本发明公开了一种具有抑制幅度可控性的射频发射机边带失真分量的抑制系统，包括失真分量生成模型、系数提取模块、数模转换器、射频发射机、双工器、射频接收机、第一精度转换器、第二精度转换器、数字域滤波器、模数转换器和减法器。本发明还公开了一种具有抑制幅度可控性的射频发射机边带失真分量的抑制方法。本发明能够根据不同需求，灵活选择需要抑制的幅度，由于对数据进行了尾数截断处理，减少了运算时存储数据所需的寄存器位数，从而节省硬件资源。由于建模数据采用了更少的字长，所以相较于传统边带失真抑制方案，本发明减少了数据计算的复杂度，提高了计算速度。

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。

本成果以专利形式体现（专利号 200910248615.5 ），桦褐孔菌的代谢产物紫杉醇具有抗癌功效，本专利所提出的的提取三萜类物质方法，更好的简化了提取步骤和工艺，有利于实现该物质的提取，在生物医药行业将有广泛应用。

该专利技术由华南理工大学和深圳诺普信农化股份有限公司共同开发，解决了农药领域面临的高端木质素农药分散剂成本高/热贮性能差的共性问题，实现了造纸黑液的资源化利用，并对推进生物质资源作为化工原料/农药助剂和农药环保制剂的“绿色化”发展具有重要意义。专利技术由深圳诺普信农化股份有限公司、广东瑞安科技实业有限公司、图们市华威友邦化工有限公司等多家化工企业实施应用，建立了产业化生产线和农药制剂应用生产线，至2017年底，共生产专利产品13.03万吨，产值17.92亿元，新增利润3.22亿元，创造了显著的经济效益和社会效益。以该专利技术为核心的科研成果“碱木质素的改性及其资源化高效利用”于2011年获得广东省科学技术一等奖、“碱木质素的改性及造纸黒液的资源化高效利用”于2015年获国家技术发明二等奖。

本发明涉及的领域为高通量筛选领域，特别涉及一种具有皮升级精度的自动化微液滴阵列筛选系统的使用方法。本发明通过将液体驱动系统和毛细管中充满低热膨胀系数的液体作为载流，并完全排空毛细管内的气泡，然后将毛细管取样端浸入与水相样品不互溶的油相中抽取一段油相至毛细管中，用于隔离水相样品和载流，再将毛细管取样端浸入样品/试剂储存管中抽取一定体积的水相样品溶液进入毛细管，最后将毛细管取样端移入微孔阵列芯片的微孔上方的油相中，将毛细管中的样品溶液推出至微孔中形成样品的液滴。本发明液体的定量量取和液滴生成具有皮升级的体积精度，有效降低了高通量筛选中的样品/试剂消耗，节省了实验成本。

本发明涉及一种四氧化三钴纳米线阵列、其制备方法以及作为锂离子电池负极的用途。该四氧化三钴纳米线阵列，其形貌为菱形结构，菱形的边长为100nm~500nm，菱形内角的锐角为30°~60°，阵列长度为5μm~20μm。本发明还提供了制备该四氧化三钴纳米线阵列的方法，以一定摩尔比的钴盐、化学结合剂、碱性反应物和水在常温下进行混合搅拌，将混合均匀的溶液移入反应釜中，并将干净的衬底置于溶液中进行水热反应后取出冲洗，再在惰性气氛中热处理，得到四氧化三钴纳米线阵列。本发明的四氧化三钴纳米线阵列可直接作为锂离子电池负极，能明显提高电池的比容量和循环性能，放电容量高达1000mAh/g以上，是一种理想的锂离子电池电极材料。

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

本发明公开一种带水合反应器的复合吸收剂循环捕捉CO2的装置及方法，该装置包括煅烧?还原反应器(1)、冷凝器(2)、水合反应器(3)、空气反应器(4)、碳酸化反应器(5)、换热器(6)以及各部分之间的连接管道；该循环捕捉CO2的方法为：钙铜基复合吸收剂中的Ca(OH)2和CaO与进入碳酸化反应器的烟气反应，捕捉CO2；固体产物在煅烧?还原反应器中与通入其中的CH4反应，产生高浓度CO2；部分反应后的固体进入水合反应器改善孔隙结构，增强反应活性；活化后的复合吸收剂进入空气反应器完成铜基载氧体的再生。本发明使用钙循环耦合化学链工艺实现了低能耗捕捉烟气中的CO2，同时借助水合反应抑制吸收剂碳酸化性能衰退。

本发明公开了一种用于海洋超软土原位测试的十字形全流触探探头，包括测试系统和探端，所述探端呈十字形状，所述探端垂直固定于测试系统下方，所述测试系统上部与探杆相连，所述测试系统包括传感器、信号传输线和套设在探杆上的套筒，所述套筒包括摩擦套筒和端阻套筒，所述摩擦套筒设置于端阻套筒上方，所述传感器包括设置在摩擦套筒上摩阻压力传感器以及设置在端阻套筒上的端阻压力传感器和孔隙水压力传感器，所述摩阻压力传感器用于感应侧摩阻力，所述端阻套筒靠近探端一侧设置有孔压过滤环。本发明能够针对海底/水下超软土层开展全流触探，准确的测定超软土层的相关物理力学性质参数，为海洋工程勘察和基础施工提供可靠参考依据。