葡京娱乐场-富盈娱乐场开户_百家乐试玩_sz全讯网网址xb112 (中国)·官方网站

近日，上海交通大學(xué)電子系義理林教授課題組基于智能鎖模算法、時(shí)間拉伸技術(shù)和實(shí)時(shí)高速電路建立的實(shí)時(shí)光譜分析控制平臺(tái)，實(shí)現(xiàn)了鎖模激光器輸出飛秒脈沖的實(shí)時(shí)光譜調(diào)控，對(duì)飛秒激光器的設(shè)計(jì)具有重要的應(yīng)用價(jià)值。相關(guān)成果以“Intelligent control of mode-locked femtosecond pulses by time-stretch-assisted real-time spectral analysis”為題目于2020年1月發(fā)表于國際光學(xué)頂尖期刊《Light: Science & Applications》（中科院長春光機(jī)所與Nature出版集團(tuán)合辦期刊），并入選為封面文章，在“News & Views”欄目被專門評(píng)述。博士生蒲國慶為第一作者，義理林教授為通信作者。 圖說：期刊封面文章 飛秒尺度（1E-15秒）脈沖對(duì)應(yīng)著原子分子、材料、生物蛋白、化學(xué)反應(yīng)等豐富物質(zhì)體系的眾多超快過程，有著廣泛而重要的應(yīng)用。鎖模激光器作為產(chǎn)生飛秒脈沖的重要基礎(chǔ)研究工具，在物理、化學(xué)、生物、材料、信息科學(xué)等領(lǐng)域都有廣泛的應(yīng)用。飛秒鎖模激光器自上世紀(jì)六十年代發(fā)明以來，與其相關(guān)的研究分別于1999，2005，2018年獲得過諾貝爾獎(jiǎng)。 隨著超快光學(xué)的快速發(fā)展，越來越多的前沿應(yīng)用需要對(duì)飛秒脈沖的時(shí)域和光譜進(jìn)行精細(xì)控制。由于飛秒脈沖的產(chǎn)生涉及非常復(fù)雜的非線性和色散傳輸效應(yīng)，達(dá)到特定脈沖狀態(tài)的穩(wěn)態(tài)輸出需要對(duì)激光器多個(gè)參數(shù)在高維空間進(jìn)行優(yōu)化，傳統(tǒng)基于激光器光學(xué)設(shè)計(jì)和優(yōu)化的方法已被證明難以精確實(shí)現(xiàn)。 通過對(duì)飛秒脈沖狀態(tài)進(jìn)行智能識(shí)別，結(jié)合智能算法對(duì)激光器多參數(shù)進(jìn)行全局優(yōu)化，有望獲得理想的飛秒脈沖輸出，但其主要挑戰(zhàn)在于飛秒脈沖難以實(shí)時(shí)精確識(shí)別。低速時(shí)域采樣無法識(shí)別飛秒脈沖寬度和形狀，光譜儀雖可識(shí)別飛秒脈沖積分光譜但無法識(shí)別其瞬時(shí)光譜，因此傳統(tǒng)方法都無法做到實(shí)時(shí)控制飛秒脈沖精確鎖模狀態(tài)。為了解決這一難題，義理林教授課題組提出在鎖模控制環(huán)內(nèi)引入時(shí)間拉伸-色散傅里葉變換（TS-DFT）技術(shù)，通過時(shí)域到光譜的轉(zhuǎn)換，采用低速時(shí)域采樣即可識(shí)別飛秒脈沖對(duì)應(yīng)的瞬時(shí)光譜寬度和形狀。結(jié)合智能控制算法，實(shí)現(xiàn)了以1.4nm為精度對(duì)飛秒脈沖光譜寬帶從10nm到40nm進(jìn)行可編程控制，光譜形狀可編程為高斯型或三角形等。這是本領(lǐng)域首次實(shí)現(xiàn)飛秒鎖模脈沖光譜寬度和形狀高精度實(shí)時(shí)編程控制，解決了飛秒鎖模脈沖鎖模狀態(tài)無法精確調(diào)控的難題。 