Крис Дж. Харрис - Chris J. Harris
 | Эта биография живого человека требует дополнительных цитаты для проверка. (Март 2020 г.) (Узнайте, как и когда удалить этот шаблон сообщения) |
Крис Дж. Харрис | |
|---|---|
 | |
| Родился | 23 декабря 1945 г. Портсмут, Соединенное Королевство |
| Альма-матер | Лестерский университет, ВЕЛИКОБРИТАНИЯ |
| Известен | Интеллектуальное управление, нейрочеткое моделирование, слияние данных, моделирование на основе данных с помощью теории обучения |
| Награды | FREng (1996) Медаль Фарадея ИЭПП (2001), Медаль за высшие достижения IEE (1998) |
| Научная карьера | |
| Поля | [Интеллектуальное управление и обработка сигналов]] |
| Учреждения | Саутгемптонский университет, ВЕЛИКОБРИТАНИЯ Имперский колледж, ВЕЛИКОБРИТАНИЯ Оксфордский университет,ВЕЛИКОБРИТАНИЯ Манчестерский университет, Королевский военный колледж науки, Университет Крэнфилда, Великобритания |
| Тезис | Теория и устойчивость систем с частотно-импульсной модуляцией. |
Крис Харрис FREng является инженером-технологом в области управления и обработки сигналов и заслуженным профессором вычислительного интеллекта Саутгемптонский университет, ВЕЛИКОБРИТАНИЯ.
Образование
Кристофер Джон Харрис родился в 1945 году в Портсмуте, Великобритания, получил образование в Северной гимназии Портсмута, графство Хэмпшир, а также получил высшее образование в Лестерском университете (бакалавр наук с отличием в инженерии) в 1967 году и степень магистра в Оксфордском университете. в 1976 г. - кандидат технических наук. получил степень доктора наук Саутгемптонского университета в области адаптивного моделирования и оценки в Великобритании в 1972 году по теории управления, применяемой к космическим аппаратам.[1]
Карьера
Харрис ранее работал академиком в университетах Халла, UMIST (Манчестер), Оксфорд, Империал и Крэнфилд, а затем присоединился к Саутгемптонскому университету в 1987 году в качестве профессора аэрокосмической отрасли Лукаса, где он теперь является почетным профессором вычислительного интеллекта. Он также работал в Министерстве обороны Великобритании.[2] Он является автором или соавтором 14 книг и более 400 научных статей. Он был редактором / заместителем редактора множества международных журналов, включая Automatica, Engineering Applications of AI, International Journal of General Systems Engineering, International Journal of System Science и International Journal on Mathematical Control and Information Theory.
Исследовательская карьера
Ранняя часть академической карьеры Харриса последовала за основополагающей работой тогдашних международных лидеров исследований в области теории управления, таких как профессора Р. Беллмана, Р. В. Брокетта, сэра Алистер Макфарлейна, К. А. Дезоэра и В. М. Попова. Первоначально исследование Харриса было посвящено устойчивости линейных систем с переменным временем, а затем нелинейным системам с несколькими переменными, использующим только входные / выходные данные. Кульминацией этих двух областей исследования стали две монографии в знаменитой серии Р. Беллмана «Математика в науке и технике», тома 153 и 168 соответственно (публикации 6 и 7 ниже). Это раннее исследование подняло фундаментальные вопросы относительно эффективной с вычислительной точки зрения идентификации нелинейных динамических процессов по наблюдениям. Точная и разреженная модель потенциально ведет к большему физическому пониманию и, следовательно, к более простым оценкам состояния, лучшим классификаторам вероятностей для диагностики неисправностей и более точным контроллерам. Последующие исследования в течение более чем 50-летней исследовательской карьеры Харриса привели к созданию серии алгоритмов, обеспечивающих экономную адаптивную идентификацию, слияние данных, классификацию и управление неизвестными априори нелинейными динамическими процессами с использованием только наблюдаемых данных. с широким спектром отраслей, в литературе описано более 200 приложений.
