本发明公开了一种高层建筑抽蓄储能风光智能微网系统及控制方法，包括风机组件、光伏阵列组件、抽蓄机组、及微网中央处理器；风机组件、光伏阵列组件、抽蓄机组连接在低压母线上；主电网能提供可靠的能源支持；微网和主电网由并网变压器、并网开关、公共连接点连接；微网中央处理器根据可再生能源的发电量和负荷需求量，管理调度系统能量分配；并实时监控系统状态，及时处理各类故障，实现微网在并网、离网两种模式间的无缝切换。本发明将可再生能源集成在高层建筑中，能源结构可持续发展，并利用建筑高程差将抽水蓄能机组作为储能设备，具有对电网负荷变化反应快速、调节灵活，调峰、填谷、调频、调相和事故备用的良好运行性能。

本发明提供了一种基于InDel分子标记鉴定辣椒雄性不育三系配套杂交种真实性和纯度的方法。其方法为：将辣椒杂交种和亲本培育至芽苗期，提取DNA，应用核心引物对杂交种和亲本进行筛选，只有共显性标记的引物可以作为该杂交种真实性鉴定的分子标记。若辣椒杂交种和亲本在核心引物库中无法筛选出共显性标记，则结合次级核心引物库中继续筛选，直至筛选出共显性标记。本发明建立的快速、同时鉴定辣椒雄性不育三系配套杂交种真实

本发明公开了一种船舶双向曲率板一体作用自动成型方法,包括下列步骤：a)构建一体作用成型加载系统；b)针对待成型的板材，根据成型工艺要求，建立成型的基础数据与加工数据之间的对应关系；c)根据建立的基础数据与加工数据的对应关系，编制成型软件并在控制装置上安装成型软件，启动成型软件对板材执行加载，以使板材产生双向曲率塑性变形；d)对已塑性变形的板材的成型效果进行监测，并比较和反馈已成型形状、曲率与目标形状、曲率之间的差异。本发明便于操控，同时具有智能化、高精度、应用范围广的优点，因而尤其适用于鞍形板、帆形板和扭曲板之类及其组合形状的大曲率板的自动化成型。

本发明公开了一种UPFC接入系统的方法，将并联换流器通过并联耦合变压器Tsh与节点k相连，节点k通过变电站变压器T进行升压，接入到串联侧线路母线上，第一串联换流器通过第一串联耦合变压器Tse1连接在第一回线路i1j1上，第二串联换流器通过第二串联耦合变压器Tse2连接在第二回线路i2j2上，第一串联换流器和第二串联换流器均连接直流电容C1两端，且第一串联换流器和第二串联换流器均耦合连接并联换流器。本发明还公开了UPFC五节点功率注入模型及潮流计算方法。本发明可以对串联侧两回输电线路分开实现潮流控制，实现N?1故障下单回线路的断面潮流控制，并且该模型并联侧接入低压侧，提高了接入节点电压水平，能够体现并联侧节点及其后续线路的影响。

本申请涉及机械工程技术领域，特别涉及一种部分可观测信息下多状态复杂系统维修决策方法，其中，方法包括：基于状态观测数据构建多状态退化过程的连续时间齐次马尔科夫链模型；利用期望最大化算法联合估计待估的状态转移参数和观测参数，结合贝叶斯定理实时更新系统处于各个采样时刻的后验概率，以计算系统的条件可靠度，以长程期望平均费用最小化为目标，寻求最优条件可靠度控制限；推导计算半马尔科夫决策过程中转移概率、期望驻留时间和期望维修费用，以确定多状态复杂系统维修决策。由此，解决了相关技术中，未考虑到在系统各状态失效率的区别且最优停机阈值为虚拟的复合指标，导致维修决策缺乏准确性和针对性，影响系统的可靠性等问题。

本发明公开了一种统一绕组无轴承电机，其特征在于，该电机 包括定子和转子，以定子上相邻的两个齿为一对，定子每相占据在定 子圆周上相对的相差 180°的两对，一对上设置一组绕组，每相的两 套绕组分别由驱动模块实现驱动，定子上还设置有用于测量转子偏移 位置的两个位置传感器，两个位置传感器的位置相差 90°相差位，电 机还包括与驱动模块连接的驱动控制系统。按照本发明实现的统一绕 组无轴承电机及其驱动控制系统，组成结构简单，转子悬浮，无机械 磨损，不需要机械轴承支撑，硬件结构简单，并且避免了桥臂直通的问题。

本发明公开了一种双加工点共轨运动控制方法、加工方法及其装置，用于在数控机床加工轮廓轨迹时实现主加工点和副加工点同时位于该轮廓轨迹上，包括 S1 根据主加工点的坐标、行进方向以及与副加工点的距离，计算副加工点在轮廓轨迹上的位置以及弦线的方向；S2 计算弦线在下一时刻的方向；S3 计算该弦线旋转的角度；S4 计算弦线旋转需要加工点在工件坐标系下分别在 X 轴和 Y 轴方向的补偿量；S5 结合工件坐标系和机床坐标系的换算关系，获得主加工点和副加工点的绝对坐标，实现双加工点共轨控制。本发明方法填补了实际加工

本发明公开一种重力梯度仪自标定方法及离心梯度补偿方法，其中重力梯度仪自标定方法通过改变重力梯度仪的水平倾斜角或惯性稳定平台的旋转角速度改变重力梯度仪敏感的离心梯度，记录不同离心梯度激励下重力梯度仪的输出及检测的离心梯度数据完成重力梯度仪标度系数、零偏的标定；根据标定模型及重力梯度仪的输出得到含有离心梯度的重力梯度数据，将其减去检测的离心梯度，实现离心梯度补偿。本发明提供的标定方法可由计算机自动运行，实现自标定，该方法仅依靠重力梯度仪本身，不需要依赖外部检测质量即可完成标定，该标定方法，方便、简洁、容易实施。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

本发明公开了一种二氧化硅/纳米纤维功能复合物修饰电极及其制备方法和应用。该电极由复合纳米纤维PA6-GR修饰电极浸于TEOS溶液中制得；所述复合纳米纤维PA6-GR修饰电极通过静电纺丝收集于裸电极表面制得。本发明制备得到二氧化硅/纳米纤维功能复合物修饰电极稳定性好、比表面积大、生物相容性良好、电子传递速率快，可以广泛应用于生物分析，生物传感检测等领域。同时本发明的制备方法通过将静电纺丝技术和电学修饰相结合，制备流程简单方便、成本低、原料来源广、产率高，可以大规模生产应用。