基于實(shí)時(shí)的光譜控制，該研究還展示了從窄譜鎖模態(tài)至寬譜鎖模態(tài)以及從三角形光譜脈沖態(tài)至寬譜鎖模態(tài)的演變過程，發(fā)現(xiàn)兩者動(dòng)力學(xué)過程具有相似性，提出了目標(biāo)鎖模狀態(tài)可能決定中間動(dòng)力學(xué)過程的猜想，為人們進(jìn)一步探索鎖模激光器內(nèi)部機(jī)理提供新視角。 圖說：基于快速光譜分析的飛秒鎖模脈沖智能控制 非線性光學(xué)著名專家John Dudley教授（歐洲物理學(xué)會(huì)主席，IEEE/OSA Fellow）在《Light: Science & Applications》的“News & Views”欄目撰文介紹此項(xiàng)工作，認(rèn)為本工作極具創(chuàng)新性，開拓了研究鎖模動(dòng)力學(xué)新的可能性，很可能應(yīng)用于多種鎖模光纖激光器中。 義理林教授課題組過去六年來一直致力于解決飛秒鎖模激光器的智能控制問題，2019年發(fā)表在光學(xué)領(lǐng)域頂級(jí)期刊《Optica》的“智能鎖模激光器”成果入選美國光學(xué)學(xué)會(huì)旗下新聞雜志《Optics & Photonics News》2019年光學(xué)年度進(jìn)展“Optics in 2019”。該方向工作部分得到國家自然科學(xué)基金（61575122）的支持。《Light: Science & Applications》論文全文https://www.nature.com/articles/s41377-020-0251-x《Light: Science & Applications》“New & Views”評(píng)述論文https://www.nature.com/articles/s41377-020-0270-7

項(xiàng)目成果/簡介:長牡蠣“海大1號(hào)”是我國培育的第一個(gè)牡蠣新品種，填補(bǔ)了我國牡蠣良種培育的空白。中國海洋大學(xué)自2006年在國內(nèi)率先開始了長牡蠣快速生長系的選擇育種，以山東乳山海區(qū)自然采苗養(yǎng)殖的長牡蠣為基礎(chǔ)群體，基于群體選育、輔以分子標(biāo)記輔助育種，采用有效繁殖親本數(shù)量控制、選育群體世代遺傳參數(shù)與選擇效應(yīng)評(píng)估以及選育世代遺傳多樣性監(jiān)測等多項(xiàng)關(guān)鍵技術(shù)，通過連續(xù)6代成功培育出長牡蠣“海大1號(hào)”新品種。該新品種具有生長速度快、殼型規(guī)則等特性，目前在山東、遼寧、江蘇等地養(yǎng)殖面積超過20萬畝，取得了顯著的經(jīng)濟(jì)和社會(huì)效益，有力推動(dòng)了我國牡蠣養(yǎng)殖業(yè)的良種化進(jìn)程。長牡蠣“海大2號(hào)” 新品種是中國海洋大學(xué)繼培育我國第一個(gè)生長性狀優(yōu)良的長牡蠣“海大1號(hào)”新品種的基礎(chǔ)上培育的長牡蠣第二個(gè)新品種。長牡蠣“海大2號(hào)” 新品種是以金黃殼色和生長速度作為選育目標(biāo)性狀，采用家系選育和群體選育相結(jié)合的混合選育技術(shù)，輔以分子標(biāo)記輔助育種，經(jīng)過4代培育而成。該新品種體重和出肉率可分別提高38%和25%以上，左右殼和外套膜均為色澤亮麗的金黃色（養(yǎng)殖戶喜稱“金牡蠣”“金蠔”），在北方沿海進(jìn)行了示范養(yǎng)殖，深受育苗企業(yè)和廣大養(yǎng)殖戶的喜愛，大大提高了我國養(yǎng)殖牡蠣的品質(zhì)和檔次。長牡蠣“海大3號(hào)”新品種是以2010年從山東沿海長牡蠣野生群體中篩選出的左殼為黑色的個(gè)體為基礎(chǔ)群體，以殼黑色和生長速度為目標(biāo)性狀，采用家系選育和群體選育相結(jié)合的混合選育技術(shù)，經(jīng)連續(xù)6代選育而成。在相同養(yǎng)殖條件下，與未經(jīng)選育的長牡蠣相比，10月齡貝殼高平均提高9%，軟體部重平均提高64.5%，左右殼和外套膜均為黑色，黑色性狀比例達(dá)100%。