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

項目成果/簡介:長牡蠣“海大1號”是我國培育的第一個牡蠣新品種，填補了我國牡蠣良種培育的空白。中國海洋大學自2006年在國內率先開始了長牡蠣快速生長系的選擇育種，以山東乳山海區自然采苗養殖的長牡蠣為基礎群體，基于群體選育、輔以分子標記輔助育種，采用有效繁殖親本數量控制、選育群體世代遺傳參數與選擇效應評估以及選育世代遺傳多樣性監測等多項關鍵技術，通過連續6代成功培育出長牡蠣“海大1號”新品種。該新品種具有生長速度快、殼型規則等特性，目前在山東、遼寧、江蘇等地養殖面積超過20萬畝，取得了顯著的經濟和社會效益，有力推動了我國牡蠣養殖業的良種化進程。長牡蠣“海大2號” 新品種是中國海洋大學繼培育我國第一個生長性狀優良的長牡蠣“海大1號”新品種的基礎上培育的長牡蠣第二個新品種。長牡蠣“海大2號” 新品種是以金黃殼色和生長速度作為選育目標性狀，采用家系選育和群體選育相結合的混合選育技術，輔以分子標記輔助育種，經過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（養殖戶喜稱“金牡蠣”“金蠔”），在北方沿海進行了示范養殖，深受育苗企業和廣大養殖戶的喜愛，大大提高了我國養殖牡蠣的品質和檔次。長牡蠣“海大3號”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體為基礎群體，以殼黑色和生長速度為目標性狀，采用家系選育和群體選育相結合的混合選育技術，經連續6代選育而成。在相同養殖條件下，與未經選育的長牡蠣相比，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100%。適宜在山東和遼寧人工可控的海水水體中養殖。項目階段:工業化生產階段效益分析:牡蠣是世界上養殖產量最大的海水養殖種類，世界年產量為400多萬噸，產值近40億美元，也是消費量最多的貝類產品。我國是牡蠣的故鄉，牡蠣居我國四大經濟貝類之首，年產量480多萬噸，占世界牡蠣產量的4/5。我國牡蠣產量雖然很大，但產值僅占世界的1/4左右。在我國牡蠣價格僅為2-4元/kg，而在美國和歐盟國家的牡蠣價格卻高達1~2 美元/個。雖然國外牡蠣價格昂貴，但我國每年卻要從美國、澳大利亞等國家進口大量的牡蠣，來滿足各大城市高檔市場的需求。長牡蠣“海大1號”、“海大2號”和“海大3號”新品種品質優良，可作為進口牡蠣的替代產品，具有廣闊的市場前景。預期投資500萬元，養殖規模2000畝，產值2000~3000萬元。知識產權類型:發明專利 、 軟件著作權知識產權編號:GS-01-005-2013 GS-01-007-2016 ZL201410120162.9 GS-01-007-2018技術成熟度:通過中試技術先進程度:達到國內領先水平成果獲得方式:獨立研究獲得政府支持情況:無

長牡蠣“海大1號”是我國培育的第一個牡蠣新品種，填補了我國牡蠣良種培育的空白。中國海洋大學自2006年在國內率先開始了長牡蠣快速生長系的選擇育種，以山東乳山海區自然采苗養殖的長牡蠣為基礎群體，基于群體選育、輔以分子標記輔助育種，采用有效繁殖親本數量控制、選育群體世代遺傳參數與選擇效應評估以及選育世代遺傳多樣性監測等多項關鍵技術，通過連續6代成功培育出長牡蠣“海大1號”新品種。該新品種具有生長速度快、殼型規則等特性，目前在山東、遼寧、江蘇等地養殖面積超過20萬畝，取得了顯著的經濟和社會效益，有力推動了我國牡蠣養殖業的良種化進程。 長牡蠣“海大2號” 新品種是中國海洋大學繼培育我國第一個生長性狀優良的長牡蠣“海大1號”新品種的基礎上培育的長牡蠣第二個新品種。長牡蠣“海大2號” 新品種是以金黃殼色和生長速度作為選育目標性狀，采用家系選育和群體選育相結合的混合選育技術，輔以分子標記輔助育種，經過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（養殖戶喜稱“金牡蠣”“金蠔”），在北方沿海進行了示范養殖，深受育苗企業和廣大養殖戶的喜愛，大大提高了我國養殖牡蠣的品質和檔次。 長牡蠣“海大3號”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體為基礎群體，以殼黑色和生長速度為目標性狀，采用家系選育和群體選育相結合的混合選育技術，經連續6代選育而成。在相同養殖條件下，與未經選育的長牡蠣相比，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100%。適宜在山東和遼寧人工可控的海水水體中養殖。