1. Адаптивное / интеллектуальное моделирование данных. Харрис и доктор М. Браун впервые разработали теорию адаптивного или интеллектуального нейронечеткого моделирования и управления, кратко изложенную в широко цитируемой исследовательской монографии (pubs 5), в которой прозрачность, присущая нечеткой логике, интегрирована с аналитической способностью нейронных сетей к самообучению. Эта монография объединяет серию его работ по линейным по параметрам нейронным сетям с ассоциативной памятью (AMN) вместе с общей теорией законов мгновенного обучения - расширением обобщенной оценки Д. В. Кларка методом наименьших квадратов. Статья (ссылка 3) начинается с алгоритма контроллера артикуляции модели мозжечка (CMAC) (ссылка 4), который обобщен и расширен до метрических базисных функций, что значительно увеличивает его полезность для непрерывных процессов, что делает его идеальным для приложений роботов в реальном времени; CMAC был разработан Харрисом для решения многих задач управления в реальном времени, таких как интеллектуальное вождение автомобиля по полосам (ссылка 5), в рамках общеевропейской исследовательской программы Prometheus, которая при интеграции с системой слежения на основе технического зрения (4) позволила создать первую в мире дорогу. достойный беспилотный демонстратор автомобилей. Затем в документе (ссылка 3) развиваются AMN с помощью адаптивных схем обучения, которые решают присущую им проблему проклятия размерности AMN, используя присущую им прозрачность и экономичность локальных базовых функций, обеспечивающих прозрачность (то есть лингвистическую интерпретацию), хорошее обобщение и отказ от зашумленных функций. данные с помощью параметрической регуляризации. Здесь экономия модели (или минимальная структура модели) достигается выражением сети в виде суммы одномерных и многомерных подмоделей для формирования новых многомерных подмоделей тензорного произведения (так называемый дисперсионный анализ - представление ANOVA), которые итеративно создаются. сокращен для оптимизации составного индекса производительности на основе размера модели, среднеквадратичной ошибки и размера входных данных, создавая известный и широко используемый алгоритм адаптивного сплайн-моделирования (ASMOD). Эти алгоритмы нейро-четкого моделирования были коммерчески реализованы в программном обеспечении NeuFrame и Matlab (см. 17) и применен Харрисом к множеству реальных демонстраторов, включая подводные аппараты с FAU (США), поддержку водителя автомобиля с помощью Jaguar (с сэром Майком Дж. Брэди в Оксфорде), роботизированные захваты, структурные свойства материалов с сэром Питером Э. Грегсоном (CIT ), газовые турбины с Rolls Royce и диагностика рака, а также более 100 приложений других компаний в медицине, робототехнике, обороне и космосе, обработке материалов, производство, управление двигателями и мощностью, транспорт, торговля и макроэкономика.
За эту работу Харрис был избран научным сотрудником Королевской инженерной академии в 1996 году. Фундаментальные исследования нейронечеткого моделирования продолжились с помощью нового надежного расширенного алгоритма ортогонального разложения и регуляризации Грама-Шмидта (ссылка 7) в сочетании с локальными ортогональными методами наименьших квадратов (LOLS) и D -оптимальный экспериментальный план для автоматического определения внутренней структуры модели и связанных с ней оптимальных оценок параметров; этот новый подход к адаптивным нейротечетким моделям обеспечивает значительную прозрачность модели с каждым производным правилом, имеющим меру доверия. Этот простой в вычислительном отношении подход к автоматическому построению разреженных правил является наиболее эффективной и точной доступной нейронечеткой сетью, которая привлекла значительное внимание, особенно в науках о жизни.
