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

項目的背景及目的 利用計算機網絡的應用環境，通過移動機器人/固定機械手上安裝的攝像裝置對工作現場采集圖像，并實時地進行圖像壓縮和傳輸。在異地利用相同的設備從網絡上得到圖像，實時地進行解壓縮與播放，并能夠根據要求對圖像流進行處理與存儲。 技術原理與工藝流程 采用具有高速計算能力的32位圖像處理DSP芯片，開發具有多路圖像輸入/輸出標準接口，具有TCP/IP協議的網絡接口的圖像處理器。實現對工

目前基于AI的圖像分析技術已經日趨完善，在人臉識別、車牌識別等場景的應用越來越廣泛，市場競爭也愈發激烈。本成果面向更復雜的場景：視頻分析。通過深度網絡學習視頻數據的時空特性，能夠捕捉視頻的動態信息并進行自動分析，達到不同應用的目標。目前在較難的視頻分析任務—手語翻譯上達到較為先進的水平。

功能：智能大棚實現溫濕度、光照、土壤溫濕度、CO2 的檢測和水簾、風機、滴灌、遮陽、光照的控制。所有控制具備手自動控制，操作界面采用瀏覽器界面，實現網絡的遠程控制和管理，界面中能實時顯示各種參數（溫度、濕度、CO2 濃度）、實時顯示個控制部件的狀態（水簾、風機、滴灌、遮陽、光照）。在操作平臺上實現各種控制閥值的設置，所有被控設備的手動控制。提供數據庫管理，保存所有檢測參數，并提供表格、曲線等顯示方式，隨時查看歷史數據。操作界面采用后臺操作模式，可實現網絡登錄、監控、設置，實現遠程管理功能，具有良好的人機交互、操作邏輯、界面美觀的整體設計。 技術：后臺通訊服務器運行在具有獨立可訪問的服務器上，使用了數據庫連接池等技術顯著提高了數據庫訪問的執行效率。前臺溫室大棚控制網站用來實現對大棚個節點實時狀態的檢測及控制。采用了：（1）Microsoft ASP 技術開發，實現了 B/S 結構的服務系統。（2）利用動態域名解析技術解決了具有動態變化的外網 IP 地址的局域內網服務器與固定域名的映射，實現了通過固定域名隨時可以訪問前臺溫室大棚控制網站。

本項成果對傳統的協調控制算法進行了優化研究，可以使城市道路綠波帶控制的效果得到改善，使交叉口通行效率獲得提升。仿真表明，本項成果的應用可以使延誤減小10%~20%。

隨著計算智能方法得到更廣泛的應用，其從問題本身學習的能力亟待增強。為此，越來越多研究提出使用機器學習模型來驅動計算智能。通常，這種基于模型的進化算法的性能高度依賴于所采用模型的訓練質量。而傳統機器學習方法需要大量訓練數據進行模型訓練，而且受維度災難的影響，這類方法通常很難解決維度較高的問題，約束了計算智能方法的應用范疇。課題組在IEEE Transactions on Cybernetics上發表了一種由生成對抗網絡（GAN）驅動的進化多目標算法。

東南大學蘇州研究院工業CT系統采購招標項目的潛在投標人應在南京市建鄴區嘉陵江東街8號綜合體B3棟一單元16層獲取招標文件，并于2022年06月23日09點30分（北京時間）前遞交投標文件。

本發明公開了一種考慮逆變型分布式電源接入的配電網故障區域定位算法，包括如下步驟：(1)建立恒功率控制方式下逆變型分布式電源故障特性分析模型；(2)根據配電網中聯絡開關、斷路器等開關器件的分布特點對配電網進行分區處理，使用圖論的理論分析方法，建立配電網的圖模型，并設定配電網的電流參考方向；(3)利用設定的配電網電流參考方向以及斷路器處保護裝置上傳的故障信息，通過矩陣運算求取故障判斷矩陣，實現故障區域的定位。本發明能夠滿足分布式電源接入，無需動作值整定，具備一定拓撲結構自適應的能力。