適宜在山東和遼寧人工可控的海水水體中養(yǎng)殖。項(xiàng)目階段:工業(yè)化生產(chǎn)階段效益分析:牡蠣是世界上養(yǎng)殖產(chǎn)量最大的海水養(yǎng)殖種類，世界年產(chǎn)量為400多萬噸，產(chǎn)值近40億美元，也是消費(fèi)量最多的貝類產(chǎn)品。我國是牡蠣的故鄉(xiāng)，牡蠣居我國四大經(jīng)濟(jì)貝類之首，年產(chǎn)量480多萬噸，占世界牡蠣產(chǎn)量的4/5。我國牡蠣產(chǎn)量雖然很大，但產(chǎn)值僅占世界的1/4左右。在我國牡蠣價(jià)格僅為2-4元/kg，而在美國和歐盟國家的牡蠣價(jià)格卻高達(dá)1~2 美元/個(gè)。雖然國外牡蠣價(jià)格昂貴，但我國每年卻要從美國、澳大利亞等國家進(jìn)口大量的牡蠣，來滿足各大城市高檔市場的需求。長牡蠣“海大1號(hào)”、“海大2號(hào)”和“海大3號(hào)”新品種品質(zhì)優(yōu)良，可作為進(jìn)口牡蠣的替代產(chǎn)品，具有廣闊的市場前景。預(yù)期投資500萬元，養(yǎng)殖規(guī)模2000畝，產(chǎn)值2000~3000萬元。知識(shí)產(chǎn)權(quán)類型:發(fā)明專利 、 軟件著作權(quán)知識(shí)產(chǎn)權(quán)編號(hào):GS-01-005-2013 GS-01-007-2016 ZL201410120162.9 GS-01-007-2018技術(shù)成熟度:通過中試技術(shù)先進(jìn)程度:達(dá)到國內(nèi)領(lǐng)先水平成果獲得方式:獨(dú)立研究獲得政府支持情況:無

長牡蠣“海大1號(hào)”是我國培育的第一個(gè)牡蠣新品種，填補(bǔ)了我國牡蠣良種培育的空白。中國海洋大學(xué)自2006年在國內(nèi)率先開始了長牡蠣快速生長系的選擇育種，以山東乳山海區(qū)自然采苗養(yǎng)殖的長牡蠣為基礎(chǔ)群體，基于群體選育、輔以分子標(biāo)記輔助育種，采用有效繁殖親本數(shù)量控制、選育群體世代遺傳參數(shù)與選擇效應(yīng)評(píng)估以及選育世代遺傳多樣性監(jiān)測等多項(xiàng)關(guān)鍵技術(shù)，通過連續(xù)6代成功培育出長牡蠣“海大1號(hào)”新品種。該新品種具有生長速度快、殼型規(guī)則等特性，目前在山東、遼寧、江蘇等地養(yǎng)殖面積超過20萬畝，取得了顯著的經(jīng)濟(jì)和社會(huì)效益，有力推動(dòng)了我國牡蠣養(yǎng)殖業(yè)的良種化進(jìn)程。 長牡蠣“海大2號(hào)” 新品種是中國海洋大學(xué)繼培育我國第一個(gè)生長性狀優(yōu)良的長牡蠣“海大1號(hào)”新品種的基礎(chǔ)上培育的長牡蠣第二個(gè)新品種。長牡蠣“海大2號(hào)” 新品種是以金黃殼色和生長速度作為選育目標(biāo)性狀，采用家系選育和群體選育相結(jié)合的混合選育技術(shù)，輔以分子標(biāo)記輔助育種，經(jīng)過4代培育而成。該新品種體重和出肉率可分別提高38%和25%以上，左右殼和外套膜均為色澤亮麗的金黃色（養(yǎng)殖戶喜稱“金牡蠣”“金蠔”），在北方沿海進(jìn)行了示范養(yǎng)殖，深受育苗企業(yè)和廣大養(yǎng)殖戶的喜愛，大大提高了我國養(yǎng)殖牡蠣的品質(zhì)和檔次。 長牡蠣“海大3號(hào)”新品種是以2010年從山東沿海長牡蠣野生群體中篩選出的左殼為黑色的個(gè)體為基礎(chǔ)群體，以殼黑色和生長速度為目標(biāo)性狀，采用家系選育和群體選育相結(jié)合的混合選育技術(shù)，經(jīng)連續(xù)6代選育而成。在相同養(yǎng)殖條件下，與未經(jīng)選育的長牡蠣相比，10月齡貝殼高平均提高9%，軟體部重平均提高64.5%，左右殼和外套膜均為黑色，黑色性狀比例達(dá)100%。適宜在山東和遼寧人工可控的海水水體中養(yǎng)殖。