Большой проблемой в нелинейном моделировании является моделирование «белого ящика», т.е. можем ли мы на основе одних лишь данных обнаружить лежащую в основе причинную феноменологию? Это очень важно для понимания сложных явлений, таких как эволюция генов, а также для создания оптимальных контроллеров, детекторов / классификаторов неисправностей и интеграции / слияния знаний для априори неизвестных процессов. С этой целью Харрис и его коллеги создали новаторскую серию все более эффективных и экономных алгоритмов нелинейного моделирования, чтобы преодолеть проклятие размерности. Все модели регрессии AMN (например, RBF, гауссовские B-сплайны, нейро-нечеткие) модели регрессии можно сделать очень экономными, используя составной D-оптимальный дизайн критериев экспериментов, а также используя наш знаменитый локальный алгоритм ортогональных наименьших квадратов (LOLS) (ссылка 8), Полученный в результате процесс построения модели (ссылка 9) полностью автоматизирован и оказался очень популярным в различных приложениях, от мобильной связи, обработки речи и текста до моделирования осаждения тонких пленок. В недавней статье (ссылка 8) представлена единая теория экономичного ортогонального моделирования методом наименьших квадратов для регрессии, классификации и оценки плотности вероятности с наглядными примерами контрольных показателей, которые демонстрируют эффективность подхода по сравнению с "лучшими в своем классе" алгоритмами. В последнее время, используя само обобщение модели как средство выбора модели посредством перекрестной проверки и теоретико-информационной метрики предсказанной статистики радикальной суммы квадратов (PRESS); которые в сочетании с их (ссылка 9) OLS создают «современный» алгоритм автоматического разреженного моделирования (ссылка 10) с различными приложениями других разработчиков, включая дистанционное зондирование растений, спектральный мониторинг CO2, речевой ультразвук, конструкцию антенн и обработку инструментов.
В 2001 году за вышеупомянутое исследование Харрис был награжден 79-й Международной медалью Фарадея IEE за «Международное признание в области интеллектуального управления и нейрочеткого моделирования». Оптимизация с повторным взвешенным повышающим поиском (RWBS) - это новый управляемый глобальный алгоритм стохастической оптимизации (ссылка 11), который может обрабатывать негладкие и / или многомодовые функции стоимости. По сравнению с другими глобальными оптимизаторами, такими как популярный генетический алгоритм (GA) и алгоритм адаптивного моделирования отжига (ASA), RWBS значительно проще в реализации, имеет значительно меньше параметров для настройки или предварительного выбора пользователем и, по крайней мере, работает так же хорошо. и обычно значительно лучше, чем алгоритмы GA и ASA. Этот алгоритм RWBS также может быть использован для сетей RBF, обобщенных моделей ядра, оценок плотности, а также для проектирования классификатора ядра, путем оптимизации ядер (см. Ссылку 12) одно за другим в процедуре ортогонального прямого выбора (OFS) путем максимизации коэффициента Фишера. в RWBS. Для примеров тестов классификатор OFS-RWBS (ссылка 11) до 10 раз меньше, чем современные методы, такие как машины опорных векторов (SVM). Вместо того, чтобы настраивать ядра или радиальные базисные векторы центров сети / ковариационные матрицы с помощью RWBP, Харрис недавно (ссылка 13) создал новый оптимизатор роя частиц (PSO), который в сочетании с минимизацией моделирующей средней квадратичной ошибки исключения (LOO) дает совокупность на основе стохастического глобального оптимизатора. Алгоритм PSO основан на биологическом поведении, он прост, быстро сходится и нечувствителен к локальным минимумам. Алгоритм ортогональной прямой регрессии, поддерживаемый PSO (ссылка 13) для индивидуальных настраиваемых моделей радиальной базисной функции, предлагает еще лучшую производительность обобщения, экономию и вычислительные преимущества по сравнению с современным алгоритмом идентификации RBF в фиксированном режиме (ссылка 10), с даже более значительные преимущества перед SVM. Текущая работа Харриса связана с моделированием на основе данных для нелинейных и нестационарных динамических систем (ссылка 23) с его давним соавтором профессором Шенг Ченом.