本成果采用最新的深度學習和分子模擬算法，結合新一代分子特征化方法，開發了多種計算機模型，可用于藥物開發中的多個階段，為藥物的快速設計開發提供一個完整的基于人工智能的解決方案。成果：1.藥物毒性預測方法：傳統的化合物毒性檢測技術一般需要使用生化試驗、細胞實驗、甚至動物模型，這些方法不僅耗費大量時間，而且成本很高。使用計算模型進行有機化合物的毒性預測，所需投入較少，但產出巨大。特別是基于化合物的物理化學和結構特性的計算模型，甚至能夠在化合物合成之前就對其進行預測，大大提高了效率，使其越來越受到歡迎。在進行體外和體內試驗之前先使用計算機模型對化合物進行大規模的毒性篩選，能夠更好地解決候選藥物具有毒性的問題。我們建立了一套新的基于多種分子指紋和機器學習算法的化合物毒性預測集成學習算法，運用此集成學習算法建立了新的有機化合物致癌性、致突變性和肝毒性預測模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預測)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預測)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預測)的預測服務器，這些服務器能夠為使用者提供更高效更便捷的預測技術服務。自2017年服務器發表起，我們已為國內外藥物分子設計研究者提供了5000多次共計超過20多萬個化合物的毒性預測服務。在有機化合物毒性預測研究方向，我們主要完成了化合物的細胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預測模型，以及糖尿病早期篩查模型的開發，正在進行P450酶阻滯劑性預測模型、基于圖神經網絡的毒性預測算法研究、基于分子對接的化合物毒性預測研究等。相關研究成果已發表多篇學術論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性預測服務器首頁致癌性預測結果頁相關綜述對本服務器的介紹RF-hERG-Score預測藥物引起的hERG相關心臟毒性2.藥物設計方法：在計算機上對藥物靶點和藥物分子的結構和活性建模，計算藥物與靶點之間的相互作用關系，從而設計出具有治療作用的藥物。計算機輔助藥物設計可以為藥物設計各階段的實驗方案提供有意義的指導，減少需要通過實驗評估的候選藥物的數量，從而加快新藥研發速度。我們應用分子對接、分子動力學模擬、自由能計算、機器學習等方法研究流感病毒等重要疾病的計算機輔助藥物設計、并開發更有效的計算機輔助藥物設計方法。在計算機輔助藥物設計研究我們主要完成了流感病毒M2質子通道蛋白抑制劑虛擬篩選方法研究，正在進行先導化合物生成模型研究、基于機器學習的虛擬篩選打分函數算法開發、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設計研究。特異性重打分函數顯著虛擬篩選性能顯著較高篩選出兩個候選抑制劑3.藥物靶點識別方法：長非編碼RNA（lncRNA）是一種長度在200nt至100,000nt之間的非編碼RNA，是轉錄物的主要成分。研究表明lncRNA在許多生物學和病理學過程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結合。lncRNA-蛋白質相互作用的實驗研究需要大量資源。累積的實驗數據使得通過計算方法預測lncRNA-蛋白質相互作用成為可能。我們使用各種數學建模和機器學習方法開發了幾種用于預測lncRNA-蛋白質相互作用的新模型。這些模型命名為：RWLPAP（隨機游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機游走和鄰域規則化Logistic矩陣分解），LPI-BNPRA（雙向網絡投影推薦算法），LPI-ETSLP（基于特征值變換的半監督鏈路預測），HLPI-Ensemble（集成學習）。在交叉驗證中，我們的模型獲得了較好的預測性能。lncRNA-蛋白質相互作用預測模型的性能比較lncRNA-蛋白質相互作用預測服務器相關軟件著作權：

