，以及若干项企业委托项目。作为主要完成人，参加多项国家自然科学基金、科技部支撑计划、企业委托项目等，以及一项美国自然基金项目和两项美国知名企业委托项目。担任AdvancesinMechanicalEngineering(SCI检索),ChineseJournalofEngineering和JournalofAdvancedManufacturingResearch国际期刊编辑委员会的成员。受邀担任近30多个国际期刊的审稿人，包括《IEEETransactionsonIndustrialElectronics》、《JournalofManufacturingScienceandEngineering-TransactionsoftheASME》、《IEEETransactionsonEnergyConversion》、《IEEETransactionsonIndustrialInformatics》、《IEEETransactionsonCIRCUITS-II》、《IEEETransactionsonNeuralNetwork》、《IEEETransactionsonInstrumentationandMeasurement》、《MechanicalSystemandSignalProcessing》等。
中文名：余建波
外文名：JianboYu
国籍：中国
民族：汉
出生地：浙江慈溪
出生日期：1978
职业：教师，研究员
毕业院校：上海交通大学
信仰：共产主义
主要成就：2015年中国高被引学者工业与制造工程部第八名
代表作品：Statisticallearning-basedapproachformultivariatemanufacturingprocesscontrol
主要成就
在设备智能预诊维护与可靠性、复杂制造过程质量控制、机器学习、生产系统设计优化等研究领域，申请国家专利4项(授权1项)，发表英文专著一章(负责第11章)，已在国内外学术期刊(包括IEEE/ASMETrans系列著名期刊长文6篇)上发表学术论文近40篇，其中以第一作者(或通讯作者)身份在SCI源期刊上发表26篇论文，发表的学术论文已经被国内外同行引用共计近570次(其中SCI期刊他超250次)，单篇最高引用超85次。入选爱思唯尔发布2015年中国高被引学者（MostCitedChineseResearchers）工业与制造部第八名。录用或发表的重要国际期刊包括：《IEEETransactionsonIndustrialElectronics》、《IEEETransactionsonSemiconductorManufacturing》、《IEEETransactionsonInstrumentationandMeasurement》、《JournalofManufacturingScienceandEngineering-TransactionsoftheASME》、《MechanicalSystemsandSignalProcessing》、《JournalofProcessControl》、《AppliedSoftComputing》、《ComputersInIndustry》等。
代表论文
JianboYu,Processmonitoringthroughmanifoldregularization-basedGMMwithglobal/localinformation,JournalofProcessControl,45,84-99,Sep.2016.
JianboYu,MachineryFaultdiagnosisusingjointglobalandlocal/nonlocaldiscriminantanalysiswithselectiveensemblelearning,JournalofSoundandVibration,382,Nov.2016,340-356.
JianboYu,AdaptiveHiddenMarkovmodel-basedonlinelearningframeworkforbearingfaultydetectionandperformancedegradationmonitoring,MechanicalSystemsandSignalProcessing,83,2017,149.162.
JianboYu,LuXiaolei,Wafermapdefectdetectionandrecognitionusingjointlocalandnonlocallineardiscriminantanalysis,IEEETransactionsonSemiconductorManufacturing,29(1),00.33-43,Feb.2016.
JianboYu,MachinehealthprognosticsusingBayesian-inference-basedprobabilisticindicationandhigh-orderparticlefilteringframework,JournalofSoundandVibration,358(8),pp.97-110,Dec.2015.
JianboYu,State-of-HealthMonitoringandPredictionofLithium-IonBatteryUsingProbabilisticIndicationandStateSpaceModel,IEEETransactionsonInstrumentationandMeasurement,64(11),2015,pp.2937-2949.
JianboYu,HealthdegradationdetectionandmonitoringofLithium-Ionbatterybasedonadaptivelearningmethod,IEEETransactionsonInstrumentationandMeasurement,vol.63,no.7,2014,pp.1709-1721.
JianboYu,Anonlinearprobabilisticmethodandcontributionanalysisformachineconditionmonitoring,MechanicalSystemsandSignalProcessing,37(1-2),2013,pp.293-314.
JianboYu,Localandnonlocalpreservingprojectionforbearingdefectclassificationandperformanceassessment,IEEETransactionsonIndustrialElectronics,vol.59,no.5,2012,pp.2363-2376.