2. Объединение данных, диагностика и управление для нелинейных автономных систем с использованием только данных. Будучи профессором Лукаса (1987-1997), Харрис проявлял большой исследовательский интерес к автономным управляемым транспортным средствам и разработал серию интеллектуальных методологий, основанных на данных для управления автомобилем, включая самостоятельную парковку на основе нечеткой логики (ссылка 3), вождение по автомагистралям и Предотвращение столкновений с помощью обнаружения транспортных средств. В то время как радар и акустика предоставляют полезную информацию о дальности / скорости движения, обнаружение транспортных средств на основе видения (ссылка 6) намного надежнее в предотвращении ложных тревог, а также в автоматическом отслеживании, поскольку оно может быть объединено с визуальным детектором разметки полосы движения для определения потенциальных препятствий. относительно собственного автомобиля. В статье (ссылка 6) Prof Harris et al. разработала очень успешную систему обнаружения и распознавания дорожных транспортных средств в реальном времени, которая использует анализ основных компонентов (PCA) для сжатия данных, присущих системе высокого видения, для определения основных `` целевых '' характеристик или доминирующих собственных векторов (теперь норма в последующих приложениях для обнаружения и отслеживания транспортных средств) , затем AMN, чтобы можно было классифицировать несколько потенциальных транспортных средств на одном изображении. Позже с помощью временной интеграции был получен трекер препятствий, который позволил впервые достичь автономного вождения по автомагистрали на испытательном стенде Jaguar в 1999 году. Профсеры расширили использование PCA или преобразования собственного пространства (EST) в зрении. MN Nixon (Southampton Uni) и Харрис в качестве новой биометрической метрики (ссылка 14) для автоматического распознавания походки человека для систем безопасности, которая сегментирует части тела с помощью статистического метода, сочетающего EST (для оптимального уменьшения размера входных данных). пространственные пространственные шаблоны), а затем каноническое преобразование пространства для извлечения признаков из пространственных шаблонов для распознавания / классификации отдельных людей. Слежение за целями значительно улучшается за счет использования мультисенсорного объединения данных (MSDF). Целью MSDF является создание вероятностной модели объекта из набора независимых источников данных / знаний с уменьшенной неопределенностью для применения в областях понимания процессов, классификации, отслеживания, руководства и контроля. Фильтрация Калмана - один из самых популярных рекурсивных алгоритмов в MSDF (см., Например, основополагающую работу профессора Х. Дарранта-Уайта (Сиднейский университет)), поскольку она дает оптимальные линейные, несмещенные, минимальные оценки отклонения состояния системы от наблюдаемых данных. В широко цитируемой и используемой статье (ссылка 15) разработаны два основных метода объединения измерений для MSDF на основе фильтра Калмана: первый интегрирует информацию измерений сенсора путем увеличения вектора наблюдения, второй путем замены векторов наблюдения одним вектором. индивидуальных наблюдений, взвешенных по их обратной ковариационной матрице. Харрис показал, что эти два метода оптимальны и идентичны с точки зрения информации при определенных условиях. Методы объединения измерений (ссылка 15) расширены в (ссылка 16) для объединения векторов состояний (SVF), которые используют матрицы ковариации оценки состояния вместо ковариации шума измерения. Методы SVF очень надежны, очень гибки и хорошо работают в децентрализованных архитектурах MSDF и нашли широкое применение. Харрис разработал множество алгоритмов SVF, в том числе SVF от трека к треку, в котором общая оценка передается окончательному предсказателю, и модель слияния треков SVF со слитным предсказанием SVF, в котором все индивидуально предсказанные слитные оценки передаются по обратной связи (ссылка 16 ). Неудивительно, что этот подход превосходит SVF по треку для разнородных датчиков и хорошо работает в условиях высокого уровня шума. Для многих практических процессов лежащие в основе системы неизвестны или сильно нелинейны; Мощным подходом (ссылка 17) к этой проблеме (сродни расширенному фильтру Калмана (EKF), но без проблем с его стабильностью) является линеаризация с обратной связью через нейро-нечеткие сети с разложением модели дисперсионного анализа (ANOVA) (см. статью 1). Линеаризация обратной связи заставляет лежащий в основе нелинейный процесс вести себя линейно посредством преобразования координат состояния и закона управления с обратной связью, результирующая модель вместе с линейными наблюдениями напрямую применима в приложениях MSDF через модифицированный подход с фильтром Калмана (ссылка 17): на практике эти данные управляются подход превосходит EKF даже при идеальном знании процессов! Эти алгоритмы MSDF с большим успехом использовались другими в адаптивных роботизированных манипуляторах, роботизированных транспортных средствах, медицине, защищенной связи, управлении двигателем и диагностике, метрологии, навигации и слежении за целями воздух-земля-море.
