12月7日，2022年度国际计算机学会（ACM）杰出会员（ ）名单公布。
本次评选设有三个奖项，分别表彰在计算机领域做出的教育贡献、工程贡献和科学贡献。
ACM创立于1947年，目前在全球130多个国家和地区拥有超过10万名会员，是全球最大的计算机领域的专业性学术组织，其颁发的图灵奖是计算机界最崇高的一个奖项，被称为「计算机界的诺贝尔奖」。
ACM杰出会员评选从2006年开始，每年最多对ACM全球前10%的会员进行表彰。今年共有67名会员入选，有23位是华人（中国内地6人），占总人数的34%。
其中，清华大学和北京大学分别有2位入选杰出会员，此外中国科学技术大学和中山大学也各有1位入选杰出会员。
杰出会员表彰那些在过去10年中拥有至少15年专业经验和5年专业会员资格的ACM会员，他们取得了重大成就，或对计算机领域产生了重大影响。
Chen（陈恩红），中国科学技术大学
陈恩红教授是国家杰出青年基金获得者，科技部重点领域创新团队负责人，IEEE高级会员（ ），CCF会士。他于1996年获中国科学技术大学计算机软件专业博士学位，2005年入选教育部新世纪优秀人才支持计划。
现任中国科学技术大学计算机科学与技术学院副院长，语音及语言信息处理国家工程实验室副主任，大数据分析及应用安徽省重点实验室主任。
Dan Hao（郝丹），北京大学
郝丹教授于2002年在哈尔滨工业大学获得学士学位，2008年在北京大学获得博士学位。研究方向为软件工程，主要研究软件测试。共计发表论文30余篇，其中发表于CCF A类期刊会议论文近20篇。
她获得过多项国家自然科学基金资助，包括优青项目和国际（与地区）合作交流项目等。并于2016年获聘国家重点人才计划（青年学者）。
Huang（黄隆波），清华大学
黄隆波博士是清华大学交叉信息研究院长聘副教授，博士生导师，ACM与IEEE高级会员，ACM杰出讲师与IEEE通信学会杰出讲师。
他的科研集中于人工智能与决策海外在职学位总裁班，包括深度强化学习、在线学习与强化学习、随机网络优化、分布式优化与机器学习等。
黄博士于美国南加州大学电子工程系获得博士学位，并于美国加州大学伯克利分校电子工程与计算机科学系担任博士后研究员。
Liu（刘世霞），清华大学
刘世霞，现任清华大学软件学院教授美国加州州立大学博士后，祝贺！23位华人，入选ACM杰出会员-智归科创中心，软件学院学术委员会主任。主要研究方向是可解释机器学习，文本可视分析和文本挖掘。
她于1996年获得哈尔滨工业大学数学系学士学位，1998获得哈尔滨工业大学数学系硕士学位，2002年获得清华大学计算机系博士学位。近年来在ACM/IEEE 和CCF A类会议上共发表论文60余篇，获得40余项发明专利。
她于2020年获清华大学第十七届良师益友奖，入选电气与电子工程师协会可视化学院（IEEE ，可视化名人堂），2021年当选IEEE 。
Liu（刘譞哲），北京大学
刘譞哲现为北京大学计算机学院长聘教职研究员，软件研究所副所长。是国际计算机学会（ACM）和中国计算机学会（CCF）的杰出会员，国际电气电子工程师学会（IEEE）的资深会员。
他于2003年在北京大学获学士学位，2009年在北京大学获计算机软件与理论博士学位。主要研究领域为系统软件和软件工程，研究兴趣是Web服务、云计算、机器学习等大规模分布式系统软件的设计原理、度量评估和实现方法。
Zibin Zheng（郑子彬），中山大学
郑子彬是中山大学数据与计算机科学学院教授，以及软件工程系主任。他于2011年在香港中文大学获得博士学位。研究兴趣包括移动互联网、大数据挖掘、软件服务、机器学习、区块链。
他曾出版英文学术专著1部、并发表论文200余篇，包括ESI高被引论文2篇，ACM/IEEE 26篇、获得CCF A类及B类国际学术会议最佳论文奖2次、最佳论文奖提名2次，论文谷歌学术引用超过11400次，H-Index为50。
他曾获得多个奖项，包括2018年区块链领域最具影响力的50篇论文、的ACM 杰出论文奖、的最佳学生论文奖等。以及国家自然科学基金优秀青年科学基金等。
Yu Deng（邓豫），IBM
邓豫是IBM T.J. 研究中心的高级研究科学家和经理。她在马里兰大学学院公园分校获得了计算机科学博士学位，并且是IEEE高级会员。研究兴趣是信息提取、问题回答、知识图谱和语义分析。