導讀東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法，以對運動想象(MI)任務進行分類。ESI技術采用邊界元法(BEM)和加權最小范數估計(WMNE)分別解決EEG的正向和逆向問題。然后在運動皮層中創建十個scout來選擇感興趣的區域(ROI)。研究者使用Morlet小波方法從scout的時間序列中提取特征。最后，使用CNN對MI任務進行分類。實驗結果:在Physionet數據庫上的整體平均準確率達到94.5%，分別對左拳頭、右拳頭、雙拳和雙腳的單個準確率達到95.3%、93.3%、93.6%、96%，采用十倍交叉驗證進行驗證。研究人員表示，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者為驗證方法的有效性，加入了4個新的受試者進行驗證，發現總體平均準確率為92.5%。此外，全局分類器適應單一對象，整體平均準確率提高到94.54%。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。系統框架圖1 系統框架圖系統框架如圖1所示。原始數據來自國際10-10系統的64個電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個樣本的速度采集。根據國際10-10系統從64個通道采集原始腦電圖，并使用BCI2000系統進行記錄。記錄的數據被分為四個獨立MI任務包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執行運動想象時在alpha和beta中不同，因此使用FIR濾波器對EEG進行了8 Hz至30 Hz的帶通濾波。然后，通過計算包含正問題和逆問題的源，將傳感器空間的活動轉化為源空間的活動。接下來，創建scout并提取特征。研究者在運動皮層中創建了10個scout，因為我們只關心與運動相關的活動。十個scout中的每一個都代表了可用源空間中的一個感興趣的區域(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scout的源時間序列中提取特征。最后，利用CNN對時頻圖進行分離并進行分類。實驗在實驗中，研究人員僅使用了隨機選擇的十個受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數據集包含每個受試者84次試驗，每一類包含21次試驗。在記錄64通道腦電圖時，受試者執行了不同的運動想象任務。每個受試者針對以下四個任務中的每一個執行了3輪21試驗：當目標出現在屏幕左側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕的右側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕頂部時，受試者想象打開和合上雙手的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕底部時，目標會想象雙腳張開和合攏，直到目標消失。然后受試者放松。為了統一數據維數，研究者選擇了4s的數據，因為每次想象任務的執行時間都在4s左右。此外，腦電圖任務是分開的，研究人員在實驗中將左拳，右拳，雙拳和雙腳MI任務分別稱為T1，T2，T3和T4。圖2 scout命名左右運動想象的scout分別命名為L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個scout每一個都被擴展到40個頂點，每個頂點只有一個源。L1區域對應40個信號，其他scout也一樣。在計算了來源后，研究者在運動皮層中創建了十個scout，如圖3所示。圖3 創建10個scout使用ESI計算十個受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗的四個任務(T1、T2、T3、T4)的源。對于這四項任務中的每一項，每個受試者每次都要進行7次測試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個步的10個被試的10個scout的4項任務的來源。然后提取10個scout的時間序列進行進一步分析。特征提取在計算源之后，研究人員在運動皮層中創建了包含40個源的10個scout，并提取了scout的時間序列。如圖4所示為提取R5 scout時間序列作為示例。圖的右邊顯示了R5 scout的時間序列。本文利用小波變換從scout時間序列中提取特征。圖4 提取R5 scout時間序列作為示例在這項研究中，研究者提出利用CNN來解決運動想象任務分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構，該網絡模型由一個六層卷積網絡組成，其中兩個最大池層和三個全連接層，如圖5所示。圖5對于Physionet數據庫，研究者首先采用Deep ConvNet架構，包括四個卷積層、四個最大池層和一個全連接層。在實驗中，研究者依據經驗使用兩個最大池化層。并嘗試了不同數量的卷積層和完全連接層。時頻圖利用Morlet小波方法得到了scout的特征。對于每個任務，R5 scout的時頻圖如圖6所示。包含時間和頻率互補的時頻分析方法提供了時域和頻域的聯合分布信息，清晰地描述了信號頻率與時間的關系。圖6 R5 scout的時頻圖顯然，只有部分時頻映射是紅色的，表明每個任務只對特定的頻率和時間敏感。由于圖的數量比較大，研究者使用CNN來選擇和學習這些圖中最基本的特征。研究人員隨機選擇了幾個樣本，并將一些特征圖可視化，作為MI任務的學習表示，如圖7所示。圖7為了獲得有效的結果，將數據集分為90％作為訓練集，其余10％作為測試集。首先，將十個受試者的數據集（總共19320個樣本）分為17388個樣本以訓練所提出的CNN模型，以及1932個樣本以驗證模型的有效性。在實驗中，研究者還選擇了另外四個受試者的數據集以增加數據集的規模(27048個樣本)，其中24343個樣本是訓練集，其他樣本是測試集。在選定的scout上對所提出的CNN架構進行了十次訓練和測試，以驗證所提出模型的魯棒性。圖8(a)顯示了10個scout中每個的全局平均精度。圖8 統計結果R5的全局平均精度最高，達到94.5%，而L2的全局平均精度最低，為91.3%。對應L1、L3、L4、L5、R1、R2、R3、R4的整體準確率分別為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，標準差均在0.20%以下。圖8(b)顯示了十個scout中每個scout四個MI任務的組級統計結果及其標準差。一般來說，R5表現的要比其他的好，而L2在迭代2000中表現最差。標準差較小，說明這些精度更接近平均值且穩定。圖9 統計結果圖9(a)顯示了帶有標準差的混淆矩陣，說明了group level分類結果。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MI任務中的每一個都如圖9(b)所示。通過改變訓練集和測試集順序的10次試驗，確定了scoutR5的性能，結果如圖10(a)和(b)所示。在10次試驗中，scout R5的T1、T2、T3、T4的平均準確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個任務中每一個的平均準確率都超過了93%。全局平均準確率為93.7%。10次試驗結果表明，該方法對scout R5的分類效果較好。從以上結果可以清楚地看出，R5 scout在四種MI任務的分類中扮演著最重要的角色。因此，選擇R5對四個MI任務進行分類。圖 10圖11. (a)是不同模型的全局平均準確性的比較。可以發現，該研究提出的模型可以達到最大的精度。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T4的精度比較。圖11 不同模型的精度比較結論東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法。該方法可以對運動想象(MI)任務進行分類。實驗結果表明，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者加入了4個新的受試者進行驗證來驗證方法的有效性。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的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和空間編碼兩種形式。由等效媒質描述的超材料(或超表面)我們稱之為新型人工電磁媒質,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)和數字超材料(超表面)。對于新型人工電磁媒質,人們通過自由設計單元結構、單元排列方式、以及單元各向異性,可以根據意愿控制等效媒質的媒質參數,實現自然界中不存在或者很難實現的介電常數和/或磁導率,進而控制電磁波。本成果對于新型人工電磁媒質對電磁波的調控作用,例如隱身衣、電磁黑洞、雷達幻覺器件、遠場超分辨率成像透鏡、新型透鏡天線、隱身表面、極化轉換器、人工表面等離激元器件及混合集成電路等。技術創新點及參數對于編碼和數字超材料(超表面),我們提出基于空間編碼調控電磁波的新思路。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),按照一定規律排列0和1單元構成超材料,以實現所需的設計功能。當電磁編碼采用FPGA控制時,可實現現場可編程超材料,即單一的超材料在FPGA的實時控制下可實現多種功能(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二等獎。該項目突破傳統模擬超材料的等效媒質表征方法，創造性地提出用 0 和 1 表征的數字超材料，建了數字編碼和現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，提出一種性能優越的超薄、可共形 SPP 傳輸線，開辟了基于 SPP 模式的微波領域新分支，實現了超材料研究從跟跑、并跑變成走在世界前列的跨越。