導(dǎo)讀東北電力大學(xué)和長春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法，以對(duì)運(yùn)動(dòng)想象(MI)任務(wù)進(jìn)行分類。ESI技術(shù)采用邊界元法(BEM)和加權(quán)最小范數(shù)估計(jì)(WMNE)分別解決EEG的正向和逆向問題。然后在運(yùn)動(dòng)皮層中創(chuàng)建十個(gè)scout來選擇感興趣的區(qū)域(ROI)。研究者使用Morlet小波方法從scout的時(shí)間序列中提取特征。最后，使用CNN對(duì)MI任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果:在Physionet數(shù)據(jù)庫上的整體平均準(zhǔn)確率達(dá)到94.5%，分別對(duì)左拳頭、右拳頭、雙拳和雙腳的單個(gè)準(zhǔn)確率達(dá)到95.3%、93.3%、93.6%、96%，采用十倍交叉驗(yàn)證進(jìn)行驗(yàn)證。研究人員表示，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者為驗(yàn)證方法的有效性，加入了4個(gè)新的受試者進(jìn)行驗(yàn)證，發(fā)現(xiàn)總體平均準(zhǔn)確率為92.5%。此外，全局分類器適應(yīng)單一對(duì)象，整體平均準(zhǔn)確率提高到94.54%。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。系統(tǒng)框架圖1 系統(tǒng)框架圖系統(tǒng)框架如圖1所示。原始數(shù)據(jù)來自國際10-10系統(tǒng)的64個(gè)電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個(gè)樣本的速度采集。根據(jù)國際10-10系統(tǒng)從64個(gè)通道采集原始腦電圖，并使用BCI2000系統(tǒng)進(jìn)行記錄。記錄的數(shù)據(jù)被分為四個(gè)獨(dú)立MI任務(wù)包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執(zhí)行運(yùn)動(dòng)想象時(shí)在alpha和beta中不同，因此使用FIR濾波器對(duì)EEG進(jìn)行了8 Hz至30 Hz的帶通濾波。然后，通過計(jì)算包含正問題和逆問題的源，將傳感器空間的活動(dòng)轉(zhuǎn)化為源空間的活動(dòng)。接下來，創(chuàng)建scout并提取特征。研究者在運(yùn)動(dòng)皮層中創(chuàng)建了10個(gè)scout，因?yàn)槲覀冎魂P(guān)心與運(yùn)動(dòng)相關(guān)的活動(dòng)。十個(gè)scout中的每一個(gè)都代表了可用源空間中的一個(gè)感興趣的區(qū)域(ROI)，并且是定義在皮層表面或頭部體積上的偶極子的子集。左腦的scout稱為L1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個(gè)scout的源時(shí)間序列中提取特征。最后，利用CNN對(duì)時(shí)頻圖進(jìn)行分離并進(jìn)行分類。實(shí)驗(yàn)在實(shí)驗(yàn)中，研究人員僅使用了隨機(jī)選擇的十個(gè)受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數(shù)據(jù)集包含每個(gè)受試者84次試驗(yàn)，每一類包含21次試驗(yàn)。