После фатальной авиакатастрофы ВВС Великобритании «Чинук» в 1994 году компания Harris была профинансирована Westlands и MOD для создания системы нечеткого наведения MSDF для всех погодных условий и условий полета. Результат был успешно испытан в полете; Получившаяся в результате публикация (ссылка 18) была удостоена бумажной премии Simms Королевского авиационного общества 1997 года (за которой снова последовала в 1998 году). После этого успеха компания Racal Marine профинансировала Harris для создания системы предотвращения столкновений на море (MANTIS), также основанной на нейро-нечеткой системе наведения и управления, которая могла справиться с шестью неизбежными столкновениями судов в закрытых водах, индивидуальное наведение на линию прямой видимости. Системный документ (ссылка 19) был удостоен премии Института инженеров-механиков Дональда Гроена 1999 года.
Основой диагностики неисправностей, оценки классификации и объединения мультисенсорных данных является построение функции плотности вероятности (PDF) базового процесса на основе выборок данных. Традиционный подход заключается в использовании оценки непараметрического окна Парзена (PW), хотя она проста и точна, она напрямую масштабируется с размером выборки и поэтому не подходит для источников с большим объемом данных, таких как датчики. Расширяя предыдущую работу по разреженному моделированию (ссылки 7 и 10), Харрис получил высокоэффективную очень разреженную оценку плотности (ссылка 20), которая представляет оценку PDF в качестве задачи регрессии, а затем использует ортогональную прямую регрессию для автоматического получения оценок разреженных PDF за счет постепенного минимизации затрат. критерий, основанный на исключении одного теста в сочетании (для минимальной ошибки обобщения) с локальной регуляризацией для нахождения решения арендных квадратов для параметров PDF. Результирующий алгоритм очень эффективен (обычно в 50 раз лучше, чем оценки PW), прост в реализации и не требует пользовательских параметров. Он применялся другими для обнаружения рака простаты и автоматического распознавания речи. Существует множество методов обработки сигналов (алгоритмы на основе ядра, вспомогательные векторные машины, векторные машины релевантности и OFR) для построения классификаторов, большинство из которых терпят неудачу, когда данные несбалансированы, поскольку внутренние оценщики наименьших квадратов обрабатывают все данные одинаково, создавая неблагоприятные предикторы для класса меньшинства, что может иметь критическое значение для безопасности (например, усталость металла или обнаружение рака). Вместо этого в статье (ссылка 20) Харрис создал несбалансированный классификатор данных, который чувствителен к важности данных, используя новый упорядоченный алгоритм наименьших квадратов с ортогональным взвешиванием, параметрический выбор которого чувствителен к меткам классов. Выбор модели, которая оптимизирует возможность обобщения модели для несбалансированных наборов данных, осуществляется через максимальную область исключения одной области под критерием кривой, аналогичной той, которая используется в коммуникациях. Результирующий алгоритм является «лучшим в своем классе» для ошибок прогнозирования (включая лучший машинный классификатор опорных векторов - SUPANOVA (2000) - см. (Ссылка 3)), а также обладает высокой вычислительной эффективностью и очень устойчивой к шуму данных. Текущие приложения включают диагностику рака простаты с помощью объединения мультисенсорных данных, данных PSA и PCA3 (гена), с помощью индивидуальной оценки PDF (ссылка 20)