JianboYu,HealthconditionmonitoringofmachinesbasedonhiddenMarkovmodelandcontributionanalysis,IEEETransactionsonInstrumentationandMeasurement,vol.61,no.8,2012,2200-2211.
JianboYu,SemiconductormanufacturingprocessmonitoringusingGaussianmixturemodelandBayesianmethodwithlocalandnonlocalinformation，IEEETransactionsonSemiconductorManufacturing,vol.25,no.3,2012,pp.480-493.
JianboYu,MachinetoolconditionmonitoringbasedonanadaptiveGaussianmixturemodel,JournalofManufacturingScienceandEngineering-TransactionsoftheASME,vol.134,no.3,2012,pp.031004-(1-13pages).
JianboYu,Localandglobalprincipalcomponentanalysisforprocessmonitoring,JournalofProcessControl,vol.22,no.7,2012,pp.1358-1373.
JianboYu,Gaussianmixturemodels-basedcontrolchartpatternrecognition,InternationalJournalofProductionResearch,vol.50,no.23,2012,pp.6746-6762.
JianboYu,FaultdetectionusingprincipalcomponentsbasedGaussianmixturemodelforsemiconductormanufacturingprocesses,IEEETransactionsonSemiconductorManufacturing,vol.24,no.3,2011,pp.432-444.
JianboYu,BearingperformancedegradationassessmentusinglocalitypreservingprojectionsandGaussianmixturemodels,MechanicalSystemsandSignalProcessing,vol.25,no.7,2011,2573-2588.
JianboYu,Ahybridfeatureselectionschemeandself-organizingmapmodelformachinehealthassessment,AppliedSoftComputing,vol.11,no.5,2011,pp.4041-4054.
JianboYu,Bearingperformancedegradationassessmentusinglocalitypreservingprojections,ExpertSystemswithApplications,vol.38,no.6,2011,pp.7440-7450.
JianboYu,Onlinetoolwearpredictionindrillingoperationsusingselectiveartificialneuralnetworkensemblemodel,NeuralComputing&Applications,vol.20,no.4,2011,pp.473-485.
JianboYu,MeifangLiu,HaoWu,Localpreservingprojections-basedfeatureselectionandGaussianmixturemodelformachinehealthassessment,ProceedingsoftheInstitutionofMechanicalEngineers,PartC,JournalofMechanicalEngineeringScience,2011,vol.225,no.7pp.1703-1717.
JianboYu,PatternrecognitionofmanufacturingprocesssignalsusingGaussianMixturemodels-basedrecognitionsystem,Computers&IndustrialEngineering,vol.61,no.3,2011,pp.881-890.
JianboYu,JianpingLiu.LRProbcontrolchartbasedonlogisticregressionformonitoringmeanshiftsofauto-correlatedmanufacturingprocesses,InternationalJournalofProductionResearch,vol.49,no.8,2011,pp.2301-2326.
JianboYu,HiddenMarkovModelsCombiningLocalandGlobalInformationforNonlinearandMultimodalProcessMonitoring,JournalofProcessControl,vol.20,no.3,2010,pp.344-359.
JianboYu,ShijingWang,UsingMinimumQuantizationErrorChartfortheMonitoringofProcessStatesinMultivariateManufacturingProcesses，Computers&IndustrialEngineering,vol.57,no.4,2009,pp.1300-1312.
JianboYu,LifengXi.Aneuralnetworkensemble-basedmodelforon-linemonitoringanddiagnosisofout-of-controlsignalsinmultivariatemanufacturingprocesses.ExpertSystemsWithApplications,vol.36,no.1,2009,pp.909-921.
JianboYu,LifengXi,XiaojunZhou.IntelligentMonitoringandDiagnosisofManufacturingProcessesUsinganIntegratedApproachofKBANNandGA,ComputersinIndustry.vol.59,no.5,2008,pp.489-501.
JianboYu,LifengXi.AHybridLearning-basedModelforOn-lineMonitoringandDiagnosisofOut-of-controlSignalsinMultivariateProcesses,InternationalJournalofProductionResearch,vol.47,no.15,2009,pp.4077_4108.
