王凤仙

发布者:张曲遥发布时间:2022-04-09浏览次数:794

一、个人基本情况

博士、讲师。2019年毕业于中南大学,获理学博士学位。2019年至今在郑州轻工业大学电气信息工程学院工作。主要研究方向:控制理论与应用,人工智能,目标检测。目前已发表学术论文20余篇。主持国家自然科学基金项目1项,河南省科技攻关项目1项,河南省科学技术协会青年人才托举项目1项,河南省教育厅重点项目1项。

二、承担课程

本科生:《自动控制原理》、《信号与系统》、《现代控制理论选讲》

三、研究方向:

控制理论与应用,人工智能,目标检测

四、近年科研项目、代表性论证,发明专利

1.科研项目

[1] 国家自然科学基金委员会,青年项目,62006213,分数阶时变时滞神经网络的非脆弱事件触发伪状态估计,2021.01- 2023.12,24万,主持

[2] 河南省教育厅,高校重点项目,21A120010,分数阶时滞神经网络的同步性分析及控制研究,2021.01-2022.12,3万,主持

[3] 河南省科学技术协会, 青年人才托举工程项目, 2022HYTP005, 智能安防中小目标检测关键技术研究, 2022.01 -2023.12, 5万元, 在研, 主持

[4] 河南省科技厅,省科技攻关项目,222102320321,智能安防中不均匀光线环境下小目标检测关键技术研究,2022.01- 2023.12,主持

[5] 国网河南省电力公司电力科学研究院, 科技创新项目, SGTYHT/20-JS-224, 2120基于5G MEC 技术的变电站视觉AI技术研究及应用, 2021.09-2022.12, 20.68万元, 在研, 参与

[6] 河南省科技厅, 省自然科学基金, 202300410495, 基于深度区域建议和记忆网络的目标持续性跟踪方法研究, 2020.01- 2022.12, 25万元, 在研, 参与

2.代表性论著

[1] Xinge Liu; Fengxian Wang; Meilan Tang; Auxiliary function-based summation inequalities and their applications to discrete-time systems, Automatica, 2017, 78: 211-215.

[2] Xinge Liu; Fengxian Wang; Yanjun Shu; A novel summation inequality for stability analysis of discrete-time neural networks, Journal of Computational and Applied Mathematics, 2016, 304: 160-171.

[3] Xinge Liu; Fengxian Wang; Meilan Tang; Saibing Qiu; Stability and synchronization analysis of neural networks via Halanay-type inequality, Journal of Computational and Applied Mathematics, 2018, 319: 14-23.

[4] Fengxian Wang; Xinge Liu; Meilan Tang; Lifang Chen; Further results on stability and synchronization of fractional-order Hopfield neural networks, Neurocomputing, 2019, 346: 12-19.

[5] Xiangqian YaoMeilan Tang; Fengxian Wang; New Results on Stability for a Class of Fractional-Order Static Neural NetworksCircuits, Systems, and Signal Processing2020, 395926–5950.

[6] Linwei Li; Fengxian Wang; Huanlong Zhang; Xuemei Zhang; Adaptive Model Recovery Scheme for Multivariable System Using Error Correction Learning, IEEE Transactions on Instrumentation and Measurement, 2021,PP(99):1-1

[7] Fengxian Wang; Xinge Liu; Pseudo-State Estimation for Fractional Order Neural Networks, Neural Processing Letters, 2022, 54(1): 251-264.