Интеллектуальное управление на основе данных (i) Нечеткое управление. Нечеткая логика широко разрабатывалась для широкого спектра домашних продуктов со времени основополагающей работы профессора Лофти Заде в 1965 году для фиксированных или статических нечетких правил. Как и во всех экспертных системах, фундаментальная слабость статической нечеткой логики - получение знаний о лежащем в основе процессе. После серии статей в 1993 г. (ссылка 21) Харрис создал первую форму самоорганизующегося нечеткого контроллера (SOFLIC) для автоматического создания полного набора нечетких правил только на основе наблюдений. Были получены две формы SOFLIC; прямой адаптивный нечеткий контроллер, который манипулирует параметрами контроллера без обращения к идентификации / моделированию объекта, и более применимый косвенный SOFLIC (см. ссылку на модель), который характеризуется итеративным алгоритмом онлайн-идентификации для формулирования промежуточной модели объекта на основе правил, которая затем используется сформулировать контроллер. Такое разделение моделирования и управления позволяет проектировщику изменять технические характеристики. Оба подхода SOFLIC могут управлять процессами с небольшими априорными знаниями, имеют быструю адаптацию к вариациям растений, могут иметь дело с нестационарными нелинейностями и имеют хорошее подавление шума и помех. Как и во всех алгоритмах, основанных на правилах, сложность контроллера экспоненциально растет с увеличением размера входного пространства. SOFLIC теперь легко расширяется для решения задач большой размерности за счет использования разреженного нейро-нечеткого алгоритма моделирования, такого как (ссылка 7). Непрямая SOFLIC была очень эффективно продемонстрирована (ссылка 21) в сравнении со всеми мировыми эталонными задачами МФБ 1990 года, касающимися курса судов, слежения за автомобилем и управления автомобилем и наведения.
(ii) Обучение или адаптивное управление роботами. Современные роботизированные мульти-манипуляторы представляют собой сильно нелинейные связанные многокоординатные динамические системы, работающие при различных размерах и геометрических массовых нагрузках. Управление высокоскоростным отслеживанием траектории является фундаментальным, требуя адаптивных или основанных на нейронных сетях системных идентификаторов (моделей) и контроллеров. В новаторской и ведущей исследовательской монографии (ссылка 22) общие уравнения Лаграна движения сформулированы как нелинейные функции от измеряемого / наблюдаемого положения вектора, скорости и ускорения. Используя последние два измерения, модели процессов идентифицируются (ссылка 22) как в декартовом пространстве, так и в пространстве задач с помощью линейных в сети параметров (см. RBF в (ссылка 3)). Трехчленные контроллеры с фиксированной структурой, но с обучением параметров RBF (аналогично управление в скользящем режиме - с помощью теории устойчивости Ляпунова для обеспечения асимптотической устойчивости) выводятся и оцениваются на реальных демонстраторах - платформе, стабилизированной по линии прямой видимости, и системе шарнирного соединения со свободным стержнем - для демонстрации стабильности, устойчивости, адаптивности и нечувствительности контроллера к параметрической неопределенности и ошибкам. и шум. В качестве альтернативы, используя моделирование линеаризации с обратной связью на основе нейронной сети (ссылка 17), Harris et al. показать (ссылка 22), что конструкция стандартного эталонного контроллера модели напрямую применима к роботам с твердым и гибким телом, а также к множеству взаимодействующих роботов-манипуляторов. Несмотря на то, что бумага (ссылка 22) широко цитируется, она широко использовалась другими в производстве и непрерывном производстве, колесных роботах, автоповоротных кранах, искусственных пальцах / руках, гибридных суставах и взаимодействующих роботах.
За исследования в области интеллектуального управления Харрис был награжден медалью за высшие достижения IEE 1998 г. за «выдающийся вклад в электротехнику».