在記錄64通道腦電圖時(shí)，受試者執(zhí)行了不同的運(yùn)動(dòng)想象任務(wù)。每個(gè)受試者針對(duì)以下四個(gè)任務(wù)中的每一個(gè)執(zhí)行了3輪21試驗(yàn)：當(dāng)目標(biāo)出現(xiàn)在屏幕左側(cè)時(shí)，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕的右側(cè)時(shí)，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕頂部時(shí)，受試者想象打開和合上雙手的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕底部時(shí)，目標(biāo)會(huì)想象雙腳張開和合攏，直到目標(biāo)消失。然后受試者放松。為了統(tǒng)一數(shù)據(jù)維數(shù)，研究者選擇了4s的數(shù)據(jù)，因?yàn)槊看蜗胂笕蝿?wù)的執(zhí)行時(shí)間都在4s左右。此外，腦電圖任務(wù)是分開的，研究人員在實(shí)驗(yàn)中將左拳，右拳，雙拳和雙腳MI任務(wù)分別稱為T1，T2，T3和T4。圖2 scout命名左右運(yùn)動(dòng)想象的scout分別命名為L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個(gè)scout每一個(gè)都被擴(kuò)展到40個(gè)頂點(diǎn)，每個(gè)頂點(diǎn)只有一個(gè)源。L1區(qū)域?qū)?yīng)40個(gè)信號(hào)，其他scout也一樣。在計(jì)算了來源后，研究者在運(yùn)動(dòng)皮層中創(chuàng)建了十個(gè)scout，如圖3所示。圖3 創(chuàng)建10個(gè)scout使用ESI計(jì)算十個(gè)受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗(yàn)的四個(gè)任務(wù)(T1、T2、T3、T4)的源。對(duì)于這四項(xiàng)任務(wù)中的每一項(xiàng)，每個(gè)受試者每次都要進(jìn)行7次測試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個(gè)步的10個(gè)被試的10個(gè)scout的4項(xiàng)任務(wù)的來源。然后提取10個(gè)scout的時(shí)間序列進(jìn)行進(jìn)一步分析。特征提取在計(jì)算源之后，研究人員在運(yùn)動(dòng)皮層中創(chuàng)建了包含40個(gè)源的10個(gè)scout，并提取了scout的時(shí)間序列。如圖4所示為提取R5 scout時(shí)間序列作為示例。圖的右邊顯示了R5 scout的時(shí)間序列。本文利用小波變換從scout時(shí)間序列中提取特征。圖4 提取R5 scout時(shí)間序列作為示例在這項(xiàng)研究中，研究者提出利用CNN來解決運(yùn)動(dòng)想象任務(wù)分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構(gòu)，該網(wǎng)絡(luò)模型由一個(gè)六層卷積網(wǎng)絡(luò)組成，其中兩個(gè)最大池層和三個(gè)全連接層，如圖5所示。圖5對(duì)于Physionet數(shù)據(jù)庫，研究者首先采用Deep ConvNet架構(gòu)，包括四個(gè)卷積層、四個(gè)最大池層和一個(gè)全連接層。