邓豫是IBM技术研究院的成员，工作内容主要是为云和IT支持服务建立人工智能解决方案。她曾多次获得IBM杰出技术成就奖、IBM研究奖和专利奖。
Wang，
Wang在伊利诺伊大学厄巴纳-香槟分校的计算机科学系获得博士学位，并在中国科技大学获得学士学位。研究方向是信息检索、数据挖掘和机器学习。
他曾在雅虎实验室从事推荐系统和网络搜索排名问题的研究。他的博士研究是关于改善网络搜索的困难查询。他还研究了从大规模的搜索日志中挖掘知识，以及从时间性文本流中挖掘突发模式。
Jing (Jane) Li，宾夕法尼亚大学
Jing Li是宾夕法尼亚大学电气与系统工程系和计算机与信息科学系的 D. 教师研究员和副教授（终身）。
在此之前，她是威斯康星大学麦迪逊分校的 C. 助理教授，也是威斯康星大学麦迪逊分校计算机结构组和机器学习组的教员。也是SRC JUMP中心-智能存储和内存处理研究中心（CRISP）的首席研究员之一。
Shou-De Lin（林守德），
林守德教授拥有台湾大学电机工程学士、密西根大学电机硕士、南加州大学计算语言学硕士学位和计算机科学博士学位，目前是的首席机器学习科学家，台湾大学资讯工程学系的教授。
他的研究包括机器学习和资料探勘、社群网络分析和自然语言处理等领域，曾创立台大的机器发明与社群网路探勘实验室。
Lin，俄亥俄州立大学
Lin是俄亥俄州立大学（OSU）计算机科学与工程（CSE）的教授。也是网络安全和数字信任研究所（ICDT）、汽车研究中心（CAR）、转化数据分析研究所（TDAI）和美国国家科学基金会未来边缘网络和分布式智能人工智能研究所（AI-Edge）的教职员工。
他在普渡大学获得了计算机科学的博士学位。研究重点是网络安全，特别是软件安全（如漏洞分析）和可信计算（如SGX/SEV等可信执行环境），以及最近的移动、物联网、云和区块链安全。
Siwei Lyu（吕思伟），纽约州立大学布法罗分校
吕思伟是纽约州立大学布法罗分校计算机科学与工程系的纽约帝国创新教授，UB媒体取证实验室（UB MDFL）主任，以及纽约州立大学布法罗分校信息完整性中心（CII）的创始联合主任。
他是纽约州立大学奥尔巴尼分校计算机视觉和机器学习实验室（CVML）的创始主任。也是IEEE、IAPR和AAIA的会员，ACM的高级会员。
他于2005年在达特茅斯学院获得计算机科学博士学位，2000年获得北京大学计算机科学硕士学位，1997年获得北京大学信息科学学士学位。研究兴趣包括数字媒体取证、计算机视觉和机器学习。并发表了190多篇有参考价值的期刊和会议论文。
Mao（茅斫青），密歇根大学
Mao是密歇根大学电子工程和计算机科学系的教授。研究兴趣包括网络系统，移动和分布式系统，以及网络/系统安全。
她在加州大学伯克利分校获得学士、硕士和博士学位。是美国国家科学基金会奖、斯隆奖和IBM教师合作奖的获得者。
Qinru Qiu，雪城大学
Qinru Qiu是雪城大学电气工程和计算机科学的教授兼EECS研究生项目主任。研究兴趣包括计算机系统的动态电源和热管理，能量采集实时嵌入式系统的功率，以及性能优化和认知应用的神经形态计算和高性能计算。
她于1994年在浙江大学获得电子工程学习学位，1998年在南加州大学获得电子和计算机工程硕士学位，2001年在南加州大学获得电气工程博士学位。
Shen，弗吉尼亚大学
Shen是弗吉尼亚大学计算机科学系的副教授。研究兴趣包括分布式计算机系统和计算机网络、云计算、大数据和信息物理系统。
她于2006年在韦恩州立大学获得计算机工程博士学位，于2004年在该校获得计算机工程硕士学位，于2000年在同济大学获得计算机科学与工程学士学位。
她是IEEE/ACM TON和 IEEE (NL) 的副主编。她还是许多领先会议的程序委员会成员，以及多个国际会议的前程序联合主席。
Li Shen，宾夕法尼亚大学
Li Shen是宾夕法尼亚大学的生物统计学和流行病学信息学教授。研究兴趣包括医学图像计算、生物信息学、机器学习、网络科学、视觉分析和生物医学大数据科学。
他于2004年获得达特茅斯学院的计算机科学博士学位，于1996年获得上海交通大学的计算机科学硕士学位，于1993年获得西安交通大学的计算机科学学士学位。
Song（宋厚冰），马里兰大学巴尔的摩分校