Публикации
Профессор Харрис опубликовал более 400 упомянутых публикаций (в том числе 168 журнальных статей, 213 рецензируемых статей на конференциях, 30 глав книг и 7 исследовательских монографий, которые согласованно собирают вместе его индивидуальные исследования;
1. CJ Harris, Xia Hong и J Gan. Адаптивное моделирование, оценка и слияние на основе данных. 336 страниц, Springer Verlag, Берлин, (ISBN-3-540-42686-8) .2002.
2. SS Ge, TH Lee и CJ Harris. Адаптивное управление нейронной сетью роботов-манипуляторов. World Scientific Press Singapore, (ISBN-981023452X). 381. pages, 1998.
3. Г. П. Лю, Хван, К. Дж. Харрис и М. Браун Расширенное адаптивное управление. Pergamon Press, Лондон, 262 страницы. (ISBN-0-08-0420206). 1995 г.
4. М. Браун и К. Дж. Харрис Нейро-четкое адаптивное моделирование и управление. Прентис Холл, Хемел Хемпстед, (ISBN-0-13-134453-6) 380 страниц, 1994.
5. Харрис К.Дж., Мур К.Г. и Браун М. Интеллектуальное управление: аспекты нечеткой логики и нейронных сетей. World Scientific Press, Сингапур. 380 страниц. (ISBN-981-0201042) .1993.
6. CJ Harris и JME Valenca. Устойчивость динамических систем ввода-вывода. Maths in Science and Engineering Series, Academic Press, London, 266 pages, Vol 168. (ISBN-0-12-327680-2) 1983. Также опубликовано в Russian MIR Press (СССР), 375 страниц .1987.
7. CJ Harris и JF Miles. Устойчивость линейных систем. Academic Press, Лондон, 236 страниц. Серия «Математика в науке и технике», том 153 (ISBN-0-12-328250-0). 1980.
Награды
Харрис был избран в Королевская инженерная академия в 1996 году. Он был награжден медалью IEE Senior Achievement в 1998 году за свою работу над автономными системами и высшей наградой IEE (IET), Медаль Фарадея в 2001 году за его работу в области интеллектуального управления и нейро-четкой системы.
использованная литература
3. М. Браун и К. Дж. Харрис «Нейротечеткое адаптивное моделирование и управление». Прентис Холл, Хемел Хемпстед, (ISBN-0-13-134453-6) 380 страниц, 1994.
4. М. Браун, К. Дж. Харрис и П. К. Паркс. «Возможности интерполяции двоичного CMAC». Журнал нейронных сетей. Vol. 6. pp 429-440. 1993 г.
5. PE An и CJ Harris. «Интеллектуальная система предупреждения водителя для предотвращения столкновения транспортных средств». Специалист по системам транзакций IEEE. И кибернетика. Том 26 (2). pp 254-261. 1996 г.
6. Н. Д. Мэтьюз, П. Е. Ан, Д. Чарнли и К. Дж. Харрис. «Обнаружение и распознавание транспортных средств в полутоновых изображениях. «Журнал контрольной инженерной практики. (IFAC). Vol. 4 (4). Апрель 1996 г.
7. Х Хонг, Ч. Дж. Харрис, С. Чен: «Надежное нейро-нечеткое извлечение и оценка знаний из базы правил с использованием декомпозиции подпространств в сочетании с регуляризацией и D-оптимальностью», IEEE Transaction on System, Man, and Cybernetics, Part B, Vol. 34, № 1, стр. 598-608. 2004. 8. С. Чен, Х Хонг, Б. Л. Лук, К. Дж. Харрис: "Ортогональная регрессия наименьших квадратов: единый подход к моделированию данных", Neurocomputing Journal, Vol.72 (10-12). Pp.2670-2681.2009.
9. С. Чен, Х Хонг и Си Джей Харрис. «Моделирование регрессии с разреженным ядром с использованием объединенных локально регуляризованных ортогональных наименьших квадратов и D-оптимальности экспериментального дизайна», IEEE Transactions on Automatic Control Vol. 48, No. 6. С. 1029-1036. Июнь 2003 г.