在實(shí)驗(yàn)中，研究者依據(jù)經(jīng)驗(yàn)使用兩個(gè)最大池化層。并嘗試了不同數(shù)量的卷積層和完全連接層。時(shí)頻圖利用Morlet小波方法得到了scout的特征。對(duì)于每個(gè)任務(wù)，R5 scout的時(shí)頻圖如圖6所示。包含時(shí)間和頻率互補(bǔ)的時(shí)頻分析方法提供了時(shí)域和頻域的聯(lián)合分布信息，清晰地描述了信號(hào)頻率與時(shí)間的關(guān)系。圖6 R5 scout的時(shí)頻圖顯然，只有部分時(shí)頻映射是紅色的，表明每個(gè)任務(wù)只對(duì)特定的頻率和時(shí)間敏感。由于圖的數(shù)量比較大，研究者使用CNN來選擇和學(xué)習(xí)這些圖中最基本的特征。研究人員隨機(jī)選擇了幾個(gè)樣本，并將一些特征圖可視化，作為MI任務(wù)的學(xué)習(xí)表示，如圖7所示。圖7為了獲得有效的結(jié)果，將數(shù)據(jù)集分為90％作為訓(xùn)練集，其余10％作為測試集。首先，將十個(gè)受試者的數(shù)據(jù)集（總共19320個(gè)樣本）分為17388個(gè)樣本以訓(xùn)練所提出的CNN模型，以及1932個(gè)樣本以驗(yàn)證模型的有效性。在實(shí)驗(yàn)中，研究者還選擇了另外四個(gè)受試者的數(shù)據(jù)集以增加數(shù)據(jù)集的規(guī)模(27048個(gè)樣本)，其中24343個(gè)樣本是訓(xùn)練集，其他樣本是測試集。在選定的scout上對(duì)所提出的CNN架構(gòu)進(jìn)行了十次訓(xùn)練和測試，以驗(yàn)證所提出模型的魯棒性。圖8(a)顯示了10個(gè)scout中每個(gè)的全局平均精度。圖8 統(tǒng)計(jì)結(jié)果R5的全局平均精度最高，達(dá)到94.5%，而L2的全局平均精度最低，為91.3%。對(duì)應(yīng)L1、L3、L4、L5、R1、R2、R3、R4的整體準(zhǔn)確率分別為92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的總體精度均在91%以上，標(biāo)準(zhǔn)差均在0.20%以下。圖8(b)顯示了十個(gè)scout中每個(gè)scout四個(gè)MI任務(wù)的組級(jí)統(tǒng)計(jì)結(jié)果及其標(biāo)準(zhǔn)差。一般來說，R5表現(xiàn)的要比其他的好，而L2在迭代2000中表現(xiàn)最差。標(biāo)準(zhǔn)差較小，說明這些精度更接近平均值且穩(wěn)定。圖9 統(tǒng)計(jì)結(jié)果圖9(a)顯示了帶有標(biāo)準(zhǔn)差的混淆矩陣，說明了group level分類結(jié)果。T1、T2、T3和T4的全局平均精度峰值分別為95.3%、93.3%、93.6%和96.0%。R5 scout的四個(gè)MI任務(wù)中的每一個(gè)都如圖9(b)所示。通過改變訓(xùn)練集和測試集順序的10次試驗(yàn)，確定了scoutR5的性能，結(jié)果如圖10(a)和(b)所示。在10次試驗(yàn)中，scout R5的T1、T2、T3、T4的平均準(zhǔn)確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個(gè)任務(wù)中每一個(gè)的平均準(zhǔn)確率都超過了93%。全局平均準(zhǔn)確率為93.7%。10次試驗(yàn)結(jié)果表明，該方法對(duì)scout R5的分類效果較好。從以上結(jié)果可以清楚地看出，R5 scout在四種MI任務(wù)的分類中扮演著最重要的角色。因此，選擇R5對(duì)四個(gè)MI任務(wù)進(jìn)行分類。