主要技术创新路径：一步催化二氧化碳加氢高选择性制备高品质（清洁）汽油 核心解决问题、核心优势：一步催化二氧化碳加氢高选择性制备汽油,即缓解能源危机又能改善环境问题。催化剂由金属氧化物和分子筛两部分组成，金属氧化物可以较大规模制备，分子筛的价格也比较低廉，催化剂稳定性较好，有工业推广前景。 这种方法所制备的汽油有别于传统石油裂解制备的汽油，其不含硫或磷，燃烧后不释放硫氧化合物和磷氧化合物等有害物质，辛烷值高，防爆性能好，是高品质的清洁汽油。 

本发明涉及细胞色素C分子自组装纳米有序复合结构组装体及制法,以羟基磷灰石纳米粒子为基本单元,在三维空间组装成纳米γ-氧化铝模板/羟基磷灰石纳米有序复合结构组装体(组装体1),然后与细胞色素C组装,得到细胞色素C/γ-氧化铝模板/羟基磷灰石纳米有序复合结构组装体,其细胞色素C平均表面含量为4.5×10

单克隆抗体可以用于制备治疗PEDF升高的创伤愈合疾病的药物。 一、项目分类 重大科学前沿创新 二、成果简介 抗PEDF单克隆抗体的制备方法是用PEDF蛋白免疫BALB/c小鼠，再用免疫鼠的脾细胞与骨髓瘤细胞融合，经筛选克隆获得分泌抗PEDF单克隆抗体的杂交瘤株，得到所需单克隆抗体。单克隆抗体可以用于制备治疗PEDF升高的创伤愈合疾病的药物。

【发 明 人】刘晓；蔡皓；蔡宝昌；张科卫；裴科【摘要】本发明涉及一种HPLC-DAD法同时测定四物汤中10种化学成分含量的方法。属于中药成分分析领域。其步骤如下：(1)混合对照品溶液的配制。(2)供试品溶液的配制。(3)测定法：采用HPLC-DAD法测定混合对照品及供试品的浓度。色谱条件：色谱柱：elit?C18(250mm×4.6mm，5μm)；检测波长：280nm；流速：0.8mL·min-1；柱温：30℃；进样量：20μL；梯度洗脱条件：0~2.0min，体积分数为2%的甲醇等度洗脱，2.0~15.0min线性增加至20%的甲醇，15.0~25.0min为体积分数20%的甲醇等度洗脱，25.0~42.0min线性增加至100%的甲醇，42.0~45.0min为100%的甲醇等度洗脱。本发明所建立同时测定四物汤煎剂中10种化学成分的分析方法简单方便、重复性好，准确可靠，可为四物汤煎剂质量控制提供依据。

本发明公开了一种基于自适应边缘检测和映射模型的一维码识 别算法。该算法利用一维码四个角点对一维码图片进行投影变换，校 正一维码图像中可能存在的投影或者仿射变形，然后利用校正后的图 像生成两种扫描线，一种是基于图像分块的，一种是基于梯度变化的， 对于获得的扫描线采用一种自适应边缘检测算法来找到一维码条和空 的边缘位置，接着采用一种边缘映射模型将获得的边缘位置映射到正 确的编码位置，根据编码位置来获得条和空的宽度，从而依据条空的 宽度比和编码规则求解一维码信息。按照本发明实现的一维码识别算 法，能实现对

（专利号：ZL 201510137245.3） 简介：本发明公开了一种基于分层配料与布料的烧结过程SO2、二噁英协同减排方法，属于烧结过程污染物减排技术领域。本发明的具体步骤为：步骤一：烧结混料：制备烧结混合料和配有添加剂的混合料，其中添加剂为尿素颗粒；步骤二：烧结布料：在烧结台车的上面铺装铺底料层；将烧结混合料铺装在铺底料层的上面形成第一混合料层；再将配有添加剂的混合料铺装在第一混合料层上面形成协同减排料层；而后将烧结混合料铺装在协同减排料层上面形成第二混合料层；步骤三：烟气集中收集处理：将台车中后部的风箱内的烟气经增压泵汇入布袋除尘器。本发明通过分层配料与布料，实现了烧结过程SO2、二噁英的协同减排，大大减轻了钢铁企业的减排负担。  

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

本发明公开了一种基于回转式固定床的二氧化碳高温循环脱除方法，填充钙基吸收剂的固定床转子旋转至高温烟气侧通道，烟气中CO2被钙基吸收剂填料脱除并形成CaCO3，脱除CO2后烟气排出，CaO则通过碳酸化反应转化为CaCO3；固定床转子继续携带已转化为CaCO3的填料旋转至燃料气侧通道，燃料气与纯氧通入该区域发生燃烧并放出热量为CaCO3分解供热，释放出高浓度CO2，随后CO2由该反应区排出并被封存或作他用，CaCO3分解再生为CaO；内部填料再生后的固定床转子重新旋转至烟气侧捕获分离烟气中CO2，利用转

一种通过用胶带预处理基底来气相沉积生长单层MoS 2 枝晶的方法，有意在初始成核阶段和/或生长过程中引入孪晶缺陷，实现单层MoS 2 树枝晶的形貌调控。所得的MoS 2 晶体具有六次对称的骨架，分枝数可调。其形状的演化过程是由胶黏剂种子诱导的双晶缺陷形核和局部硫/钼源蒸气比的协同效应所引起的。此外，由于硫空位的富集，极大地增强了循环孪晶区的光致发光效率。该工作为合成可控形状的单层MoS 2 提供了一种简便有效的策略，同时也为理解孪晶缺陷的生长机制以及在其电催化和光电催化等领域的应用做出了贡献。

本发明涉及一种多视角地面激光点云数据自动化全局配准方法。该方法分为两个关键的模块:语义 特征点的提取与特征匹配。第一步，进行语义特征点的提取，通过数据切片、距离聚类、几何基元拟合 等一系列方式，获得语义特征点;第二步，进行语义特征点的匹配，通过构建三角几何约束条件与语义 约束条件来匹配语义特征点;并采用几何一致性的聚类方式剔除其中错误的匹配;最后，以匹配的特征 点个数的倒数作为权值，构建一个加权无向图，以加权无向图的最小生成树作为配准的路径，最终得到 各个站的全局配准参数，实现全局最优配准。本发明构筑了一种适用于多视角的自动化地面站激光点云 配准方法，该方法能够有效抵抗噪声、点密度与遮挡的影响，提高了激光扫描作业效率，具有很好的实 用价值。