10. С. Чен, Х Хонг, К. Дж. Харрис, П. М. Шарки: «Разреженное моделирование с использованием ортогональной прямой регрессии со статистикой и регуляризацией PRESS», IEEE Transactions on System, Man, and Cybernetics, Part B, Vol. 34, No. 2, pp.898-911.2004.
11. Chen, S., Wang, X. X. и Harris, C.J. «Эксперименты с повторяющимся поиском взвешенного повышения для оптимизации в приложениях обработки сигналов». IEEE Transactions on Systems, Man and Cybernetics, Part B 35 (4) pp. 682-693.2005.
12. Хонг Х., Чен С. и Харрис К. Дж. «Двухклассовый классификатор на основе ядра для несбалансированных наборов данных». IEEE Transactions on Neural Networks, 18 (1), pp.28-41.Jan 2007.
13. (J135). С. Чен, К. Дж. Харрис, Х Хонг и Б. Л. Лук, «Идентификация нелинейных систем с использованием моделей радиальной базисной функции с оптимизацией роя частиц». Журнал .Bio-Вдохновленные вычисления. Том 1. № 4. С. 246-258. 2009.
14. П.С. Хуанг, К.Дж. Харрис и М.С. Никсон. «Распознавание людей по походке с помощью параметрического канонического пространства». Журнал AI in Engineering Vol.13. pp 359-366. 1999 г.
15. Q Gan и CJ Harris. «Сравнение двух методов объединения данных для объединения данных нескольких датчиков на основе фильтра Калмана». IEEE Transactions Аэрокосмические и электронные системы. Т. 37, № 1. С. 273-279. 2001 г.
16. Дж. Б. Гао и С. Дж. Харрис. «Несколько замечаний по фильтрам Калмана для Multi-Sensor Fusion». Информационный журнал Fusion, Том 3 (№ 3), стр. 191-201, сентябрь 2002 г.
17. Q Gan и CJ Harris. «Нечеткая локальная линеаризация и расширение локальной базисной функции в моделировании нелинейных систем». IEEE Transactions System Man и кибернетика. Vol. 29 пт. B. No. 3. С. 559-565. Июнь 1999 г. Призовой документ МФБ.
18. RS Doyle и CJ Harris. «Объединение мультисенсорных данных для наведения вертолета с использованием алгоритмов нейрочеткой оценки». Журнал Королевского авиационного общества. С. 241-151. Июнь / июль 1996 г. (Премия Симмса Королевского авиационного общества за лучшую работу, 1997 г.
19. CJ Harris и X. Hong. «Интеллектуальная система наведения и управления для предотвращения препятствий кораблем». Proc Inst. Мех. Engrs. Часть I. J. Системы и управление. 213 с. 311-320. 1999 г. (Премия Дональда Джулиуса Гроена за лучшую научную работу в инженерных науках, 1999 г.). 20. (J110). С. Чен, Х Хонг, К. Дж. Харрис: «Построение разреженной плотности ядра с использованием ортогональной прямой регрессии с тестовой оценкой с исключением одного и локальной регуляризацией», IEEE Transactions on Systems, Man and Cybernetics, Part B, Vol 34, No. 4, pp1708-1717 2004. 21. Харрис К.Дж., Мур К.Г. и Браун М. «Интеллектуальное управление: аспекты нечеткой логики и нейронной сети». World Scientific Press, Сингапур. 380 страниц. (ISBN-981-0201042) .1993.
22. SS Ge, TH Lee и CJ Harris.«Адаптивное управление нейронной сетью роботов-манипуляторов». World Scientific Press Singapore, (ISBN-981023452X) .381.pages.1998.
23. Тонг Лю, Шэн Чен, Шань Лян, член IEEE, Шаоцзюнь Ган и Крис Дж. Харрис, «Быстрые адаптивные градиентные сети RBF для онлайн-изучения нестационарных временных рядов». Транзакции IEEE по обработке сигналов (будет опубликовано в 2020 г.) .