员曼曼，骏马计划B1岗研究员。2020年于北京科技大学计算机与通信工程学院获得博士学位（导师：罗熊教授），2018年9月至2019年3月德国洪堡大学访问学者（导师：Prof. Kurths），2020年至2022年北京科技大学博士后研究员（合作导师：张海君教授）。主要研究方向包括神经动力学，脑科学与脑重大疾病，深度学习等。在IEEE Transactions on Neural Networks and Learning Systems、Chaos, Solitons & Fractals等期刊发表论文十余篇。任北京物联网学会青年委员，Brian-X青年编委。
办公地点：网赌信誉排行前十的网址417
E-mail: yuanman@imu.edu.cn
研究方向：
神经动力学，脑科学及脑重大疾病，深度学习。
博士招生：图神经网络、深度学习、神经动力学、复杂网络动力学分析（同步稳定性等）。
代表成果：
1.Yuan M, Wang W, Wang Z, Luo X, Kurths J. Exponential synchronization of delayed memristor-based uncertain complex-valued neural networks for image protection[J]. IEEE transactions on neural networks and learning systems, 2020, 32(1): 151-165.
2.Yuan M, Wang W, Luo X, et al. Finite-time anti-synchronization of memristive stochastic BAM neural networks with probabilistic time-varying delays [J]. Chaos, Solitons & Fractals, 2018, 113: 244–260.
3.Yuan M, Luo X, Mao X, et al. Event-triggered hybrid impulsive control on lag synchronization of delayed memristor-based bidirectional associative memory neural networks for image hiding[J]. Chaos, Solitons & Fractals, 2022, 161: 112311.
4. Wang W, Sun Y, Yuan M*, et al. Projective synchronization of memristive multidirectional associative memory neural networks via self-triggered impulsive control and its application to image protection[J]. Chaos, Solitons & Fractals, 2021, 150: 111110
5. Yuan M, Luo X, Hu J, Wang S. Projective quasi-synchronization of coupled memristive neural networks with uncertainties and impulsive effect[J]. Frontiers in Neurorobotics.
获奖情况
硕士期间获得“优秀硕士学位论文”；
硕士期间获得“自治区优秀硕士学位论文”；
博士期间获得“国家奖学金”；
博士期间获得“优秀三好研究生”称号;
博士期间获得“学术之星”称号。
主持项目：
1. 国家自然科学基金委员会，青年基金项目，62106020，早期阿尔茨海默病记忆障碍的神经动力学建模分析及调控研究；
2. 中国博士后科学基金会，博士后面上基金，2021M690355，基于联想记忆的早期意识障碍识别及动力学建模分析；
3. 教育部，中央高校基础科研经费，FRF-IDRY-20-022，基于生成式对抗网络的新型析氧反应电催化剂；
4. 北京科技大学顺德研究生院博士后科研项目，2021BH008，分数阶时滞环形联想记忆忆阻神经网络与意识障碍诊断动力学的大数据分析研究；
5. 十大赌博靠谱信誉的平台骏马计划高层次人才引进项目，2023。
参与项目：
1. 国家自然科学基金委员会， 国际(地区)合作与交流项目，81961138010，基于网络分析的人脑精神类疾病整合动力学研究；
2. 国家自然科学基金委员会， 面上项目，62271045，跨模态多尺度AD脑网络机制分析及早期预警和个性化脑功能重塑研究；
北京市自然科学基金委，北京市自然科学基金，L211020，基于深度迁移学习的城轨列车齿轮箱故障诊断方法研究；