本成果采用最新的深度學習和分子模擬算法，結合新一代分子特征化方法，開發了多種計算機模型，可用于藥物開發中的多個階段，為藥物的快速設計開發提供一個完整的基于人工智能的解決方案。 成果：1.藥物毒性預測方法：傳統的化合物毒性檢測技術一般需要使用生化試驗、細胞實驗、甚至動物模型，這些方法不僅耗費大量時間，而且成本很高。使用計算模型進行有機化合物的毒性預測，所需投入較少，但產出巨大。特別是基于化合物的物理化學和結構特性的計算模型，甚至能夠在化合物合成之前就對其進行預測，大大提高了效率，使其越來越受到歡迎。在進行體外和體內試驗之前先使用計算機模型對化合物進行大規模的毒性篩選，能夠更好地解決候選藥物具有毒性的問題。我們建立了一套新的基于多種分子指紋和機器學習算法的化合物毒性預測集成學習算法，運用此集成學習算法建立了新的有機化合物致癌性、致突變性和肝毒性預測模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預測)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預測)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預測)的預測服務器，這些服務器能夠為使用者提供更高效更便捷的預測技術服務。自2017年服務器發表起，我們已為國內外藥物分子設計研究者提供了5000多次共計超過20多萬個化合物的毒性預測服務。在有機化合物毒性預測研究方向，我們主要完成了化合物的細胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預測模型，以及糖尿病早期篩查模型的開發，正在進行P450酶阻滯劑性預測模型、基于圖神經網絡的毒性預測算法研究、基于分子對接的化合物毒性預測研究等。相關研究成果已發表多篇學術論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性預測服務器首頁 致癌性預測結果頁 相關綜述對本服務器的介紹 RF-hERG-Score預測藥物引起的hERG相關心臟毒性 2.藥物設計方法：在計算機上對藥物靶點和藥物分子的結構和活性建模，計算藥物與靶點之間的相互作用關系，從而設計出具有治療作用的藥物。計算機輔助藥物設計可以為藥物設計各階段的實驗方案提供有意義的指導，減少需要通過實驗評估的候選藥物的數量，從而加快新藥研發速度。我們應用分子對接、分子動力學模擬、自由能計算、機器學習等方法研究流感病毒等重要疾病的計算機輔助藥物設計、并開發更有效的計算機輔助藥物設計方法。在計算機輔助藥物設計研究我們主要完成了流感病毒M2質子通道蛋白抑制劑虛擬篩選方法研究，正在進行先導化合物生成模型研究、基于機器學習的虛擬篩選打分函數算法開發、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設計研究。 特異性重打分函數顯著虛擬篩選性能顯著較高 篩選出兩個候選抑制劑 3.藥物靶點識別方法：長非編碼RNA（lncRNA）是一種長度在200nt至100,000nt之間的非編碼RNA，是轉錄物的主要成分。研究表明lncRNA在許多生物學和病理學過程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結合。lncRNA-蛋白質相互作用的實驗研究需要大量資源。累積的實驗數據使得通過計算方法預測lncRNA-蛋白質相互作用成為可能。我們使用各種數學建模和機器學習方法開發了幾種用于預測lncRNA-蛋白質相互作用的新模型。這些模型命名為：RWLPAP（隨機游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機游走和鄰域規則化Logistic矩陣分解），LPI-BNPRA（雙向網絡投影推薦算法），LPI-ETSLP（基于特征值變換的半監督鏈路預測），HLPI-Ensemble（集成學習）。在交叉驗證中，我們的模型獲得了較好的預測性能。 lncRNA-蛋白質相互作用預測模型的性能比較 lncRNA-蛋白質相互作用預測服務器相關軟件著作權：

本發明公開了一種并行 LLL 高維模糊度降相關算法，首先通過混合利用 Cholesky 下三角 LTL 分解 以及上三角 UTU 分解，提高 LLL 算法針對高維模糊度降相關的計算效率，增強高維模糊度降相關的能 力。其次為了得到降相關能力較強的 Z 變換矩陣，所以在每一次 QR 分解變換過程中，變換系數矩陣要 獲取較小的整數值，因此在每次下三角分解前先對模糊度協方差矩陣的行向量按內積大小進行升序排序， 而在上三角分解前先對矩陣的列向量按內積大小進行降序排列，由此求得的 Z 變換降相關性能更佳。最 后把算法正交變換過程中的取整運算移至在求 Z 矩陣時取整，可以避免算法迭代過程中反復取整而引起 的誤差累積，解決算法發散的問題，從而進一步提高并行 LLL 算法的計算效率和穩定性。