本發明公開了一種兼顧近場和遠場性能的三維攝像聲納系統換能器陣列的稀疏優化方法，包括以下步驟：根據三維攝像聲納系統中近場數字波束形成算法的類型，確定三維攝像聲納系統的聚焦距離誤差參數；利用聚焦距離誤差參數確定近場稀疏優化能量函數；采用全局尋優算法，求解使近場稀疏優化能量函數達到最小的稀疏換能器陣列Q1；對Q1中開啟的換能器進行二次稀疏優化，求解使遠場稀疏優化能量函數達到最小的稀疏換能器陣列Q2；當聲納系統工作在近場狀態時，使用Q1進行聚焦波束形成；當聲納系統工作在遠場狀態時，使用Q2進行遠場波束形成。本發明能夠在有效降低系統硬件復雜度的同時，保證系統在不同探測距離下都具備穩定的探測性能。

本發明公開了一種硅烷偶聯劑修飾二氧化鈦納米管陣列材料及其制備方法和應用。該硅烷偶聯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、硅烷偶聯劑、有機溶劑和冰醋酸混合后反應得到，可應用于處理含有機污染物和/或重金屬污染物的廢水中。本發明的硅烷偶聯劑修飾二氧化鈦納米管陣列材料氧化還原能力強，可同時去除有機污染物和重金屬污染物，且去除效果好，可反復使用。

史延慧教授介紹，實驗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]配位驅動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，合成了6個四核矩形金屬環7-12及3個六核三棱柱金屬籠子13-15。生命科學學院張鵬副教授通過MTT實驗發現配合物9,12和15對所測試的癌細胞系都有很高的抗癌活性，比順鉑更優，與阿霉素相當。文章探討了細胞內攝取的效率是如何影響配合物9,12和15對癌細胞的細胞毒性和選擇性的，結果發現化合物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的結合能力是通過靜電結合方式作用的。這種結合方式通常是由帶正電的藥物分子與DNA中帶負電的磷酸部分相互作用導致的，而化合物9具有與ctDNA作用的最高結合常數Kb。

本成果可以應用在基于無人飛行器的導航、跟蹤和三維重建等領域，方便在此類系統上構建起精確可調的雙目立體視覺系統。目前，在無人機航拍領域，目前的云臺系統多用于單個相機航拍，該設計正是彌補了雙目相機航拍的需求，同時高精度的伺服系統有利于提高立體視覺標定精度。 本技術的目的在于克服現有技術的上述缺陷，提供一種基線長度和俯仰角度可以自動調節的無人雙目立體攝像機，該設計具有高精度的伺服控制性能，可以精確調節基線的長度，從而改變兩個攝像機共同可視范圍的大小，能有效計算圖像的深度信息，可以應用于機器人導航、目標跟蹤、三維重建等領域。