宋厚冰是马里兰大学巴尔的摩分校（UMBC）的终身副教授，网络全球安全与优化实验室（SONG实验室）主任。
他于2012年8月获得弗吉尼亚大学电气工程专业博士学位，2006年12月获得德克萨斯大学埃尔帕索分校土木工程硕士学位。共发表论文100多篇，目前的研究活动集中在人工智能/机器学习，网络安全和隐私、以及网络物理系统/物联网。
Sun（孙怡舟），加州大学洛杉矶分校
孙怡舟是加州大学洛杉矶分校计算机科学学院的副教授。研究兴趣包括大规模信息网络分析、社会网络、链接分析美国加州州立大学博士后，图挖掘、Web 挖掘、文本挖掘，数据挖掘、数据库系统、统计学、机器学习、信息检索、网络科学等。
她于2012年获得伊利诺伊大学厄巴纳香槟分校 (UIUC)计算机科学博士学位，在北京大学获得计算机科学与统计学硕士和学士学位。
Nian-Feng Tzeng（曾年烽），路易斯安那大学拉斐特分校
曾年烽是路易斯安那大学拉斐特分校计算与信息学院高级计算机研究中心的杰出学者和教授。
他于1986年在伊利诺伊大学厄巴纳-香槟分校获得计算机科学博士学位。研究兴趣是高性能计算机体系结构和系统、计算机通信和网络以及可靠计算和网络系统等领域。
作为IEEE ，曾博士于1990年5月在第10届国际分布式计算系统会议上获得杰出论文奖，于1997年获得大学基金会杰出教授奖。
Wang，弗吉尼亚理工大学
Wang是弗吉尼亚理工大学电气与计算机工程教授。因为为网络和云安全做出的贡献，他在2020年当选IEEE 。
他于2003年获得密歇根大学博士学位。主要研究方向包括域名系统和内容分布式网络中的安全问题、软件中释放后使用漏洞的防御、在线信誉系统、数据中心内部的能源/电力攻击和对策、隐蔽云中的通道攻击和对策、基于行为生物识别的用户身份验证、自动在线机器人检测、透明反网络钓鱼以及对抗分布式拒绝服务攻击。
Harry Xu，加州大学洛杉矶分校
Harry Xu是加州大学洛杉矶分校 (UCLA) 的计算机科学教授。研究兴趣是编程语言、编译器、大数据和分布式系统以及计算机体系结构。
他是最早研究「软件膨胀」问题的研究人员之一。他还引领了使用PL技术优化大规模数据分析的方向。基于于这些贡献，他获得了2018年Dahl-青年奖。
Kun Yang，埃塞克斯大学
Kun Yang是埃塞克斯大学计算机科学与电子工程学院 (CSEE) 的讲座教授，以及网络融合实验室 (NCL) 负责人。
他在伦敦大学学院 (UCL) 获得了通信网络和服务领域博士学位，在吉林大学获得硕士和学士学位。他的研究兴趣包括通信理论、算法、网络科学、机器学习和边缘智能，并在上述领域发表技术论文300余篇，专著2部。
Zhou，新加坡科技设计大学
Zhou是新加坡科技设计大学（SUTD）的教授兼联合中心主任。他在伦敦大学皇家霍洛威学院获得信息安全博士学位。研究兴趣为应用密码学和网络安全、网络物理系统安全、移动和无线安全。
入选名单一览
表彰在计算机领域做出的杰出教育贡献：
表彰在计算机领域做出的杰出工程贡献：
表彰在计算机领域做出的杰出科学贡献：
美国加州州立大学博士后，海外博士观察系列之20|王立新：我在南加州大学的求学经历
一、第一年：海阔天空
我是1989年8月到美国南加州大学电机工程系攻读博士学位的。刚去的时候，导师教授并没有给我一个具体的课题，而是由我自由发挥。当时我在国内做的是神经网络方面的研究（结构和算法与现在的深度学习神经网络一样，只是由于当时计算能力的限制，只做了两层的BP神经网络，而且几十个数据训练一天也收敛不到理想的精度），所以我就尝试着从神经网络的视角来研究当时正在进行的课题。当时主要有两个方面的课题：一个是利用高阶统计量（）辨识动态系统的参数，另一个是石油天然气勘探中的信号处理问题（主要是反卷积方法）。
对于高阶统计量系统辨识问题，我仔细研究发现，可以将被辨识的系统用类似于神经网络的“结构网络”（ — 我自己起的名字）来表示，其中结构网络的参数正好是需要辨识的动态系统的未知参数，而结构网络的输出正好是高阶统计量。这样一来，将高阶统计量作为目标值，利用神经网络的BP算法训练结构网络来匹配这些目标值，收敛之后的结构网络参数就是需要辨识的动态系统参数。这项研究最终发表在神经网络领域最顶级的期刊IEEE Trans. on ：
