Karthik Raghavan Ramaswamy以优异成绩为自己的博士学位辩护,他开发了新的数据驱动建模工具和技术,以提高对复杂网络系统的洞察力,如高科技机器、电网、生物网络和社交网络。
许多现实生活中的系统,如生物系统、半导体制造机器和运输系统,正变得越来越复杂。它们包含相互关联的各种子系统(模块),这使得很难找到这些相互关联子系统的数学模型。从数据中开发这些“动态网络”的数学模型在各个领域都已变得极为重要,并且是设计、诊断、监控和控制这些系统所必需的。通过利用机器学习、贝叶斯方法、系统识别和图论,Karthik Raghavan Ramaswamy开发了一个框架,指导实验人员在复杂的动态网络建模迷宫中,并为他们提供所需的技术和工具,以开发不同场景下嵌入动态网络中的子系统的高质量模型。
复杂互联系统正变得越来越普遍,大规模互联系统的数据驱动建模(称为动态网络)已引起越来越多的关注。大型动态网络中多个子系统之间的复杂互连对动态网络建模提出了许多挑战。这使得最初为小规模系统设计的数据驱动建模的经典方法不足以建模大型动态网络中的单个子系统。
在对动态网络中的子系统进行建模时,存在许多实际挑战,如处理混杂变量、增加网络中传感器和致动器放置位置的灵活性、选择正确的模型结构、估计网络的互连结构、,以及降低复杂性和开发可扩展到大规模网络的有效算法。
Karthik Ramaswamy在他的博士研究中解决了这些挑战,并通过开发新的估计方法、算法和图形工具提供了解决方案,最终形成了一个分步指南,帮助在动态网络建模方面缺乏专业知识的人从不同场景下的数据中开发出高质量的动态网络模型。他通过利用机器学习、系统识别、贝叶斯方法和图论实现了这一目标。他的博士研究结果发现,它在许多应用中都很重要,例如印刷电路板组件(PCBA)的故障诊断、半导体机械或印刷机械等高科技系统的监测和诊断、管道监测、大脑连接推理、车辆排、电网和生物网络。