JianboYu,LifengXi,XiaojunZhou.IdentifyingSource(s)ofOut-of-controlSignalsinMultivariateManufacturingProcessesUsingSelectiveNeuralNetworkEnsemble,EngineeringApplicationsofArtificialIntelligence,vol.22,no.1,2009,pp.141-152.
JianboYu,LifengXi.UsingMQEChartbasedonSelf-OrganizingMap(SOM)NeuralNetworkforMonitoringOut-of-controlSignalsinManufacturingProcesses.InternationalJournalofProductionResearch,vol.46,no.21,2008,pp.5907_5933.
JianboYu,ShijinWang,LifengXi.EvolvingArtificialNeuralNetworksUsinganImprovedPSOandDPSO.Neurocomputing,vol.71,no.4-6,2008,pp.1054-1060.(MostCitedNeurocomputingArticles)
JianboYu,LifengXi,ShijinWang.AnImprovedParticleSwarmOptimizationforEvolvingFeedforwardArtificialNeuralNetworks.NeuralProcessingLetters,vol.26,no.3,2007,217-231.
JianboYu,LifengXi.Intelligentmonitoringanddiagnosisofmanufacturingprocessusinganintegratedapproachofneuralnetworkensembleandgeneticalgorithm.InternationalJournalofComputerApplicationsinTechnology,vol.33,no.2/3,2008,pp.109_119.
ShijinWang，JianboYu,EdzelLapira,JayLee，Amodifiedsupportvectordatadescriptionbasednoveltydetectionapproachformachinerycomponents，AppliedSoftComputing,vol.13,no.2,2013,pp.1193_1205.
BinWuandJianboYu.Aneuralnetworkensemblemodelforon-linemonitoringofprocessmeanandvarianceshiftsincorrelatedprocesses,ExpertSystemswithApplications,vol.37,no.6,2010,pp.4058-4065
ShijinWangandJianboYu,Aneffectiveheuristicforflexiblejob-shopschedulingproblemwithmaintenanceactivities,Computers&IndustrialEngineering，vol.59,no.3,October2010,pp.436-447.
TianyiWang,JianboYu,Siegel,D.,andLee,J.Asimilarity-basedprognosticsapproachforremainingusefullifeestimationofengineeredsystems，PrognosticsandHealthManagement,2008.PHM2008.InternationalConferenceon,Denver,CO，6-9Oct.2008，pp.1_6.
JianboYu,LifengXi.ANeuralNetworkEnsembleApproachfortheRecognitionofSPCChartPatterns.NaturalComputation,2007.ICNC2007.ThirdInternationalConferenceon,2,24-27Aug.2007:575-579.
JianboYu,LifengXi.ANeuralNetworkEnsembleforClassifyingSource(s)inMultivariateManufacturingProcesses,2007IEEEInternationalConferenceonIndustrialEngineeringandEngineeringManagement,2007,1246-1250.
J.Yu,Areviewformanifoldlearning-basedstatisticalprocessControl,11thInternationalSymposiumonMeasurementandQualityControl,CracowandKielce,POLAND,2013,1-3.
卢笑蕾，余建波*，基于混合模型与流形调节的晶圆表面缺陷识别，计算机集成制造，42(1)，2016,47-59.
余建波*，卢笑蕾，宗卫周，基于局部与非局部线性判别分析和高斯混合模型动态集成的晶圆表面缺陷探测与识别，自动化学报，42(1),Jan.2016,47-59.
吴斌，卢笑蕾，余建波，晶圆表面缺陷模式的在线探测与自适应识别研究，计算机工程与应用，2016年52(17),261-266.
陈思汉，余建波*，基于二维局部均值分解的图像分析处理，计算机辅助设计及图形学学报，27（10），1842-1850，2015.
陈思汉，余建波*，基于二维局部均值分解的自适应保真项全变分图像滤噪方法，计算机辅助设计及图形学学报，28(6),2016,986-994.
陈思汉，余建波*，基于二维局部均值分解的图像边缘检测算法，计算机科学与探索，10(6),2016,847-855.
杨梅，陈思汉，吴昊，余建波，LMD滤噪算法及在旋转机械转子故障诊断中的应用，噪声与振动控制，2015vol.35,no.2,2015,160-164.
刘美芳,尹纪庭,余建波*,基于SOA的工程机械远程智能预诊维护系统研究，中国机械工程.Vol.23,no.19,2012,pp.2320-2326.
刘美芳,尹纪庭,余建波*,基于贝叶斯推论和自组织映射的轴承性能退化评估方法,计算机集成制造系统，v.18,no.10,2012,pp.2237-2244.
吴斌，余建波，奚立峰，周炳海,智能重构制造控制系统集成框架,计算机集成制造系统,vol.14,no.1,2008,73-78.
尹纪庭，袁佳，余建波*,智能家居系统研究综述,中国科技论文在线,2012,1-9.
尹纪庭，袁佳，余建波*.LED景观灯照明智能控制系统.计算机工程,2013,39(9):317-320.
尹纪庭,袁佳，焦志曼，吴斌，张在房，余建波*,基于ARM和Zigbee的智能家居控制系统研究与开发,计算机测量与控制,2013,21（9）,2451-2454.
袁佳，焦志曼，余建波*，LED节能照明智能控制系统综述,中国科技论文在线,2013,1-13.
杨梅，陈思汉，余建波*，旋转机械故障智能诊断系统研究,中国科技论文在线,2014,1-14.
袁佳，焦志曼，余建波*，基于Internet和ZigBee的制造车间分布式远程监测系统，机械制造，2014年第52卷第8期，70-74
焦志曼，袁佳，余建波*，面向网络化车间制造的工序质量智能控制系统，机械制造,2014年第52卷第6期，1-5.
余建波，李传峰，吴昊，陈辉，基于自组织混合模型的多变量航天产品加工过程控制方法研究，《上海航天》2016,33(5):42-49
余建波，宗卫周，程辉《基于CSMA/CA的电力载波并发通讯及在照明控制应用研究》,东北大学学报，已经录用，2016年1月。
吕靖香；*余建波,基于多层混合滤噪的轴承早期弱故障特征提取方法,振动与冲击,20
机器学习的分类主要有学习策略、学习方法、数据形式。学习目标等。
从学习策略方面来看，如果比较严谨的讲，那就是可分为两种：
(1) 模拟人脑的机器学习
符号学习：模拟人脑的宏现心理级学习过程，以认知心理学原理为基础，以符号数据为输入，以符号运算为方法，用推理过程在图或状态空间中搜索，学习的目标为概念或规则等。符号学习的典型方法有记忆学习、示例学习、演绎学习.类比学习、解释学习等。
神经网络学习(或连接学习)：模拟人脑的微观生理级学习过程，以脑和神经科学原理为基础，以人工神经网络为函数结构模型，以数值数据为输人，以数值运算为方法，用迭代过程在系数向量空间中搜索，学习的目标为函数。典型的连接学习有权值修正学习、拓扑结构学习。
(2) 直接采用数学方法的机器学习
主要有统计机器学习。
统计机器学习是基于对数据的初步认识以及学习目的的分析，选择合适的数学模型，拟定超参数，并输入样本数据，依据一定的策略，运用合适的学习算法对模型进行训练，最后运用训练好的模型对数据进行分析预测。
统计机器学习三个要素：
模型(model)：模型在未进行训练前，其可能的参数是多个甚至无穷的，故可能的模型也是多个甚至无穷的，这些模型构成的集合就是假设空间。
策略(strategy)：即从假设空间中挑选出参数最优的模型的准则。模型的分类或预测结果与实际情况的误差(损失函数)越小，模型就越好。那么策略就是误差最小。
算法(algorithm)：即从假设空间中挑选模型的方法(等同于求解最佳的模型参数)。机器学习的参数求解通常都会转化为最优化问题，故学习算法通常是最优化算法，例如最速梯度下降法、牛顿法以及拟牛顿法等。
如果从学习方法方面来看的话，主要是归纳学习和演绎学习以及类比学习、分析学习等。
如果是从学习方式方面来看，主要有三种，为监督学习、无监督学习、 强化学习。
当从数据形式上来看的话，为 结构化学习、非结构化学习、
还可从学习目标方面来看，为 概念学习、规则学习、函数学习、类别学习、贝叶斯网络学习。