L. X. Wang and J. M. , “-based using ,” IEEE Trans. on , Vol. 2, No. 1, pp. 73-83, 1991.
这是我到美国读博之后投稿发表的第一篇期刊论文。对于教授的另外一个课题– 石油天然气勘探信号处理，其难点是信号很弱、噪声很大。我研究后发现，需要辨识的地层反射系数是离散和稀疏的，而且大小差别很大。用传统的方法辨识，大反射系数会掩盖小反射系数，因此辨识的精度不高。我提出一套全新的方法，利用神经网络首先辨识大的反射系数，然后将辨识出的大反射系数和信号源进行卷积后从原数据中减除，再用减除后的数据循环将地层反射系数从大到小一层一层辨识出来，效果非常好。这项研究最后发表在石油勘探以及神经网络领域的顶级期刊 和IEEE Trans. on ，是神经网络应用于该领域的第一批论文：
L. X. Wang and J. M. , “ -error and using ,” , Vol. 57, No. 5, pp. 670-679, 1992.
L. X. Wang, “A for ,” IEEE Trans. on , Vol. 3, No. 2, pp. 338-340, 1992.
结构网络（ ）的提出让我很兴奋，因为结构网络非常灵活，不仅适用于系统辨识问题，而且可以用来解决许多其它问题，比如各类矩阵计算问题，包括矩阵的求逆、特征值特征向量、矩阵分解等等。结构网络和多层神经网络一样，是并行分布式计算结构，可以进行大规模并行分布式计算。当时，我的想法是将“结构网络的理论与应用研究及其并行分布式实现”作为我的博士论文题目，向计算机大规模并行分布式计算方向发展（发展到现在就是所谓的大模型、谷歌大脑之类的），所以我将这方面的论文发表在计算机以及分布式计算方面的顶级刊物IEEE Trans. on 和 of and ：