圖 10圖11. (a)是不同模型的全局平均準(zhǔn)確性的比較。可以發(fā)現(xiàn)，該研究提出的模型可以達(dá)到最大的精度。從圖11. (b)不同模型的ROC曲線可以看出提出的模型比其他模型表現(xiàn)更好。?不同模型T1上的精度比較。(d)不同模型T2的精度比較。(e)不同模型T3的精度比較。(f)不同型號(hào)T4的精度比較。圖11 不同模型的精度比較結(jié)論東北電力大學(xué)和長春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法。該方法可以對(duì)運(yùn)動(dòng)想象(MI)任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者加入了4個(gè)新的受試者進(jìn)行驗(yàn)證來驗(yàn)證方法的有效性。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

成果介紹超材料(Metamaterial),或其二維形式—超表面(Metasurface)由具有亞波長尺寸的人工原子周期或者非周期地排列而成,其描述方式可分為等效媒質(zhì)和空間編碼兩種形式。由等效媒質(zhì)描述的超材料(或超表面)我們稱之為新型人工電磁媒質(zhì),由空間編碼描述的超材料(超表面)我們稱之為編碼超材料(超表面)和數(shù)字超材料(超表面)。對(duì)于新型人工電磁媒質(zhì),人們通過自由設(shè)計(jì)單元結(jié)構(gòu)、單元排列方式、以及單元各向異性,可以根據(jù)意愿控制等效媒質(zhì)的媒質(zhì)參數(shù),實(shí)現(xiàn)自然界中不存在或者很難實(shí)現(xiàn)的介電常數(shù)和/或磁導(dǎo)率,進(jìn)而控制電磁波。本成果對(duì)于新型人工電磁媒質(zhì)對(duì)電磁波的調(diào)控作用,例如隱身衣、電磁黑洞、雷達(dá)幻覺器件、遠(yuǎn)場超分辨率成像透鏡、新型透鏡天線、隱身表面、極化轉(zhuǎn)換器、人工表面等離激元器件及混合集成電路等。技術(shù)創(chuàng)新點(diǎn)及參數(shù)對(duì)于編碼和數(shù)字超材料(超表面),我們提出基于空間編碼調(diào)控電磁波的新思路。其中,一比特編碼超材料選用相位差接近180度的兩種基本單元(記為0單元和1單元),按照一定規(guī)律排列0和1單元構(gòu)成超材料,以實(shí)現(xiàn)所需的設(shè)計(jì)功能。當(dāng)電磁編碼采用FPGA控制時(shí),可實(shí)現(xiàn)現(xiàn)場可編程超材料,即單一的超材料在FPGA的實(shí)時(shí)控制下可實(shí)現(xiàn)多種功能(例如單波束、多波束、波束掃描、隱身功能等)。市場前景本成果獲得國家自然科學(xué)二等獎(jiǎng)。該項(xiàng)目突破傳統(tǒng)模擬超材料的等效媒質(zhì)表征方法，創(chuàng)造性地提出用 0 和 1 表征的數(shù)字超材料，建了數(shù)字編碼和現(xiàn)場可編程超材料新體系；在國際上率先從微波傳輸線的角度研究人工 SPP 超材料，提出一種性能優(yōu)越的超薄、可共形 SPP 傳輸線，開辟了基于 SPP 模式的微波領(lǐng)域新分支，實(shí)現(xiàn)了超材料研究從跟跑、并跑變成走在世界前列的跨越。

