研究方向：时延动态网络系统，数据挖掘在图像处理中的应用

意义及水平：1）针对具有区间变时延的连续/离散时间Lur’e动态网络系统，在考虑时延变化率上下界可测的情况下，利用牵制控制研究该系统的聚类同步控制问题，分析中利用Lyapunov泛函构造与新颖的时延分析工具，获得保守性较小的结论。2）在模型具有区间变时延与分布时延等情况下，对线性离散系统、离散神经网络系统、动态网络系统的稳定性问题（包括鲁棒稳定性、指数稳定性、渐近稳定性），分析中充分利用时延信息进行Lyapunov泛函构造，同时给出若干新颖的三重Lyapunov泛函项，在估计泛函差分上界时，提出并改进现有的凸组合方法，给出泛函导函数尽可能小的上界，建立保守性小且易于验证的稳定性结论。3）针对具有混合区间变时延和分式不确定性的中立型控制系统的鲁棒稳定性。在系统参数不确定性不存在时，通过构造改进型的Lyapunov-Krasovshi泛函，利用Jesnen积分不等式并引入少量自由权矩阵，综合矩阵凸组合与交互式凸组合等方法，有效估计了泛函导函数上界，并基于线性矩阵不等式建立了时延相关的渐近稳定性判据。

近年来一直试图将数据挖掘技术与控制论联系起来，一方面设计反馈控制器的关键在于如何最大程度地优化利用隐含在观测信号中的有用信息，用数据挖掘的方法来提取观测信号中的系统状态信息，只要参考信号的时间采样间隔足够小就可以使得设计的观测器精度达到要求。另一方面将控制技术用于数据挖掘，比如将控制论中的微分器可以提取一阶导数信息来实现图像的边缘检测等，这方面的工作正在进行。