L. X. Wang and J. M. , “Three- for ,” IEEE Trans. on , Vol. 40, No. 12, pp. 1337-1346, 1991.
L. X. Wang and J. M. , “ for a wide of ,” of and , Vol. 14, pp. 236-247, 1992.
由于我打算向大规模并行分布式计算方向发展，经同意，我将当时在南加大计算机系任教、计算机结构领域大名鼎鼎的黄铠教授（Kai Huang）邀请到了我的博士指导委员会。同时，我也顺利地第一次就通过了博士资格考试。
南加大的博士资格考试叫做 Exam，是读博士的第一关。一年有两次考试机会，每次考试规定只能有一半参加考试的学生通过，不管这次考试学生整体的成绩是高还是低，也不管这次考试学生人数的多少，都是一半通过、一半不通过。而且，每个学生最多只能参加两次 Exam。也就是说，如果一个学生考两次 Exam都没有通过，那么就不能继续读博士了。所以，在美国一流研究型大学读博士压力是很大的。
总之，读博第一年很顺利，海阔天空，也找到了博士论文的研究方向– 我自己开创的结构网络（ ）以及结构网络的大规模并行分布式计算，一切看来顺风顺水。可是，由于学功课做课程设计的原因美国加州州立大学博士后，海外博士观察系列之20|王立新：我在南加州大学的求学经历，风云突变。
二、第二年：风云突变
在美国读博士与在欧洲等地方读博士不一样，要修许多门课。南加大规定，读博士要修60个学分的研究生课程（通常一门课3个学分），如果有硕士学位可以免去30个学分。也就是说，我需要修至少30个学分的研究生课程（我最终修了45个学分，GPA是3.76/4.0，见本博文最后的成绩单）。在我读博第一年的第二学期以及第二年的第一学期，我修了我们电机系Kosko教授的“神经网络与模糊系统”课程，以及数学系的一门研究生高级泛函分析课程（上下两个学期的课程）。这两门课除了通常的考试之外，还要做一个课程设计。正是这两个课程设计，让我离开了心爱的结构网络和并行分布式计算，掉进了模糊的深渊。
Kosko当时还是助理教授，但他在神经网络和模糊系统领域已经非常有名了。他给我们上课用的是他自己写的讲义，后来这些讲义就形成了他的那本经典著作《神经网络与模糊系统》（B.Kosko,“ and Fuzzy ”， Hall，1992，该书在 被引用9938次，是神经网络和模糊系统领域的经典著作）。这门课要做一个课程设计，由于当时我的主要研究工具是神经网络，而神经网络是通过数据来训练建立的，所以我就想能不能从数据产生模糊规则，进而构建模糊系统。思路其实很简单：首先，用模糊集合交叉覆盖每个输入变量；然后，对应于每一个数据点，得到在该数据点隶属度最大的模糊集合，用这些模糊集合构建模糊规则；最后，用这些模糊规则构建模糊系统。就这么简单。这个课程设计最后形成下面的论文，发表在控制论领域的顶级期刊IEEE Trans. on , Man, and .：
L. X. Wang and J. M. , “ fuzzy rules by from ,” IEEE Trans. on , Man, and ., Vol. 22, No. 6, pp. 1414-1427, 1992.
这篇论文在 被引用3999次，是可解释性人工智能（从数据到知识）领域的经典。这个算法被称作Wang-算法，三十年来以其快速、高精度以及可解释性被广泛应用于众多领域，是行业标准、是后续算法性能比较的标杆。其实，这个课程设计当时差点没通过，因为课程的助教（Kosko的博士生）说这个方法太简单了，不足以达到课程设计的标准，把初稿给我打了回来。后来，我不得不加了一点万能逼近的内容，才勉强过关。这就要说到下面这个数学系高级泛函分析课程的课程设计。
由于电机系的研究通常要用到很多数学，所以我们电机系的博士生通常要到数学系修好几门课程，我修的其中一门是数学系“高级泛函分析”的研究生课程。授课的这位数学系教授上课一直不停地在黑板上推公式，写的很快，也没有多的解释，假设我们都能跟上他的节奏。这门课对巩固提高我的数学分析功底是很有帮助的。我后来的模糊控制研究，以及近年来的模糊舆情网络和算法交易研究，都有许多复杂的稳定性、收敛性、以及收敛速度的数学证明，这门课对这些研究是非常有帮助的。
这门高级泛函分析也要做一个课程设计，由于当时我通过Kosko的课已经学了一些模糊系统的内容，所以我就想能不能用这门课上学的泛函分析工具，去解决模糊系统中的问题，以此做为课程设计（小的跨学科哦）。由于当时我主要研究神经网络，而神经网络之所以有广泛的适用性，是因为神经网络有个著名的万能逼近定理，即对于任意复杂的非线性函数，总存在一个神经网络，可以无限逼近这个非线性函数。那么，模糊系统是不是也具有这样的万能逼近特性呢？当时，标准的模糊系统是由几个模块搭建而成的，有些模块只是文字描述和计算机程序实现。所以，将模糊系统写成一个数学函数并不是一件直截了当的事情，而只有把模糊系统表示为一个数学函数，才有可能应用泛函分析中的工具来探讨模糊系统是否具有万能逼近性能。最终，我把标准的模糊系统写成了一个数学函数，然后应用泛函分析课程中学到的Stone-定理，证明了模糊系统也是万能逼近器。这个课程设计最终发表在IEEE Trans. on ：