本發(fā)明公開了一種兼顧近場和遠(yuǎn)場性能的三維攝像聲納系統(tǒng)換能器陣列的稀疏優(yōu)化方法，包括以下步驟：根據(jù)三維攝像聲納系統(tǒng)中近場數(shù)字波束形成算法的類型，確定三維攝像聲納系統(tǒng)的聚焦距離誤差參數(shù)；利用聚焦距離誤差參數(shù)確定近場稀疏優(yōu)化能量函數(shù)；采用全局尋優(yōu)算法，求解使近場稀疏優(yōu)化能量函數(shù)達(dá)到最小的稀疏換能器陣列Q1；對(duì)Q1中開啟的換能器進(jìn)行二次稀疏優(yōu)化，求解使遠(yuǎn)場稀疏優(yōu)化能量函數(shù)達(dá)到最小的稀疏換能器陣列Q2；當(dāng)聲納系統(tǒng)工作在近場狀態(tài)時(shí)，使用Q1進(jìn)行聚焦波束形成；當(dāng)聲納系統(tǒng)工作在遠(yuǎn)場狀態(tài)時(shí)，使用Q2進(jìn)行遠(yuǎn)場波束形成。本發(fā)明能夠在有效降低系統(tǒng)硬件復(fù)雜度的同時(shí)，保證系統(tǒng)在不同探測距離下都具備穩(wěn)定的探測性能。

本發(fā)明公開了一種硅烷偶聯(lián)劑修飾二氧化鈦納米管陣列材料及其制備方法和應(yīng)用。該硅烷偶聯(lián)劑修飾二氧化鈦納米管陣列材料主要由二氧化鈦納米管陣列、硅烷偶聯(lián)劑、有機(jī)溶劑和冰醋酸混合后反應(yīng)得到，可應(yīng)用于處理含有機(jī)污染物和/或重金屬污染物的廢水中。本發(fā)明的硅烷偶聯(lián)劑修飾二氧化鈦納米管陣列材料氧化還原能力強(qiáng)，可同時(shí)去除有機(jī)污染物和重金屬污染物，且去除效果好，可反復(fù)使用。

史延慧教授介紹，實(shí)驗(yàn)基于咪唑的雙齒配體（1,4-雙咪唑基苯（1）和1,3-雙咪唑基苯（2））及三齒配體（1,3,5-三咪唑基苯（3））通過[2+2]及[2+3]配位驅(qū)動(dòng)自組裝與三種金屬釕中心（[Ru2(µ-η4-OO∩OO)(h6-p-cymene)2](O3SCF3)2(OO∩OO =草酸根（oxa（4）），2,5-二氧基-1,4-苯醌（dobq（5））和5,8-二氧基-1,4-萘醌（donq（6）））反應(yīng)，合成了6個(gè)四核矩形金屬環(huán)7-12及3個(gè)六核三棱柱金屬籠子13-15。生命科學(xué)學(xué)院張鵬副教授通過MTT實(shí)驗(yàn)發(fā)現(xiàn)配合物9,12和15對(duì)所測試的癌細(xì)胞系都有很高的抗癌活性，比順鉑更優(yōu)，與阿霉素相當(dāng)。文章探討了細(xì)胞內(nèi)攝取的效率是如何影響配合物9,12和15對(duì)癌細(xì)胞的細(xì)胞毒性和選擇性的，結(jié)果發(fā)現(xiàn)化合物9的積累水平在三種配合物中最高，即與A549中的最低IC50值一致（1.14 μM）。為研究抗癌機(jī)制，測量了滴定ctDNA到釕配合物的溶液中的紫外-可見光譜，得出配合物9,12和15與雙鏈ctDNA的結(jié)合能力是通過靜電結(jié)合方式作用的。這種結(jié)合方式通常是由帶正電的藥物分子與DNA中帶負(fù)電的磷酸部分相互作用導(dǎo)致的，而化合物9具有與ctDNA作用的最高結(jié)合常數(shù)Kb。

本成果可以應(yīng)用在基于無人飛行器的導(dǎo)航、跟蹤和三維重建等領(lǐng)域，方便在此類系統(tǒng)上構(gòu)建起精確可調(diào)的雙目立體視覺系統(tǒng)。目前，在無人機(jī)航拍領(lǐng)域，目前的云臺(tái)系統(tǒng)多用于單個(gè)相機(jī)航拍，該設(shè)計(jì)正是彌補(bǔ)了雙目相機(jī)航拍的需求，同時(shí)高精度的伺服系統(tǒng)有利于提高立體視覺標(biāo)定精度。 本技術(shù)的目的在于克服現(xiàn)有技術(shù)的上述缺陷，提供一種基線長度和俯仰角度可以自動(dòng)調(diào)節(jié)的無人雙目立體攝像機(jī)，該設(shè)計(jì)具有高精度的伺服控制性能，可以精確調(diào)節(jié)基線的長度，從而改變兩個(gè)攝像機(jī)共同可視范圍的大小，能有效計(jì)算圖像的深度信息，可以應(yīng)用于機(jī)器人導(dǎo)航、目標(biāo)跟蹤、三維重建等領(lǐng)域。