L. X. Wang and J. M. , “Fuzzy basis , , and least ,” IEEE Trans. on , Vol. 3, No. 5, pp. 807-814, 1992.
这篇论文在 被引用3386次，是模糊领域的经典。它从数学上严格证明了模糊系统是万能逼近器，因此与神经网络一样，适用于广泛的应用场景。这篇论文为模糊系统在各行各业的广泛应用提供了坚实的理论支撑。
是福是祸，是祸躲不过。见到我的这些模糊成果，开始动摇原来的想法了。他不再支持我将结构网络和并行分布式计算作为我的博士论文课题，而让我转做模糊。从此，我独创的结构网络（ ）离我而去，我心爱的大规模并行分布式计算也永远地离开了我。我一下子掉进了模糊的深渊，在混沌中越陷越深。
三、第三年：模糊缠身
叮叮叮、叮叮叮，办公室电话铃响了，师兄去接的，说是找我。我接过话筒，对方问我是不是Li-Xin Wang，我说是的。对方说他是Zadeh，看了我关于模糊方面的论文（Wang-算法首先是写成USC EE ，寄给了Zadeh一份），觉得做得很好。他问我什么时间毕业，我说论文进展顺利，还有些学分没有修完。他问我毕业后有没有兴趣到他那里做博士后，我本能地回答：当然愿意了。你说，我一个刚读两年的博士生，鼻祖打电话给我，邀请我去跟他做研究，我能不答应吗？Zadeh说，很好，让我等着，就把电话挂了。一个星期后，Zadeh又打电话给我，说他已经从专门为我申请到了经费，我可以随时过去跟他做博士后。
就这样，我于1992年年初通过了博士论文答辩，当时距我到美国读博只有两年半。由于博士学位授予要统一等到学年结束，我的博士学位证书上的日期是1992年8月18日：
由于要到Zadeh那里做博士后，我这读博的第三年（最后一年）就专注于模糊了。做模糊之初，我就想做模糊控制，因为模糊控制是模糊理论当时最成功的应用，而我在国内也是学控制的。可是，不支持我做模糊控制，希望我做模糊系统（数据建模，万能逼近，模糊神经网络等）。他给出两个理由：一是控制领域强手太多，他说他1970年代做过IEEE控制学会主席，后来不做控制而转做信号处理，一个原因就是控制领域高手太多，自己有个想法还没有眉目，别人论文已经写出来了；二是做控制的人都很反对模糊，以卡尔曼（）为首，反模糊就是支持卡尔曼，是政治正确，所以做模糊控制没有好下场。我当时年少气盛，不听老人言，心想那我就自己做了呗。所以，你看我后来关于模糊控制的论文和书，都是我一个人单一作者，这并不是我不尊重导师，而是导师不愿意和我一起趟这一塘浑水。
当时，模糊控制虽然在应用中取得了良好的效果，但当时的模糊控制器只是经验控制，性能取决于专家经验的好坏，而且不能保证最基本的稳定性、收敛性等，也不能进行优化设计。我觉得美国加州州立大学博士后，应该将当时基于专家经验的模糊控制器作为初始控制器，在此基础上利用自适应控制方法在线调节模糊控制器的参数，来达到确保稳定性、收敛性以及最优的性能。这说起来有道理，但做起来并不容易，因为被控对象是非线性而且这些非线性是未知的，如何在线实时调节结构复杂的非线性模糊控制器，来达到稳定、收敛而且性能最优，这些都需要开创性的理论思维以及坚实的数学功底。最终，我完成了这些开创性的工作，论文发表在刚创刊不久的IEEE模糊系统会刊：
L. X. Wang, “ fuzzy of ,” IEEE Trans. on Fuzzy , Vol. 1, No. 2, pp.146-155, 1993.
这篇论文在 被引用2191次，是自适应模糊控制的开山之作。后来，我利用读博第三年后半年的相对空闲时间（从1992年年初博士论文答辩通过，到年中毕业典礼拿学位证书）以及后来的一些时间，将这套全新的自适应模糊控制理论的主要根基做完善，形成专著，由美国著名的出版社 Hall出版：
L. X. Wang, Fuzzy and : and , -Hall: , NJ, 1994.
此书在 被引用5740次，开创了一整套全新的自适应模糊控制理论体系，是专注于模糊控制的学术专著之中被引用最高的。此书出版之前，人们经常批评模糊控制没有理论支撑；此书出版之后，就很少有人再这么说了，因为传统控制理论所拥有的严格理论支撑，在这本书中都有，其严谨、深刻、全面的特征不亚于任何传统的控制理论。此书有中译本：
当然，这也是一本比较难读的理论专著，有许多复杂的数学证明（稳定性、收敛性、最优性等等）。几年前，一位985名校的信息学院院长给我说，当年他读博士时，大家把这本书称作“红宝书”，一代又一代模糊控制研究者就是读着这本书进入这个领域的。另外，一位大学校长给我说，当年他花了大半年时间仔细钻研了这本书，吃透每个细节，在此基础之上发表了一系列模糊控制论文，二十年来培养了一批又一批学生，他也从一名普通青年教师成为大学的正校长。人们常说，Zadeh的模糊集合养活的一批人。三十年来，我的自适应模糊控制理论也养活了不少人哦。
最后，是我在南加大电机系读博三年的成绩单。我总共修了45个学分，最终GPA是3.76/4.0。3.76的GPA还算可以吧。我第一学期的GPA是4.0，后来由于要留出大把时间做科研写论文，我给自己规定，每门课每星期课后最多只能花两个小时，所以后来有几门课没有拿到A，最终GPA下降到3.76。南加大研究生课程内容很多很难，比本科生课程更加严格。可能老师们觉得本科教育已接近普及化教育，博士是精英教育，所以对研究生课程更加认真。每门研究生课程都有一本厚厚的教材，每周都有，每门课一般两个（期中考试）一个final（期末考试），有些课还要附加一个课程设计（比如前面第二节中提到的“神经网络与模糊系统”和“高级泛函分析”）。教这些课的老师基本上都是本学科一流的学者，教的也很认真，给我们打下了全面而扎实的基础。
来源及版权：作者王立新，来源作者科学网博客，版权归作者所有！
海外博士观察系列：
美国加州州立大学博士后，美国三校联盟博士后项目：核心优势分析
斯坦福大学简介：
小利兰·斯坦福大学，常直接称为斯坦福大学（英文： ），为一所坐落于美国加利福尼亚州斯坦福市的私立研究型大学。大学于1885年成立，占地约33平方公里（8180英亩），是美国占地面积最大的大学之一。
加州州立大学简介：
加利福尼亚州立大学（ State ）美国加州州立大学博士后，美国三校联盟博士后项目：核心优势分析，简称加州州立大学(CSU或Cal State)，是美国加州的一个公立大学系统。它是组成加州公立高等教育体系的三个大学系统之一。
伯克利加州大学简介：
伯克利加州大学，全称伯克利加利福尼亚大学（ of ,，也缩写为伯克利加大、英语：UC 、或Cal，也常译为伯克利大学或加州大学伯克利分校），是美国的一所公立研究型大学，位于旧金山东湾伯克利市的山丘上，为世界上最杰出及最享负盛名的高等公立学府。其许多科系位于全球大学排行前十名，也是美国最佳公立大学之一。
项目介绍
美国加州州立大学主办美国加州州立大学博士后，协同斯坦福大学、伯克利加州大学三大名校联合教学，招收中国以及亚洲地区高级管理人员参加网络博士后研究班项目，项目针对系统接受过博士专业教育的人士而开办，为研究与实践相结合的高端教育项目:具备研究和创新能力是高级管理人员必备的素质，参加网络博士后研究班项目将取得研究经验来提升个人的综合能力。
网络博士后研究班项目建立在传统的学位教育之上，是更具有现实指导意义的高层次教育项目，该项目注重交流性的学习模式促使学生不断地思考和创新免联考在职研究生，并建立终身学习提升的国际性平台。
项目特色
1、亚洲唯一的美国三大名校合作网络博士后研究班项目。
2、突破传统的课堂教学范式，先进的导师指导管理理念。
3、免语言成绩，中英双语培养模式。
4、证书授予:上完课后，校方主办单位发给学员下列4张证书:
斯坦福大学结业证书1张，伯克利加州大学结业证书1张，
美国加州州立大学蒙特利湾分校结业证书1张,以及网络博士后研究班学生在一年内需撰写乙篇文章交于校方审核、发表后，即由美国加州州立大学蒙特利湾分校授予博士后证书1张。(博士后证书可以在美国申请公证)。
入学条件:
博士后申请人为获得博士学位人员。
入学时间及人数:
每期限12人，于国内接受美国加州州立大学、斯坦福大学、伯克利加州大学合作网络博士后研究班课程。
办理程序:
1、提交以下资料:
(1) 博士学位证书复印件一份
(2)身份证及护照复印件各一份
(3)两寸白底护照照片电子文件一份
(4)填写完整的博士后研究班申请表
2、校方审核资料通过后，发放入学通知信。
3、在国内进行研究和辅导。
4、上完课后，校方主办单位发给学员下列4张证书:
